一种多单臂机械手神经网络自适应脉冲控制方法及系统技术方案

本发明专利技术提供了一种多单臂机械手神经网络自适应脉冲控制方法及系统，包括以下步骤：

【技术实现步骤摘要】
一种多单臂机械手神经网络自适应脉冲控制方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种多单臂机械手神经网络自适应脉冲控制方法及系统
。

技术介绍

[0002]随着人工智能技术的迅猛发展，对于智能体在工业生产任务处理速度的要求不断提高
。
然而，单一智能体已无法满足不断增长的工业需求，从而催生了多智能体协同控制技术
。
在此背景下，多单臂机械手作为一种功能强大的通用工具，广泛应用于各种现代化生产制造工作
。
多单臂机械手具有较强的协同操作灵活性和较大的负载能力，可替代人工执行危险
、
密集以及高度重复性任务，因此，研究多单臂机械手协同控制具有重要意义
。
[0003]目前，多智能体协同控制问题中最为关键的是一致性控制问题，受到了研究者们的广泛关注
。
多单臂机械手的一致性控制旨在利用局部信息为每个“跟随者”单臂机械手构建控制器，使其输出跟踪认定为“领导者”的单臂机械手的输出信号，进而实现多智能体输出一致的控制目标
。
此外，多单臂机械手的一致性协同控制可以解决集中式控制的瓶颈问题，同时具备较强的系统灵活性和鲁棒性
。
然而，现有的一致性协同控制方法仍存在以下不足：
[0004]首先，在机械手实际操作过程中，经常受到外部干扰影响，导致系统运动学和动力学参数改变
。
此时之前的控制设计无法适应变化带来的影响，可能导致控制性能降低乃至系统不稳定r/>。
[0005]其次，现有的大部分机械手控制研究依赖于传感器，这不仅增加了生产和维护成本，还使得机械手状态信息的获取依赖于传感器的可靠性
。
一旦出现不可测量或测量不可靠的情况，将影响机械手状态信息的获取，并降低机械手稳定性
。
[0006]最后，在实际系统建模过程中，精确的系统动力学模型往往难以获得
。
尽管利用自适应神经网络方法可以逼近未知的非线性函数，解决不确定非线性系统的控制问题，但如何实现对未知非线性函数的快速逼近以改善系统性能仍然鲜有研究
。

技术实现思路

[0007]本专利技术提供一种多单臂机械手神经网络自适应脉冲控制方法，旨在解决现有多单臂机械手系统存在外部干扰
、
状态不可测以及不确定非线性的问题
。
[0008]第一方面，本专利技术实施例提供一种多单臂机械手神经网络自适应脉冲控制方法，包括以下步骤：
[0009]S1、
建立含有外部干扰的多单臂机械手系统的动力学模型，并获取描述所述多单臂机械手系统间通信关系的图论知识；
[0010]S2、
设计
RBF
神经网络逼近器，构建状态观测器及干扰观测器；
[0011]S3、
运用反步法设计神经网络自适应脉冲控制算法，为每个单臂机械手系统设计分布式一致控制器；
[0012]S4、
设置所述控制器的初始状态，调节控制参数，调整自适应参数，计算所述控制器输出的控制信号；
[0013]S5、
根据所述控制信号控制相应的所述单臂机械手系统；
[0014]S6、
判断所述单臂机械手系统是否达到控制目标，是，则结束；否，则返回所述
S4
进行循环
。
[0015]优选的，所述
S1
具体包括以下子步骤：
[0016]建立多单臂机械手系统的动力学模型；
[0017]利用图论知识描述机械手之间信息传递关系
。
[0018]优选的，所述多单臂机械手系统的动力学模型如表达式
(1)
：
[0019][0020]其中，
q
i
、
分别表示单臂机械手关节的角位置
、
速度和加速度，表示转动惯量，
m
i
表示单臂机械手的质量，
l
i
表示质心和机械手关节旋转中心的距离，
D
i
表示摩擦系数，
Ni
＝
m
i
gl
i
表示重力项，
g
表示重力加速度，
τ
i
表示有界外部扰动，
u
i
表示系统的控制输入信号，
V
表示节点集合，
i
＝1，2，
…
n
，
n
表示个数；
[0021]预设
x
i1
＝
q
i
和得到第
i
个带有未知干扰的单臂机械手系统的状态模型为表达式
(2)
：
[0022][0023]其中，
x
i
＝
[x1，
x2]T
表示状态向量，
y
i
表示第
i
个单臂机械手的角位置状态，
f
i
(x
i
)
表示未知光滑非线性，表示未知干扰项，表示控制输入
。
[0024]优选的，所述利用图论知识描述机械手之间信息传递关系具体为：
[0025]考虑一个包含单领导者和
n
个跟随者的多单臂机械手系统；
[0026]预设所述多单臂机械手系统的信息传递拓扑是一个无向图，通常采用
G
＝
(V
，
ε
，
A)
表示，其中
V
＝
{v1，
v2，
…
v
n
}
表示节点集，
v
i
表示机械手
i
，
ε
＝
V
×
V
是边集，而
A
＝
[a
ij
]是具有非负邻接元素的邻接矩阵；
e
ij
＝
(v
i
，
v
j
)
表示图
G
的边，
e
ij
＝
(v
i
，
v
j
)∈
ε
当且仅当存在从机械手
i
到机械手
j
的信息传递，邻接矩阵
A
的元素
a
ij
表示从机械手
i
到机械手
j
的通信质量；
[0027]即否则
a
ij
＝0，当
a
ii
＝0，并且对于无向图，它规定
a
ij
＝
a
ji
；为<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多单臂机械手神经网络自适应脉冲控制方法，其特征在于，包括以下步骤：
S1、
建立含有外部干扰的多单臂机械手系统的动力学模型，并获取描述所述多单臂机械手系统间通信关系的图论知识；
S2、
设计
RBF
神经网络逼近器，构建状态观测器及干扰观测器；
S3、
运用反步法设计神经网络自适应脉冲控制算法，为每个单臂机械手系统设计分布式一致控制器；
S4、
设置所述控制器的初始状态，调节控制参数，调整自适应参数，计算所述控制器输出的控制信号；
S5、
根据所述控制信号控制相应的所述单臂机械手系统；
S6、
判断所述单臂机械手系统是否达到控制目标，是，则结束；否，则返回所述
S4
进行循环
。2.
如权利要求1所述的多单臂机械手神经网络自适应脉冲控制方法，其特征在于，所述
S1
具体包括以下子步骤：建立多单臂机械手系统的动力学模型；利用图论知识描述机械手之间信息传递关系
。3.
如权利要求2所述的多单臂机械手神经网络自适应脉冲控制方法，其特征在于，所述多单臂机械手系统的动力学模型如表达式
(1)
：其中，分别表示单臂机械手关节的角位置
、
速度和加速度，表示转动惯量，
m
i
表示单臂机械手的质量，
l
i
表示质心和机械手关节旋转中心的距离，
D
i
表示摩擦系数，
N
i
＝
m
i
gl
i
表示重力项，
g
表示重力加速度，
τ
i
表示有界外部扰动，
u
i
表示系统的控制输入信号，
V
表示节点集合，
i
＝
1,2
，
…
n
，
n
表示个数；预设
x
i1
＝
q
i
和得到第
i
个带有未知干扰的单臂机械手系统的状态模型为表达式
(2)
：其中，
x
i
＝
[x1，
x2]
T
表示状态向量，
y
i
表示第
i
个单臂机械手的角位置状态，
f
i
(x
i
)
表示未知光滑非线性，表示未知干扰项，表示控制输入
。4.
如权利要求3所述的多单臂机械手神经网络自适应脉冲控制方法，其特征在于，所述利用图论知识描述机械手之间信息传递关系具体为：考虑一个包含单领导者和
n
个跟随者的多单臂机械手系统；预设所述多单臂机械手系统的信息传递拓扑是一个无向图，通常采用
G
＝
(V
，
ε
，
A)
表示，其中
V
＝
{v1，
v2，
…
v
n
}
表示节点集，
v
i
表示机械手
i
，
ε
＝
V
×
V
是边集，而
A
＝
[a
ij
]
是具有非负邻接元素的邻接矩阵；
e
ij
＝
(v
i
，
v
j
)
表示图
G
的边，
e
ij
＝
(v
i
，
v
j
)∈
ε
当且仅当存在从机械手
i
到机械手
j
的信息传递，邻接矩阵
A
的元素
a
ij
表示从机械手
i
到机械手
j
的通信质量；即否则
a
ij
＝0，当
a
ii
＝0，并且对于无向图，它规定
a
ij
＝
a
ji
；
为
v
i
的邻居集合；定义图
G
的拉普拉斯矩阵为
L
＝
[l
ij
]
，如果
i≠j
，则有和
l
ij
＝
‑
a
ij
；预设
B
＝
diag{b1，
...
，
b
n
}
，
b
i
&gt;0
是机械手
i
和领导者之间的通信权重，当且仅当机械手
i
和领导者之间存在连接，否则
b
i
＝0，并且存在至少一个跟随者与领导者相连接，其中，
j
＝1，2，
…
n
，
n
表示个数
。5.
如权利要求1所述的多单臂机械手神经网络自适应脉冲控制方法，其特征在于，所述
S2
中，所述设计
RBF
神经网络逼近器具体包括以下步骤：采用径向基核函数神经网络逼近所述多单臂机械手系统中的非线性项，得到表达式
(3)
：
f
nn
(W
，
x)
＝
W
T
φ
(x)
…
(3)
其中，
x
表示输入层的输入向量，
W
＝
[w1，
w2，
...
，
w
n
]
T
∈R
l
为神经网络权重向量，
T
表示
W
的转置，
l
表示神经网络...

【专利技术属性】
技术研发人员：林明，罗振发，刘勇华，徐雍，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：