CN110275436A - 一种多单臂机械手的rbf神经网络自适应控制方法 - Google Patents
一种多单臂机械手的rbf神经网络自适应控制方法 Download PDFInfo
- Publication number
- CN110275436A CN110275436A CN201910468959.0A CN201910468959A CN110275436A CN 110275436 A CN110275436 A CN 110275436A CN 201910468959 A CN201910468959 A CN 201910468959A CN 110275436 A CN110275436 A CN 110275436A
- Authority
- CN
- China
- Prior art keywords
- single arm
- rbf neural
- indicate
- follows
- unknown
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多单臂机械手的RBF神经网络自适应控制方法,利用神经网络逼近机械手***中的未知非线性函数;引入动态面技术设计一阶滤波器解决了反步法需要对控制器反复求导产生“计算***”的问题;针对未知参数和输出受限问题,则借助Nussbaum函数和障碍李亚普诺夫函数进行处理。本发明不需要精确的机械臂动力学模型,可以完全消除由未知动力学参数和随机干扰引起的输出误差,弥补了基于模型的多单臂机械手控制方案离不开精确的动力学模型的问题,提高了机械手的动态性能以及关节空间的轨迹跟踪精度。最后通过仿真实例验证控制方法的可行性和有效性。
Description
技术领域
本发明涉及人工智能及控制的技术领域,尤其涉及到一种带有输出受限、未知参数和随机干扰的的多单臂机械手的RBF神经网络自适应控制方法。
背景技术
随着科学技术的不断发展,多单臂机械手作为一种强大的工具出现在现代化的流水线生产工作中。单臂机械手存在灵活性差、效力低下的局限,其在较庞大的搬运、安装、检修和焊接工作中,单臂机械手在信息的收集和控制处理等一些方面都表现出了必然的局限性,而因为多单臂机械手较强的协调操作灵活性,较大的负载本领,可以完成繁琐多样的任务要求,所以,对多单臂机械手协作***进行研究意义非凡,尤其在多智能体***中,多单臂机械手输出一致控制器的设计意义重大,然而,其较为繁琐的控制问题是一个难题。将在该协调控制***中的某一单臂机械手被认定为“领导者”,其他的“跟随者”可以跟踪领导者的输出信号,从而实现输出一致的控制目标,将此跟随“领导者”的一类单臂机械手称为“跟随者”。一组协调的机器人可以执行某些任务,例如,大面积监视,搜索和救援以及大型物体运输,比单个专用机器人更有效。其他任务根本无法由单个移动机器人完成,要求一组协调机器人执行它,如传感器和执行器定位问题,以及诱捕/护送任务。
在实际***的操作过程中,当机械手抓取目标后,或者环境对机械手会产生一些随机干扰时,***的运动学和动力学参数便发生了变化,之前的控制***便不能较好地处理这些运动学和动力学参数变化产生的影响,从而可能导致***不稳定。对于带有输出限制的***,当***输出逼近其限制边界时,障碍李雅普诺夫函数将变得无穷大,而使用所提出的控制方法可以使得障碍李雅普诺夫函数的导数负定,这意味着障碍李雅普诺夫函数不可能变得无穷大,***输出无法到达其限制边界。利用这一特性,可以设计基于障碍李雅普诺夫的控制方法解决输出限制问题。而且实际条件下,机械臂的各个参数由于磨损或设备老化导致会有未知参数,这就需要一种能对含有未知参数的多单臂机械收进行协同控制。
对于带有不确定非线性项的***,自适应神经网络可以逼近未知非线性函数,通过反推控制得出最终控制输入的表达形式,然而反推控制存在计算复杂性***问题。动态面控制通过在反推的每一步引入一阶滤波器来获得虚拟控制的导数,从而克服了反推控制存在的计算复杂性***问题。因此,自适应动态面神经网络控制可以解决带有不确定非线性项的***跟踪问题。
发明内容
针对现有技术中存在的问题,本发明将输出受限、未知参数以及随机干扰等问题综合考虑,提出一种带有输出受限、未知参数和随机干扰的多单臂机械手的RBF神经网络自适应控制方法。
为实现上述目的,本发明所提供的技术方案为:
一种带有输出受限、未知参数和随机干扰的的多单臂机械手的RBF神经网络自适应控制方法,其基于含有一个领导机械臂和n个随从机械臂的多单臂机械手***,领导机械手标记为0,随从机械臂标记为v={1,2,…N},包括以下步骤:
S1:建立标准的多单臂机械手的动力学模型;
S2:建立描述多单臂机械手之间通讯关系的图论知识,并根据多单臂机械手的物理特性,将建模得到的***模型转换成状态模型;
S3:基于搭建的状态动力学模型,设计多单臂机械手的RBF神经网络自适应控制算法,采用基于李亚普诺夫稳定性理论的判稳方法,证明整个闭环控制***的稳定性;
S4:基于多单臂机械手自适应控制算法控制机械手的运动,根据机械手轨迹跟踪误差,实时更新RBF神经网络参数,同时在线辨识未知的多单臂机械手动力学参数;最终机械手的关节空间精确跟踪设定轨迹。
进一步地,所述步骤S1建立的多单臂机械手i∈v的动力学模型如下:
其中,qi表示移动机械手关节的角度,表示移动机械手的加速度,Mi表示转动惯量,mi表示移动机械手的质量,g表示重力加速度,li表示连杆长度,ui表示为***的控制输入,bi表示未知参数。
进一步地,所述的步骤2具体包括:
S2.1:建立描述多单臂机械手之间通讯关系的图论知识:
考虑包含一个领导者和N个跟随者的多智能体***,同时领导者与至少一个跟随者之间存在通信连接,N个跟随者之间存在通信连接,采用T=(υ,ξ,E)表示多智能体***的通讯拓扑结构,其中υ={υ0,υi,…,υN}表示所有的智能体,υ0表示领导节点,υi表示跟随节点,i=1,2,…,N;ξ表示跟随节点之间的通讯链接集合,ξ中的元素ξij=(υi,υj)表示智能体υi能够获得智能体υj的信息,i,j=1,2,…,N;Ni=[υi,(υi,υj)∈ξ]为υi的邻居集合,表示υi能获得所有属于Ni的智能体信息;是邻接矩阵,如果(υi,υj)∈ξ,则aij=1,否则aij=0;
定义拉普拉斯矩阵L=[lij]∈RN×N,其中定义领导节点邻接矩阵G=diag(b1,b2,…,bN),其中bi>0,当且仅当节点vi与领导节点有连接;
S2.2:假设***存在随机干扰,将第i个带有输出受限、未知参数和随机干扰的单臂机械手的***模型转换成状态模型,同时令xi1=qi和则转换后的第i个带有输出受限、未知参数和随机干扰的单臂机械手的状态模型为:
其中,yi为第i个单臂机械手的位置状态,hi1和hi2表示未知非线性光滑函数,为r维的维纳过程,表示随机干扰;由于存在随机干扰,故引入伊藤引理,定义***的微分规则,具体定义如下:
若考虑随机***则其微分规则如下:
其中V为李亚普诺夫函数,Tr表示矩阵的迹,f(x)和g(x)则表示未知非线性光滑函数;
假设多单臂机械手需要领导跟踪信号为yr,其一阶导数、二阶导数均存在,且满足M0一常数。
进一步地,所述步骤S3的具体过程如下:
S3.1:设计RBF神经网络:
输入层:x表示f(x)学习中f(x)函数在t时刻输入的状态;
隐藏层:φ(x)为隐藏层RBF激活函数,使用以下高斯函数计算其输出:
其中,c和n分别为神经元的中心和宽度;
输出层:f(x)=W*Tφ(x)+ε(x),其中W*代表权值,ε(x)代表神经网络的重构误差,且|ε(x)|≤ε*;
S3.2:定义第一个跟踪误差ei1,ei1运算单元的输入端分别为有向图G中的第j个跟随者的输出yj、跟随者的邻接通信aij、领导者的邻接通信ai0、第i个跟随者的输出yi和领导者的输出yr,根据以下公式计算误差ei1:
对ei1求导,通过选择对应的李亚普诺夫函数设计对应的虚拟控制器αi2和自适应律如下:
其中,为对跟踪误差ei1大小的约束,ci1,λi1,σi1为设计参数;在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
S3.3:将αi2输入到一阶低通滤波器,得到新的状态变量vi2;
S3.4:定义虚拟控制器的滤波误差zi2,其表达式为:zi2=vi2-αi2,其中滤波器的动力学方程为:τi2vi2+vi2=αi2,vi2(0)=αi2(0),τi2>0为设计参数;
S3.5:为了***中出现的未知参数bi,引入Nussbaum增益,Nussbaum函数具有以下性质:选择
Ni(ζ)=exp(ζ2)cos(ζ2);
S3.6:定义第二个跟踪误差ei2,ei2的输入端分别为第i个跟随单臂机械臂的状态xi2和αi2输入到一阶低通滤波器得到的状态vi,2,根据以下公式计算第二个跟踪误差:ei2=xi2-vi2;对ei2求导,通过选择对应的李亚普诺夫函数设计对应的实际控制器ui和自适应律如下:
其中,ki,ci2,λi2,σi2为设计参数,在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
进一步地,所述步骤S4通过基于RBF神经网络的自适应控制算法,结合多单臂机械手跟踪误差,机械手运动过程中自动调整RBF神经网络参数和动力学模型参数。
与现有技术相比,本方案原理和优点如下:
1.针对反演设计中虚拟控制律存在高阶求导复杂的难题,通过结合反步控制的“递推式”设计方法,在每一步引入一阶滤波器来计算虚拟控制项的导数,得到新的状态变量,解决反步法带来的虚拟控制律求导“***”的难题。
2.考虑了随机干扰问题,使提出的多单臂机械手***能应用于更加复杂的实际环境中,如气候变化,噪音等;同时,***的控制输入是带有未知参数的,使得***更具有一般性。
3.针对带有输出受限问题,当***输出逼近其限制边界时,利用障碍李亚普诺夫函数将变得无穷大,而所提出的控制方法可以使得障碍李亚普诺夫函数的导数负定,则意味着障碍李亚普诺夫函数不可能变得无穷大,***输出无法到达其限制边界。利用这一特性,解决输出受限的问题。
4.针对一类非完整的多单臂机械手,利用RBF神经网络对非线性函数的逼近能力,利用逼近误差设计控制器,以及自适应率对神经网络的权值进行调整,消除对多单臂机械手精确动力学模型的需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种多单臂机械手的RBF神经网络自适应控制方法的流程图;
图2为多单臂机械臂的整体***示意图;
图3为第i个随从单臂机械臂和领导单臂机械臂之间的有向拓扑图;
图4为四个随从单臂机械臂的输出yi与领导单臂机械臂的输出yr的跟踪效果图,i=1,2,3,4;
图5为四个随从单臂机械手的跟踪误差ei1示意图,i=1,2,3,4;
图6为四个随从单臂机械手的控制率ui示意图,i=1,2,3,4。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种多单臂机械手的RBF神经网络自适应控制方法,其基于含有一个领导机械臂和n个随从机械臂的多单臂机械手***,领导机械手标记为0,随从机械臂标记为v={1,2,…N};具体步骤如下:
S1:建立标准的多单臂机械手的动力学模型:
其中,qi表示移动机械手关节的角度,表示移动机械手的加速度,Mi表示转动惯量,mi表示移动机械手的质量,g表示重力加速度,li表示连杆长度,ui表示为***的控制输入,bi表示未知参数。
S2:建立描述多单臂机械手之间通讯关系的图论知识,并根据多单臂机械手的物理特性,将建模得到的***模型转换成状态模型;
步骤S2.1:建立描述多单臂机械搜之间通讯关系的图论知识:
考虑包含一个领导者(标记为0)和N个跟随者(标记为i=1,2,...,N)的多智能体***,同时领导者与至少一个跟随者之间存在通信连接,N个跟随者之间存在通信连接,采用T=(υ,ξ,E)表示多智能体***的通讯拓扑结构,其中υ={υ0,υi,…,υN}表示所有的智能体,υ0表示领导节点,υi表示跟随节点,i=1,2,…,N;ξ表示跟随节点之间的通讯链接集合,ξ中的元素ξij=(υi,υj)表示智能体υi能够获得智能体υj的信息,i,j=1,2,…,N;Ni=[υi,(υi,υj)∈ξ]为υi的邻居集合,表示υi能获得所有属于Ni的智能体信息;是邻接矩阵,如果(υi,υj)∈ξ,则aij=1,否则aij=0。
定义拉普拉斯矩阵L=[lij]∈RN×N,其中定义领导节点邻接矩阵G=diag(b1,b2,…,bN),其中bi>0,当且仅当节点vi与领导节点有连接;
S2.2:为了给出仿真结果,假设***存在随机干扰,将第i个带有输出受限、未知参数和随机干扰的单臂机械手的***模型转换成状态模型,同时令xi1=qi和则转换后的第i个带有输出受限、未知参数和随机干扰的单臂机械手的状态模型为:
其中,yi为第i个单臂机械手的位置状态,hi1和hi2表示未知非线性光滑函数,为r维的维纳过程,表示随机干扰;由于存在随机干扰,故引入伊藤引理,定义***的微分规则,具体定义如下:
若考虑随机***则其微分规则如下:
其中V为李亚普诺夫函数,Tr表示矩阵的迹,f(x)和g(x)则表示未知非线性光滑函数;
假设多单臂机械手需要领导跟踪信号为yr,其一阶导数、二阶导数均存在,且满足M0一常数。
S3:基于搭建的状态动力学模型,设计多单臂机械手的RBF神经网络自适应控制算法,采用基于李亚普诺夫稳定性理论的判稳方法,证明整个闭环控制***的稳定性;
S3.1:设计RBF神经网络:
输入层:x表示f(x)学习中f(x)函数在t时刻输入的状态;
隐藏层:φ(x)为隐藏层RBF激活函数,使用以下高斯函数计算其输出:
其中,c和n分别为神经元的中心和宽度;
输出层:f(x)=W*Tφ(x)+ε(x),其中W*代表权值,ε(x)代表神经网络的重构误差,且|ε(x)|≤ε*;
S3.2:定义第一个跟踪误差ei1,ei1运算单元的输入端分别为有向图G中的第j个跟随者的输出yj、跟随者的邻接通信aij、领导者的邻接通信ai0、第i个跟随者的输出yi和领导者的输出yr,根据以下公式计算误差ei1:
对ei1求导,通过选择对应的李亚普诺夫函数设计对应的虚拟控制器αi2和自适应律如下:
其中,为对跟踪误差ei1大小的约束,ci1,λi1,σi1为设计参数;在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
S3.3:将αi2输入到一阶低通滤波器,得到新的状态变量vi2;
S3.4:定义虚拟控制器的滤波误差zi2,其表达式为:zi2=vi2-αi2,其中滤波器的动力学方程为:τi2vi2+vi2=αi2,vi2(0)=αi2(0),τi2>0为设计参数;
S3.5:为了***中出现的未知参数bi,引入Nussbaum增益,Nussbaum函数具有以下性质:选择
Ni(ζ)=exp(ζ2)cos(ζ2);
S3.6:定义第二个跟踪误差ei2,ei2的输入端分别为第i个跟随单臂机械臂的状态xi2和αi2输入到一阶低通滤波器得到的状态vi,2,根据以下公式计算第二个跟踪误差:ei2=xi2-vi2;对ei2求导,通过选择对应的李亚普诺夫函数设计对应的实际控制器ui和自适应律如下:
其中,ki,ci2,λi2,σi2为设计参数,在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
S4:基于多单臂机械手自适应控制算法控制机械手的运动,根据机械手轨迹跟踪误差,实时更新RBF神经网络参数,同时在线辨识未知的多单臂机械手动力学参数;最终机械手的关节空间精确跟踪设定轨迹。
为了证明本实施例的有效性,进行如下仿真验证:
在仿真实验中,控制目标使移动机械手关节的角度qi跟踪理想轨迹yr=sin0.5t+0.5sin1.5t。根据实际***,本例采用的模型中的***物理参数可以选为:Mi=1N﹒m,g=9.8m/s2,li=0.4m,mi=0.5kg,hi1=0.05sin(xi1)和hi2=0.5cos(xi2)为随机干扰。***初始状态选为x1=[-0.1,-0.2]T,x2=[-0.01,-0.1]T,x3=x4=[0.1,0.1]T,自适应参数的初始状态设置为: 滤波器中的时间常数选为τi1=0.01,控制器中ci1=50,ci2=[70,50,50,50]T,kib=0.4,ai1=ai2=10,ki=1,bmi=2,自适应率中的λi1=λi2=20和σi1=σi2=1。
运用MATLAB软件,对本实施例控制方法中所建立的数学模型进行仿真得到仿真图4-6。图4为四个随从单臂机械臂的输出yi与领导单臂机械臂的输出yr的跟踪效果图,i=1,2,3,4,表明跟随者能够很好的跟随上领导者;图5为四个随从单臂机械手的跟踪误差ei1示意图,i=1,2,3,4,可见跟踪误差能够控制在比较小的范围内;图6为四个随从单臂机械手的控制率ui示意图,i=1,2,3,4,保证了***的跟踪性能。
结果分析
选取lyapunov函数如下:
根据李亚普诺夫稳定性定理,满足初始条件V(0)≤-CV+D,且调节参数=i1,ci1,ci2,kib,ai1,ai1,ki,bmi,λi1,λi2,σi1,σi2可以使***保持稳定,且***的输出能够被限定在一定范围内。
本实施例以反步递推和动态面技术为设计框架,解决反演设计中虚拟控制律存在高阶求导复杂的难题。同时***模型考虑了随机干扰问题,使提出的多单臂机械手***能够在更加复杂的工作环境工作,如户外环境,天气变化,震动噪音等。***也包含了输出受限和未知参数,使***更具有一般性。本实施例设计的多单臂机械手模型并不需要准确的模型,通过利用RBF神经网络对非线性函数的逼近能力,利用逼近误差设计控制器,以及自适应率对神经网络的权值进行调整,能够消除对多单臂机械手精确动力学模型的需要。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种多单臂机械手的RBF神经网络自适应控制方法,其基于含有一个领导机械臂和n个随从机械臂的多单臂机械手***,领导机械手标记为0,随从机械臂标记为v={1,2,…N},其特征在于,包括以下步骤:
S1:建立标准的多单臂机械手的动力学模型;
S2:建立描述多单臂机械手之间通讯关系的图论知识,并根据多单臂机械手的物理特性,将建模得到的***模型转换成状态模型;
S3:基于搭建的状态动力学模型,设计多单臂机械手的RBF神经网络自适应控制算法,采用基于李亚普诺夫稳定性理论的判稳方法,证明整个闭环控制***的稳定性;
S4:基于多单臂机械手自适应控制算法控制机械手的运动,根据机械手轨迹跟踪误差,实时更新RBF神经网络参数,同时在线辨识未知的多单臂机械手动力学参数;最终机械手的关节空间精确跟踪设定轨迹。
2.根据权利要求1所述的一种多单臂机械手的RBF神经网络自适应控制方法,其特征在于,所述步骤S1建立的多单臂机械手i∈v的动力学模型如下:
其中,qi表示移动机械手关节的角度,表示移动机械手的加速度,Mi表示转动惯量,mi表示移动机械手的质量,g表示重力加速度,li表示连杆长度,ui表示为***的控制输入,bi表示未知参数。
3.根据权利要求1所述的一种多单臂机械手的RBF神经网络自适应控制方法,其特征在于,所述的步骤2具体包括:
S2.1:建立描述多单臂机械手之间通讯关系的图论知识:
考虑包含一个领导者和N个跟随者的多智能体***,同时领导者与至少一个跟随者之间存在通信连接,N个跟随者之间存在通信连接,采用T=(υ,ξ,E)表示多智能体***的通讯拓扑结构,其中υ={υ0,υi,…,υN}表示所有的智能体,υ0表示领导节点,υi表示跟随节点,i=1,2,…,N;ξ表示跟随节点之间的通讯链接集合,ξ中的元素ξij=(υi,υj)表示智能体υi能够获得智能体υj的信息,i,j=1,2,…,N;Ni=[υi,(υi,υj)∈ξ]为υi的邻居集合,表示υi能获得所有属于Ni的智能体信息;是邻接矩阵,如果(υi,υj)∈ξ,则aij=1,否则aij=0;
定义拉普拉斯矩阵L=[lij]∈RN×N,其中定义领导节点邻接矩阵G=diag(b1,b2,…,bN),其中bi>0,当且仅当节点vi与领导节点有连接;
S2.2:假设***存在随机干扰,将第i个带有输出受限、未知参数和随机干扰的单臂机械手的***模型转换成状态模型,同时令xi1=qi和则转换后的第i个带有输出受限、未知参数和随机干扰的单臂机械手的状态模型为:
其中,yi为第i个单臂机械手的位置状态,hi1和hi2表示未知非线性光滑函数,为r维的维纳过程,表示随机干扰;由于存在随机干扰,故引入伊藤引理,定义***的微分规则,具体定义如下:
若考虑随机***则其微分规则如下:
其中V为李亚普诺夫函数,Tr表示矩阵的迹,f(x)和g(x)则表示未知非线性光滑函数;
假设多单臂机械手需要领导跟踪信号为yr,其一阶导数、二阶导数均存在,且满足M0一常数。
4.根据权利要求1所述的一种多单臂机械手的RBF神经网络自适应控制方法,其特征在于,所述步骤S3的具体过程如下:
S3.1:设计RBF神经网络:
输入层:x表示f(x)学习中f(x)函数在t时刻输入的状态;
隐藏层:φ(x)为隐藏层RBF激活函数,使用以下高斯函数计算其输出:
其中,c和n分别为神经元的中心和宽度;
输出层:f(x)=W*Tφ(x)+ε(x),其中W*代表权值,ε(x)代表神经网络的重构误差,且|ε(x)|≤ε*;
S3.2:定义第一个跟踪误差ei1,ei1运算单元的输入端分别为有向图G中的第j个跟随者的输出yj、跟随者的邻接通信aij、领导者的邻接通信ai0、第i个跟随者的输出yi和领导者的输出yr,根据以下公式计算误差ei1:
对ei1求导,通过选择对应的李亚普诺夫函数设计对应的虚拟控制器αi2和自适应律如下:
其中,为对跟踪误差ei1大小的约束,ci1,λi1,σi1为设计参数;在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
S3.3:将αi2输入到一阶低通滤波器,得到新的状态变量vi2;
S3.4:定义虚拟控制器的滤波误差zi2,其表达式为:zi2=vi2-αi2,其中滤波器的动力学方程为:τi2vi2+vi2=αi2,vi2(0)=αi2(0),τi2>0为设计参数;
S3.5:为了***中出现的未知参数bi,引入Nussbaum增益,Nussbaum函数具有以下性质:选择Ni(ζ)=exp(ζ2)cos(ζ2);
S3.6:定义第二个跟踪误差ei2,ei2的输入端分别为第i个跟随单臂机械臂的状态xi2和αi2输入到一阶低通滤波器得到的状态vi,2,根据以下公式计算第二个跟踪误差:ei2=xi2-vi2;对ei2求导,通过选择对应的李亚普诺夫函数设计对应的实际控制器ui和自适应律如下:
其中,ki,ci2,λi2,σi2为设计参数,在利用伊藤引理对李亚普诺夫函数求导的过程中会产生未知非线性项利用步骤S3.1所述的RBF神经网络进行逼近,具体表达式如下:
5.根据权利要求1所述的一种多单臂机械手的RBF神经网络自适应控制方法,其特征在于,所述步骤S4通过基于RBF神经网络的自适应控制算法,结合多单臂机械手跟踪误差,机械手运动过程中自动调整RBF神经网络参数和动力学模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468959.0A CN110275436B (zh) | 2019-05-31 | 2019-05-31 | 一种多单臂机械手的rbf神经网络自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468959.0A CN110275436B (zh) | 2019-05-31 | 2019-05-31 | 一种多单臂机械手的rbf神经网络自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275436A true CN110275436A (zh) | 2019-09-24 |
CN110275436B CN110275436B (zh) | 2021-04-06 |
Family
ID=67960446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468959.0A Active CN110275436B (zh) | 2019-05-31 | 2019-05-31 | 一种多单臂机械手的rbf神经网络自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275436B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103833A (zh) * | 2019-12-20 | 2020-05-05 | 南京邮电大学 | 一种多化学反应罐反应液体积一致性控制器***及设计方法 |
CN111482958A (zh) * | 2019-12-13 | 2020-08-04 | 上海智殷自动化科技有限公司 | 基于神经网络的多传输机械手光刻机及其协同控制*** |
CN112338914A (zh) * | 2020-10-27 | 2021-02-09 | 东北大学 | 一种在输出受限和输入时滞下基于随机***的单连杆机械手模糊控制算法 |
CN112859608A (zh) * | 2021-01-13 | 2021-05-28 | 沈阳工程学院 | 一种基于rbf神经网络补偿的自适应动态面控制方法 |
CN112925346A (zh) * | 2021-01-28 | 2021-06-08 | 广东工业大学 | 基于人在回路的高层消防多无人机容错控制方法及*** |
CN112965387A (zh) * | 2021-03-31 | 2021-06-15 | 西安理工大学 | 考虑状态受限的气动伺服***自适应神经网络控制方法 |
CN113156821A (zh) * | 2021-04-16 | 2021-07-23 | 山东师范大学 | 基于虚假数据注入攻击下的非线性***的自适应跟踪方法 |
CN113467501A (zh) * | 2021-07-20 | 2021-10-01 | 福州大学 | 作业飞行机器人动态滑翔抓取与力位混合控制方法 |
CN114179115A (zh) * | 2021-11-16 | 2022-03-15 | 南京邮电大学 | 一种多单臂机械手自适应前向输出一致安全控制器 |
CN114851198A (zh) * | 2022-05-17 | 2022-08-05 | 广州大学 | 一种多单连杆式机械臂的一致跟踪固定时间稳定控制方法 |
CN115008456A (zh) * | 2022-06-14 | 2022-09-06 | 中国科学院数学与***科学研究院 | 一种柔性单链机械臂多智能体的跟踪控制方法和*** |
CN115256386A (zh) * | 2022-07-26 | 2022-11-01 | 沈阳工业大学 | 考虑跟踪误差约束的不确定机械臂神经自适应控制方法 |
CN116038709A (zh) * | 2023-02-01 | 2023-05-02 | 鹏城实验室 | 非线性多机械臂***的分布式优化控制方法、设备及介质 |
CN116690561A (zh) * | 2023-05-30 | 2023-09-05 | 渤海大学 | 一种用于单连杆机械臂的自适应最优反步控制方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5959861A (en) * | 1996-10-31 | 1999-09-28 | Fujitsu Limited | Adaptive robust control device |
WO2007061950A1 (en) * | 2005-11-18 | 2007-05-31 | Georgia Tech Research Corporation | System, apparatus and methods for augmenting filter with adaptive element |
CN104022742A (zh) * | 2014-06-19 | 2014-09-03 | 金陵科技学院 | 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法 |
CN106113046A (zh) * | 2016-07-13 | 2016-11-16 | 浙江工业大学 | 基于死区和摩擦补偿的机械臂伺服***动态面瞬态控制方法 |
CN106406097A (zh) * | 2016-11-08 | 2017-02-15 | 长春工业大学 | 多机械臂***的分布式自适应协调控制方法 |
CN107193211A (zh) * | 2017-05-11 | 2017-09-22 | 南京邮电大学 | 基于自抗扰和反演技术的单臂机械手控制器及其设计方法 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
CN109333529A (zh) * | 2018-09-20 | 2019-02-15 | 南京邮电大学 | 含预定义性能的多单臂机械手输出一致控制器及设计方法 |
CN109465825A (zh) * | 2018-11-09 | 2019-03-15 | 广东工业大学 | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 |
-
2019
- 2019-05-31 CN CN201910468959.0A patent/CN110275436B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5959861A (en) * | 1996-10-31 | 1999-09-28 | Fujitsu Limited | Adaptive robust control device |
WO2007061950A1 (en) * | 2005-11-18 | 2007-05-31 | Georgia Tech Research Corporation | System, apparatus and methods for augmenting filter with adaptive element |
CN104022742A (zh) * | 2014-06-19 | 2014-09-03 | 金陵科技学院 | 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法 |
CN106113046A (zh) * | 2016-07-13 | 2016-11-16 | 浙江工业大学 | 基于死区和摩擦补偿的机械臂伺服***动态面瞬态控制方法 |
CN106406097A (zh) * | 2016-11-08 | 2017-02-15 | 长春工业大学 | 多机械臂***的分布式自适应协调控制方法 |
CN107193211A (zh) * | 2017-05-11 | 2017-09-22 | 南京邮电大学 | 基于自抗扰和反演技术的单臂机械手控制器及其设计方法 |
CN109333529A (zh) * | 2018-09-20 | 2019-02-15 | 南京邮电大学 | 含预定义性能的多单臂机械手输出一致控制器及设计方法 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
CN109465825A (zh) * | 2018-11-09 | 2019-03-15 | 广东工业大学 | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 |
Non-Patent Citations (5)
Title |
---|
HUI MA,ET AL.: "Adaptive Dynamic Surface Control Design for Uncertain Nonlinear Strict-Feedback Systems With Unknown Control Direction and Disturbances", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
ZHOU QI,ET AL.: "Approximation-Based Adaptive Tracking Control for MIMO Nonlinear Systems With Input Saturation", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
司文杰 等: "一类严格反馈时滞***的自适应输出反馈控制", 《***工程与电子技术》 * |
王桐 等: "随机非线性***基于事件触发机制的自适应神经网络控制", 《自动化学报》 * |
陈龙胜 等: "输入受限的非仿射纯反馈不确定***自适应动态面容错控制", 《控制理论与应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111482958A (zh) * | 2019-12-13 | 2020-08-04 | 上海智殷自动化科技有限公司 | 基于神经网络的多传输机械手光刻机及其协同控制*** |
CN111103833A (zh) * | 2019-12-20 | 2020-05-05 | 南京邮电大学 | 一种多化学反应罐反应液体积一致性控制器***及设计方法 |
CN111103833B (zh) * | 2019-12-20 | 2023-03-07 | 南京邮电大学 | 一种多化学反应罐反应液体积一致性控制器***及设计方法 |
CN112338914A (zh) * | 2020-10-27 | 2021-02-09 | 东北大学 | 一种在输出受限和输入时滞下基于随机***的单连杆机械手模糊控制算法 |
CN112338914B (zh) * | 2020-10-27 | 2022-03-04 | 东北大学 | 一种在输出受限和输入时滞下基于随机***的单连杆机械手模糊控制算法 |
CN112859608A (zh) * | 2021-01-13 | 2021-05-28 | 沈阳工程学院 | 一种基于rbf神经网络补偿的自适应动态面控制方法 |
CN112859608B (zh) * | 2021-01-13 | 2023-08-01 | 沈阳工程学院 | 一种基于rbf神经网络补偿的自适应动态面控制方法 |
CN112925346A (zh) * | 2021-01-28 | 2021-06-08 | 广东工业大学 | 基于人在回路的高层消防多无人机容错控制方法及*** |
CN112965387A (zh) * | 2021-03-31 | 2021-06-15 | 西安理工大学 | 考虑状态受限的气动伺服***自适应神经网络控制方法 |
CN113156821A (zh) * | 2021-04-16 | 2021-07-23 | 山东师范大学 | 基于虚假数据注入攻击下的非线性***的自适应跟踪方法 |
CN113156821B (zh) * | 2021-04-16 | 2022-09-30 | 山东师范大学 | 基于虚假数据注入攻击下的非线性***的自适应跟踪方法 |
CN113467501A (zh) * | 2021-07-20 | 2021-10-01 | 福州大学 | 作业飞行机器人动态滑翔抓取与力位混合控制方法 |
CN114179115A (zh) * | 2021-11-16 | 2022-03-15 | 南京邮电大学 | 一种多单臂机械手自适应前向输出一致安全控制器 |
CN114179115B (zh) * | 2021-11-16 | 2023-10-13 | 南京邮电大学 | 一种多单臂机械手自适应前向输出一致安全控制器 |
CN114851198A (zh) * | 2022-05-17 | 2022-08-05 | 广州大学 | 一种多单连杆式机械臂的一致跟踪固定时间稳定控制方法 |
CN114851198B (zh) * | 2022-05-17 | 2023-05-16 | 广州大学 | 一种多单连杆式机械臂的一致跟踪固定时间稳定控制方法 |
CN115008456B (zh) * | 2022-06-14 | 2023-02-10 | 中国科学院数学与***科学研究院 | 一种柔性单链机械臂多智能体的跟踪控制方法和*** |
CN115008456A (zh) * | 2022-06-14 | 2022-09-06 | 中国科学院数学与***科学研究院 | 一种柔性单链机械臂多智能体的跟踪控制方法和*** |
CN115256386B (zh) * | 2022-07-26 | 2023-03-07 | 沈阳工业大学 | 考虑跟踪误差约束的不确定机械臂神经自适应控制方法 |
CN115256386A (zh) * | 2022-07-26 | 2022-11-01 | 沈阳工业大学 | 考虑跟踪误差约束的不确定机械臂神经自适应控制方法 |
CN116038709A (zh) * | 2023-02-01 | 2023-05-02 | 鹏城实验室 | 非线性多机械臂***的分布式优化控制方法、设备及介质 |
CN116690561A (zh) * | 2023-05-30 | 2023-09-05 | 渤海大学 | 一种用于单连杆机械臂的自适应最优反步控制方法及*** |
CN116690561B (zh) * | 2023-05-30 | 2024-01-23 | 渤海大学 | 一种用于单连杆机械臂的自适应最优反步控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110275436B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275436A (zh) | 一种多单臂机械手的rbf神经网络自适应控制方法 | |
Xiang et al. | On decentralized adaptive full-order sliding mode control of multiple UAVs | |
CN110275435B (zh) | 基于观测器的多单臂机械手输出一致自适应命令滤波控制方法 | |
Yan et al. | Formation trajectory tracking control of discrete-time multi-AUV in a weak communication environment | |
Jia et al. | Distributed adaptive neural networks leader-following formation control for quadrotors with directed switching topologies | |
Xiao et al. | Time-varying nonholonomic robot consensus formation using model predictive based protocol with switching topology | |
Huang et al. | Distributed backstepping-based adaptive fuzzy control of multiple high-order nonlinear dynamics | |
CN114237041B (zh) | 一种基于预设性能的空-地协同固定时间容错控制方法 | |
Qi et al. | Three-dimensional formation control based on nonlinear small gain method for multiple underactuated underwater vehicles | |
CN110737195A (zh) | 基于速度控制的双足机器人行走落脚点规划方法及装置 | |
CN114117926A (zh) | 一种基于联邦学习的机器人协同控制算法 | |
CN108393886A (zh) | 优化能量与操作度的分布式多移动机械手协同搬运方法 | |
CN112936286A (zh) | 一种多柔性机械臂***自适应一致性追踪控制方法及*** | |
CN113885548B (zh) | 一种多四旋翼无人机输出约束状态一致博弈控制器 | |
Lai et al. | Sim-to-real transfer for quadrupedal locomotion via terrain transformer | |
Sun et al. | Optimization of extraction process based on neural network | |
CN115981375A (zh) | 基于事件触发机制的多无人机时变编队控制器设计方法 | |
Ngo et al. | An Application of Modified T2FHC Algorithm in Two-Link Robot Controller | |
CN114012733A (zh) | 一种用于pc构件模具划线的机械臂控制方法 | |
Yue et al. | Distributed Cooperative Control and Communication for Multi-agent Systems | |
Xia et al. | The control of two-wheeled self-balancing vehicle based on reinforcement learning in a continuous domain | |
Ma et al. | Linear-extended-state-observer based pinning control of nonlinear multi-robots system | |
CN114415734B (zh) | 基于adp和避障机制的四旋翼无人机编队重构控制*** | |
CN112381173B (zh) | 基于图像识别的机械臂多任务自主学习控制方法及*** | |
Wang et al. | Application of RBF neural network in trajectory planning of robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |