CN114750137A - 一种基于rbf网络的上肢外骨骼机器人运动控制方法 - Google Patents

Abstract

本发明属于机械控制技术领域，更具体地，涉及一种基于RBF神经网络的上肢外骨骼机器人运动控制方法。该方法包括如下步骤：S1，构建上肢外骨骼机器人的机械结构；S2，获取机器人各关节的期望角度变化和各关节的期望角速度变化；S3，将步骤S2的数据输入到PI控制器中，输出各关节实际的角度变化以及驱动各关节运动的力矩大小。本发明将多个RBF神经网络应用于控制器的设计使得在解决具有不确定模型的控制问题时可以提高神经网络对上肢外骨骼动力学模型不确定项的逼近速度与精度，降低轨迹跟踪的稳态误差，上肢外骨骼机器人的运动控制性能得到有效的提升和优化。

Description

一种基于RBF网络的上肢外骨骼机器人运动控制方法

技术领域

本发明属于机械控制技术领域，更具体地，涉及一种基于RBF神经网络的上肢外骨骼机器人运动控制方法。

背景技术

人类社会的进步与生产工具的发展息息相关，而机器人的出现大大加快了人类生产力的发展。现如今，机器人已经被广泛应用于工业生产中，提高了工业生产效率，节省了工业生产中的人力成本。科学技术的进步不断推动着机器人向智能化发展。现代机器人已经具备有一定智能，在受到外界环境的影响下能够做出相应的应对。但是，目前的机器智能水平与人类的智力水平之间仍然存在着一个不可逾越的鸿沟。然而，发展机器智能是一个任重而道远的过程，为了快速解决越来越复杂的机器人应用环境对机器人智能要求越来越高的问题，许多研究者提出了将人类的“智力”与机器人的“体力”相结合的思想。在这种时代背景下，外骨骼机器人应运而生。

由于上肢外骨骼机器人运动***具有非线性、强耦合性、时变性及不确定性等特点，所以上肢外骨骼机器人***是一个十分复杂的多输入多输出(MIMO)非线性***。对该机器人的控制主要是对其各关节或末端执行器的位置控制，使各关节或末端执行器能够以期望的动态品质跟踪给定的轨迹或稳定在指定的位置上，即所设计的控制***的任务是轨迹跟踪控制。在实际工程中由于机器人负载重量、连杆质量、长度及其质心位置等物理量未知、变化或只有部分信息已知，这样很可能引起所设计的控制器质的变化，甚至造成控制***整体不稳定。因此，对非线性、时变的强耦合MIMO机器人的控制问题，一直是控制领域的难题。

发明内容

为了解决上肢外骨骼机器人存在的模型不确定性问题，本发明提出一种基于RBF网络的上肢外骨骼机器人运动控制方法，以期利用多个RBF神经网络对机器人动力学模型中建模时存在的不确定项进行逼近，从而缩短机器人各关节的响应速度，提升上肢外骨骼机器人的运动控制性能。

为实现上述目的，本发明采用如下技术方案：

一种基于RBF网络的上肢外骨骼机器人运动控制方法，包括如下步骤：

S1，构建上肢外骨骼机器人的机械结构；

S2，获取机器人各关节的期望角度变化和各关节的期望角速度变化；

S3，将步骤S2的数据输入到PI控制器中，输出各关节实际的角度变化以及驱动各关节运动的力矩大小。

本技术方案进一步的优化，所述步骤S1中上肢外骨骼机器人是由左右两个机械手臂和背部基座组成，每个机械手臂包括三个旋转关节，且两个机械手臂结构相同，左右对称；其中在肩部靠近背部基座的1号关节为被动关节，该关节没有电机驱动，2号关节和3号关节为主动关节。

本技术方案进一步的优化，所述步骤S3中PI控制器的设计包括如下步骤：

S3.1，构建上肢外骨骼机器人动力学模型；

S3.2，利用RBF网络对上肢外骨骼机器人动力学模型进行改进；

S3.3，根据改进的动力学模型，设计上肢外骨骼机器人的运动控制器。

本技术方案更进一步的优化，所述步骤S3.1构建上肢外骨骼机器人动力学模型为：

利用拉格朗日动力学方法建立的上肢外骨骼机器人的动力学方程为：

式中，D(q)为上肢外骨骼机器人的正定惯性矩阵，

为离心力和哥氏力矩阵，G(q)为重力矩阵，q为上肢外骨骼机器人关节运动时的角度矩阵，

为角速度矩阵，

为角加速度矩阵，τ为作用在机器人关节的驱动力矩阵。

本技术方案更进一步的优化，所述步骤S3.2包括：

输入层x(t)为神经网络在t时刻的输入变量；

隐含层由非线性激励函数h_j(t)构成：

式中，j为隐含层的节点，m为隐含层的节点数，c_j为神经网络的中心向量，b_j为高斯基函数的基带宽度；

输出层y_j(t)表示为：

式中，n为输出节点的个数，w_ji表示输出层的连接权值；

利用三个RBF网络分别实现对D(q)、

和G(q)的逼近，三个网络的输出分别为D_NN(q)、

G_NN(q)：

式中，E_D、E_C和E_G分别为神经网络对D(q)、

和G(q)的建模误差，W_D、W_C和W_G为神经网络建模的权值，Ξ_D(q)、Ξ_C(z)和Ξ_G(q)为隐含层高斯函数的输出，

定义e(t)＝q_d(t)-q(t)、

e(t)为角度跟踪误差，q_d(t)为机器人关节的期望角度，q(t)为实际角度，Λ>0，代入初始建立的动力学模型(1)，得到改进的动力学模型为：

本技术方案更进一步的优化，所述步骤S3.3中控制器的设计如下：

基于模型估计的控制器设计为：

式中，

分别为神经网络建模项D_NN(q)、

G_NN(q)的估计，

分别为W_D、W_C、W_G的估计权值；

为了克服神经网络逼近误差所添加的鲁棒项为：

τ_r＝K_rsgn(r) (8)

式中，K_r为大于0的常数，sgn(r)为符号函数；

利用PI控制设计的总控制器为：

式中，K_p为PI控制中的比例系数，K_i为PI控制中的积分系数；

为实现神经网络的自适应逼近，将三个网络的权值自适应律分别设计为：

式中，Γ_D，Γ_D，Γ_G为权值更新步长矩阵，均为对称正定矩阵。

区别于现有技术，上述技术方案的有益效果在于：

本发明针对上肢外骨骼机器人的动力学模型存在不确定性的问题，提出了一种利用多个RBF神经网络对动力学模型不确定项进行分项逼近的方法。与传统的控制方法相比，神经网络可以逼近任意非线性函数，对任意函数都具有在线调整参数和自学能力，因此在解决具有不确定模型的控制问题时神经网络控制可以广泛应用，对于提升上肢外骨骼机器人的运动控制性能具有重大意义。与基于RBF网络整体逼近的控制方法相比，大大缩短了上肢外骨骼机器人各关节的响应速度，提高了神经网络对上肢外骨骼动力学模型不确定项的逼近速度与精度，降低了轨迹跟踪的最大稳态误差与平均稳态误差，有良好的控制效果。

附图说明

图1为上肢外骨骼机器人机械结构模型图；

图2为本发明控制方法框图；

图3为本发明控制***示意图；

图4为上肢外骨骼机器人关节1角度跟踪曲线图；

图5为上肢外骨骼机器人关节2角度跟踪曲线图；

图6为上肢外骨骼机器人关节1跟踪误差曲线图；

图7为上肢外骨骼机器人关节2跟踪误差曲线图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

参阅图1所示，为上肢外骨骼机器人机械结构模型图，上肢外骨骼机器人是由左右两个机械手臂和背部基座组成，每个机械手臂包括三个旋转关节，且两个机械手臂结构相同，左右对称。该模型为利用Solidworks软件搭建的三自由度上肢外骨骼机器人机械结构模型，其中在肩部靠近背部基座的1号关节为被动关节，该关节没有电机驱动，设计的目的是为了满足机器人平面姿态的调整，实现整个机械手臂水平方向的位移。2号关节和3号关节为主动关节。

构建上肢外骨骼机器人动力学模型：

利用拉格朗日动力学方法建立的上肢外骨骼机器人的动力学方程为：

式中，D(q)为上肢外骨骼机器人的正定惯性矩阵，

为离心力和哥氏力矩阵，G(q)为重力矩阵，q为上肢外骨骼机器人关节运动时的角度矩阵，

为角速度矩阵，

为角加速度矩阵，τ为作用在机器人关节的驱动力矩阵。

由于上述动力学模型存在建模误差，会导致模型存在不确定性的问题，因此，发明人设计了RBF网络对不确定向进行逼近。利用RBF网络对上肢外骨骼机器人动力学模型进行改进：

输入层x(t)为神经网络在t时刻的输入变量；

隐含层由非线性激励函数h_j(t)构成：

式中，j为隐含层的节点，m为隐含层的节点数，c_j为神经网络的中心向量，b_j为高斯基函数的基带宽度。

输出层y_j(t)表示为：

式中，n为输出节点的个数，w_ji表示输出层的连接权值。

由于动力学方程包含了多个不确定参数项，使用RBF网络对其进行整体逼近会产生逼近时间过长与逼近精度不足的问题。如图2所示，为控制方法框图。本发明利用三个RBF网络分别实现对D(q)、

和G(q)的逼近，三个网络的输出分别为D_NN(q)、

G_NN(q)；

式中，E_D、E_C和E_G分别为神经网络对D(q)、

和G(q)的建模误差，W_D、W_C和W_G为神经网络建模的权值，Ξ_D(q)、Ξ_C(z)和Ξ_G(q)为隐含层高斯函数的输出，神经网络输入

定义关于误差的函数关系式

其中，e(t)＝q_d(t)-q(t)，e(t)为角度跟踪误差，q_d(t)为机器人关节的期望角度，q(t)为实际角度，Λ>0为常数系数。代入初始建立的动力学模型(1)，得到改进的动力学模型为：

式中,E＝E_D+E_C+E_G。

根据改进的动力学模型，设计上肢外骨骼机器人运动控制器：

基于模型估计的控制器设计为：

式中，

分别为神经网络建模项D_NN(q)、

G_NN(q)的估计，

分别为W_D、W_C、W_G的估计权值。

为了克服神经网络逼近误差所添加的鲁棒项为：

τ_r＝K_rsgn(r) (8)

式中，K_r为大于0的常数，sgn(r)为符号函数。

利用PI控制设计的总控制器为：

式中，K_p为PI控制中的比例系数，K_i为PI控制中的积分系数。

为实现神经网络的自适应逼近，将三个网络的权值自适应律分别设计为：

式中，Γ_D，Γ_C，Γ_G为权值更新步长矩阵，均为对称正定矩阵。

利用控制器控制上肢外骨骼机器人实现对期望轨迹的精确跟踪。利用上述设计的总控制器搭建控制***，对上肢外骨骼机器人进行轨迹跟踪控制研究。***的输入为机器人各关节的期望角度变化和各关节的期望角速度变化，输出为各关节实际的角度变化以及驱动各关节运动的力矩大小。通过***输出的数据进行分析即可验证控制方法的设计效果。

实施例

下面通过一个具体实施例来说明本发明的方法。采用本发明的控制方法搭建的仿真控制***如图3所示。

设置***的输入为：机器人两个主动关节的期望角度变化为q_d＝[0.5 sin(πt)sin(πt)]，期望角速度为

用于逼近的

的高斯基参数设置如下：惯性矩阵神经网络中心向量c_D_i设为[-1.2 -0.6 0 0.6 1.2]，向心力和科氏力矩阵神经网络中心向量c_C_i设为[-1.0 -0.5 0 0.51.0]，重力矩阵神经网络中心向量c_G_i设为[-1.0 -0.5 0 0.5 1.0]。控制器参数如下：K_r＝0.1,Λ＝diag{5,5}。

仿真实验中采用不确定项整体逼近的RBF控制方法作为对比项。得到各关节的角度跟踪曲线如图4和图5所示。各关节的角度跟踪误差曲线如图6和图7所示。

通过分析上述仿真结果可以看出，本发明所采用控制方法可以大幅缩短三自由度上肢外骨骼机器人控制***的响应时间，***的平均稳态误差和最大稳态误差都得到不同程度的减少，轨迹跟踪控制上效果良好，仿真结果验证了该控制方法的有效性。

综上，本发明专利涉及一种基于RBF网络的上肢外骨骼机器人运动控制方法。该方法采用多个RBF网络对上肢外骨骼机器人动力学模型中存在的不确定项进行逼近，控制器中添加鲁棒项来克服神经网络逼近误差，并设计权值自适应律来实现神经网络的自适应逼近。本发明专利有效提高了神经网络对动力学模型不确定项的逼近速度与精度，降低轨迹跟踪的稳态误差，上肢外骨骼机器人的运动控制性能得到有效的提升和优化。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.一种基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，包括如下步骤：

S1，构建上肢外骨骼机器人的机械结构；

S2，获取机器人各关节的期望角度变化和各关节的期望角速度变化；

S3，将步骤S2的数据输入到PI控制器中，输出各关节实际的角度变化以及驱动各关节运动的力矩大小。

2.如权利要求1所述的基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，所述步骤S1中上肢外骨骼机器人是由左右两个机械手臂和背部基座组成，每个机械手臂包括三个旋转关节，且两个机械手臂结构相同，左右对称；其中在肩部靠近背部基座的1号关节为被动关节，该关节没有电机驱动，2号关节和3号关节为主动关节。

3.如权利要求1所述的基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，所述步骤S3中PI控制器的设计包括如下步骤：

S3.1，构建上肢外骨骼机器人动力学模型；

S3.2，利用RBF网络对上肢外骨骼机器人动力学模型进行改进；

S3.3，根据改进的动力学模型，设计上肢外骨骼机器人的运动控制器。

4.如权利要求3所述的基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，所述步骤S3.1构建上肢外骨骼机器人动力学模型为：

利用拉格朗日动力学方法建立的上肢外骨骼机器人的动力学方程为：

式中，D(q)为上肢外骨骼机器人的正定惯性矩阵，

为离心力和哥氏力矩阵，G(q)为重力矩阵，q为上肢外骨骼机器人关节运动时的角度矩阵，

为角速度矩阵，

为角加速度矩阵，τ为作用在机器人关节的驱动力矩阵。

5.如权利要求4所述的基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，所述步骤S3.2包括：

输入层x(t)为神经网络在t时刻的输入变量；

隐含层由非线性激励函数h_j(t)构成：

式中，j为隐含层的节点，m为隐含层的节点数，c_j为神经网络的中心向量，b_j为高斯基函数的基带宽度；

输出层y_j(t)表示为：

式中，n为输出节点的个数，w_ji表示输出层的连接权值；

利用三个RBF网络分别实现对D(q)、

和G(q)的逼近，三个网络的输出分别为D_NN(q)、

G_NN(q)：

式中，E_D、E_C和E_G分别为神经网络对D(q)、

和G(q)的建模误差，W_D、W_C和W_G为神经网络建模的权值，Ξ_D(q)、Ξ_C(z)和Ξ_G(q)为隐含层高斯函数的输出，

定义e(t)＝q_d(t)-q(t)、

e(t)为角度跟踪误差，q_d(t)为机器人关节的期望角度，q(t)为实际角度，Λ>0，代入初始建立的动力学模型(1)，得到改进的动力学模型为：

6.如权利要求5所述的基于RBF网络的上肢外骨骼机器人运动控制方法，其特征在于，所述步骤S3.3中控制器的设计如下：

基于模型估计的控制器设计为：

式中，

分别为神经网络建模项D_NN(q)、

G_NN(q)的估计，

分别为W_D、W_C、W_G的估计权值；

为了克服神经网络逼近误差所添加的鲁棒项为：

τ_r＝K_rsgn(r) (8)

式中，K_r为大于0的常数，sgn(r)为符号函数；

利用PI控制设计的总控制器为：

式中，K_p为PI控制中的比例系数，K_i为PI控制中的积分系数；

为实现神经网络的自适应逼近，将三个网络的权值自适应律分别设计为：

式中，Γ_D，Γ_C，Γ_G为权值更新步长矩阵，均为对称正定矩阵。

Images