机械系统集散控制教案分析.doc

机械系统集散控制 ——基于神经网络的机器人智能控制研究 作 者： 班 级： 学 号： 指导教师：  目 录 1 机器人智能控制研究现状 2 1.1 机器人智能控制的发展 2 1.2 机器人智能控制现状 2 2 两轮驱动机器人控制算法分析 3 2.1 神经网络逆模型控制 3 2.1.1 机器人神经网络逆模学习控制 4 2.1.2 神经网络逆模学习控制方法 4 2.2 机器人神经网络自适应控制 6 2.2.1 自适应控制系统 7 2.2.2 自适应神经网络控制 7 2.2.3 动态回归神经网络结构及其动力学描述 8 2.2.4 神经网络模型参考自适应控制 9 2.3 机器人模糊神经网络控制 10 2.3.1 基于多层前馈神经网络的纯模糊神经网络 10 2.3.2 神经网络驱动型的模糊神经网络 11 2.3.3 模糊神经网络在机器人控制中的应用 12 3 机器人智能控制研究现状 13 4 参考文献 机器人智能控制研究现状 机器人智能控制的发展 机器人（Robot）是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。20 世纪80 年代初，机器人技术发展相对缓慢。但到了20世纪90年代，随着计算机技术、微电子技术等科学技术的快速发展，机器人技术也取得了巨大的进步。 早期的机器人系统，由于需要完成的任务比较简单，而且对动态特性的要求不高，其系统可看成是机器人各关节控制器简单的组合。随着机器人技术的发展，机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求，因此可采用独立关节控制原则，在各关节构成PID控制。由于机器人操作臂是一个高度非线性的系统，工业用的低速操作臂应用常规的PID反馈控制可以满足控制要求，但为实现高速运动，要求具有较好的控制品质，PID反馈控制难以取得较好的控制效果。在传统的控制方法中，它们依赖数学模型。但是，由于操作臂的参数不能精确得到，模型参数与实际参数不匹配时，便会产生伺服误差。当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时，控制系统的特性有未知和不定的特性。这未知因素和不定性使控制系统性能降低。因此，采用传统的控制方案已不能满足控制要求。在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时，智能控制方法得到了成功的应用。近年来，随着人们对机器人高速高精度要求的不断提高，使得整个机器人系统对其控制部分的要求也越来越高，开发具有智能的机器人已经成为人们研究的热点。 智能机器人的研究作为目前机器人研究中的热门课题，同时也是一门新兴学科，它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果[1]，虽然整体研究还处于相对初级的阶段，但其发展前景相当乐观。在其涉及的诸多领域中，智能控制技术是其中极其重要的一部分。智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究，使用这些技术的目的是使智能机器人可以在非预先规定的环境中自行解决问题。所以智能机器人的技术关键就是自适应和自学习的能力，而以神经网络控制为代表的智能控制技术的应用显示出诸多优势，具有广阔的应用前景。 机器人智能控制现状 由于对机器人的研究越来越热门，近几年机器人智能控制在理论和应用方面都取得了长足的进步。 在模糊控制方面，由J·J·Buckley等人论证了模糊系统的逼近特性；E·H·Mamdan首次将模糊理论运用于一台实际机器人，把模糊控制技术在机器人中的应用得以展现[2]。而且。模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。 神经网络的研究20世纪60年代，并在20 世纪80年代得到了快速的发展。神经网络在控制应用上具有以下特点：能够充分逼近任意复杂的非线性系统；能够学习与适应不确定系统的动态特性；有很强的鲁棒性和容错性等。因此，神经网络对机器人控制具有很大的吸引力。由Albus提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法，即CMCA法( Cerebella Model Cont roller Articulation)，该方法以数学模块为基础，采用查表方式产生一个以离散状态输入为响应的输出矢量。在控制中，状态矢量输入来自机器人关节的位置与速度反馈，输出矢量为机器人驱动信号。也可以利用CMCA 模拟机器人动力学方程，计算实现期望运动所需力矩作为前反馈控制力矩，采用自适应反馈控制消除输入扰动及参数变化引起的误差。CMCA是应用较早的一种控制方法，它的最大特点是实时性好，尤其适应于多自由度操作臂的控制，W·T·Miller等还进行了实验研究，经过仿真实验证明，经过4 个控制周期后，控制过程的误差趋近于零验