遥操作机器人神经网络Smith预估控制.docVIP

遥操作机器人神经网络Smith预估控制 黄金泉 徐亮 (南京航空航天大学能源与动力学院 南京210016.中国frank l lewis 德克萨斯大学自动化和机器人研究所.Fort Worth TX76118.美国) 摘要:针对遥操作机器人通讯通道中存在的时延.提出了一种神经网络Smith预估控制方法^控制系统适合于时延不变但未知的情况^控制系统包括主控制器和从系统两部分^从系统采用动态神经网络辨识机器人的动态模型.神经网络权重在线学习.用神经网络的输出对非线性系统进行局部非线性补偿.将非线性系统线性化^主系统针对线 性化的从系统.采用Smith预估控制解决时延问题并保证系统的性能品质^通过李雅普诺夫稳定理论保证了时延控制系统的稳定性^对两关节机器人的仿真结果说明了该方法的有效性. 关键词：H遥操作机器人时滞系统_神经网络Smith预估器 中图分类号TP242.6;TP273 介绍：远程机器人包含了操作者和远程机械手之间交流的信息。时域推延主要是由交流时可能出现的秒或分钟时的区域。它可能使远程机器人控制系统的不稳定和使远程机械手臂的性能下降。有许多比如双边控制，双边独自控制，共享标准控制和对预测显示的控制这类的努力就为了解决这一问题。然而这些技术是脱离模式，时域延迟和环境。 很多种时域延迟补偿的方法已经用于线性系统，最早的时域延迟控制器之一到今天仍然管用，就是史密斯预测器。然而这个史密斯预测控制器需要一个好厂的模型。面对模型和实际工厂之间不可避免的不匹配，这闭环行为可能会很贫乏。此外如果这家工厂是非线性的或在控制过程中存在的干扰，使用一个线性模式基础控制战略去保持满意的控制行为是很难的。 在这份研究中，这一复发性的远程网络（RNN）被用来区分自动延时的机器人动态系统。非线性项在对RNN输出的基础上被取消使用本地非线性补偿。这时域延迟的情况在使用史密斯预测器时消失了。在时域延迟控制系统中遇到的最难的问题之一是保证整体系统的稳定性。在这项报告中，闭环系统的稳定性能是在李亚普诺夫稳定性理论。 1问题所在 欧米茄链接的机器人机械手可被下面的表达形式表达 +V(q，)+G(q)+F()+τd= τ　　　　　　　　　　　(１) 是联合变量的向量，M(q)是惯性矩阵，是科里奥利／心向量，Ｇ（ｑ）为重力向量，为摩擦力向量，不清楚但是有界的扰动（包括没有结构，没有模型的动力）被定义为τd，控制输入的扭矩向量为τ． 机器人动力表达式一可以以一种等式的形式表达，并且由向量表示 =ASX+B{f(x)+M-1(x)τ}-BM-1(x)τd　　　　　　　　　　　　　　　　　　　(２) 这里=[],B=[]，还有ｆ（ｘ），是由一些工厂里不确定的因素组成的，可以表示为f（x）=—M-1(x){V（x）+G（x）+F(x)} —[A21 A22]x 其中A21 和A22需要适当的选择，比如As是稳定的，对于对称正定矩阵Q存在一个对称正定矩阵O满足以下李亚普诺夫等式 ASTP+PAS=-Q 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　(３) 我们假设代表惯性矩阵M（x）是知道的，它在科式表达中通常具有不确定性，这是难于计算的，并且还有一个具有复杂表达的摩擦项，现在我们定义一个控制输入的扭矩 τ(t)=—M(x(T))(x(t)+M(x(t))u(t-T)　　　　　　　　　　　　　　　　　　　(４) 为f（x）的估计值，u（t-T）为输入环节的时间间隔T的心得控制区别。这闭环机器控制系(x)统成为 =Asx(t)+Bu(t-T)+B(x(t))-BM-1(x(t))+τd(t) 　　　　　　　　　　　　　(5) 其功能性的预测错误是由=给出。 如果机器人系统的参数矩阵M(x),V(x),G(x)和F（x）是知道的并且在控制规则的设计中是合适的，则在式（2）长期的函数f（x）可以大致地被控制规则t的合适选择所忽略，该系统通过使用在等式（2）中控制输入扭矩等式（4）来线性化。因此，我们可以使用史密斯预测器来消除电子机器人系统中的时间延迟的影响。然而，在实际的机器人系统中，参数化的不确定，既不能大概的预知，是无法避免的。因此，学习整个动态系统的特征的可换和合适化方法的介绍是有用的。神经网络和史密斯预测器将会被用来显示对系统等式（1）在输入和输出环节里的时间延迟的追踪。这伴随时间延迟的机器人动态可以表示为： =Asx(t)+Bu(t-T)+B(x(t))-BM-1(x(t))+τd(t) y(t)=x(t-T) 　　　　　　　　　　　　　　　　　　　(6) 控制系统的目标可以用以下参数描述：给定一个需要的轨迹xd(t)=[ qdT(t),，延时的衡量值x（t