[發明專利]一種位置受限柔性關節機器人基于模式的智能控制方法

有效

• 申請號: 201811219207.2
• 申請日: 2018-10-19
• 公開（公告）號: CN109227543B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 王敏;黃盛釗;鄒永濤;陳志廣
• 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: 裴磊磊

1.一種位置受限柔性關節機器人基于模式的智能控制方法，其特征在于，所述方法包括以下步驟：

步驟1、建立柔性關節機器人的動力學模型和若干個期望回歸軌跡模型；

步驟2、給定柔性關節機器人連桿關節角位移的約束條件：

其中，n表示關節數，q_1i表示各連桿關節的角位移矢量，將q₁₁,q₁₂,…,q_1n寫成向量模式，q₁＝(q₁₁,q₁₂,...,q_1n)^T，q₁表示轉換前的系統輸出變量，-k_i和分別表示第i個關節角位移矢量所約束的上下界限；

設計位置轉換函數：

其中，通過上面的位置轉換函數，將受限的位置變量q_1i轉為不受限的位置變量s_1i：

將s₁₁,s₁₂,…,s_1n寫成向量模式，s₁＝(s₁₁,s₁₂,...,s_1n)^T，s₁表示轉換后的系統輸出變量；

因此，系統輸出動態轉換關系如下：

其中

將期望回歸軌跡也進行相應的轉換：

將y_d1,y_d2,…,y_dn寫成向量模式，y_d＝(y_d1,y_d2,...,y_dn)^T，y_d表示轉換前的期望關節角位移；將s_d1,s_d2,…,s_dn寫成向量模式，s_d＝(s_d1,s_d2,...,s_dn)^T，s_d表示經過轉換后的期望關節角位移變量；

步驟3、結合動態面方法，設計自適應神經網絡控制器：

其中，α_i(i＝1,2,3)是柔性關節機器人系統虛擬控制器，而u是整個系統的控制器，c_i(i＝1,2,3,4)則分別為α_i(i＝1,2,3)和u中設計的正常數控制增益矩陣；其中神經網絡逼近α₂中的未知動態，是理想神經網絡權值的估計值，S₂(ψ₂)則為以向量ψ₂為輸入的高斯型徑向基函數；而神經網絡用于逼近u中的未知動態，表示該神經網絡理想權值的估計值，S₄(ψ₄)則為以向量ψ₄為輸入的高斯型徑向基函數；而z_i(i＝1,2,3,4)是設計控制器過程的中間誤差變量；

步驟4、根據確定學習理論，設計常值神經網絡控制器組:

其中，

其中，N是動態模式的總數目；是第k模式經過訓練后能逼近α₂中未知動態的神經網絡權值常量，t∈[t₁,t₂]為訓練網絡時暫態過程結束后穩定收斂的時間段，為徑向基函數的輸入向量；同樣地，是u中訓練神經網絡得到的權值常量矩陣，t∈[t₃,t₄]為訓練網絡時暫態過程結束后穩定收斂的時間段，為徑向基函數的輸入向量；

步驟5、針對不同的期望回歸軌跡模型，建立動態模式庫；

步驟6、設計動態估計器、決策范數和模式識別策略；

步驟7、設計基于動態模式的控制器切換策略：

其中，和分別表示在動態模式σ下時刻的虛擬控制器α₂和控制器u，和u^σ′(t)則是在識別過程中的虛擬控制器α₂和控制器u，和u^υ(t)分別對應于新的動態模式υ下的虛擬控制器α₂和控制器u，指數項中的衰減系數λ0；而識別過程的控制輸入和u^σ′(t)如下：

其中，表示軌跡的學習區域，表示軌跡的學習區域；是時為了恢復到模式的軌跡而設計的過渡增益

而在新的動態模式υ下的控制輸入和u^υ(t)如下：

其中，和都是在新模式υ下相應的控制增益矩陣。