改进神经网络自适应滑模控制的机器人轨迹跟踪控制_付涛

合集下载

基于神经网络的机器人运动控制技术研究

基于神经网络的机器人运动控制技术研究一、引言随着人工智能技术的不断发展，基于神经网络的机器人运动控制技术也逐渐成为研究的热点之一。

本文将围绕这一领域展开深入的研究，从神经网络的基本原理和机器人运动控制的核心技术入手，分析神经网络在机器人运动控制中的应用和优化方法，为相关领域的研究提供参考。

二、神经网络基本原理神经网络是一种模拟人类大脑神经元之间信息传递的系统，由于其具有自学习、自适应和非线性映射等特点，在机器学习和人工智能领域中得到广泛应用。

神经网络的核心组成部分为神经元，神经元之间的连接关系和权值则是神经网络模型的学习和决策依据。

三、机器人运动控制技术机器人运动控制技术是指通过对机器人动力学和控制系统的建模与仿真，控制机器人在特定环境下完成预定的运动任务。

机器人运动控制技术可分为两大类，一类是基于机器人动力学模型的控制方法，另一类则是基于机器人传感器和环境信息的控制方法。

四、神经网络在机器人运动控制中的应用神经网络为机器人运动控制提供了一种新的方法，通过对机器人运动状态和环境的实时感知和识别，神经网络能够自适应调节机器人的动作和姿态，从而更加精准地完成任务。

例如，在机器人行走控制中，神经网络可以对机器人的步态和姿态进行实时的感知和调整，提高机器人的稳定性和行走效率。

五、优化神经网络在机器人运动控制中的应用虽然神经网络在机器人运动控制中具有广泛的应用前景，但是神经网络的复杂性和不确定性也给其应用带来了一定的挑战。

因此，如何优化神经网络在机器人运动控制中的建模和学习成为当前研究的重点之一。

研究表明，通过对神经网络的拓扑结构、学习算法和参数优化等方面进行优化，可以有效提高神经网络在机器人运动控制中的准确性和时间效率。

六、结论机器人运动控制是机器人技术领域中的一个重要方向，而神经网络作为一种新型的控制方法则为其提供了广阔的应用前景。

在未来的发展中，应该进一步深入研究神经网络与机器人运动控制的关系，加强神经网络的建模和学习算法的优化，推动其在机器人运动控制中的进一步应用和发展。

基于神经网络的自适应控制技术研究

基于神经网络的自适应控制技术研究神经网络作为一种模拟人脑神经元网络的计算模型，在多个领域得到了广泛的应用。

其中，自适应控制技术是神经网络研究的重要方向之一。

使用神经网络进行自适应控制，可以有效地解决各种非线性、时变和模型不确定的动态系统控制问题。

一、神经网络的基本原理神经网络模仿人类大脑组织，由若干个神经元构成。

每个神经元接受若干个输入信号，并将它们加权求和后传递到激活函数中进行处理，最终得到输出信号。

多个神经元可以组成网络，进行更加复杂的信息处理和控制。

神经网络的学习过程是通过对输入和输出数据的训练实现的。

通常采用的训练方法是反向传播算法。

该算法基于一种误差反向传播的思想，通过计算每个神经元的误差，根据误差大小对神经元的权重进行更新和调整，不断减小网络的误差，达到有效的学习效果。

二、自适应控制技术自适应控制技术是一种针对动态系统进行控制的技术。

动态系统具有非线性、时变性、模型不确定等特性，传统的线性控制方法往往难以达到理想的效果。

自适应控制技术基于神经网络模型，可以进行模型自适应、参数自适应和信号处理等多种操作，以适应各种复杂的动态系统。

常见的自适应控制方法有基于模型参考自适应控制、基于模型自适应控制、基于直接自适应控制等。

其中，基于模型参考自适应控制是一种应用广泛的方法。

该方法将实际输出与期望参考模型的输出进行比较，通过误差反馈，计算调整控制器参数的信号，最终实现对动态系统的控制。

三、神经网络自适应控制技术的研究进展神经网络自适应控制技术在航空、机械、电力、化工等行业中得到了广泛的应用。

在航空领域，神经网络自适应控制技术可以应用于飞机自动驾驶、导航、起降控制等方面。

在机械领域，神经网络自适应控制技术可以应用于机械臂、机器人控制、数控机床等领域。

在电力、化工领域，神经网络自适应控制技术可以应用于发电机组调节、化工装置控制等领域。

目前，神经网络自适应控制技术的研究主要集中在以下几个方面：1.神经网络自适应PID控制技术PID控制是一种基于比例、积分、微分三个控制器参数的控制方法。

移动机器人编队的递归模糊神经网络滑模控制

ＡＢＳＴＲＡＣＴ：Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｅｄａｆｏｒｍａｔｉｏｎｃｏｎｔｒｏｌｓｃｈｅｍｅｆｏｒｍｕｌｔｉｐｌｅｎｏｎｈｏｌｏｎｏｍｉｃｍｏｂｉｌｅｒｏｂｏｔｓ．Ａｎｅｗｃｏｎ－
ｃａｓｅｏｆｍａｉｎｔａｉｎｉｎｇｆｏｍａｒｔｉｏｎ．ＴｈｅｓｔａｂｉｌｉｔｙｏｆｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｗａｓｐｒｏｖｅｄｂｙｕｓｉｎｇｔｈｅＬｙａｐｕｎｏｖｔｈｅｏｒｙ．Ｔｈｅｓｉｍｕ —
ｐａｒｔｏｆｄｙｎａｍｉｃｓｎｏｎｌｉｎｅａｒｕｎｃｅｒｔａｉｎｏｆｆｏｌｌｏｗｅｒａｎｄｌｅａｄｅｒｒｏｂｏｔ，ａｎｄｔｈｅａｄａｐｔｉｖｅｒｏｂｕｓｔｃｏｎｔｒｏｌｌｅｒｃｏｍｐｅｎｓａｔｅｄ
ＬＩＹａｎ－ｄｏｎｇ，ＺＨＵＬｉｎｇ，ＳＵＮＭｉｎｇ
（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，ＱｉｑｉｈａｒＵｎｉｖｅｒｓｉｔｙ，ＱｉｑｉｈａｒＨｅｉｌｏｎｇｊｉａｎｇ１６１００６，Ｃｈｉｎａ）

基于改进DDPG_算法的无人艇自适应控制

本文网址：/cn/article/doi/10.19693/j.issn.1673-3185.03122期刊网址：引用格式：宋利飞, 许传毅, 郝乐, 等. 基于改进DDPG 算法的无人艇自适应控制[J]. 中国舰船研究, 2024, 19(1): 137–144.SONG L F, XU C Y, HAO L, et al. Adaptive control of unmanned surface vehicle based on improved DDPG algorithm[J].Chinese Journal of Ship Research, 2024, 19(1): 137–144 (in Chinese).基于改进DDPG 算法的无人艇自适应控制扫码阅读全文宋利飞1,2，许传毅1,2，郝乐1,2，郭荣1,2，柴威*1,21 武汉理工大学高性能船舶技术教育部重点实验室，湖北武汉 4300632 武汉理工大学船海与能源动力工程学院，湖北武汉 430063摘要:［目的］针对水面无人艇（USV ）在干扰条件下航行稳定性差的问题，提出一种基于深度强化学习（DRL ）算法的智能参数整定方法，以实现对USV 在干扰情况下的有效控制。

［方法］首先，建立USV 动力学模型，结合视线（LOS ）法和PID 控制器对USV 进行航向控制；其次，引入DRL 理论，设计智能体环境状态、动作和奖励函数在线调整PID 参数；然后，针对深度确定性策略梯度（DDPG ）算法收敛速度慢和训练时容易出现局部最优的情况，提出改进DDPG 算法，将原经验池分离为成功经验池和失败经验池；最后，设计自适应批次采样函数，优化经验池回放结构。

［结果］仿真实验表明，所改进的算法迅速收敛。

同时，在训练后期条件下，基于改进DDPG 算法控制器的横向误差和航向角偏差均显著减小，可更快地贴合期望路径后保持更稳定的路径跟踪。

［结论］改进后的DDPG 算法显著降低了训练时间成本，不仅增强了智能体训练后期的稳态性能，还提高了路径跟踪精度。

不确定机器人的自适应H∞神经滑模控制

Ｖｂ．３Ｎｏ１１２．
Ｆ．０６曲２０
不确定机器人的自适应 ∞ 神经滑模控制
陈丽
（台职业技术学院电子系，河北邢台０４３）邢５０５
摘要：针对不确定机器人的轨迹跟踪控制，本文提出了种自神经毋模控制器。一适应在设
计方法使控制设计过于保守，导致不必要高的控制信号。神经网络（ｅｒｅｏｋＮｕａＮｔｒ，ｌｗ简称ＮＮ）具有鲁棒性、容错性和并行运算结构，能够学习任意复杂的非线性和不确定性系统的动力学或逆动力学特性。因此，近年来将神经网络用于机器人控制的研究引起了很大的关注。本文充分结合各种控制方法的优点，首先基于系统参数的先验信息设计一个标称控制律，以保证系统标称模型的稳定性，然后，通过利用神经网络估计模型产生系统不确定性的补偿信号，并利用一个滑模控制项消除网络建模误差的影响，以改善标称控制律的控制性能，最后，基于。控制技术将外部干扰的影响抑制到期望水平，从而实现对不确定机器人系统的矾。跟踪控制。
关键词：机器人；神经网络；自适应控制；滑模控制中图分类号：Ｔ２２６Ｐ４．文献标识码：Ａ文章编号：１０－６２２０）１Ｏ４＿３０８１９（０６０—Ｏ６＿ｏ至今为止，关于不确定机器人系统的轨迹跟踪控制一直是非常活跃的研究领域。为了实现对机器人系统中非线性不确定性的在线补偿控制，各种策略相继被提出，其中，自适应控制方法主要用于含有参
维普资讯
第２卷第１３期
２００６年２月
邢台职业技术学院学报
ＪｕｎｌｆｎｔｉｏａｉｎｌｎｅｈｃｌｌｇｏｒａＸｉｇａｃｔａｄＴｃｎｉａｌｅｏＶｏａＣｏｅ

改进多目标PSO算法优化机器人轨迹跟踪模糊PID控制器

DOI: 10.11991/yykj.202001009改进多目标PSO 算法优化机器人轨迹跟踪模糊PID 控制器蒋清泽，王宏涛南京航空航天大学机电学院，江苏南京 210016摘要：为进一步提高模糊PID 控制器应用于关节机器人轨迹跟踪控制的效果，本文提出了一种改进的多目标粒子群(PSO)算法优化机器人轨迹跟踪模糊PID 控制器的方法。

首先，设计了一种关节机器人轨迹跟踪模糊PID 控制器；其次，考虑控制器输出力矩和轨迹跟踪控制偏差2个优化目标，设计了改进多目标PSO 算法实现模糊PID 控制器隶属函数与模糊规则的优化调整；最后，分别采用多目标PSO 算法和改进多目标PSO 算法优化轨迹跟踪模糊PID 控制器获得了2个优化目标的向量集合，并对比分析了优化结果。

实验结果表明，所设计的改进多目标PSO 算法具有更优的非支配解集，验证了该算法优化机器人轨迹跟踪模糊PID 控制器的有效性和优越性。

关键词：多目标优化；PSO ；机器人控制；轨迹跟踪；模糊PID 控制；隶属函数；模糊规则；非支配解集中图分类号：TP241 文献标志码：A 文章编号：1009−671X(2021)03−0097−07Multi-objective PSO-based fuzzy PID controller forrobot trajectory trackingJIANG Qingze, WANG HongtaoCollege of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, ChinaAbstract : In order to improve the control effect of fuzzy PID controller applied to the trajectory tracking control of joint robots, a novel modified multi-objective Particle Swarm Optimization (PSO) is used to optimize robot trajectory tracking fuzzy PID controller. Firstly, a fuzzy PID controller for robot trajectory tracking is designed. And further,considering the optimization goals of controller output torque and trajectory tracking control error, a modified multi-objective PSO algorithm is designed to optimize membership functions and fuzzy rules of the fuzzy PID controller.Finally, multi-objective PSO and modified multi-objective PSO are used to optimize the trajectory tracking fuzzy PID control to obtain the set of optimization goals vector, and the optimization results are compared and analyzed. The experimental results show that the designed modified multi-objective PSO has a better non-dominated solution set,which verifies effectiveness and superiority of the designed algorithm in robot trajectory tracking fuzzy PID control optimization.Keywords: multi-objective optimization; PSO; robot control; trajectory tracking; fuzzy PID control; membership function; fuzzy rules; non-dominated solution set关节机器人是一个强耦合、高非线性的复杂系统，其轨迹跟踪控制是调整每个关节电机输出的控制扭矩，使得关节角度能够达到期望值[1]。

基于改进BP神经网络PID的无刷直流电动机速度控制的研究

基于改进BP神经网络PID的无刷直流电动机速度控制的研
究
彭韬;鱼振民
【期刊名称】《微电机》
【年(卷),期】2005(038)004
【摘要】引进模糊归一化控制策略,在线实时地调整与收敛速度密切相关的学习速率和动量系数,克服了BP网络收敛慢和容易陷入局部最小的缺点,并将改进的BP神经网络PID算法成功应用于无刷直流电动机速度控制中.仿真结果表明,改进BP神经网络PID使收敛变得更快,而且系统具有较强的鲁棒性和自适应能力.
【总页数】4页(P17-20)
【作者】彭韬;鱼振民
【作者单位】西安交通大学电气工程学院,西安,710049;西安交通大学电气工程学院,西安,710049
【正文语种】中文
【中图分类】TM361;TM381
【相关文献】
1.基于改进BP神经网络的智能车PID控制研究 [J], 丁鹏;李林升;钟成
2.基于单神经元自适应PID控制器的无刷直流电动机控制方法研究 [J], 严卫;王育才;孙希通
3.基于改进BP神经网络PID励磁控制器的研究 [J], 彭飞;王晓颜
4.基于改进BP神经网络的电加热炉炉温PID控制研究 [J], 黄浩强
5.基于改进BP神经网络PID控制器温室温湿度控制研究 [J], 李锋;樊玉和;梁辉因版权原因，仅展示原文概要，查看原文内容请购买。

基于神经网络的自适应滑模控制算法

基于神经网络的自适应滑模控制算法一、基于神经网络的自适应滑模控制算法概述自适应滑模控制算法是一种先进的控制策略，它能够在系统存在不确定性和外部干扰的情况下，保证系统的稳定性和性能。

近年来，随着神经网络技术的发展，基于神经网络的自适应滑模控制算法逐渐成为研究的热点。

该算法通过神经网络来逼近系统的不确定性和非线性部分，从而实现对复杂系统的精确控制。

1.1 神经网络在控制算法中的应用神经网络因其强大的非线性映射能力和自学习能力，在控制系统中得到了广泛的应用。

它可以被训练来逼近任意复杂的非线性函数，这使得神经网络成为处理系统不确定性和非线性的理想工具。

1.2 自适应滑模控制算法的基本原理自适应滑模控制算法的核心思想是在系统的滑动面附近设计一个控制律，使得系统状态能够沿着滑动面滑动，最终达到期望的状态。

算法的自适应特性体现在能够根据系统状态的变化动态调整控制参数，以适应系统的变化。

1.3 基于神经网络的自适应滑模控制算法的优势将神经网络与自适应滑模控制算法相结合，可以充分发挥两者的优势。

神经网络能够处理系统的不确定性和非线性，而自适应滑模控制算法能够保证系统的稳定性和性能。

这种结合不仅提高了控制算法的鲁棒性，还增强了其适应性。

二、基于神经网络的自适应滑模控制算法的关键技术基于神经网络的自适应滑模控制算法涉及多个关键技术，包括神经网络的设计、训练、参数调整以及滑模控制律的设计等。

2.1 神经网络的设计神经网络的设计是算法成功的关键。

需要选择合适的网络结构、激活函数和学习算法，以确保网络能够有效地逼近系统的不确定性和非线性部分。

2.2 神经网络的训练神经网络的训练是算法实施的基础。

通过大量的训练数据，网络可以学习到系统的动态特性，从而提高控制算法的性能。

2.3 参数调整策略参数调整策略是算法自适应性的核心。

需要设计合适的调整机制，使得控制参数能够根据系统状态的变化动态调整，以适应系统的变化。

2.4 滑模控制律的设计滑模控制律的设计是算法实现稳定性和性能的关键。

基于滑模双幂次趋近律的轮式机器人轨迹跟踪控制

基于滑模双幂次趋近律的轮式机器人轨迹跟踪控制摘要：本文提出了一种基于滑模双幂次趋近律的轮式机器人轨迹跟踪控制方法。

该方法使用了滑模控制和双幂次趋近律控制相结合的思想，使得轮式机器人能够在多种复杂的路径和环境中实现高精度的轨迹跟踪。

关键词：轮式机器人；滑模控制；双幂次趋近律；轨迹跟踪；控制方法1. 引言轮式机器人是一种智能化机器人，具有高速、灵活等特点，在工业、医疗、民用等领域有着广泛的应用。

轨迹跟踪是轮式机器人控制中的重要问题，对于实现机器人的自主导航、精确定位等问题具有重要意义。

2. 滑模双幂次趋近律控制方法滑模控制是一种非线性控制方法，具有容错性强、鲁棒性好等优点。

双幂次趋近律是一种自适应控制方法，可以适应不同的工作环境，并实现对控制器参数的自适应调整。

将这两种控制方法结合使用，可以充分发挥它们的优点，提高轮式机器人的控制精度和鲁棒性。

具体的控制方法如下：首先，设计一个滑模控制器，用来实现轮式机器人的速度控制。

控制器的输入是机器人的期望速度和实际速度，输出是控制器的控制指令。

然后，设计一个双幂次趋近律控制器，用来实现轮式机器人的位置控制。

控制器的输入是机器人的期望位置和实际位置，输出是控制器的控制指令。

最后，将滑模控制器和双幂次趋近律控制器相结合，实现轮式机器人的轨迹跟踪控制。

具体实现方法是，将滑模控制器的输出作为双幂次趋近律控制器的输入，使得控制器可以对机器人的速度和位置进行联合控制，从而实现轮式机器人在复杂路径和环境下的高精度轨迹跟踪。

3. 实验结果在实验中，我们对轮式机器人进行了路径跟踪实验，结果表明，本文提出的滑模双幂次趋近律控制方法具有较高的控制精度和鲁棒性，能够有效地实现轮式机器人在多种复杂路径和环境下的精确跟踪。

此外，该方法还具有较强的容错性和鲁棒性，可以适应不同的工作环境和控制要求。

4. 结论本文提出了一种基于滑模双幂次趋近律的轮式机器人轨迹跟踪控制方法，该方法使用了滑模控制和双幂次趋近律控制相结合的思想，结合了它们的优点，提高了轮式机器人的控制精度和鲁棒性。

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

第54卷第5期2014年9月大连理工大学学报J o u r n a l o fD a l i a nU n i v e r s i t y o f T e c h n o l o g yV o l .54,N o .5S e pt .2014文章编号:1000-8608(2014)05-0523-08改进神经网络自适应滑模控制的机器人轨迹跟踪控制付涛, 王大镇*, 弓清忠, 祁丽(集美大学机械与能源工程学院,福建厦门 361021)摘要:为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在M a t l a b /S i m u l i n k 环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.关键词:神经网络;机器人;轨迹跟踪;滑模控制;粒子群优化算法中图分类号:T P 242文献标识码:Ad o i :10.7511/d l l gx b 201405007收稿日期:2014-03-13; 修回日期:2014-05-05.基金项目:福建省高校产学研重大科技计划资助项目(2012H 6016);福建省自然科学基金资助项目(2011J 01321).作者简介:付涛(1987-),男,硕士生,E -m a i l :t i a n q i 1900@126.c o m ;王大镇*(1962-),男,教授,硕士生导师,E -m a i l :d a z h e n w a n g@163.c o m .0 引言机器人系统是一个复杂的多输入多输出非线性系统,具有时变㊁强耦合和非线性动力学特性.其工作范围广,工作状况复杂,实际工程应用中不可避免地存在着大量的干扰与未建模态等不确定性,为了实现快速高精度的轨迹跟踪控制,必须采用合适的控制策略[1-2].在控制策略上,滑模控制通过控制量的切换使控制系统沿着滑模面滑动,使系统在参数摄动和外干扰的影响下具有不变性,即系统与外界干扰无关.滑模控制具有控制简单㊁快速响应㊁易于实现㊁降阶和解耦作用等优点;其缺点在于当状态轨迹到达滑模面后,难于严格地沿着滑模面向着平衡点移动,而是在滑模面两侧来回穿越,从而产生抖动.抖动问题是滑模控制应用到工程实际中不可忽视的问题,它会激发未建模的高频部分产生高频抖振,最后有可能导致控制系统失效[3-5].针对滑模控制的抖振问题,文献[6]考虑了滑模控制和模糊控制的优点,将两者结合起来,利用模糊系统对不确定项进行估计,实现切换增益的模糊自适应调整,在保证滑模到达条件满足的情况下,尽量减少切换增益,从而抑制滑模控制的抖振问题.文献[7]提出了一种自适应滑模控制方法,该方法利用径向基函数(R B F )网络逼近系统中的非线性不确定项,然后利用滑模控制项消除网络逼近误差和外部干扰的影响,保证了系统的稳定性和系统跟踪误差的逐渐收敛.文献[8]采用R B F 网络自适应学习系统不确定性的上界,用神经网络的输出自适应调整控制律的切换增益,保证了滑模面渐进稳定,但是当系统不确定性的幅值较大时,会引起控制量的幅值较大甚至超过限定的范围,并有可能激起系统抖振.本文在神经网络滑模控制方法的基础上,设计一种改进型神经网络自适应滑模控制方法.该方法将R B F 神经网络作为控制器,利用其非线性映射能力逼近机器人系统中的非线性不确定项,通过在控制律中加入鲁棒项消除逼近误差;同时针对隐含层单元数和网络结构参数对神经网络映射有效性的影响,比较分析数种神经网络结构的性能,在确定神经网络结构模型后,利用粒子群优化算法(P S O )求取数值难以确定的神经网络的中心位置和基宽参数,并且将该方法应用于两关节机器人的轨迹跟踪控制,在M a t l a b /S i m u l i n k 仿真环境中,比较一般扰动和大范围扰动两种情况下,不同滑模控制方法的控制效果.1 机器人动力学模型对于n 关节的机器人,若考虑摩擦力㊁未建模态和外加扰动的影响,利用拉格朗日方法,可以求出其动力学方程为[9]M (q )q㊃㊃+C (q ,q㊃)q㊃+G (q )+F (q㊃)+τd =τ(1)式中:q ɪR n 为关节角位移量,q ㊃和q ㊃㊃分别为速度矢量和加速度矢量,M (q )为机器人的惯性矩阵,C (q ,q㊃)为机器人的离心力和哥氏力矩阵,G (q )为作用在关节上的重力矢量,F (q㊃)为摩擦力构成的矩阵,τd 为建模误差㊁参数变化和外加扰动等不确定因素构成的矩阵,τ为控制力矩构成的矩阵.本文选取两关节机器人作为研究对象,其关节结构如图1所示.图1 两关节机器人结构F i g .1 S t r u c t u r e o f t w o jo i n t r o b o t 式(1)中: M (q )=h 11h 12h 21h 22æèçöø÷,τ=τ1τ2æèçöø÷ τd =τd 1τd 2æèçöø÷,q =q 1q 2æèçöø÷ h 11=(m 1+m 2)l 21+m 2l 22+2m 2l 1l 2c o s q2+J 1 h 12=h 21=m 2l 22+m 2l 1l 2c o s q 2 h 22=m 2l 22+J 2C (q )=c 11c 12c 21c 22æèçöø÷,G (q )=G 1G 2æèçöø÷ F (q㊃)=F 1F 2æèçöø÷=10q ㊃1+3s g n (q㊃1)10q㊃2+3s g n (q㊃2)æèççöø÷÷ c 11=-m 2l 1l 2s i n q 2q㊃2c 12=-m 2l 1l 2s i n q 2(q㊃1+q㊃2) c 21=m 2l 1l 2s i n q 2q㊃1c 22=0 G 1=(m 1+m 2)g l 1c o s q 1+m 2g l 2c o s (q 1+q 2) G 2=m 2g l 2c o s (q 1+q2)其中q 1和q2分别为杆1和杆2的角位移;m 1和m 2分别为杆1和杆2的质量,且以连杆末端的点质量表示;l 1和l 2分别为杆1和杆2的长度;g 为重力加速度.2 改进型R B F 神经网络自适应滑模控制2.1 滑模变结构控制机器人轨迹跟踪的控制目标是使实际轨迹q 能够更好地跟踪期望轨迹q d .定义跟踪误差为e =q d -q ,e㊃=q㊃d -q ㊃(2)滑模函数定义为r =e㊃+Λe (3)式中:q d =(q d 1 qd 2)T ;Λ=ΛT>0,Λ=d i a g{λ1,λ2}为正的对角矩阵,λ1,λ2>0,则有Mr㊃=M (q㊃㊃d -q㊃㊃+Λe㊃)=M (q㊃㊃d +Λe㊃)-M q㊃㊃=M (q㊃㊃d +Λe ㊃)+C q㊃+G +F +τd -τ=M (q㊃㊃d +Λe㊃)-C r +C (q㊃d +Λe )+G +F +τd -τ=-C r -τ+f +τd(4)式中:q㊃=q㊃d -e㊃=q㊃d -r +Λe f =M (q㊃d +Λe㊃)+C (qd +Λe )+G +F 根据式(3),可以设计满足达到条件并保证滑模存在的变结构控制器,控制系统稳定性条件需要满足李雅普诺夫稳定性要求.2.2 R B F 神经网络自适应滑模控制器在工程应用中,模型不确定项f 为未知,因此需要对不确定项f 进行逼近.而R B F 神经网络的基本思想是用径向基函数作为隐含层神经元的基来构成隐含层空间,隐含层对输入矢量进行变换,将低维模式输入数据变换到高维空间内,使得在低维空间内线性不可分问题在高维空间内线性可分.R B F 神经网络结构简单,训练简洁而且收敛速度快,能够逼近任意非线性函数[10].因此采用R B F 神经网络对不确定项f 进行逼近,取x =(e T e ㊃T qT d q ㊃T d q ㊃㊃T d )为网络输入,隶属函数取为高斯函数,其R B F 神经网络的网络算法为h i j =e x p (-x i -c i j 2/b 2i j )(5)fi =w Ti h i +εi (6)式中:i =1,2, ,n ,n 为关节数;x i =(e Ti425大连理工大学学报第54卷e㊃T i qd i T q㊃T d i q㊃㊃Td i )为第i 个关节的神经网络输入;j =1,2, ,m ,m 为隐含层神经元个数;h i =(h i 1 h i 2 h i m )T为径向基向量;c i 和b i 为高斯函数的中心位置和基宽参数,εi 为第i 个关节的神经网络逼近误差.根据f i 的表达式,采用R B F 神经网络对不确定项f 进行逼近后的网络输出f ^为f ^(x )=(f ^1 f ^2 f ^n )T =w T1h 1+ε1w T 2h 2+ε2︙w T n h n +εn æèççççöø÷÷÷÷=w T1h 1w T 2h 2︙w T n h n æèççççöø÷÷÷÷+ε=W ^T h (x )+ε(7)式中:ε=(ε1 ε2 εn )T .取W =W -W ^,设计控制律为τ=W ^T h (x )+K vr -v (8)取神经网络的自适应律为W ^㊃=F h r T(9)式中:v 为克服神经网络逼近误差的鲁棒项,其设置是为了增强控制的鲁棒性.将式(8)代入式(4)得Mr㊃=-(K v +C )+W Th (x )+(ε+τd )+v (10)2.3 稳定性证明对R B F 神经网络自适应滑模控制的稳定性进行证明时,考虑神经网络存在建模误差τd 和函数逼近误差ε的情况,其中εɤεN ,τd ɤb d ,将鲁棒项v 设计为v =-(εN +b d )s g n (r ),定义李雅普诺夫函数为L =12r T M r +12t r (W T F -1W )(11)取神经网络的控制律和自适应律为式(8)和式(9),则有L㊃=r TMr㊃+12r T M㊃r +t r (W T F -1W㊃)(12)将式(10)代入式(12)得L㊃=-r T K v r㊃+r T(ε+τd +v )(13)由于r T (ε+τd +v )=r T (ε+τd )+r Tv =r T(ε+τd )-r (εN +b d )ɤ0(14)所以L㊃ɤ0.由李雅普诺夫稳定性判别定理可知,当r ʂ0时,L㊃(r )<0;当r =0时,L㊃(r )=0.L㊃(r )是负定的,其在原点处渐进稳定.又由于L㊃ɤ0,由李雅普诺夫稳定性理论知r ㊁e 一致有界,由r =e ㊃+Λe 知e㊃一致有界,利用B a b a l a t 定理知t ңɕ时,L㊃=0,即r ң0,于是有e ң0和e㊃ң0,可知系统是稳定的.2.4 粒子群算法优化网络结构参数粒子群算法是基于动物群体觅食和人类决策行为而提出的一种启发式全局优化算法.在该算法中,粒子通过个体极值P t 和群体极值G t 更新自身的速度v 和位置X ,其进化方程可描述为[11]v t +1=w v t +c 1r 1(P t -X t )+c 2r 2(P t -G t )(15)X t +1=X t +v t +1(16)式中:w 为惯性权重,c 1㊁c 2为速度更新参数,r 1㊁r 2为[0,1]的随机数.为了更好地平衡算法的全局搜索与局部搜索能力,w 可以采用线性递减惯性权值:w =w s t a r t -t (w s t a r t -w e n d )T(17)式中:w s t a r t ㊁w e n d 表示初始惯性权重和迭代到最大次数时的惯性权重,t 为当前迭代次数,T 为最大迭代次数.一般的,采用R B F 神经网络进行非线性逼近时,中心位置c 和基宽参数b 的选取对神经网络的性能影响较大.如果参数取值不合适,将使高斯基函数无法得到有效映射,从而导致R B F 神经网络无效.因此,本文采用粒子群算法对中心位置c 和基宽参数b的选取进行优化,其中c 中各个值的变量寻优范围为(-3,3),b 的范围为(0,15),适应度函数定义为实际输出和网络输出的相对误差,其表达式为E =ðki =1f^i -f i f i (18)式中:f i 和f ^i 分别表示实际输出和网络输出,设置粒子群算法的群体数为100,迭代次数为300,惯性权重w s t a r t ㊁w e n d 分别为0.9和0.4,速度更新参数c 1㊁c 2都为2.对于R B F 神经网络,隐含层神经元的个数对其性能影响也较大,如果隐含层神经元个数较少,则R B F 神经网络不能充分地描述输出和输入之间525 第5期付涛等:改进神经网络自适应滑模控制的机器人轨迹跟踪控制的关系;相反,如果隐含层神经元个数较多,则会导致网络的学习时间过长,甚至会出现过拟合现象.在此根据网络输出和实际输出的相关度值R来选择最佳的网络模型,相关度值R的表达式为R=(f-f')(f^-f^')T(f-f')(f-f')T(f^-f^')(f^-f^')T(19)式中:f'和f^'分别表示实际输出和R B F神经网络输出的平均值,相关度值R的范围为(0,1),越接近于1说明网络模型的性能越好,反之则越差. 3仿真分析空间两关节机器人的物理参数如下:m1= 1k g,m2=2k g,l1=1.11m,l2=0.87m,g= 9.8m/s2,J1=J2=5k g㊃m;期望的跟踪轨迹为q d1=q d2=0.3s i n t;初始条件为q(0)= (00)T,q㊃(0)=(00)T;滑模控制的参数设置为K v=d i a g{50,50},Λ=d i a g{5,5};在鲁棒项中,取εN=0.2,b d=0.1.建模误差和外界干扰作用等不确定项的函数表示为τd=(τd1τd2)T,τd1 =α1s i n(β1πt),τd2=α2s i n(β2πt),其中扰动的大小由参数αi和βi确定,其值越大,扰动越大.在仿真过程中,考虑两个关节的扰动不一样,同时为了便于控制算法的对比分析,需要设置一般扰动和大扰动.一般扰动的参数设置为α1=1,α2=5,βi= 1;大扰动的参数设置为α1=40,α2=120,βi=1.在M a t l a bR2012a中编写程序对两关节机器人轨迹跟踪进行仿真实验.表1描述了隐含层神经元个数对R B F神经网络性能的影响,选取的评价指标为程序运行10次后对应的相关度值R 的平均值.从表1可以看出,当隐含层神经元个数为9时,相关度值R的平均值最大,为0.8423,因此选择R B F神经网络的结构为5-9-1,并用粒子群优化算法对该结构的中心位置c和基宽参数b 的选取进行优化.图2为粒子群优化算法的迭代曲线,其中横坐标为迭代次数(g e n e r a t i o n),纵坐标为适应度函数值(f i t n e s s),优化后的基宽参数b 和中心位置c如下:b=13.581.9113.709.481.464.178.2014.3614.47 ()c=-2.05-2.140.931.541.231.94-0.36-0.06-1.34 2.82-0.47-2.781.46-2.801.17-0.71-0.321.07 2.742.942.09-0.65-1.33-1.091.590.870.93 -0.081.752.600.93-2.722.701.771.25-2.02 1.802.761.07-1.97-2.41-2.79-1.871.58-2.28æèççççççöø÷÷÷÷÷÷表110次运行后对应的相关度值R的平均值T a b.1 T h e a v e r a g e v a l u e o f c o r r e l a t i o n R u n d e r 10t i m e s o p e r a t i o n隐含层神经元个数相关度值R最小值最大值平均值50.36740.42530.406360.38710.51600.471570.71480.78510.739980.58240.81930.693890.82630.89840.8423100.77060.83620.8134110.74180.76740.7646为了便于说明本文方法的有效性,采用文献[12]所设计的模糊滑模控制方法和文献[13]中的R B F神经网络滑模控制方法进行比较.基于模糊滑模控制方法的详细设置可参考文献[12],另一用于对比分析的R B F神经网络基宽参数b中的每个值均为10,中心位置c在输入输出域中随机选取,其详细情况可参考文献[13].图2粒子群优化曲线F i g.2 C u r v e o f p a r t i c l e s w a r mo p t i m i z a t i o n625大连理工大学学报第54卷进行对比分析时,图3为模糊滑模控制的仿真结果,图4为基于R B F神经网络滑模控制的仿真结果,图5为改进型R B F神经网络自适应控制的仿真结果,其网络结构和网络参数采用优化后的值.图6㊁图7为大扰动情况下,不同控制方法的仿真结果对比图.(a)关节1位置跟踪(b)关节1控制输入(c)关节2位置跟踪(d)关节2控制输入图3模糊滑模控制的仿真结果F i g.3 S i m u l a t i o n r e s u l t s o f f u z z y s l i d i n g m o d e c o n t r ol(a)关节1位置跟踪(b)关节1控制输入(c)关节2位置跟踪(d)关节2控制输入图4神经网络滑模控制的仿真结果F i g.4 S i m u l a t i o n r e s u l t s o f t h en e u r a l n e t w o r ks l i d i n g m o d e c o n t r o l725第5期付涛等:改进神经网络自适应滑模控制的机器人轨迹跟踪控制(a)关节1位置跟踪(b)关节1控制输入(c)关节2位置跟踪(d)关节2控制输入图5改进神经网络滑模控制的仿真结果F i g.5 S i m u l a t i o n r e s u l t s o f t h e i m p r o v e dn e u r a l n e t w o r ks l i d i n g m o d e c o n t r ol(a)关节1位置跟踪(b)关节2位置跟踪(c)关节1位置跟踪误差(d)关节2位置跟踪误差图6大扰动作用下的位置控制仿真结果F i g.6 P o s i t i o n c o n t r o l s i m u l a t i o n r e s u l t su n d e r l a r g e d i s t u r b a n c e在一般扰动情况下,比较图3㊁图4和图5可知,模糊滑模控制㊁神经网络滑模控制和改进型神经网络滑模控制三种控制方法都能有效地对机器人期望轨迹进行跟踪,并且控制输入也不大,其中模糊滑模控制的跟踪速度较慢,系统存在着较大的抖振,而神经网络滑模控制和改进型神经网络滑模825大连理工大学学报第54卷(a)关节1控制输入(b)关节2控制输入图7大扰动作用下的控制输入仿真结果F i g.7 C o n t r o l i n p u t s s i m u l a t i o n r e s u l t su n d e r l a r g e d i s t u r b a n c e控制的跟踪速度较快,神经网络滑模控制较明显地减弱了抖振,改进型神经网络滑模控制则进一步削弱了系统抖振,说明所设计的改进型神经网络滑模控制能较好地削弱系统抖振.在大扰动情况下,比较图6可知,改进型神经网络滑模控制的跟踪误差要好于另外两种控制方法,模糊滑模控制的跟踪误差最大.比较图7可知,在控制力矩方面,改进型神经网络滑模控制相比于神经网络滑模控制变化不大,表现出较强的鲁棒性.4结语针对机器人轨迹跟踪控制的问题,在考虑了系统建模误差㊁外界干扰的情况下,提出了一种改进型神经网络滑模控制方法,考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化,使降低滑模抖振和加快误差收敛速度达到最佳.通过仿真实验和对比分析可知,该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效削弱了抖振.参考文献:[1]苗卓广,谢寿生,丁键,等.基于R B F网络的航空发动机预测滑模控制[J].北京航空航天大学学报,2013,39(12):1601-1606.M I A O Z h u o-g u a n g,X I E S h o u-s h e n g,D I N GJ i a n,e ta l.P r e d i c t i v e s l i d i n g m o d e c o n t r o lf o r a e r o-e n g i n eb a s e d o n R B F n e t w o r k[J].J o u r n a l o fB e i j i n g U n i v e r s i t y o fA e r o n a u t i c sa n d A s t r o n a u t i c s,2013,39(12):1601-1606.(i nC h i n e s e) [2]胡盛斌,陆敏恂.空间三关节机器人自适应双模糊滑模控制[J].同济大学学报:自然科学版,2012,40(4):622-628.HU S h e n g-b i n,L U M i n-x u n.A d a p t i v e d o u b l ef u z z y s l i d i ng m o d ec o n t r o lf o rth r e e-li n k s s p a t i a lr o b o t[J].J o u r n a lo f T o n g j i U n i v e r s i t y:N a t u r a l S c i e n c e,2012,40(4):622-628.(i nC h i n e s e) [3]王伟,易建强,赵冬斌,等.一种新型神经网络滑模控制器的设计[J].电机与控制学报,2005, 9(6):603-606.WA N G W e i,Y IJ i a n-q i a n g,Z HA O D o n g-b i n,e ta l.D e s i g no f an e wt y p eo f n e u r a l n e t w o r ks l i d i n g-m o d e c o n t r o l l e r[J].E l e c t r i cM a c h i n e s a n dC o n t r o l, 2005,9(6):603-606.(i nC h i n e s e)[4]刘金琨.机器人控制系统的设计与MA T L A B仿真[M].北京:清华大学出版社,2008.L I U J i n-k u n.D e s i g na n d M A T L A B S i m u l a t i o nf o rR o b o t C o n t r o l S y s t e m[M].B e i j i n g:T s i n g h u aU n i v e r s i t y P r e s s,2008.(i nC h i n e s e)[5]黄永安,邓子辰,姚林晓.基于神经网络混合建模的结构振动滑模控制[J].振动工程学报,2005, 18(4):465-470.HU A N G Y o n g-a n,D E N GZ i-c h e n,Y A OL i n-x i a o.S l i d i n g m o d e c o n t r o l f o r f l e x i b l e s t r u c t u r a l v i b r a t i o n r e d u c t i o n b a s e do n h y b r i d n e u r a ln e t w o r k m o d e l s[J].J o u r n a l o f V i b r a t i o n E n g i n e e r i n g,2005, 18(4):465-470.(i nC h i n e s e)[6]刘金琨,孙富春.滑模变结构控制理论及其算法研究与进展[J].控制理论与应用,2007,24(3):407-418.L I U J i n-k u n,S U N F u-c h u n.R e s e a r c h a n dd e v e l o p m e n to n t h e o r y a n d a l g o r i t h m s o fs l i d i n gm o d e c o n t r o l[J].C o n t r o lT h e o r y&A p p l i c a t i o n s, 2007,24(3):407-418.(i nC h i n e s e)[7]牛玉刚,赵建丛,杨成梧.不确定机械手的自适应神经滑模控制[J].探测与控制学报,2000,22(2): 55-59.N I U Y u-g a n g,Z HA O J i a n-c o n g,Y A N G C h e n g-925第5期付涛等:改进神经网络自适应滑模控制的机器人轨迹跟踪控制w u.N e u r a ln e t w o r k-b a s e da d a p t i v es l i d i n g m o d e lc o n t r o lo fu n c e r t a i n m a n i p u l a t o r s[J].J o u r n a lo fD e t e c t i o n&C o n t r o l,2000,22(2):55-59.(i nC h i n e s e)[8]王贞艳,张井岗,陈志梅.神经网络滑模变结构控制研究综述[J].信息与控制,2005,34(4):451-456, 475.WA N GZ h e n-y a n,Z HA N GJ i n g-g a n g,C H E NZ h i-m e i.As u r v e y o f r e s e a r c ho nn e u r a l n e t w o r k s l i d i n gm o d ev a r i a b l es t r u c t u r ec o n t r o l[J].I n f o r m a t i o na n d C o n t r o l,2005,34(4):451-456,475.(i nC h i n e s e)[9]蔡自兴.机器人学[M].2版.北京:清华大学出版社,2009:88-96.C A I Z i-x i n g.R o b o t i c s[M].2n d e d.B e i j i n g:T s i n g h u a U n i v e r s i t y P r e s s,2009:88-96.(i nC h i n e s e)[10]林雷,任华彬,王洪瑞.基于径向基函数神经网络的机器人滑模控制[J].控制工程,2007,14(2): 224-226.L I N L e i,R E N H u a-b i n,WA N G H o n g-r u i.R B F N N-b a s e ds l i d i n g m o d ec o n t r o l f o rr o b o t[J].C o n t r o lE n g i n e e r i n g o fC h i n a,2007,14(2):224-226.(i nC h i n e s e)[11]史峰,王辉,郁磊,等.MA T L A B智能算法30个案例分析[M].北京:北京航空航天大学出版社,2011.S H IF e n g,WA N G H u i,Y U L e i,e t a l.M A T L A BI n t e l l i g e n tA l g o r i t h m A n a l y s i s o f30C a s e s[M].B e i j i n g:B e i h a n g U n i v e r s i t y P r e s s,2011.(i nC h i n e s e)[12]刘金琨.滑模变结构控制MA T L A B仿真[M].2版.北京:清华大学出版社,2012.L I U J i n-k u n.S l i d i n g M o d e C o n t r o l D e s i g n a n dM A T L A B S i m u l a t i o n[M].2n d e d.B e i j i n g: T s i n g h u aU n i v e r s i t y P r e s s,2012.(i nC h i n e s e) [13]张文辉,齐乃明,尹洪亮.自适应神经变结构的机器人轨迹跟踪控制[J].控制与决策,2011,26(4): 597-600.Z HA N G W e n-h u i,Q IN a i-m i n g,Y I N H o n g-l i a n g.N e u r a l-v a r i a b l es t r u c t u r e-b a s e d a d a p t i v et r a j e c t o r y t r a c k i n g c o n t r o l o f r o b o tm a n i p u l a t o r s[J].C o n t r o la n dD e c i s i o n,2011,26(4):597-600.(i nC h i n e s e)R o b o t t r a j e c t o r y t r a c k i n g c o n t r o l o f i m p r o v e dn e u r a ln e t w o r ka d a p t i v e s l i d i n g m o d e c o n t r o lF U T a o,W A NG D a-z h e n*,G O N G Q i n g-z h o n g,Q I L i(C o l l e g eo fM e c h a n i c a l a n dE n e r g y E n g i n e e r i n g,J i m e i U n i v e r s i t y,X i a m e n361021,C h i n a)A b s t r a c t:I no r d e r t o i m p r o v e t h e t r a j e c t o r y t r a c k i n g c o n t r o l p e r f o r m a n c eo f t h er o b o t,am o d i f i e d n e u r a l n e t w o r ka d a p t i v e s l i d i n g m o d e c o n t r o lm e t h o d i s p r o p o s e do n t h eb a s i so f t h en e u r a l n e t w o r k s l i d i n g m o d e c o n t r o lm e t h o d.T h i sm e t h o d u s e s n e u r a l n e t w o r k a s a c o n t r o l l e r,a n d u s e s t h e n o n l i n e a r m a p p i n g a b i l i t y o fn e u r a ln e t w o r kt oa p p r o x i m a t eu n k n o w n n o n l i n e a r i t y.A tt h es a m et i m e,t h e r o b u s t c o n t r o l l a wi sa d d e dt oe l i m i n a t et h ea p p r o x i m a t i o ne r r o r.C o n s i d e r i n g t h e i n f l u e n c eo f t h e h i d d e n l a y e ru n i tn u m b e ra n dt h en e t w o r ks t r u c t u r e p a r a m e t e r so nt h ev a l i d i t y o fn e u r a ln e t w o r k m a p p i n g,r e d u c i n g c h a t t e r i n g i sr e g a r d e da so p t i m i z a t i o nt a r g e t,a n d p a r t i c l es w a r m o p t i m i z a t i o n a l g o r i t h mi s a d o p t e d t o o p t i m i z e t h e n e t w o r k s t r u c t u r e p a r a m e t e r s.F i n a l l y,t h e s i m u l a t i o n e x p e r i m e n t i sd o n eu n d e rt h ee n v i r o n m e n to f M a t l a b/S i m u l i n k,a n dc o m p a r a t i v ea n a l y s e s w i t h o t h e rc o n t r o l m e t h o d s a r e c o n d u c t e d.T h e s i m u l a t i o n r e s u l t s s h o wt h a t t h e c o n t r o l s y s t e md e s i g n e d b y t h e p r o p o s e d m e t h o dh a s g o o d r o b u s t n e s s a n d c o n t r o l p r e c i s i o n,a n d c a n r e d u c e t h e c h a t t e r i n g e f f i c i e n t l y.K e y w o r d s:n e u r a l n e t w o r k;r o b o t;t r a j e c t o r y t r a c k i n g;s l i d i n g m o d e c o n t r o l;p a r t i c l e s w a r m o p t i m i z a t i o na l g o r i t h m035大连理工大学学报第54卷。

基于神经网络反步法的移动机器人路径跟踪控制

ｔｈｅｔｕｎｉｎｇｏｆｔｈｅｃｏｎｔｒｏｌｌｅｒ ’ Ｓｐａｒａｍｅｔｅｒｓ，ｔｈｅｎｏｎｌｉｎｅａｒｔｅｒｍｓｉｎｅｒｒｏｒｄｙｎａｍｉｃｒｏｂｏｔｍｏｄｅｌｃａｎｂｅｅ —
摘要：为实现非完整轮式机器人的路径跟踪控制，设计基于反馈增益的反步法控制器，通过控制器参数设计消除了机器人动态误差模型中的部分非线性项，采用神经网络对模型不确定项进行补
偿，并利用自适应鲁棒控制器在线补偿神经网络的估计误差，优化了神经网络的学习性能。仿真
Ｐａｔｈｆｏｌｌｏｗｉｎｇｃｏｎｔｒｏｌｌｅｒｆｏｒｍｏｂｉｌｅｒｏｂｏｔｓｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｂａｃｋｓｔｅｐｐｉｎｇ
结果表明：设计的控制器参数易于调节，可实现轮式移动机器人对任意曲线路径的精确跟踪。关键词：轮式移动机器人；路径跟踪控制；神经网络；反步法中图分类号：ＴＰ２７３文章编号：１００５ — ９８３０（２０１４）０１ — ００２７ — ０７
２．ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）

基于super-twisting二阶滑模算法的作业型rov路径跟踪控制方法

基于super-twisting二阶滑模算法的作业型rov路径跟踪控制方法作业型ROV（Remotely Operated Vehicle，远程操作载具）常用于水下工作，如海底管线检测、海底油田维护等。

路径跟踪控制是ROV的重要控制问题之一，对于保障ROV的精准执行任务具有重要意义。

为了解决路径跟踪控制问题，可以采用基于Super-Twisting二阶滑模算法的控制方法。

Super-Twisting二阶滑模算法（Super-Twisting Second-Order Sliding Mode Control, ST-SOSMC）是滑模控制的一种变种，具有更高的控制精度和系统响应速度。

它通过引入超滑模变量和超滑模面的非线性控制，实现对系统参数扰动和非线性的自适应鲁棒控制。

在路径跟踪控制中，首先需要建立ROV的数学模型。

该模型可以包括水动力学模型、动力学模型和控制模型等。

水动力学模型描述水中环境对ROV运动的影响，动力学模型描述ROV自身运动特性，控制模型描述控制系统的结构和工作方式。

在路径跟踪控制中，首先将路径划分为一系列的路径段，然后针对每个路径段设计控制器。

以路径段i为例，首先需要根据路径段起点和终点的位置信息，计算出路径段的长度、方向和速度要求等。

然后，对ROV的位置、速度和加速度进行控制，使其能够按照路径段要求进行运动。

在ST-SOSMC控制方法中，可以设计位置环和速度环两个控制回路。

位置环用于控制ROV的位置误差，速度环用于控制ROV的速度误差。

位置环中，可以采用超滑模变量来实现非线性控制。

速度环中，可以采用超滑模面来实现非线性控制。

通过两个控制环的协同作用，可以实现ROV的精确路径跟踪。

具体实现中，可以使用状态反馈和输出反馈方式进行控制。

状态反馈可以根据ROV的状态信息对控制器进行修正，以增强控制性能。

输出反馈可以通过观测ROV的输出信息，对控制器进行修正，以减小控制误差。

为了评估路径跟踪控制性能，可以采用仿真实验和实际ROV实验相结合的方法。

基于神经网络的自适应控制系统优化方法研究

基于神经网络的自适应控制系统优化方法研究随着科技的不断发展，各行各业的自动化水平不断提升。

其中自适应控制系统作为一种比较先进的控制技术，在工业制造、交通运输等领域具有广泛的应用前景。

然而，自适应控制系统中的模型不稳定性、外部干扰等问题仍然存在。

针对这些问题，研究者们提出了基于神经网络的自适应控制系统优化方法，使得自适应控制系统在实际应用中更为稳定和有效。

一、自适应控制系统的基本原理自适应控制系统是指根据被控对象的状态来自主地调整控制量的系统。

其基本原理是：根据被控对象的变化情况，通过自适应算法来更新控制器参数，从而保持控制性能在一个最优状态。

自适应控制系统的主要优点是具有强鲁棒性，即使在模型不确定或者外部干扰较大的情况下，仍能保证控制精度。

二、基于神经网络的优化方法神经网络作为一种模拟人脑神经元工作原理的计算模型，其具有很好的适应性和自学习能力。

因此在自适应控制系统中，神经网络可以高效地解决现实环境中存在复杂性、不确定性等问题，为自适应控制系统提供了优化的手段。

基于神经网络的自适应控制系统是一个非线性系统，其优化方法主要包括以下几个方面：1.神经网络拓扑结构的选择：神经网络的拓扑结构决定了其学习能力和计算性能。

在自适应控制系统中，需要根据实际应用场景，选择不同的神经网络拓扑结构，以最大限度地提高控制性能。

2.神经网络参数的学习：神经网络的优化过程主要是通过学习参数进行实现。

因此在实际应用中，需要通过收集被控对象的实时数据，不断更新神经网络中的参数，从而实现适应性控制。

3.控制律的优化：控制律是自适应控制系统中的关键部分，通过优化控制律，可以达到更好的控制效果。

在基于神经网络的自适应控制系统中，通常采用反向传播算法、粒子群算法等优化方法，对控制律进行参数调整，从而实现控制效果的优化。

三、实际应用中的优势基于神经网络的自适应控制系统在实际应用中既具有较高的控制精度，又具有强鲁棒性，主要表现在以下几个方面：1.适应性强：采用神经网络进行自适应控制，可以根据被控对象的变化情况，自主地调整控制器参数，从而保持控制精度在一个最优状态。

一种基于模糊神经网络的机器人轨迹跟踪控制

１机器人模型建立及控制系统设计
机械手可以看作是一个开链式刚性多连杆结构下面以两关节机械手为例，。给出机械手的数学模型嘲。
一
个具有２自由度的机械手的动力学方程可表示为：ｆ＝Ｍ（）ＯＯ＋ｖ（，＋Ｇ）ｏ）＋Ｆ）＋
，），其中：口
Ｍ（）Ｏ为惯性矩阵；０Ｒ为关节角向量；ｖｏ） ∈ （，为离心和哥氏力项；Ｇ秒表示重力效应；，为静态（）（）和动态摩擦矩阵；（，）代表所有由负载变化或建模误差所引起的扰动； ∈ ｒＲ为施加给２个关节的力矩
第２卷第４６期２１００年７月
齐齐哈尔大学学报
ＪｕｎｆｑｈｒＵｎｖｒｉｏｒａｌｉａｉｅｓｔｏＱｉｙ
Ｖｏ．６Ｎ．１，ｏ４２
Ｊｌ，００ｕｙ２１
一
种基于模糊神经网络的机器人轨迹跟踪控制
王波，梁案伟，冯德存，成曦
期望位置；，分别是两关节的实际位置；ｅ，Ｐ分别是两关节的误差；ｅ．ｃ是相应的误差变化率。：ｃ、ｅ２
。，
ｋ：。ｅ，，
分别是误差及误差变化率的量化因子，。：，为神经网络输出的比例因子，ｒ，ｆＩ２
收稿日期：２１－３００００－１－作者简介：王波（１８－），黑龙江泰来人。在读硕士，研究方向为模糊系统与模糊控制．￣ｗｎ９２７６．ｍ９０，男ａｇ９０＠１３ｏ。０
第ｌ层是输入层。将输人（误差、误差的变化率）引入网络。本
层网络神经元输出为ｏｔ＝（＝，ｉ１）其中代表第七ｕ七ｌ；＝，，Ｉ）２２个

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制范兴民;王启志【摘要】提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。

该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。

对于机器人中不确定项，通过RBF网络分别进行自适应补偿。

并通过滑模变结构控制器和自适应控制器消除逼近误差。

同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。

仿真结果表明了该方法的优越性和有效性。

%A neural network-based adaptive sliding mode control, which is designed to ensure trajectory tracking by the uncertainty robot manipulator. This control algorithm integrates the nonlinear mapping of neural network and adaptive and sliding mode control. To the uncertainty of robot manipulators, neural network is used to respectively adaptively learn and compensate the unknown system, and approach error is eliminated by used variable structure and adaptive controller. And based on Lyapunov, this new controller can guarantee the asymptotic convergence of the tracking error to zero. The simulation results show the effectiveness of the presented methods.【期刊名称】《微型机与应用》【年(卷),期】2012(031)009【总页数】4页(P60-62,65)【关键词】不确定机器人;神经网络;自适应控制【作者】范兴民;王启志【作者单位】华侨大学机电及自动化学院,福建厦门361021;华侨大学机电及自动化学院,福建厦门361021【正文语种】中文【中图分类】TP273.21 问题的提出考虑 n关节机器人的动力学方程[5，8]为：2 基于RBF神经网络控制器的设计3 神经网络自适应滑模控制器设计4 仿真实验为了验证本算法的有效性，本文采用双关节机器人模型[7]，动力学方程如式（1）所示。

一类带有监控器的自适应模糊神经网络机器人跟踪控制

一类带有监控器的自适应模糊神经网络机器人跟踪控制李伟;冯博【期刊名称】《科学技术与工程》【年(卷),期】2012(012)034【摘要】提出一种自适应模糊神经网络(FNN)监督控制方案.该方案在FNN控制器的基础上串联一个监督控制器,实现对系统的跟踪控制.监督控制器在FNN控制器不能维持系统稳定时发挥作用,从而确保了闭环系统的全局稳定性,且使系统具有良好的跟踪性能.并把此方案应用在机器人跟踪控制上.仿真结果表明了该控制方案的可行性.%An adaptive fuzzy-neural networks ( FNN) controller with supervisory mode for a certain class of unknown nonlinear dynamical system is presented. A supervisory controller is appended into the FNN controller to jointly control the system. If the FNN controller cannot maintain the stability, the supervisory controller starts working ; on the other hand, if the FNN controller works well, the supervisory controller will be de-actived, which not only guarantees the global stability of the closed-loop system but also preserving the tracking performance. And this program is used in robot tracking control, Simulation results show the control scheme is easy to implement.【总页数】4页(P9377-9380)【作者】李伟;冯博【作者单位】石家庄铁路职业技术学院机电工程系,石家庄050041;北京工业大学电子信息与控制学院,北京100022;石家庄铁路职业技术学院机电工程系,石家庄050041【正文语种】中文【中图分类】TP273.4【相关文献】1.一类互联机器人系统的鲁棒分散跟踪控制 [J], 郑柏超;王银河2.一类带有监督控制的神经网络自适应跟踪设计 [J], 陈浩广;王银河;王东晓3.机器人轨迹跟踪的自适应模糊神经网络控制 [J], 弓洪玮;郑维4.带有未知参数和有界干扰的移动机器人轨迹跟踪控制 [J], 陈罡;高婷婷;贾庆伟;周奇才;黄江帅;王薇5.一类非完整多机器人跟踪控制 [J], 杨光艳;李星;李天琪;因版权原因，仅展示原文概要，查看原文内容请购买。

基于自适应模糊-PID反馈模型的网格调度技术

基于自适应模糊-PID反馈模型的网格调度技术
殷锋;何先波;刘韬
【期刊名称】《计算机科学》
【年(卷),期】2009(36)7
【摘要】服务调度技术是计算网格任务管理系统中的核心问题.为适应网格服务部署的需要,提出了一种基于自适应"模糊-PID"反馈控制模型的Agent技术,该技术融合了模糊理论与PID(Proportionment-Integral-Differential coefficient)技术的优点.实验证明本技术能解决网格服务部署中的动态性和不确定性,并充分发挥网格服务的虚拟执行功能,可在网络带宽效率、延时和可靠性等方面做出更好的权衡.【总页数】3页(P227-229)
【作者】殷锋;何先波;刘韬
【作者单位】西南民族大学计算机科学与技术学院,成都,610041;西华师范大学计算机学院,南充,637002;西南民族大学计算机科学与技术学院,成都,610041
【正文语种】中文
【中图分类】TP393.02
【相关文献】
1.基于模型参考模糊自适应PID的高压釜温度控制 [J], 王玉华;郑骁健
2.基于模型参考的冷铣刨机模糊自适应PID控制器设计 [J], 马鹏宇;孟五洲;胡永彪
3.基于模糊 PID 的模型参考自适应 IMC汽包水位控制 [J], 李晶;王旭刚
4.基于多模型模糊自适应PID的无人机纵向姿态控制研究 [J], 王婧茹
5.基于力反馈的拖拉机驾驶机器人换挡机械手模糊PID自适应控制方法研究 [J], 陈浩;卢伟;赵贤林;王玲;章永年;何小杭
因版权原因，仅展示原文概要，查看原文内容请购买。

基于正反馈自适应遗传算法的机器人路径滚动规划

基于正反馈自适应遗传算法的机器人路径滚动规划
胡喜玲;国海涛
【期刊名称】《计算机应用研究》
【年(卷),期】2010(027)006
【摘要】针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,将蚂蚁算法、模拟退火算法、滚动规划和遗传算法相结合,提出了一种新颖的基于正反馈自适应遗传算法的滚动规划.仿真实验表明,即使在复杂的未知环境下,利用本算法也可以规划出一条全局优化路径,且能安全避碰.
【总页数】4页(P2037-2039,2050)
【作者】胡喜玲;国海涛
【作者单位】鲁东大学,信息科学与工程学院,山东,烟台,264025;鲁东大学,信息科学与工程学院,山东,烟台,264025
【正文语种】中文
【中图分类】TP242.6
【相关文献】
1.基于改进自适应遗传算法的机器人路径规划研究 [J], 田欣;刘广瑞;周文博;郭珂甫
2.基于正反馈遗传算法的机器人全局路径规划 [J], 司应涛;朱庆保;国海涛
3.基于改进自适应遗传算法求解移动机器人路径的优化问题 [J], 胡赤兵;冯无恙
4.基于改进自适应遗传算法的点焊机器人TSP路径规划 [J], 赵铁军; 罗羽枭
5.基于改进模糊自适应遗传算法的移动机器人路径规划 [J], 王吉岱;王新栋;田群宏;孙爱芹;张新超;袁亮
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（）文章编号：１０００８６０８２０１４０５０５２３０８－－－
改进神经网络自适应滑模控制的机器人轨迹跟踪控制
付涛，王大镇＊，弓清忠，祁丽
（集美大学机械与能源工程学院，福建厦门３６１０２１）
摘要：为了提高机器人轨迹跟踪控制性能，在神经网络滑模控制方法的基础上，提出了一种
２２（／ｈｘｃｂ－ｘｐｉｉ－ｉｉｊ＝ｅｊｊ）Ｔｉｉ
（）５
（）６ ε ｆｉ＝ｗｈ＋ｉＴ …，式中：ｉ＝１，２，ｎ，ｎ为关节数；ｘｅｉ＝（ｉ
第５期
· ·
付
涛等：改进神经网络自适应滑模控制的机器人轨迹跟踪控制
］３５－最后有可能导致控制系统失效［生高频抖振，．
］针对滑模控制的抖振问题，文献［考虑了滑模控６将两者结合起来，利用模糊制和模糊控制的优点，系统对不确定项进行估计，实现切换增益的模糊自适应调整，在保证滑模到达条件满足的情况下，
Ｔ（ｒｂ－ｒ（ ε＋τ ε ｄ）Ｎ＋ｄ） ≤０
５２５
· · ＴＴＴＴ为第ｉ个关节的神经网络输ｅｑｉｄｉｑｉｑｉ）ｄｄ
（）１４
…，入；２，ｍ，ｍ为隐含层神经元个数；ｈｊ＝１，ｉ＝（ｈｈｈｃｉ１ｉ２ … ｉｍ）为径向基向量；ｉ和ｂｉ为高
改进型神经网络自适应滑模控制方法．该方法将神经网络作为控制器，利用其非线性映射能同时通过在控制律中加入鲁棒项来消除逼近误差．考虑到隐含层力来逼近各种未知非线性，将降低抖振作为优化目标，采用粒子单元数和网络结构参数对神经网络映射有效性的影响，／群优化算法对网络结构参数进行优化．最后在Ｍ并ａｔｌａｂＳｉｍｕｌｉｎｋ环境下进行了仿真实验，与其他控制方法进行了对比分析．仿真结果表明，基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度，同时有效地削弱了抖振．
［９］ · · · · · ）Ｍ（１ τ （＋Ｆ（＋τ ｑ）ｑ＋Ｃ（ｑ，ｑ）ｑ＋Ｇ（ｑ）ｑ）ｄ＝ · · · ｎ式中：ｑ ∈ Ｒ为关节角位移量，ｑ和ｑ分别为速度矢量和加速度矢量，Ｍ（ｑ）为机器人的惯性矩阵，
２２ｈｍ１＋ｍ２）ｌｌｍ２ｌｌｃｏｓｑ１１＝（１＋ｍ２２＋２１２２＋Ｊ１２ｈｈｌｌｌｃｏｓｑ２＋ｍ１２＝２１＝ｍ２２１２２２ｈｌ２２＝ｍ２２＋Ｊ２
ｃＧ１烌１１ｃ１２烄烌烄，Ｇ（＝＝Ｃ（ｑ）ｑ）ｃＧ２烎２１ｃ２２烆烎烆Ｆ１烌烄１０ｓｎ（烌ｇｑ＋３ｑ）烄 · Ｆ（＝＝ｑ） · · Ｆ２烎烆１０ｓｎ（烆ｇｑｑ２＋３２）烎ｃｌｌｓｉｎｑ１１＝－ｍ２１２２ｑ２ｃｌｌｓｉｎｑｑ＋ｑ）１２＝－ｍ２１２２（ｃｌｌｓｉｎｑｑ２１＝ｍ２１２ｃ０２２＝
·
·
·
·
）式（中：１
模存在的变结构控制器，控制系统稳定性条件需要满足李雅普诺夫稳定性要求．２．２ＲＢＦ神经网络自适应滑模控制器在工程应用中，模型不确定项ｆ为未知，因此需要对不确定项ｆ进行逼近．而ＲＢＦ神经网络的基本思想是用径向基函数作为隐含层神经元的基来构成隐含层空间，隐含层对输入矢量进行变换，将低维模式输入数据变换到高维空间内，使得在低维空间内线性不可分问题在高维空间内线性可分．训练简洁而且收ＲＢＦ神经网络结构简单，
第５４卷第５期２０１４年９月
大连理工大学学报ＪｏｕｒｎａｌｏｆＤａｌｉａｎＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｙｇｙ
Ｖｏｌ．５４，Ｎｏ．５Ｓｅｔ．２０１４ｐ
其中ｑｍ１和ｍ２１和ｑ２分别为杆１和杆２的角位移；分别为杆１和杆２的质量，且以连杆末端的点质量表示；ｌｇ为重１和ｌ２机器人动力学模型
对于ｎ关节的机器人，若考虑摩擦力、未建模利用拉格朗日方法，可以求态和外加扰动的影响，出其动力学方程为
Ｍｒ＝Ｍ（ｅ）＝Ｍ（－Ｍｑ＝ｑｑ＋Λｅ）ｑｄ－ｄ＋Λ
· · · · Ｍ（ｅ）＋Ｃ τ＝ｑｑ＋Ｇ＋Ｆ＋τ ｄ＋Λ ｄ－
·
· ·
· ·
·
· ·
·
· ·
Ｍ（ｅ）ｒ＋Ｃ（ｅ）－Ｃ＋ｑｑｄ＋Λ ｄ＋Λ Ｇ＋Ｆ＋τ ｒ－τ＋ｆ＋τ τ ＝－Ｃｄ－ｄ
１０］敛速度快，能够逼近任意非线性函数［因此采．
ｈ τ １１ｈ１２１烄烌烄烌，＝＝Ｍ（ τ ｑ）ｈ τ ２１ｈ２２２烆烎烆烎 τ ｑｄ１１烄烌烄烌， τ ＝ｑｄ＝ τ ｑｄ２２烆烎烆烎
的矩阵，参数变化和外加扰动等不 τ ｄ为建模误差、确定因素构成的矩阵， τ 为控制力矩构成的矩阵．本文选取两关节机器人作为研究对象，其关节结构如图１所示．
·
（）２（）３
滑模函数定义为
ｒ＝ｅ＋Λ ｅ
·
ＴＴ式中：ｑｑｑｄ＝（ｄ１ｄ２）；Λ ＝ Λ ＞０，Λ ＝｛，为正的对角矩阵，则有ｄｉａ λ λ λ λ １，２｝１，２＞０ｇ
在控制策略上，滑模控制通过控制量的切换使系统在参数摄动使控制系统沿着滑模面滑动，和外干扰的影响下具有不变性，即系统与外界干滑模控制具有控制简单、快速响应、易于扰无关．实现、降阶和解耦作用等优点；其缺点在于当状态难于严格地沿着滑模面向着轨迹到达滑模面后，平衡点移动，而是在滑模面两侧来回穿越，从而产生抖动．抖动问题是滑模控制应用到工程实际中它会激发未建模的高频部分产不可忽视的问题，
；收稿日期：２０１４０３１３２０１４０５０５．－－修回日期：－－）；）基金项目：福建省高校产学研重大科技计划资助项目（福建省自然科学基金资助项目（２０１２Ｈ６０１６２０１１Ｊ０１３２１．，：，：作者简介：付涛（男，硕士生，王大镇＊（男，教授，硕士生导师，１９８７Ｅａｉｌｔｉａｎｉ１９００１２６．ｃｏｍ；１９６２Ｅａｉｌｄａｚｈｅｎｗａｎ１６３．ｃｏｍ．－）－ｍ＠－）－ｍ＠ｑｇ
］１２－用合适的控制策略［．
尽量减少切换增益，从而抑制滑模控制的抖振问］题．文献［提出了一种自适应滑模控制方法，该７方法利用径向基函数（网络逼近系统中的非ＲＢＦ）然后利用滑模控制项消除网络逼线性不确定项，近误差和外部干扰的影响，保证了系统的稳定性和系统跟踪误差的逐渐收敛．文献［采用Ｒ８］ＢＦ网络自适应学习系统不确定性的上界，用神经网络的输出自适应调整控制律的切换增益，保证了滑模面渐进稳定，但是当系统不确定性的幅值较大时，会引起控制量的幅值较大甚至超过限定的范围，并有可能激起系统抖振．本文在神经网络滑模控制方法的基础上，设计一种改进型神经网络自适应滑模控制方法．该方法将Ｒ利用其非线性ＢＦ神经网络作为控制器，映射能力逼近机器人系统中的非线性不确定项，通过在控制律中加入鲁棒项消除逼近误差；同时针对隐含层单元数和网络结构参数对神经网络映射有效性的影响，比较分析数种神经网络结构的性能，在确定神经网络结构模型后，利用粒子群优化算法（求取数值难以确定的神经网络的中ＰＳＯ）心位置和基宽参数，并且将该方法应用于两关节／机器人的轨迹跟踪控制，在ＭａｔｌａｂＳｉｍｕｌｉｎｋ仿
２ＢＦ神经网络自适应滑改进型Ｒ模控制
２．１滑模变结构控制机器人轨迹跟踪的控制目标是使实际轨迹ｑ能够更好地跟踪期望轨迹ｑｄ．定义跟踪误差为
· · · ｅ＝ｑｅ＝ｑｑ，ｄ－ｄ－ｑ
Ｃ（Ｇ（ｑ，ｑ）为机器人的离心力和哥氏力矩阵，ｑ） · 为作用在关节上的重力矢量，Ｆ（ｑ）为摩擦力构成
５２４
大连理工大学学报
第５４卷
真环境中，比较一般扰动和大范围扰动两种情况不同滑模控制方法的控制效果．下，