机器人神经网络控制.docVIP

自适应神经网络控制课程论文 PAGE 2 第一部分 机器人手臂的自适应神经网络控制 机器人是一具有高度非线性和不确定性的复杂系统，近年来各研究单位对机器人智能控制的研究非常热门，并已取得相当丰富的成果。 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，可采用经典控制理论的设计方法——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，由于机器人模型的不确定性，使得研究工作者很难得到机器人精确的数学模型。 采用自适应神经网络，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。下面将讨论如何利用自适应神经网络和李雅普诺夫（Lyapunov）方法设计机器人手臂跟踪控制的问题。 1、控制对象描述： 选二关节机器人力臂系统（图1），其动力学模型为： 图1 二关节机器人力臂系统物理模型 （1） 其中 ， ，，。 其中，q为关节转动角度向量，为2乘2维正定惯性矩阵，为2乘2维向心哥氏力矩，为2维惯性矩阵，为2维摩擦力矩阵，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。 已知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。 我们取，两个关节的位置指令分别为，，即设计控制器驱动两关节电机使对应的手臂段角度分别跟踪这两个位置指令。 2、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。 3、基于RBF神经网络逼近的机器人手臂控制 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。