CN113927591B - 一种有限时间自适应机器人力位混合控制方法 - Google Patents
一种有限时间自适应机器人力位混合控制方法 Download PDFInfo
- Publication number
- CN113927591B CN113927591B CN202110977040.1A CN202110977040A CN113927591B CN 113927591 B CN113927591 B CN 113927591B CN 202110977040 A CN202110977040 A CN 202110977040A CN 113927591 B CN113927591 B CN 113927591B
- Authority
- CN
- China
- Prior art keywords
- neural network
- adaptive
- robot
- finite time
- equation
- 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 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
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
-
- 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
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种有限时间自适应机器人力位混合控制方法,步骤依次为:建立机器人的受约束的机械臂***动力学方程;采用约束方程对***进行降阶;设定期望角度和期望控制力,并定义***误差变量;根据***误差变量定义辅助变量,根据辅助变量设计滑模函数;采用神经网络逼近不确定函数,设计神经网络加权矩阵估计值的最优自适应律;根据前述神经网络、最优自适应律和辅助变量构建有限时间自适应机器人力位混合控制器,实现有限时间自适应机器人力位混合控制方法。本发明提高了机器人控制***的控制精度,缩短了机器人控制***的响应时间。
Description
技术领域
本发明属于机器人控制领域,特别涉及了一种机器人力位混合控制方法。
背景技术
机器人被称为“制造业皇冠顶端的明珠”。它能够提高自动化水平、减轻劳动人员体力负担、降低人员成本,在生产生活中发挥着越来越无可替代的作用。
目前,国内外现有机器人力位混合控制主要将机器人的任务空间划分为两个正交子空间,在与运动轨迹约束面相切的方向进行力控制,而在法线方向进行位置控制,并分别设计不同的控制方法进行控制,这种控制方法仅能保证机器人***渐近稳定或最终一致有界稳定,往往需要较长的响应时间且控制精度有待提高。同时,现有方法设定机器人***惯性矩阵、离心力与哥氏力矩阵均为已知,未考虑其在实际应用时存在不确定性。为了提高机器人力位混合控制***的鲁棒性,需提高机器人***的控制精度和缩短响应时间,同时考虑参数不确定性对***稳定性的影响。因此,研究一种有限时间自适应机器人力位混合控制方法,使得机器人***在有限时间内稳定且具有更高的鲁棒性,具有重大现实意义和技术价值。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种有限时间自适应机器人力位混合控制方法。
为了实现上述技术目的,本发明的技术方案为:
一种有限时间自适应机器人力位混合控制方法,包括以下步骤:
(1)建立机器人的受约束的机械臂***动力学方程;
(2)采用约束方程对***进行降阶,获得降阶后受约束的机械臂***动力学方程;
(3)设定期望角度和期望控制力,并定义***误差变量;
(4)根据***误差变量定义辅助变量,根据辅助变量设计滑模函数;
(5)采用神经网络逼近不确定函数,设计神经网络加权矩阵估计值的最优自适应律;
(6)根据前述神经网络、最优自适应律和辅助变量构建有限时间自适应机器人力位混合控制器,实现有限时间自适应机器人力位混合控制方法。
进一步地,在步骤(1)中,机器人的受约束的机械臂***动力学方程如下:
其中,q∈Rn为机械臂的角度向量,D(q)∈Rn×n为惯性矩阵,为离心力与哥氏力矩阵,G(q)∈Rn为重力项矢量,τf为约束力,τ为控制输入,n为机械臂自由度,参数上方的一点和两点分别表示该参数的一阶微分和二阶微分。
进一步地,在步骤(2)中,约束力方程如下:
其中,为约束方程雅可比矩阵,/> 表示/>对q的导数,/>为设定已知的约束方程,上标T表示转置,λ为控制力矢量;
降阶后受约束的机械臂***动力学方程如下:
其中,q1为描述约束运动的变量,q2为剩余的冗余变量,q2可用q1来表示,即 表示函数Ψ(q1)对q1的导数。
进一步地,在步骤(3)中,设定期望角度qd=[q1d,q2d]T和期望控制力λd,定义***误差变量:
q1e=q1-q1d
eλ=λ-λd
其中,q1d,q2d为期望角度的向量。
进一步地,在步骤(4)中,定义辅助变量:
λr=λd-K2eλ
设计滑模函数S:
其中,K1和K2为正实数。
进一步地,在步骤(5)中,设定不确定函数利用神经网络逼近所述不确定函数:
其中,W∈RN×2为神经网络加权矩阵,为神经网络激励函数,N为神经网络的神经元数量;
对不确定函数进行估计:
其中,“^’表示参数的估计值。
进一步地,在步骤(5)中,神经网络加权矩阵估计值的最优自适应律如下:
其中,κ为正实数,α为指数且满足0<α<1。
进一步地,在步骤(6)中,有限时间自适应机器人力位混合控制器如下:
其中,K3和K4为正实数。
采用上述技术方案带来的有益效果:
本发明通过设计加权矩阵估计值的最优自适应律可以获得加权矩阵的最优值,且获得最优值时间耗时更短,使机器人***在有限时间内达到稳定状态,具有更快的响应速度;将神经网络与加权矩阵估计值的自适应律相结合,可以更加准确地估计不确定函数,且能够自动最优补偿机器人***参数不确定性的影响,提高控制精度和鲁棒性。
附图说明
图1是本发明的方法流程图;
图2是带有垂直约束的二自由度机械臂***示意图;
图3是本发明设计的有限时间自适应机器人力位混合控制器框图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种有限时间自适应机器人力位混合控制方法,如图1所示,具体步骤如下:
1、建立机器人的受约束机械臂***动力学方程;
在一个实施例中,建立受约束机械臂在关节空间的动力学方程为:
式中,q∈Rn为机械臂的角度向量,D(q)∈Rn×n为惯性矩阵,为离心力与哥氏力矩阵,G(q)∈Rn为重力项矢量,τf为约束力,τ为控制输入,n为机械臂自由度。
所述机械臂***动力学方程存在未知不确定参数,包括:D(q)、和G(q)均为未知不确定的,/>为不确定项表达式。
2、采用约束方程对***进行降阶,获得降阶后受约束的机械臂的动力学方程;
在一个实施例中,约束力方程为:
式中,为约束方程雅可比矩阵,/>表示/>对q的导数,/>为设定已知约束方程,上标T表示转置,λ为控制力矢量。
在所述实施例中,如图2所示,针对带有垂直约束的二自由度机械臂,由于二自由度机械臂末端受到力的约束,因此机械臂的自由度由两个变为一个,取q1为描述约束运动的变量,q2为剩余的冗余变量,即q2可用q1来表示,函数关系为q2=Ψ(q1)。
在所述实施例中,降阶后受约束的二自由度机械臂的动力学方程可表示为:
式中,D1(q1)=D(q)L(q1),表示函数Ψ(q1)对q1的导数,G1(q1)=G(q),/>
3、设定qd为期望角度,λd为期望控制力,为期望约束力,且约束方程定义***误差变量;
在一个实施例中,设定期望角度qd=[q1d,q2d]T,定义***误差变量为:
q1e=q1-q1d
eλ=λ-λd
4、定义辅助变量;
在一个实施例中,定义辅助变量为:
λr=λd-K2eλ
式中,K1和K2为正实数。
5、设计滑模函数;
在一个实施例中,定义滑模函数为:
6、利用神经网络对不确定项进行逼近;
在一个实施例中,设定不确定函数为利用神经网络逼近所述不确定函数,具体为:
式中,W∈RN×2为所述神经网络加权矩阵,为所述神经网络激励函数,N为所属神经网络的神经元数量;
对不确定函数进行估计:
式中,分别为D1、C1、G1的估计,/>为所述神经网络加权矩阵W的估计。
7、神经网络的加权矩阵通过人为去调整,很难获得最优值,需设计所述神经网络加权矩阵估计值的最优自适应律;
在一个实施例中,设计所述神经网络加权矩阵估计值的自适应律:
式中,κ为正实数,α为指数且满足0<α<1,可以缩短估计时间,较传统方法耗时更短。
8、结合所述神经网络、所述自适应律和所述辅助变量,设计一种有限时间自适应机器人力位混合控制器,如图3所示:
式中,K3和K4为正实数。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (2)
1.一种有限时间自适应机器人力位混合控制方法,其特征在于,包括以下步骤:
(1)建立机器人的受约束的机械臂***动力学方程;
(2)采用约束方程对***进行降阶,获得降阶后受约束的机械臂***动力学方程;
(3)设定期望角度和期望控制力,并定义***误差变量;
(4)根据***误差变量定义辅助变量,根据辅助变量设计滑模函数;
(5)采用神经网络逼近不确定函数,设计神经网络加权矩阵估计值的最优自适应律;
(6)根据前述神经网络、最优自适应律和辅助变量构建有限时间自适应机器人力位混合控制器,实现有限时间自适应机器人力位混合控制方法;
在步骤(1)中,机器人的受约束的机械臂***动力学方程如下:
其中,q∈Rn为机械臂的角度向量,D(q)∈Rn×n为惯性矩阵,为离心力与哥氏力矩阵,G(q)∈Rn为重力项矢量,τf为约束力,τ为控制输入,n为机械臂自由度,参数上方的一点和两点分别表示该参数的一阶微分和二阶微分;
在步骤(2)中,约束力方程如下:
其中,为约束方程雅可比矩阵,/> 表示/>对q的导数,为设定已知的约束方程,上标T表示转置,λ为控制力矢量;
降阶后受约束的机械臂***动力学方程如下:
其中,q1为描述约束运动的变量,q2为剩余的冗余变量,q2可用q1来表示,即q2=Ψ(q1),G1(q1)=G(q),/> 表示函数Ψ(q1)对q1的导数;
在步骤(3)中,设定期望角度qd=[q1d,q2d]T和期望控制力λd,定义***误差变量:
q1e=q1-q1d
eλ=λ-λd
其中,q1d,q2d为期望角度的向量;
在步骤(4)中,定义辅助变量:
λr=λd-K2eλ
设计滑模函数S:
其中,K1和K2为正实数;
在步骤(5)中,设定不确定函数利用神经网络逼近所述不确定函数:
其中,W∈RN×2为神经网络加权矩阵,为神经网络激励函数,N为神经网络的神经元数量;
对不确定函数进行估计:
其中,“^”表示参数的估计值;
在步骤(5)中,神经网络加权矩阵估计值的最优自适应律如下:
其中,κ为正实数,α为指数且满足0<α<1。
2.根据权利要求1所述有限时间自适应机器人力位混合控制方法,其特征在于,在步骤(6)中,有限时间自适应机器人力位混合控制器如下:
其中,K3和K4为正实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977040.1A CN113927591B (zh) | 2021-08-24 | 2021-08-24 | 一种有限时间自适应机器人力位混合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110977040.1A CN113927591B (zh) | 2021-08-24 | 2021-08-24 | 一种有限时间自适应机器人力位混合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113927591A CN113927591A (zh) | 2022-01-14 |
CN113927591B true CN113927591B (zh) | 2023-07-25 |
Family
ID=79274502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110977040.1A Active CN113927591B (zh) | 2021-08-24 | 2021-08-24 | 一种有限时间自适应机器人力位混合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113927591B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108656111A (zh) * | 2018-05-15 | 2018-10-16 | 浙江工业大学 | 一种基于均值耦合的双机械臂***有限时间参数辨识与位置同步控制方法 |
CN109426145A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 关节柔性双臂空间机器人的自适应神经网络滑模控制方法 |
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
KR20200097982A (ko) * | 2019-02-11 | 2020-08-20 | 동의대학교 산학협력단 | 입력 포화를 가지는 불확실한 전기 구동 로봇 시스템에 대해 pso를 이용한 rbfnn 기반 분산 적응 추종 시스템 |
CN112809666A (zh) * | 2020-12-17 | 2021-05-18 | 安徽工业大学 | 一种基于神经网络的5-dof机械臂力位跟踪算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8595162B2 (en) * | 2011-08-22 | 2013-11-26 | King Fahd University Of Petroleum And Minerals | Robust controller for nonlinear MIMO systems |
-
2021
- 2021-08-24 CN CN202110977040.1A patent/CN113927591B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109426145A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 关节柔性双臂空间机器人的自适应神经网络滑模控制方法 |
CN108656111A (zh) * | 2018-05-15 | 2018-10-16 | 浙江工业大学 | 一种基于均值耦合的双机械臂***有限时间参数辨识与位置同步控制方法 |
KR20200097982A (ko) * | 2019-02-11 | 2020-08-20 | 동의대학교 산학협력단 | 입력 포화를 가지는 불확실한 전기 구동 로봇 시스템에 대해 pso를 이용한 rbfnn 기반 분산 적응 추종 시스템 |
CN110340898A (zh) * | 2019-08-22 | 2019-10-18 | 北京航空航天大学 | 一种具有指定跟踪性能的自由漂浮空间机械臂自适应容错控制方法 |
CN112809666A (zh) * | 2020-12-17 | 2021-05-18 | 安徽工业大学 | 一种基于神经网络的5-dof机械臂力位跟踪算法 |
Non-Patent Citations (1)
Title |
---|
王红旗 ; 董浩.轴孔装配工业机器人RBF自适应鲁棒控制.《制造业自动化》.2018,127-130. * |
Also Published As
Publication number | Publication date |
---|---|
CN113927591A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083179B (zh) | 一种预定时间多智能体***一致性跟踪控制方法 | |
CN106292287B (zh) | 一种基于自适应滑模控制的uuv路径跟踪方法 | |
CN108445748B (zh) | 一种基于事件触发机制的自适应航天器姿态跟踪控制方法 | |
CN112372630B (zh) | 一种多机械臂协同打磨力柔顺控制方法和*** | |
CN110238839B (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
CN102825603B (zh) | 网络遥操作机器人***及时延克服方法 | |
JP5638724B2 (ja) | 運動制御アクチュエーターに対する軌道を生成する方法 | |
CN109240091B (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
CN114895564B (zh) | 一种电驱动柔性关节机械臂自适应神经网络控制器设计方法 | |
CN111136633A (zh) | 针对时变时延下柔性主-从机器人***的全状态控制方法 | |
CN107121932B (zh) | 电机伺服***误差符号积分鲁棒自适应控制方法 | |
CN108527372A (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 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN109976161B (zh) | 一种不确定非线性***的有限时间优化跟踪控制方法 | |
CN112051799A (zh) | 一种机械加工自适应控制方法 | |
CN108628188A (zh) | 控制***、控制器以及控制方法 | |
CN110315396A (zh) | 一种基于大数据的工业机器人恒力磨抛方法 | |
CN111459016A (zh) | 一种提高裁床切割机轨迹轮廓跟踪控制精度的方法 | |
CN112405536B (zh) | 结合离线补偿和在线跟踪混合策略的高精度恒力控制方法 | |
CN108638015B (zh) | 基于量化通信的主从机械臂同步跟踪控制方法 | |
CN113927591B (zh) | 一种有限时间自适应机器人力位混合控制方法 | |
CN109491251A (zh) | 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 | |
CN104517297A (zh) | 一种基于粒子群优化的机器人标定方法 | |
CN112783046B (zh) | 基于模糊策略的双边遥操作末端平滑行为规划控制方法 | |
CN109001974B (zh) | 基于广义扩张状态观测器的网络化大关联运动***位置同步控制方法 |
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 |