[發明專利]基于確定學習的全狀態受限剛性機械臂安全可靠控制方法

有效

• 申請號: 201710458865.6
• 申請日: 2017-06-16
• 公開（公告）號: CN107160398B
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 王敏;鄒永濤;陳志廣;張燕雯
• 申請（專利權）人: 華南理工大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于確定學習的全狀態受限剛性機械臂安全可靠控制方法，其特征在于，所述方法包括以下步驟：

步驟1、建立全狀態受限剛性機械臂的動力學模型和期望的周期軌跡模型：建立以剛性機械臂關節角位置以及關節角速度作為狀態變量的剛性機械臂動力學模型和期望的周期軌跡模型；

所述剛性機械臂的動力學模型為：

其中x₁＝[x_1,1,x_1,2,…,x_1,n]^T為機械臂關節的角位置，x₂＝[x_2,1,x_2,2,…,x_2,n]^T為機械臂關節的角速度，n為全狀態受限剛性機械臂的關節數，k₁＝[k₁₁,…,k_1n]^T,k₂＝[k₂₁,…,k_2n]^T,為確定的常數向量，M(x₁)為機械臂系統的慣性矩陣，V_m(x₁,x₂)為向心力矩陣，G(x₁)為萬有引力向量，F(x₂)為摩擦力向量，τ為控制力矩；M(x₁),V_m(x₁,x₂),G(x₁),F(x₂)均未知；

所述剛性機械臂期望的周期軌跡模型為：

其中，x_d1＝[x_d1,1,…,x_d1,n]^T為關節角位置的期望參考軌跡，x_d2＝[x_d2,1,…,x_d2,n]^T為關節角速度的期望參考軌跡，x_d＝[x_d1,x_d2]^T，f(x_d1,x_d2)為給定的連續函數；

步驟2、建立狀態轉換器：將狀態受限的模型轉換為不受限的模型，同時將參考軌跡模型也進行相應地轉換；

其中，-k_1i為機械臂關節i位置x_1,i的下界，為機械臂關節i位置x_1,i的上界，-k_2i為機械臂關節i速度x_2,i的下界，為機械臂關節i速度x_2,i的上界，T_1,i(s_1,i)為第i個關節位置的狀態轉換器，T_2,i(s_2,i)為第i個關節速度的狀態轉換器，s_1,i為x_1,i轉換后的狀態變量，s_2,i為x_2,i轉換后的狀態變量，n為全狀態受限剛性機械臂的關節數，將全狀態受限剛性機械臂所有關節的狀態轉換器寫成向量形式為T₁(s₁)＝[T_1,1(s_1,1),…,T_1,n(s_1,n)]^T,T₂(s₂)＝[T_2,1(s_2,1),…,T_2,n(s_2,n)]^T；

轉換后的系統為：

其中，R₁(s₁)＝diag(r_1,1(s_1,1),…,r_1,n(s_1,n))，R₂(s₂)＝diag(r_2,1(s_2,1),…,r_2,n(s_2,n))，s₁＝[s_1,1,s_1,2,…,s_1,n]^T，s₂＝[s_2,1,s_2,2,…,s_2,n]^T，s₁為轉換后的機械臂關節角位置，s₂為轉換后的機械臂關節角速度；

相應地，轉換后的參考軌跡為：

其中，s_d1＝[s_d1,1,…,s_d1,n]^T，s_d2＝[s_d2,1,…,s_d2,n]^T，s_d1為轉換后的期望關節角位置，s_d2為轉換后的期望關節角速度；

步驟3、非仿射模型構造成仿射模型：采用構造性方法，引入下一子系統的狀態，將非仿射模型構造成仿射模型；

步驟4、定義轉換后機械臂的角位置和任意參考軌跡之間的跟蹤誤差；

步驟5、設計補償跟蹤誤差信號：應用命令濾波并結合后推設計方法設計補償跟蹤誤差信號；

步驟6、設計穩定的自適應神經網絡控制器：應用李雅普諾夫穩定性理論并結合逐步后推設計方法構造穩定的自適應神經網絡控制器，保證跟蹤效果，不違背全狀態受限；

步驟7、建立基于經驗知識的靜態神經網絡控制器：根據確定學習理論，步驟6中沿剛性機械臂運動軌跡的神經元滿足持續激勵條件，其權值收斂到最優，取收斂后的神經網絡權值保存為設計利用經驗知識的靜態神經網絡控制器。