不确定性机器人动控制研究.pdfVIP

摘 要 本文在文献调研的基础上，综述了国内外不确定性i燮i至墨蝗制的研究成 果，归纳和总结了关于不确定性机器人的自适应控制、鲁棒控制和神经网络控制 技术。根据当前研究现状，对参数和结构不确定的机器人的运动控制进行了进一 步深入的研究，提出了一些有效的控制策略，以消除模型不确定性的影响，增加 系统适应环境变化的能力，使系统达到理想的控制性能。本文运用李雅普诺夫塑 定性等理论论证了控制算法的稳定性，并采用数主宣莹嘉等手段验证了算法的有效 1，… 一一 性a厂 ／首先，本文针对动力学参数不确定并且仅有精确角位置测量的机器人系统， 研完了一种机器人自适应状态观测器的设计方法，并将观测器与控制器有机地结 合，两者在结构上相互利用，提出了具有控制器一观测器复合结构的机器人自适 应控制算法。通过将观测器嵌入到基于无源性的机器人自适应闭环控制中，利用 观测器估计机器人的关节角速度，从而避免了受噪音污染的速度测量信号对控制 系统性能的影响。而且与文献中相关的方法相比，该算法还具有不要求被估计的 机器人操作臂惯性阵可逆的优点。基于观测器的自适应控制器能够保证状态观测 误差和关节角位置、速度跟踪误差的局部一致收敛性，仿真实验也验证了此算法 的有效性。 其次，本文针对结构和参数不确定的机器人，提出了一种基于计算力矩结构 的鲁棒神经网络补偿控制方法。利用神经网络及鲁棒控制项补偿机器人模型的不 确定性部分，并将它们与基于标称模型的计算力矩控制结构有效地结合起来，增 强了在机器人控制中普遍采用的计算力矩控制结构，消除了不确定性因素的影 响。此外，还考虑了神经网络逼近误差非一致有界的情形，设计了自适应的鲁棒 控制项，以补偿神经网络逼近误差，因此实际应用中对神经网络规模的要求可以 降低。而且神经网络连接权是在线调整的，不需要离线学习过程。基于计算力矩 结构的鲁棒神经网络补偿控制器可保证跟踪误差及神经网络权估计最终一致有 界。与其它有关基于计算转矩控制的方法相比，该算法既不需要测量关节角加速 度，也不要求惯性矩阵已知。理论和仿真均证明了算法的可靠性和有效性。 之后，本文引入了机器人关节驱动器的动力学特性，把驱动电压作为控制设 计对象，采用递推设计方法研究了不确定性电驱动刚性机器人系统的运动控制问 题。在仅知道一个集中的机械参数以及各电参数的不确定性界的前提下，提出了 一种不确定性电驱动刚性机器人的鲁棒控制方法，使得闭环系统达到了指数稳 定。接着又提出了一种不确定性电驱动刚性机器人的鲁棒神经网络控制方法。鲁 棒神经网络控制算法在递推设计的第一步仍然采用鲁棒控制技术，在递推设计的 第二步则引入了神经网络控制技术，利用神经网络逼近上一步设计得到的理想控 制输入，。的一阶导数和驱动器的动力学模型，故而避免了复杂的求导运算以及 对关节角加速度可测的要求。基于李雅普诺夫稳定性理论设计的连接权在线学习 算法，保证了跟踪误差及连接权估计的终值一致有界性。算法的有效性通过仿真 实验得到了验证。 最后对全文研究工作的成果进行了总结，指出了其中的不足之处，并提出了 改进意见和进一步的研究方向。1一 ABSTRACT robotswith themotioncontrolof in results Thisthesis currentresearch surveys this kindsof on literature available andsummarizesthe uncertainties subject．Three