机器人神经网络鲁棒自适应控制器设计.doc

鲁棒控制论文 （仅供应付作业之用。。。。。。） 电气工程学院 模式识别与智能系统 王* S*********** 2011.6.28 机器人神经网络鲁棒自适应控制 --以二关节机器人力臂系统为例 机器人学科是一门迅速发展的综合性前沿学科，受到工业界和学术界的高度重视。机器人的核心是机器人控制系统，从控制工程的角度来看，机器人是一个非线性和不确定性系统，机器人智能控制是近年来机器人控制领域研究的前沿课题，已取得了相当丰富的成果。 机器人轨迹跟踪控制系统的主要目的是通过给定各关节的驱动力矩，使得机器人的位置、速度等状态变量跟踪给定的理想轨迹。与一般的机械系统一样，当机器人的结构及其机械参数确定后，其动态特性将由动力学方程即数学模型来描述。因此，可以采用自动控制理论所提供的设计方法，采用基于数学模型的方法设计机器人控制器。但是在实际工程中，由于机器人是一个非线性和不确定性系统，很难得到机器人精确的数学模型。 采用神经网络，可实现对机器人动力学方程中未知部分的精确逼近，从而实现无需建模的控制。本节讨论如何利用神经网络控制和李雅普诺夫（Lyapunov）方法设计机器人轨迹跟踪控制的问题，以及如何分析控制系统的稳定性和收敛性。 一 机器人动力学模型及其结构特性 关节机械手动态方程可表示为： （1） 其中，为关节转动角度向量，为维正定惯性矩阵，为维向心哥氏力矩，为维惯性矩阵，为维摩擦力，为未知有界的外加干扰，为各个关节运动的转矩向量，即控制输入。 机器人动力学系统具有如下动力学特性： 特性1：惯量矩阵是对称正定阵且有界； 特性2：矩阵有界； 特性3：是一个斜对称矩阵，即对任意向量，有 (2) 特性4：未知外加干扰满足，为正常数。 二 传统控制器的设计及分析 定义跟踪误差为： （3） 定义误差函数为： （4） 其中。 则 （5） 其中，为包含机器人模型信息的非线性函数。表示为 （6） 在实际工程中，，，和往往很难得到精确的结果，导致模型不确定项为未知。 为了设计控制器，需要对不确定项进行逼近，假设为的逼近值。设计控制律为 （7） 将控制律式（7）代入式（5），得 （8） 其中为针对的逼近误差，，。 如果定义Lyapunov函数 （9） 则 这说明在固定条件下，控制系统的稳定依赖于，即对的逼近精度及干扰的大小。 三 基于RBF神经网络逼近的机器人控制 1．基于RBF网络的逼近算法 已经证明，采用RBF网络可以实现对任意连续函数的精确逼近。因此，可以采用RBF网络实现对不确定项的逼近。 在RBF网络结构中，取为网络的输入向量。设RBF网络的径向基向量，其中hj为高斯基函数： . （10） 其中网络第个结点的中心矢量为，。 假设存在权值，逼近函数的理想RBF网络输出为： （11） 其中网络的权向量，，为逼近误差，。 考虑式（6），针对中包含的信息，逼近函数的RBF网络输入取： （12） 2．基于RBF网络的控制器和自适应律设计 定义RBF神经网络的实际输出为： （13） 取 （14） 控制律和自适应律设计为： （15） （16） 其中为对称正定阵，。 将式（11）、式(13)和式（15）代入式（5），得 （17） 其中，为用于克服神经网络逼近误差和干扰的鲁棒项。 将鲁棒项设计为： （18） 其中为符号函数。 （19） 3. 稳定性及收敛性分析 针对个关节的神经网络控制，定义Lyapunov函数为： （20） 其中为矩阵的迹，其定义为：设是阶方阵，则称的主对角元素的和为的迹，记作。则 将式（17）代入上式，得 （21） 将式（2）和式（16）代入上式，得 下面分两种情况进行讨论。 （1）不考虑鲁棒项，取，则 如果要使，则需要满