CN112207834B - 一种基于干扰观测器的机器人关节***控制方法及*** - Google Patents
一种基于干扰观测器的机器人关节***控制方法及*** Download PDFInfo
- Publication number
- CN112207834B CN112207834B CN202011434230.0A CN202011434230A CN112207834B CN 112207834 B CN112207834 B CN 112207834B CN 202011434230 A CN202011434230 A CN 202011434230A CN 112207834 B CN112207834 B CN 112207834B
- Authority
- CN
- China
- Prior art keywords
- robot joint
- joint system
- sliding mode
- mathematical model
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013178 mathematical model Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000009795 derivation Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是关于一种基于干扰观测器的机器人关节***控制方法及***,属于机器人控制技术领域。所述方法包括:建立机器人关节***的动力学数学模型;根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。采用本发明,可以提高机器人关节***的跟踪精度。
Description
技术领域
本发明涉及机器人控制技术领域,尤其涉及一种基于干扰观测器的机器人关节***控制方法及***。
背景技术
伴随着“中国制造2025”的计划提出和“工业4.0”时代降临,为了提高制造产能,相关科学技术出现了井喷式的发展。作为先进科学技术,机器人在工业、军事、航空航天、医疗卫生、农业等领域得到了普遍发展和应用。
在实现本发明的过程中,发明人发现相关技术至少存在以下问题:
机器人关节***是一个多变量、非线性、强耦合***,机器人关节在实际工作中***存在建模误差、参数变化无法测量以及其他外部扰动信号导致***的模型难以确定,传统的计算控制和PID控制方法很难保证机器人关节***的鲁棒性和抗干扰性。
发明内容
本发明提供一种基于干扰观测器的机器人关节***控制方法及***,可以提高机器人关节***的鲁棒性和抗干扰性。
根据本发明实施例的第一方面,提供一种基于干扰观测器的机器人关节***控制方法,包括:
建立机器人关节***的动力学数学模型;
根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;
根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;
通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。
可选地,所述建立机器人关节***的动力学数学模型,包括:
根据下述式(1),建立机器人关节***的动力学数学模型:
其中,q为关节的角度,为关节的角速度,为关节的角加速度,τ为所述机器人关节***的预设输入系数,M(q)为惯性矩阵,为离心力和哥氏力项,G(q)为重力项,M0(q)表示动力学数学模型中已知的惯性矩阵参数,表示动力学数学模型中已知的离心力和哥氏力项参数,G0(q)表示动力学数学模型中已知的重力项参数;ΔM(q)、ΔG(q)、ΔC(q)为所述机器人关节***的建模误差和参数变化。
可选地,所述根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,包括:
将所述机器人关节***的动力学数学模型转换成状态空间方程形式;
基于所述状态空间方程形式,设计所述干扰观测器。
可选地,所述将所述机器人关节***的动力学数学模型转换成状态空间方程形式,包括:
所述状态空间方程表达式如下式(3):
所述基于所述状态空间方程形式,设计所述干扰观测器,包括:
所述将干扰观测器设计如下式(4):
可选地,采用干扰观测器后,所述状态空间方程表达式为:
其中,τ'为神经网络反演滑模控制率,f'为所述未知扰动信号的不可观测部分。
可选地,还包括:
定义辅助参数向量如下式(5):
可选地,所述根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,根据模拟近似得到的近似结果,设计反演滑模控制器,包括:
则有,
其中,e1、e2为***的状态误差,τ'为神经网络反演滑模控制率,qd为机器人关节***的预设轨迹;c1是正定常数矩阵;T表示转置矩阵;V1表示正定的函数;
步骤2:对V1求导:
步骤4:对所述滑模函数s进行求导:
步骤5:对V2求导:
所述神经网络反演滑模控制率为:
根据本发明实施例的第二方面,提供一种基于干扰观测器的机器人关节***控制***,包括:
建立单元,用于建立机器人关节***的动力学数学模型;
观测单元,用于根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;
设计单元,用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;
控制单元,用于通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。
根据本发明实施例的第三方面,提供一种电子设备,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为:
执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第五方面,提供一种应用程序产品,当应用程序产品在终端在运行时,使得终端执行本发明实施例的第一方面所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明中,建立机器人关节***的动力学数学模型;根据机器人关节***的动力学数学模型,建立机器人关节***的干扰观测器,对机器人关节***未知扰动信号的可观测部分进行观测以及补偿;根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;通过反演滑模控制器,控制机器人关节***按照预设输入系数进行运动。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合,这样最大程度提高机器人关节控制的鲁棒性和抗干扰性,提高了机器人关节的跟踪精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制方法的流程图;
图2是根据一示例性实施例示出的两关节机器人关节示意图;
图3是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制方法的基本原理图;
图4是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制方法的工作原理示意图;
图5是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制***框图;
图6是根据一示例性实施例示出的一种电子设备框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。
图1是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制方法的流程图,该方法基于电子设备实现,电子设备可以是终端或服务器。该方法针对机器人关节在实际工作中***存在建模误差、参数变化无法测量以及其他外部扰动信号导致***的模型难以确定的问题,设计干扰观测器对***未知扰动信号的可观测部分进行估计,例如***的摩擦力,它与速度运动信号有关,通过选择设计参数让干扰观测器补偿可观测部分的扰动。利用神经网络对非线性函数的逼近能力,解决***模型未知部分和参数变化的问题,最后根据反步法思想设计反演滑模控制器让机器人关节跟踪上预设的期望轨迹。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合能最大程度提高机器人关节控制的鲁棒性和抗干扰性,提高了机器人关节的跟踪精度。
其中,反步法是20世纪90年代兴起的一种***的非线性控制方法,“反步”反映出了设计步骤的递归特性。其基本设计思想是将复杂的高阶非线性***划分为多个低阶子***,从最远离***控制输入的子***开始,通过构造部分Lyapunov函数得到保证子***稳定的虚拟控制量,并逐步后退到控制输入,从而得到最终的控制器,在此过程中全***的Lyapunov函数也相继被构造出来。反步法在控制器设计中的优势在于能够通过多种方法灵活处理不同的非线性特性,实现闭环***的全局调节或渐近跟踪,使***达到期望的性能指标。复杂环境下的实际***一般可以描述为一类包含有参数不确定、未建模动态和外部干扰等多源干扰的非线性数学模型。
如图1所示,该方法包括以下步骤101-104:
步骤101、建立机器人关节***的动力学数学模型。
其中,该动力学数学模型时符合干扰观测标准的机器人关节动力学数学模型,用于对机器人关节***的建模误差、参数变化和未知扰动信号进行分析。
如图2所示为两关节机器人关节示意图,其中,l1、l2为两关节机器人的两个关节臂,m1、m2为两个关节点,q1、q2为两个关节的轨迹。
一种可行的实施方式中,可选地,根据下述式(1),建立机器人关节***的动力学数学模型:
或者,根据下述式(2),建立机器人关节***的动力学数学模型:
其中,q为关节的角度,为关节的角速度,为关节的角加速度,τ为机器人关节***的预设输入系数,M(q)为惯性矩阵,为离心力和哥氏力项,G(q)为重力项,M0(q)表示动力学数学模型中已知的惯性矩阵参数,表示动力学数学模型中已知的离心力和哥氏力项参数,G0(q)表示动力学数学模型中已知的重力项参数;ΔM(q)、ΔG(q)、ΔC(q)为机器人关节***的建模误差和参数变化。
步骤102、根据机器人关节***的动力学数学模型,建立机器人关节***的干扰观测器,对机器人关节***未知扰动信号的可观测部分进行观测以及补偿。
一种可行的实施方式中,设计干扰观测器对未知扰动信号的可观测部分进行估计,进而,通过选择设计参数让干扰观测器补偿可观测部分的扰动。
该步骤102可以包括下述步骤1021-1022:
步骤1021、将机器人关节***的动力学数学模型转换成状态空间方程形式。
状态空间方程表达式如下式(3):
可选地,定义辅助参数向量如下式(4):
则对F求导可以得到:
优选地,采用干扰观测器后,经过理论分析,采取干扰观测器后使得***的干扰变小,状态空间方程表达式变为下式(5):
其中,τ'为神经网络反演滑模控制率,f'为未知扰动信号的不可观测部分。
步骤1022、基于状态空间方程形式,设计干扰观测器,将干扰观测器设计如下式(4):
步骤103、根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器。
其中,RBF(Radial Basis Function,径向基函数)神经网络是一种三层神经网络,其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的,而从隐层空间到输出层空间变换是线性的。RBF网络的基本思想是:用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量直接映射到隐空间,而不需要通过权连接。BP神经网络的隐节点采用输入模式与权向量的内积作为激活函数的自变量,具有“局部逼近”的特性,局部逼近是指目标函数的逼近仅仅根据查询点附近的数据,学习速度快,可以满足有实时性要求的应用。本发明采用RBF神经网络对非线性函数的逼近能力,对未知扰动信号的不可观测部分进行逼近,最大程度提高机器人关节控制的鲁棒性和抗干扰性。
设计反演滑模控制器的步骤包括下述步骤1031-1035:
则有,
其中,e1、e2为***的状态误差,τ'为神经网络反演滑模控制率,qd为机器人关节***的预设轨迹;c1是正定常数矩阵;T表示转置矩阵;V1表示正定的函数;
步骤1032:对V1求导:
滑模函数为s=k1e1+e2,神经网络逼近非线性函数为
步骤1034:对滑模函数s进行求导:
步骤1035:对V2求导:
神经网络反演滑模控制率为:
步骤104、通过反演滑模控制器,控制机器人关节***按照预设输入系数进行运动。
一种可行的实施方式中,如图3所示为本发明基于干扰观测器以及反演滑模控制器控制机器人关节***运动的基本原理图,如图4所示为本发明基于干扰观测器的机器人关节***控制的工作原理示意图,先通过干扰观测器对***内未知扰动信号的可观测部分进行补偿,进而根据上述步骤103设计出反演滑模控制器,结合神经网络对非线性函数的逼近能力,使得机器人关节***的运动轨迹跟踪上给定输入的运动轨迹,也即,使得机器人关节***的运动轨迹跟踪上期望轨迹,大大提高了机器人关节***的跟踪精度。
本发明中,建立机器人关节***的动力学数学模型;根据机器人关节***的动力学数学模型,建立机器人关节***的干扰观测器,对机器人关节***未知扰动信号的可观测部分进行观测以及补偿;根据径向基RBF神经网络对未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;通过反演滑模控制器,控制机器人关节***按照预设输入系数进行运动。本发明将干扰观测器补偿未知扰动和神经网络对非线性函数的逼近能力相结合,这样最大程度提高机器人关节控制的鲁棒性和抗干扰性,提高了机器人关节的跟踪精度。
图5是根据一示例性实施例示出的一种基于干扰观测器的机器人关节***控制***框图。参照图5,该***包括建立单元510、观测单元520、设计单元530以及控制单元540。
建立单元510,用于建立机器人关节***的动力学数学模型;
观测单元520,用于根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;
设计单元530,用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;
控制单元540,用于通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,如图6所示的电子设备框图,例如包括指令的存储器601,上述指令可由***600的处理器602执行以完成上述基于干扰观测器的机器人关节***控制方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序产品,包括一条或多条指令,该一条或多条指令可以由***600的处理器602执行,以完成上述基于干扰观测器的机器人关节***控制方法。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于干扰观测器的机器人关节***控制方法,其特征在于,所述方法包括:
建立机器人关节***的动力学数学模型;
根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;
根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;
通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。
2.根据权利要求1所述的基于干扰观测器的机器人关节***控制方法,其特征在于,所述建立机器人关节***的动力学数学模型,包括:
根据下述式(1),建立机器人关节***的动力学数学模型:
其中,f为可观测的干扰信号,ΔC(q)为所述机器人关节***的建模误差和参数变化;ΔM(q)为***运动过程中惯性矩阵的摄动;为***运动过程中离心力与哥氏力项的摄动;ΔG(q)为***运动过程中重力项的摄动;d为外加干扰信号;
或者,根据下述式(2),建立机器人关节***的动力学数学模型:
3.根据权利要求1所述的基于干扰观测器的机器人关节***控制方法,其特征在于,所述根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,包括:
将所述机器人关节***的动力学数学模型转换成状态空间方程形式;
基于所述状态空间方程形式,设计所述干扰观测器。
7.根据权利要求5所述的基于干扰观测器的机器人关节***控制方法,其特征在于,所述根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,根据模拟近似得到的近似结果,设计反演滑模控制器,包括:
则有,
其中,e1、e2为***的状态误差,τ'为神经网络反演滑模控制率,qd为机器人关节***的预设轨迹;
步骤2:对V1求导:
步骤4:对所述滑模函数s进行求导:
步骤5:对V2求导:
所述神经网络反演滑模控制率为:
8.一种基于干扰观测器的机器人关节***控制***,其特征在于,所述***包括:
建立单元,用于建立机器人关节***的动力学数学模型;
观测单元,用于根据所述机器人关节***的动力学数学模型,建立所述机器人关节***的干扰观测器,对所述机器人关节***未知扰动信号的可观测部分进行观测以及补偿;
设计单元,用于根据径向基RBF神经网络对所述未知扰动信号的不可观测部分进行模拟近似,并根据模拟近似得到的近似结果,设计反演滑模控制器;
控制单元,用于通过所述反演滑模控制器,控制所述机器人关节***按照预设输入系数进行运动。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;其中,所述一个或多个处理器被配置为:执行权利要求1-7任一所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种基于干扰观测器的机器人关节***控制方法,所述方法包括:
执行权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434230.0A CN112207834B (zh) | 2020-12-10 | 2020-12-10 | 一种基于干扰观测器的机器人关节***控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434230.0A CN112207834B (zh) | 2020-12-10 | 2020-12-10 | 一种基于干扰观测器的机器人关节***控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112207834A CN112207834A (zh) | 2021-01-12 |
CN112207834B true CN112207834B (zh) | 2021-05-25 |
Family
ID=74068003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434230.0A Active CN112207834B (zh) | 2020-12-10 | 2020-12-10 | 一种基于干扰观测器的机器人关节***控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112207834B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297798B (zh) * | 2021-06-10 | 2022-10-11 | 重庆邮电大学工业互联网研究院 | 一种基于人工神经网络的机器人外界接触力估计方法 |
CN114200833B (zh) * | 2021-11-24 | 2024-04-12 | 华中科技大学 | 一种基于观测器的机器人网络动态区域覆盖的控制方法 |
CN114253133B (zh) * | 2021-12-07 | 2023-09-01 | 北京科技大学 | 基于动态事件触发机制的滑模容错控制方法及装置 |
CN114200837B (zh) * | 2021-12-08 | 2023-10-10 | 北京理工大学 | 一种干扰未知球形机器人的分层滑模控制方法 |
CN114326392B (zh) * | 2021-12-16 | 2023-07-25 | 南京信息职业技术学院 | 双框架飞机蒙皮检测机器人连续切换运动的控制方法 |
CN115407665B (zh) * | 2022-11-02 | 2023-02-28 | 北京科技大学 | 一种基于h∞的机器人关节高效故障估计方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3300625B2 (ja) * | 1997-01-27 | 2002-07-08 | ファナック株式会社 | ロボットの制御方式 |
KR101417488B1 (ko) * | 2012-12-17 | 2014-07-08 | 현대자동차주식회사 | 착용로봇의 의도토크 추출방법 및 추출시스템 |
CN104238357A (zh) * | 2014-08-21 | 2014-12-24 | 南京航空航天大学 | 一种近空间飞行器的容错滑模控制方法 |
CN109656132B (zh) * | 2018-07-26 | 2022-01-07 | 西北工业大学 | 一种空间机器人有限时间协调控制方法 |
CN109240092B (zh) * | 2018-11-30 | 2021-09-10 | 长春工业大学 | 基于多智能体可重构模块化柔性机械臂轨迹跟踪控制方法 |
-
2020
- 2020-12-10 CN CN202011434230.0A patent/CN112207834B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112207834A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112207834B (zh) | 一种基于干扰观测器的机器人关节***控制方法及*** | |
CN106773713B (zh) | 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法 | |
Xia et al. | Back-stepping sliding mode control for missile systems based on an extended state observer | |
CN111941432B (zh) | 一种高性能机械臂人工智能输出反馈控制方法 | |
CN106406098B (zh) | 一种机器人***在未知环境下的人机交互控制方法 | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及*** | |
CN115157238B (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
CN106773684B (zh) | 基于智能学习评价的柔性机械臂复合控制方法 | |
CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
Yang et al. | Dynamics and noncollocated model‐free position control for a space robot with multi‐link flexible manipulators | |
CN107263483A (zh) | 二自由度关节机器人轨迹的协调控制方法 | |
CN111958606A (zh) | 一种应用于多自由度机械臂的分布式鲁棒跟踪控制方法 | |
Chaudhary et al. | Fractional order fast terminal sliding mode control scheme for tracking control of robot manipulators | |
CN113219825B (zh) | 一种四足机器人单腿轨迹跟踪控制方法及*** | |
Chen et al. | Finite-time attitude control with chattering suppression for quadrotors based on high-order extended state observer | |
CN107263455B (zh) | 二自由度scara机器人的位置跟踪控制方法 | |
CN116068893A (zh) | 一种机械臂自适应分数阶滑模控制方法、设备及介质 | |
CN113219842B (zh) | 基于自适应动态规划的机械臂最优跟踪控制方法、***、处理设备、存储介质 | |
CN114384800B (zh) | 一种具有输入信号延时的未知非线性***反推控制方法 | |
CN110625616B (zh) | 一种考虑机械臂参数不确定和干扰的固定时间控制方法 | |
CN114167725A (zh) | 协作机器人轨迹跟踪控制方法及*** | |
Hu et al. | HIGH-ACCURACY MOTION CONTROL OF A MOTOR SERVO SYSTEM WITH DEAD-ZONE BASED ON A SINGLE HIDDEN LAYER NEURAL NETWORK. | |
CN117590754B (zh) | 一种机器人***的智能学习输出调控方法 | |
CN112286227B (zh) | 基于微分***和扰动观测器的水下机器人轨迹控制方法及*** |
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 |