一种改进机器人计算力矩控制的神经网络补偿方法.pdfVIP

维普资讯 王东署等：一种改进机器人计算力矩控制的神经网络补偿方法 一 种改进机器人计算力矩控制的神经网络补偿方法① 王东署② 沈大中 (郑州大学电气工程学院 郑州450001) 摘 要 提出了一种 由计算力矩控制器和神经网络补偿控制器相结合的机器人控制方 案，探讨了用线性神经网络补偿机器人计算力矩不确定性误差的方法。推导了网络权值 的自适应调整律，并证 明了系统的稳定性和跟踪误差的收敛性。所提方案结构简单，鲁棒 性强，且神经网络补偿器有较好的适应性，无需事先知道机器人动力学参数和结构的精确 值。对某打磨机器人轨迹跟踪的实验结果表明所提方案具有很好的鲁棒性和抗干扰能 力。 关键词 机器人，计算力矩控制，神经网络，鲁棒补偿控制 数 自适应算法采用较低的采样频率，结果整个系统 0 引 言 可以获得较高的控制采样频率。 目前大多数的神经网络控制方案，都是利用神 计算力矩控制方法是机器人动力学控制的传统 经网络来获得被控对象的动力学或逆动力学模型， 方法，对于模型已知的机器人系统，应用计算力矩方 利用神经网络代替数学模型，补充传统的控制器或 法在理论上能够保证渐进的轨迹跟踪。但 由于实际 自身作为控制器，常采用的网络结构是多层前馈神 中存在各种不确定性因素，应用该方法进行控制时 经网络 。然而这种网络结构更适于静态映射而非动 存在一定的跟踪误差，因此研究具有不确定性的机 态建模，因此对机器人的动态控制不太理想。为使 器人系统的控制问题具有重要的意义。 前馈神经网络有动态记忆功能，通常在神经网络中 为了在模型建模存在误差的情况下实现无偏轨 加人延迟线，但这会增加输人神经元个数，并使训练 迹跟踪，可以考虑在控制律中引人补偿控制项，以消 变得困难6，且机器人关节之间相互耦合，非线性神 除不确定性因素的影响。由于神经元网络不要求被 经网络的计算速度较慢。为克服上述方法存在的不 控对象的先验知识 以及很强的函数逼近性能，因此 足，本文采用一种线性神经网络来对打磨机器人计 基于神经网络的控制方法在机器人的控制中得到了 算力矩的不确定性部分进行补偿 ，网络学习相对简 一 定的应用[1-5]。Ph锄 6【J描述了神经元网络在机器 单，计算速度大大提高，采用 自适应权值调整律，保 人动力学及逆动力学建模方面的训练，利用训练好 证了轨迹跟踪的渐近稳定，实验结果表明计算力矩 的神经网络对一平面操作机进行了精确控制，所提 加神经网络补偿混合控制可以达到较高的控制精 控制方案能适应机器人不断改变的操作条件和动力 度。 学参数；Ozaki等_7J提出了一个利用神经元网络的用 于机器人控制的非线性补偿器，这种补偿器考虑了 1 计算力矩控制方法 计算力矩的概念，并解释了模型学习的定义，通过仿 真证明了该方法的有效性；Khemaissia等_8J基于神经 1．1 计算力矩控制原理 网络的非线性函数性能，介绍了用于机器人控制的 本文以5轴打磨机器人为研究对象，系统结构 系统辨识和 自适应控制方案；Li[9_等构建了计算力 示意图如图 1所示，该机器人前 3个关节为运动方 矩和神经网络混合的控制方案，神经网络补偿器中 向互相垂直的平动关节，第 1个关节上下运动，第2 费时的参数 自适应算法与