机械臂轨迹跟踪控制--基于EC-RBF神经网络的机械臂模型参考自适应控制

机械臂轨迹跟踪控制--基于EC-RBF神经网络的机械臂模型参

考自适应控制

杨剑锋;张翠;张峰

【摘要】针对机械臂运动轨迹控制中存在的跟踪精度不高的问题，采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络，运用EC-RBF学习算法，采用离线与在线相结合的方法来训练神经网络，一个用来实现对机械臂进行模型辨识，一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真，结果表明，使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度，且因采用EC-RBF学习算法使网络具有更快的训练速度，从而使得控制过程较迅速。%According to the problem that the tracking accuracy is not high enough in trajectory tracking control of robot manipulators, a model reference adaptive control scheme based on EC-RBF neural networks is adopted to achieve robot manipulator model identification and trajectory tracking control. This control scheme contains two RBF neural networks which are trained offline and online, using EC-RBF learning algorithm. The one is used to identify the robot manipulator’s model, and the other one is used to achieve its trajectory tracking control. Simulation result of 2-degree-of-freedom robot manipulator demonstrates that using this method for robot manipulator trajectory tracking control has high control accuracy, and the networks which gain high training speed because of the EC-RBF learning algorithm make the control process faster.

【期刊名称】《计算机工程与应用》

【年(卷),期】2015(000)009

【总页数】5页(P82-86)

【关键词】机械臂轨迹跟踪;模型参考自适应控制;熵聚类-径向基函数(EC-RBF)神经网络

【作者】杨剑锋;张翠;张峰

【作者单位】兰州交通大学自动化与电气工程学院，兰州 730070;兰州交通大学自动化与电气工程学院，兰州 730070;兰州交通大学自动化与电气工程学院，兰州 730070

【正文语种】中文

【中图分类】TP241

随着机器人在工业生产、航空航天等领域的广泛应用，人类社会的发展越来越依赖于机器人技术，因此对机器人控制技术也提出了更高的要求。如何实现机器人在大范围、高速度、高精度要求下的运动轨迹控制，是机器人控制技术研究领域所面临的新问题。长期以来，针对这一问题国内外学者们提出了许多控制方法[1-5]。近年来以神经网络作为控制器的机器人控制技术也有了很大发展，研究者们提出了许多种不同的神经网络控制器[5-11]。文献[11]中提出了一种基于动态反相传播算法（Dynam ic Back-Propagation，DBP）的对角回归神经网络模型参考自适应控制方案，该方案表明了基于神经网络的模型参考自适应控制对机械臂位置跟踪有着很好的控制效果，但未对控制的实时性加以说明和验证。基于RBF神经网络的自适应控制器也有了许多发展，文献[12]提出了一种基于自适应RBF神经网络的无

刷直流电机进行控制的新方法。机器人控制技术的理论研究虽然有了很大进展，但在硬件实现上还存在很多实际问题，文献[13]提出了一种基于FPGA的机械臂位置测量与控制系统，表明在机械臂实时控制中机械臂位置精度在很大程度上影响着机械臂控制系统的精度，且对控制实时性要求较高。

针对以上机械臂运动轨迹控制中存在的跟踪精度不高以及硬件实现的实时性等的问题，本文在研究了基于EC-RBF（Entropy Clustering RBF）学习算法的RBF神

经网络的基础上，将RBF神经网络控制技术与传统的机器臂模型参考自适应控制

技术相结合，设计了一种基于EC-RBF神经网络的机器臂模型参考自适应控制方案。该控制方案使用了两个神经网络，即RBF神经网络辨识器（Radial Basis Function Neural Networks Identifier，RBFNNI）和RBF神经网络控制器（Radial Basis Function Neural Networks Controller，RBFNNC）。通过离线和在线相结合的方法对网络进行训练，实现二自由度机械臂的模型辨识与轨迹跟踪控制。仿真结果表明，神经网络辨识器RBFNNI对机械臂的辨识结果较好，系统

输出能够以较小的误差跟踪参考模型的输出，且系统响应速度较快，使得控制过程较迅速。

2.1 机械臂动力学方程

机械臂控制是与机械臂的动力学密切相关的。具有n个自由度的机械臂动力学方

程一般表示为：

式中：q，q̇，q̇∈Rn，分别为机械臂的关节角位移矢量、角速度矢量以及角加速度矢量；τ∈Rn为关节控制力矩输入矢量；D(q)∈Rn×n为对称正定的惯量矩阵；C(q，q̇)∈Rn×n为哥氏力与离心力矢量；G(q)∈Rn×n为重力项矢量。

定义x=[q，q̇]T为2n×1的系统状态矢量，则将式（1）表示为状态方程形式：取状态变量作为系统的输出，输出方程为：

2.2 机械臂动力学参考模型