[發明專利]基于反演法的不確定性機器人自適應神經網絡控制方法

在審

• 申請號: 202011093944.X
• 申請日: 2020-10-14
• 公開（公告）號: CN112192573A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 王邢波;錢繼東
• 申請（專利權）人: 南京郵電大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;G05B13/02;G05B13/04
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，包括如下步驟：

步驟1：建立不確定性機器人的動力學模型；

步驟2：將不確定性機器人的動力學模型轉化為一般的狀態空間形式；

步驟3：定義跟蹤誤差，并將步驟二中的一般狀態空間形式轉化為關于誤差的狀態空間形式；

步驟4：利用反演法設計基于模型的控制器；

步驟5：引入Moore-Penrose逆，并設計控制律τ₀；

步驟6：在考慮動力學模型和外部擾動不確定的情況下，利用神經網絡設計自適應控制器。

2.根據權利要求1所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟1中不確定性機器人的動力學模型為：

其中，q，表示關節位置，速度和加速度；表示正定的慣性矩陣，為關節力或力矩；表示離心力項和科氏力項；表示重力項；J(q)為非奇異雅可比矩陣；表示外部干擾。

3.根據權利要求2所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟2中動力學模型轉化為一般的狀態空間形式為：

其中x₁＝q，

4.根據權利要求3所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟3中關于誤差的狀態空間形式為：

z₁＝x₁-α₁

z₂＝x₂-α₂

其中，α₁為機器人關節的理想軌跡，α₂為虛擬控制輸入。

5.根據權利要求4所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟4利用反演法設計基于模型的控制器，具體步驟如下：

選取Barrier李雅普諾夫函數:

其中，k_ci表示一個正常數且滿足|z_1i|k_ci,(i＝1,2,…,n)；

對V₁(t)求導可得：

其中，β_2i是一個虛擬控制輸入并且滿足以下等式關系：

其中，

利用反演法設計V₂(t)，可得：

對V₂(t)求導可得：

將誤差模型代入可得：

6.根據權利要求5所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟5引入Moore-Penrose逆，并設計控制律τ₀，具體如下：

當z₂＝[0,0,…,0]^T時，當z₂≠[0,0,…,0]^T時，設計控制律為

其中，K_p＝diag(k_p1,k_p2,…,k_pn)；K_p是一個正常數；

將上式代入中可得：

7.根據權利要求6所述的一種基于反演法的不確定性機器人自適應神經網絡控制方法，其特征在于，步驟6在考慮動力學模型和外部擾動不確定的情況下，利用神經網絡設計自適應控制器，具體如下：

其中，W＝[W₁,W₂,…,W_n]^T為神經網絡的權值；S_Z＝[S(Z)₁,S(Z)₂,…,S(Z)_n)]^T表示基礎函數；表示神經網絡的輸入；為估計誤差；

設計自適應律為：

其中，W_i^*分別為神經網絡的權值誤差，估計值，實際值；表示常數增益矩陣；σ_i0(i＝1,2,…,n)表示極小的正常數。

設計控制律：