[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

本發明公開了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，該方法包括下述步驟：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；建立狀態轉換器；非仿射模型構造成仿射模型；定義轉換后機械臂的角位置的跟蹤誤差；設計補償跟蹤誤差信號；設計基于確定學習的神經網絡控制器；建立基于經驗知識的靜態神經網絡控制器。該方法不僅能夠保證跟蹤誤差最終收斂到零的小鄰域內，還能限制機械臂運行在一個給定的安全的工作區間內，采用確定學習理論，實現了對剛性機械臂不確定閉環動態的學習，并將收斂的神經網絡權值進行存儲，利用存儲的經驗知識避免了冗余訓練，提高了系統的響應速度，改善了剛性機械臂暫態過程的跟蹤性能。

技術領域

本發明涉及剛性機械臂全狀態受限控制領域，具體涉及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。

背景技術

目前機械臂是在機器人技術領域中得到最廣泛實際應用的自動化機械裝置，除了主要用于工業制造上，商業農業、醫療救援、娛樂服務、軍事保全甚至在太空探索等領域都可以發現其應用裝置。隨著應用場景的增多，任務復雜度的增強，人們對機械臂的工作效率和工作質量要求也越來越高。目前有關機械臂安全控制方面的研究還比較少，機械臂與人交互時，其高剛度容易對周邊人員產生傷害。因此，有必要在線規劃機械臂的跟蹤路徑以及運轉速度，也就是研究狀態受限問題，從而保證人機交互的安全性。然而，采用現有的遞推設計方案，大多數的研究結果都是將狀態受限控制問題間接地轉化為狀態跟蹤誤差受限控制問題，從而不得不引入中間控制量的界限。由于中間控制量的界限難以確定，因此為了不違背受限的狀態要求，通常對受限狀態的界設定較大，從而大大增加了算法的保守性，使得機械臂的安全工作區域以及運轉速度大大受限。

此外，現實中的機械臂系統動態往往不是精確已知的，針對系統中的未知動態，現有的技術通常采用神經網絡進行逼近。神經網絡逼近系統未知動態過程中，需要不斷的在線調整，每做一次任務神經網絡需要重新訓練一次，在訓練的過程中，神經網絡的逼近誤差比較大，訓練過程也需要耗費較長的時間。然而機械臂執行相同的控制任務，神經網絡需要逼近的未知動態也是基本一致的，這就使得神經網絡的訓練過程成為冗余操作。確定學習理論已經證明了RBF神經網絡逼近周期或類周期的軌跡時，神經網絡權值能夠最終收斂并存儲為經驗知識，因而可利用經驗知識實現機械臂系統的高性能控制。

發明內容

本發明的目的是針對上述現有技術的不足，提出了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，特別是針對剛性機械臂的狀態受限問題，本發明提出了一種新型非線性轉換器，將全狀態受限的剛性機械臂動力學系統直接轉化為全狀態不受限的非線性動力學系統，從而避免了應用中間控制量的界限，降低了控制方案設計的保守性。在此基礎上，本發明采用命令濾波器并通過設計補償信號的方法成功解決了傳統后推設計可能產生的全狀態受限剛性機械臂控制器循環構造問題。最后，針對冗余訓練問題，本發明采用基于確定學習的控制方案，將收斂后的神經網絡權值存儲為經驗知識。當機械臂遇到相同的狀態受限控制任務時，直接調用經驗知識避免了再次訓練，實現了全狀態受限剛性機械臂安全可靠的低能耗控制。

為了達到上述目的，本發明采用以下技術方案：

本發明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，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：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；

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；