CN110877333B - 一种柔性关节机械臂控制方法 - Google Patents
一种柔性关节机械臂控制方法 Download PDFInfo
- Publication number
- CN110877333B CN110877333B CN201910291400.5A CN201910291400A CN110877333B CN 110877333 B CN110877333 B CN 110877333B CN 201910291400 A CN201910291400 A CN 201910291400A CN 110877333 B CN110877333 B CN 110877333B
- Authority
- CN
- China
- Prior art keywords
- value
- flexible joint
- mechanical arm
- motor
- adaptive
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种柔性关节机械臂控制方法。其特点是,包括如下步骤:步骤一:建立柔性关节机械臂***动力学模型;步骤二:将柔性关节机械臂期望的关节和电机的位移、角速度作为基于模糊神经网络逼近器的自适应反演控制器的参考输入,将电动机提供转矩的外部输入作为自适应反演控制器的实际输入,如果自适应反演控制器的实际输出值和预设的期望值产生跟踪误差,该跟踪误差通过自适应反演控制器的迭代计算趋近于零。该控制方法减小了超调量,快速实现跟踪,并且具有一定的抗干扰能力,显著提高了柔性关节机械手的控制稳定性。
Description
技术领域
本发明涉及一种柔性关节机械臂控制方法。
背景技术
近三十年来,柔性关节机械臂以其小巧的执行机构、高精度、低能耗的特点引起了人们的广泛关注。与刚性机械臂相比,柔性关节机械臂具有灵活性强、安全性高、损伤率低等优点。柔性关节机械臂由于其固有的高度耦合、非线性和模型不确定性,在建模和控制中存在着严重的问题。因此,这提高了控制器设计的难度,使得大量的研究使用先进的控制理论来设计更合适的控制器。
目前,已有一些对于柔性关节机械臂的控制方法。自适应控制已广泛应用于柔性关节机械臂的控制器设计,研究成果比较成熟。针对机械臂***的不匹配问题,自适应反演控制器不需要由控制律推导的不确定参数的界限。然而,许多现有的控制技术在一些温和的假设下才被应用到柔性关节机械臂上。事实上,机器人的运动是一个复杂的非线性过程,很难将其建模看成线性参数过程。函数逼近技术在解决这一问题上具有很大的优势,它不需要精确地知道***动力学。神经网络、自递归小波神经网络和模糊***确实在逼近各种非线性函数时具有较明显的优势。二型模糊***能够有效地提高***处理不确定性和逼近不确定未知函数的能力。然而,在柔性关节机械手的跟踪控制上,利用二型模糊逼近器设计自适应控制器的研究较少。
发明内容
本发明的目的是提供一种柔性关节机械臂控制方法,能够满足柔性关节机械臂对鲁棒控制技术的高精度要求,显著提高了柔性关节机械手的控制稳定性。
一种柔性关节机械臂控制方法,其特别之处在于,包括如下步骤:
步骤一:建立柔性关节机械臂***动力学模型;
步骤二:将柔性关节机械臂期望的关节和电机的位移、角速度作为基于模糊神经网络逼近器的自适应反演控制器的参考输入,将电动机提供转矩的外部输入作为自适应反演控制器的实际输入,如果自适应反演控制器的实际输出值和预设的期望值产生跟踪误差,该跟踪误差通过自适应反演控制器的迭代计算趋近于零。
步骤一中动力学模型如下:
其中q1∈Rn和q2∈Rn分别是柔性关节连杆角位移和电机位移,和分别是柔性关节连杆角加速度和电机加速度,g是重力加速度,K是关节的弹簧刚度,u∈Rn是由电动机提供转矩的外部输入,I和J分别是柔性关节连杆与电机的转动惯量,M是柔性关节连杆的重量,l是机械臂重心与柔性关节之间的长度。
步骤二中迭代计算具体如下:
步骤1:定义e1=x1-x1d并且令x1d=yd;
其中e1是误差,x1=q1即柔性关节连杆角位移,x1d是虚拟控制器,yd是期望值;
步骤4:选择如下控制律:
步骤5:将控制律u作为柔性关节机械臂***的控制输入,产生实际的关节位移,即y=x1;
步骤6:实际的关节位移y和期望值yd产生跟踪误差e1;
步骤7:回到步骤1,通过迭代计算直至e1、e2、e3、e4小于0.001。
本发明方法提出了一种基于IT2FNN逼近器的柔性关节机械臂自适应反演控制方法,该方法利用李雅普诺夫稳定性理论,保证闭环***中的所有信号最终都是有界的,与现有方法相比,该方法不要求未知参数为线性可参数化,从而使跟踪误差可减小到任意小值。该控制方法减小了超调量,快速实现跟踪,并且具有一定的抗干扰能力,显著提高了柔性关节机械手的控制稳定性。
附图说明
附图1为柔性关节机械臂模型示意图;
附图2为IT2FNN逼近器的结构示意图。
具体实施方式
本发明提出了一种基于IT2FNN逼近器的柔性关节机械臂自适应反演控制方法。利用李雅普诺夫稳定性理论,保证闭环***中的所有信号最终都是有界的。与现有方法相比,该方法不要求未知参数为线性可参数化,跟踪误差可减小到任意小值。本文的主要贡献如下:1)针对具有不匹配不确定性的柔性关节机械臂,提出了一种基于IT2FNN逼近器的自适应反演控制器。2)该控制器不仅能保证机械手***的稳定性,而且能保证闭环***中所有信号的有界性。3)通过与T1FNN和神经网络逼近器的比较,证明了该控制器对不确定柔性关节机械臂的期望轨迹跟踪的优越性。
本发明技术可以用以满足柔性关节机械臂对鲁棒控制技术的高精度要求。针对不确定非线性***的具有模糊逼近器的自适应控制,近年来引起了研究人员的广泛关注。随着Zadeh(1965)提出的模糊集理论的出现,模糊***被证明是研究一类复杂非线性控制问题的有效方法。Kayacan等人提出了基于最优滑模控制理论的算法对隶属函数进行优化的T1FNN和T2FNN。在许多应用中,T2FNN被证明具有比T1FNN和神经网络更好的处理不确定性的能力。然而,T2FNN降型中的迭代K-M算法计算量大、耗时长,难以应用于实际应用。还提出了用α平面的来表示的中心降型,这种方法有效地用于广义二型模糊集。这种改进的方法被应用于直接/间接自适应控制设计了一类不确定非线性***。然后Bibi等提出了用自适应因子α连接区间二型模糊***中的yl和yr,以此取代KM算法。自适应因子提高了算法的实用性。因此,在本文中,自适应因子α给了我们一个巨大的灵感,应用于具有不匹配不确定性的柔性关节机械手的基于IT2FNN逼近器的自适应反演控制。
实施例1:
步骤一:建立柔性关节机械臂***动力学模型:
图1中展示了单连杆柔性关节机械臂的简单模型。我们作如下假设。它的关节只能在关节旋转方向的垂直平面内,由于旋转产生变形。柔性关节机械臂的工作机理是电机轴和刚性连杆分别由电机和弹簧驱动来驱动。同时假设粘滞阻尼可忽略以及状态可测,它的动力方程可写成:
其中q1∈Rn和q2∈Rn分别是柔性关节连杆角位移和电机位移,和分别是柔性关节连杆角加速度和电机加速度,g是重力加速度,K是关节的弹簧刚度,u∈Rn是由电动机提供转矩的外部输入,I和J分别是柔性关节连杆与电机的转动惯量,M是柔性关节连杆的重量,l是机械臂重心与柔性关节之间的长度。
其中xi∈Rn,i=1,2,3,4是状态变量,x1=q1是连杆角位移,是连杆角速度,x3=q2是电机位移,是电机速度,y=x1是连杆角位移。考虑一个具有不匹配不确定性的单连杆柔性关节机械臂,以上模型无法使用。由于机器人基本上是由电机通过扭簧驱动的连杆,我们可以将其表示为两个子***的级联:连杆动力学和电机动力学。控制输入在描述电机动力学的子***中,其输出通过弹簧和连杆动力学耦合到另一个子***中。因此,我们可以将公式(1)写成如下简化等式:
显然,g(x)=-x3-MgLsin(x1)/I-K(x1-x3)/I,f(x)=K(x1-x3)/J,m=1/J。我们假设g(x)、f(x)和m是未知的,但是m的下界是已知并满足m≥m和m>0。
参见如下文献:Huang,A.C,Chen,et al.Adaptive Sliding Control forSingle-Link Flexible-Joint Robot with Mismatched Uncertainties[J].ControlSystems Technology IEEE Transactions on,2004,12(5):770-775。
区间二型模糊神经网络逼近器:
以下为一个高精度和鲁棒性的IT2FNN逼近器。图2展示了IT2FNN的结构。通过利用上下隶属函数,IT2FNN在解决不确定性和逼近未知非线性函数有着明显的优势。IT2FNN可以看成由两部分组成:一部分是包括IF-THEN规则,另一部分是模糊推理机。
在IT2FNN逼近器中,每条规则是以下形式:
then y is θk k=1,...,N (4)
其中:
现在有很多种关于区间二型模糊集降型的方法。最常用的方法是中心降型法,具体形式如下:
其中yl和yr的计算如下:
K-M和EIASC迭代算法可以确定一些用于连接上输出yr和下输出yl的交叉点。但是这种迭代计算过程将会耗费很多时间。自适应因子α在yr和yl中建立自适应调节过程,可以解决这样迭代计算中耗时多和精度低的问题[56]。
将公式(8)和(9)代入(11)中,可得:
步骤二:将柔性关节机械臂期望的关节和电机的位移、角速度作为基于模糊神经网络逼近器的自适应反演控制器的参考输入,将电动机提供转矩的外部输入作为自适应反演控制器的实际输入,如果自适应反演控制器的实际输出值和预设期望值产生跟踪误差,该跟踪误差通过自适应反演控制器的迭代计算趋近于零。
在反演过程中,虚拟控制器x1d,i=2,...,m在每一步的递推中是使得ei-1=xi-1-x(i-1)d尽可能小。实际控制器u中包括最后的虚拟控制器x1d。实际控制器u是尽可减小xi和xid的误差。控制器的设计被分为以下几步。
步骤1:定义e1=x1-x1d并且x1d=yd,可得:
定义e2=x2-x2d以及虚拟控制器x2d:
其中k1是一个非负的常数。
则公式(13)可写成:
选择如下李雅普诺夫函数:
对V1时间求导可得:
步骤2:对e2=x2-x2d时间求导,可得:
定义e3=x3-x3d和虚拟控制器x3d:
从公式(14)可得,对x2d求导可得:
选择如下李雅普诺夫函数:
对V2时间求导可得:
步骤3:对e3=x3-x3d求导可得:
从公式(18),(19),(20)以及(22),对x3d求导可得:
其中:
将公式(26)-(29)代入公式(24)中,可得:
选择如下李雅普诺夫函数:
对V3时间求导可得:
步骤4:为了进行控制***的稳定系分析,我们将在这步中构造实际控制器。对e4=x4-x4d求导可得:
从公式(24)、(26)、(27)以及(29),对x4d求导可得:
其中:
选择如下控制律:
将公式(39)代入(38)中,可得:
选择如下李雅普诺夫函数:
对V4时间求导可得:
自适应模糊控制部分:
将所提出的自适应因子代入g(x)、d(x)和h(x),可得:
其中ε g(x)和 ε d(x)和以及ε h(x)和是逼近误差;ξ g(x)和 ξ d(x)和以及ξ h(x)和分别是下隶属函数和上隶属函数;和和以及和分别是g(x)、d(x)和h(x)的下最优逼近参数和上最优逼近参数;αg、αd和αh是自适应因子。
从公式(43)到(48),可得:
将自适应律选为非线性函数可表示为:
自适应参数的自适应变化律选作以下形式:
稳定性证明部分:
这时候,可以将我们主要的结果概括在以下理论中,在其中说明了所设计的控制器不仅保证了闭环***的有界性和稳定性。
定理1:考虑公式(3)所示的柔性关节机械臂***,公式(39)中的控制输入u和公式(52)到(58)中的基于IT2FNN的自适应律保证了所有信号在闭环***中是有界的。而且,对于给定的衰减系数ρ>0,跟踪性能指标满足:
定理1的证明:
选择如下李雅普诺夫函数:
对V求导可得:
将公式(52)代入,可得:
进行如下定义:
则可得:
对上式在[0,T]内进行积分,有:
对公式(73)在[0,T]内进行积分,可得:
对于给定的衰减系数ρ>0,跟踪效果的精度取决于逼近误差的上界。至此,证明完毕。
仿真结果表明,采用本发明方法的该控制器的跟踪误差可减小到任意小值,跟踪性能优于基于1型模糊神经网络(T1FNN)逼近器和神经网络(NN)逼近器的自适应反演控制器。
在这节中,我们将证明所提用于柔性关节机械臂的控制方法的有效性。
在公式(3)中动态方程的参数实际值为M=0.2kg、L=0.02m、I=1.35×10-3kg·m2、K=7.47N·m/rad以及J=2.16×10-1kg·m2。三个IT2FNN用于逼近未知函数g(x)、d(x)和h(x)。x=[x1,x2,x3,x4]是输入向量。对于每个输入xi,选择如下二型高斯隶属函数:
其中i=1,2,3,4、j=1,2,3、c=[c1,c2,c3]=[1.25,0,-1.25]、σ=[σ1,σ2,σ3]=[0.6,0.6,0.6]和a=0.8。
其他参数的选择如下:m=1、
相关初始值设置为:x(0)=[x1(0),x2(0),x3(0),x4(0)]=[0,0,0,0]、
在外部干扰d(t)=0.05cos(2t)下的仿真结果证明了即使在外部干扰下,采用本发明方法的控制器有着更好的跟踪性能和更高的逼近精度。
为了评估不同逼近器(T1FNN,NN,IT2FNN)的控制器的跟踪性能,我们用以下性能指标:误差平方的积分(ISE)、误差绝对值的积分(IAE)和误差绝对值与时间乘积的积分(ITAE),具体公式如下:
表格I性能指标
表格I列举了所有控制器的ISE、IAE和ITAE的值。从中可发现,相比于TIFNN和NN逼近器的控制器,采用本发明方法的控制器在参考轨迹跟踪上有着更好的性能。
Claims (1)
1.一种柔性关节机械臂控制方法,其特征在于,包括如下步骤:
步骤一:建立柔性关节机械臂***动力学模型;
动力学模型如下:
其中q1∈Rn和q2∈Rn分别是柔性关节连杆角位移和电机位移,和分别是柔性关节连杆角加速度和电机加速度,g是重力加速度,K是关节的弹簧刚度,u∈Rn是由电动机提供转矩的外部输入,I和J分别是柔性关节连杆与电机的转动惯量,M是柔性关节连杆的重量,l是机械臂重心与柔性关节之间的长度
步骤二:将柔性关节机械臂期望的关节和电机的位移、角速度作为基于模糊神经网络逼近器的自适应反演控制器的参考输入,将电动机提供转矩的外部输入作为自适应反演控制器的实际输入,如果自适应反演控制器的实际输出值和预设的期望值产生跟踪误差,该跟踪误差通过自适应反演控制器的迭代计算趋近于零;
迭代计算具体如下:
步骤1:定义e1=x1-x1d并且令x1d=yd;
其中e1是误差,x1=q1即柔性关节连杆角位移,x1d是虚拟控制器,yd是期望值;
步骤4:选择如下控制律:
步骤5:将控制律u作为柔性关节机械臂***的控制输入,产生实际的关节位移,即y=x1;
步骤6:实际的关节位移y和期望值yd产生跟踪误差e1;
步骤7:回到步骤1,通过迭代计算直至e1、e2、e3、e4小于0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291400.5A CN110877333B (zh) | 2019-04-12 | 2019-04-12 | 一种柔性关节机械臂控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291400.5A CN110877333B (zh) | 2019-04-12 | 2019-04-12 | 一种柔性关节机械臂控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110877333A CN110877333A (zh) | 2020-03-13 |
CN110877333B true CN110877333B (zh) | 2023-01-17 |
Family
ID=69727558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291400.5A Active CN110877333B (zh) | 2019-04-12 | 2019-04-12 | 一种柔性关节机械臂控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110877333B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111716360B (zh) * | 2020-06-30 | 2021-05-18 | 河北工业大学 | 一种基于模糊逻辑的柔性关节机械臂采样控制方法及装置 |
CN112338912B (zh) * | 2020-10-13 | 2022-06-10 | 山东师范大学 | 一种柔性单链机械臂的有限时间稳定控制方法及*** |
CN112873207B (zh) * | 2021-01-25 | 2022-03-08 | 浙江工业大学 | 一种基于未知***动态估计器的柔性关节机械臂预设性能控制方法 |
CN112947066B (zh) * | 2021-01-26 | 2022-07-22 | 苏州连恺自动化有限公司 | 一种机械手改进有限时间反演控制方法 |
CN112987575B (zh) * | 2021-03-05 | 2023-09-15 | 中国矿业大学 | 一种电液伺服***位置闭环跟踪误差限定控制方法 |
CN113325711B (zh) * | 2021-05-27 | 2022-07-19 | 广东工业大学 | 一种用于柔性机械臂预定精度定位的智能控制方法 |
CN114047694B (zh) * | 2021-10-25 | 2024-04-05 | 南京理工大学 | 一种针对单连杆机械臂的自适应输出反馈控制方法 |
CN114460945B (zh) * | 2022-02-14 | 2023-03-14 | 四川大学 | 移动机器人轨迹跟踪方法、装置及电子设备 |
CN114559429B (zh) * | 2022-02-22 | 2023-09-29 | 华南理工大学 | 基于自适应迭代学习的柔性机械臂的神经网络控制方法 |
CN114609911B (zh) * | 2022-03-15 | 2022-11-25 | 中国科学院重庆绿色智能技术研究院 | 一种抗干扰自适应力位协调控制方法 |
CN115185187B (zh) * | 2022-08-16 | 2023-06-20 | 哈尔滨工业大学 | 一种基于二型椭球型模糊神经网络的机械臂有限时间跟踪控制方法 |
CN115946131B (zh) * | 2023-03-14 | 2023-06-20 | 之江实验室 | 一种柔性关节机械臂运动控制仿真计算方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377307A (en) * | 1992-10-07 | 1994-12-27 | Schlumberger Technology Corporation | System and method of global optimization using artificial neural networks |
CN104589349A (zh) * | 2015-01-16 | 2015-05-06 | 西北工业大学 | 一种混合悬浮微重力环境下带有单关节机械臂的组合体自主控制方法 |
CN106078741A (zh) * | 2016-06-21 | 2016-11-09 | 华南理工大学 | 基于确定学习理论的性能受限柔性机械臂控制方法 |
CN106113040A (zh) * | 2016-07-19 | 2016-11-16 | 浙江工业大学 | 基于串并联估计模型的柔性机械臂***模糊控制方法 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN107942662A (zh) * | 2017-11-16 | 2018-04-20 | 四川大学 | 有限时间状态反馈控制器设计方法及装置 |
CN108897334A (zh) * | 2018-07-19 | 2018-11-27 | 上海交通大学 | 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9488971B2 (en) * | 2013-03-11 | 2016-11-08 | The Board Of Trustees Of The Leland Stanford Junior University | Model-less control for flexible manipulators |
-
2019
- 2019-04-12 CN CN201910291400.5A patent/CN110877333B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377307A (en) * | 1992-10-07 | 1994-12-27 | Schlumberger Technology Corporation | System and method of global optimization using artificial neural networks |
CN104589349A (zh) * | 2015-01-16 | 2015-05-06 | 西北工业大学 | 一种混合悬浮微重力环境下带有单关节机械臂的组合体自主控制方法 |
CN106078741A (zh) * | 2016-06-21 | 2016-11-09 | 华南理工大学 | 基于确定学习理论的性能受限柔性机械臂控制方法 |
CN106113040A (zh) * | 2016-07-19 | 2016-11-16 | 浙江工业大学 | 基于串并联估计模型的柔性机械臂***模糊控制方法 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN107942662A (zh) * | 2017-11-16 | 2018-04-20 | 四川大学 | 有限时间状态反馈控制器设计方法及装置 |
CN108897334A (zh) * | 2018-07-19 | 2018-11-27 | 上海交通大学 | 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 |
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 (6)
Title |
---|
Backstepping在柔性关节机械手控制中应用研究;谭雪松等;《机械设计与制造》;20100608(第06期);全文 * |
Nonlinear adaptive backstepping control design of flexible-joint robotic manipulators;Che-Min Ou 等;《Proceedings of 2011 8th Asian Control Conference (ASCC)》;20110620;全文 * |
Ümit ÖNEN 等.Application of Adaptive Neural Network Based Interval Type-2 Fuzzy Logic Control on A Nonlinear System.《springlink》.2011,全文. * |
基于区间二型模糊神经网络反演控制抑制二惯量***的机械振动;王树波等;《北京理工大学学报》;20160615(第06期);全文 * |
多连杆柔性关节机器人的神经网络自适应反演控制;李成刚等;《上海交通大学学报》;20160728(第07期);全文 * |
机器人的柔性关节机械手控制研究;赵丹青;《计算机仿真》;20110215(第02期);第244-247页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110877333A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110877333B (zh) | 一种柔性关节机械臂控制方法 | |
CN107662208B (zh) | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 | |
CN109465825B (zh) | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 | |
CN107544261B (zh) | 不确定环境接触下的可重构机器人分散学习最优控制方法 | |
CN108527372B (zh) | 一种变刚度串联弹性驱动器的机器人关节自适应控制方法 | |
CN112987567B (zh) | 非线性***的固定时间自适应神经网络滑模控制方法 | |
CN104950678A (zh) | 一种柔性机械臂***的神经网络反演控制方法 | |
CN104950677A (zh) | 基于反演滑模控制的机械臂***饱和补偿控制方法 | |
CN113183154B (zh) | 一种柔性关节机械臂的自适应反演控制方法 | |
CN106826807B (zh) | 一种三自由度腕部结构的滑模变结构控制方法 | |
CN111496796A (zh) | 基于指令滤波器的机械臂轨迹跟踪控制方法及装置 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
Biglarbegian | A novel robust leader-following control design for mobile robots | |
CN115981162A (zh) | 一种基于新型扰动观测器的机器人***滑模控制轨迹跟踪方法 | |
Miao et al. | Robust dynamic surface control of flexible joint robots using recurrent neural networks | |
CN109108964B (zh) | 一种基于自适应动态规划Nash博弈的空间机械臂协调控制方法 | |
CN116079741B (zh) | 一种电机驱动单连杆机械臂的自适应控制方法 | |
Braganza et al. | Neural network grasping controller for continuum robots | |
CN116560375A (zh) | 基于神经网络观测器的轮式移动机器人轨迹跟踪控制方法 | |
CN109995278B (zh) | 一种考虑输入受限的电机伺服***自调节控制方法 | |
CN114200830A (zh) | 一种多智能体一致性强化学习控制方法 | |
CN112965370A (zh) | 一种基于改进萤火虫算法优化的水下航行器轨迹跟踪控制方法 | |
Hasanpour et al. | Flexible Robot Arm Control Using Adaptive Control Structure | |
Chen et al. | Neural network compensator-based robust iterative learning control scheme for mobile robots nonlinear systems with disturbances and uncertain parameters | |
Krzyżak et al. | Nonparametric identification of robot flexible joint space manipulator |
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 |