一种机器人实时预测控制方法.pdfVIP

一种机器人实时预测控制方法1 黄浩，张铭钧 哈尔滨工程大学机电工程学院（150001 ） E-mail: chudinghui@ 摘 要：本文提出了运用模糊神经网络来建立机器人的多步预测模型，通过采用在线的调整 算法来修正模型的误差。结合预测控制算法得到的预测控制器具有计算量小，收敛速度快的 特点。通过机器人模型的仿真试验论证了该方法的具有较高的性能。 关键词：预测控制，水下机器人，多步预测模型，模糊神经网络 1. 引 言 自从神经网络引入到机器人领域以来，有许多的控制和辨识的方法被提出[1] [2]。机 器人是一个高度非线性、强耦合性的多输入多输出系统，运用神经网络对机器人建立预测模 型已有许多研究[3] [4]，其中较有代表性的研究有两类：一类是递推型多步预测模型[5]， 另一类是非递推型多步预测模型，这两类方法在建立非线性系统的模型时需要知道系统的时 滞，这在实际处理中是很难实现的。石中锁等采用基于脉冲响应的非参数模型作为预测模型 [6]，通过对预测输出的适当变换，关联预测控制的二次型性能指标函数和 Hopfield 网络的 能量函数，用 Hopfield 网络来实现神经网络增量模型的控制算法[7]，但机器人的脉冲响应 并不能反映机器人的运动学特性，因此这种方法的使用有一定的限制。 针对以上建立预测模型时存在的几点问题，本文提出了应用模糊神经网络来建立机器人 的预测模型的方法，很好地解决了非线性系统时滞难以确定的问题，通过水下机器人模型速 度环节的仿真控制实验验证了本方法的可行性。 2. 模糊神经网络 2.1 模糊神经网络的拓扑结构 模糊神经网络[8]结构如图 1 所示，网络采用 4 层的拓扑结构，第一层为输入层，三个输入 量分别是当前 k 时刻的系统输出 y k ，k+1 时刻期望输出 y k +1 和 k+2 时刻的期望输出 ( ) r ( ) y r (k +2)；第二层为模糊层，将控制系统的输出按图2 所示的模糊隶属度函数模糊化为NL, NM, ZERO, PM, PL 五个模糊子集；第三层为规则层，每个节点有三个输入，每个输入有五个模糊分 量，组合共有53 125 个节点，三个输入在节点内相乘得到对当前规则的激活度，然后根据所有 125 个节点求出每个节点的平均激活度；第四层为解模糊层，让第三和第四层之间的连接权系数 分别对应 125 条模糊规则，把网络输入对 125 个节点的平均激活度作为行向量，125 条模糊规则 作为列向量，只要有 125 条合适的模糊规则，他们的向量积即为最终所求的控制量u k 。 ( ) 1本课题得到高等学校博士学科点专项科研基金（项目编号：20020217005 ）资助。 - 1 - 图 1 模糊神经网络的结构 图2 系统输出的隶属度函数曲线 3. 基于模糊神经网络的预测控制系统 3.1 控制器结构 基于模糊神经网络的预测[9] [10]控制系统结构框图如图 3 所示，控制器与控制对象之 间采用串联形式。 图3 预测控制系统结构框图 其中，y k +1 , y k +2 是系统给出的期望输出，u k 为当前 k 时刻的控制量，y k +1 ( ) ( ) ( ) ( ) r