一种神经网络自适应鲁棒轨迹跟踪方法及控制器的制造方法
【技术领域】
[0001] 本发明属于机器人轨迹跟踪控制技术领域，涉及一种神经网络自适应鲁棒轨迹跟 踪方法及控制器。
【背景技术】
[0002] 当机器人的结构确定及参数已知时，可以通过动力学模型描述系统完整的动态特 性，从而应用各种自动控制理论，设计基于模型的控制器，实现机器人的轨迹跟踪控制，使 得机器人的位置、速度以及加速度等变量具有理想的跟踪状态。然而，机器人动力学实际上 是具有高度非线性及不确定性的系统。因此对系统非线性不确定性的处理是机器人轨迹跟 踪控制中非常关键的研宄内容。
[0003] 针对机器人具有建模误差、外部扰动以及负载变化等不确定性问题，主要有两种 基本的解决方案，分别为自适应控制法和鲁棒控制法。自适应控制的最大优点是能够根据 被控对象的参数变化以及实际输出情况进行辨识、学习，从而对控制律结构和参数做出调 整，实现一定的控制性能指标。但这种在线辨识方式计算量庞大，实时性要求高，对于存在 非参数不确定性的复杂系统，自适应控制不能保证系统的稳定性；鲁棒控制法则能以固定 结构和参数的控制器，保证系统在不确定性破坏最严重时，仍能满足设计要求，保证系统的 稳定性和动态性能。但其没有学习能力和适应能力，从而使得鲁棒控制并不能取得最佳的 控制效果。
【发明内容】
[0004] 本发明实施例提供一种神经网络自适应鲁棒轨迹跟踪方法及控制器，以解决现有 的机器人轨迹跟踪控制技术的稳定性差及控制效果差的问题。
[0005] 本发明的第一方面提供一种神经网络自适应鲁棒轨迹跟踪控制方法，包括：
[0006] 获得比例微分控制器ro控制器，根据获得的ro控制器获得轨迹跟踪系统的标称 部分；
[0007] 基于径向基函数神经网络获得所述轨迹跟踪系统的不确定项；
[0008] 获得自适应鲁棒控制器，通过所述自适应鲁棒控制器调整所述轨迹跟踪系统的不 确定项的不确定上界值；
[0009] 根据所述标称部分、所述不确定项及所述不确定项的不确定上界值，获得总控制 输入，根据所述总控制输入获得实际输出轨迹。
[0010] 根据第一方面，在第一种可能的实现方式中，所述基于径向基函数神经网络获得 所述轨迹跟踪系统的不确定项包括：
[0011] 所述轨迹跟踪系统的不确定项如公式1
[0012] fix) = Miqil+^ + Ciqil+J\e) V G (公式 1)
[0013] 其中，所述轨迹跟踪系统为η自由度刚性连杆不确定机器人系统的动力学模型， 即
[0014] M (q)c/ + C(q, i})q + G{q) - τ + d
[0015] 其中，q，村P々分别为机器人各个关节的位置、速度、加速度矢量，M(q) e Rnxn为 正定对称的惯量矩阵，CU/.We/T为哥氏力和离心力矢量，G(q) ￡1^表示重力矢量，τ为 各关节的控制输入力矩，d为外部扰动项；f(x)的估计如公式2，
[0016] /(.V) = W1 φ(χ) + β (公式 2)
[0017] 其中，#为神经网络权值矩阵，Φ (X)是神经网络的偏置函数。
[0018] 根据第一方面，在第二种可能的实现方式中，所述获得自适应鲁棒控制器，通过所 述自适应鲁棒控制器调整所述轨迹跟踪系统的不确定项，包括：
[0019] 鲁棒控制器如公式3
【主权项】
1. 一种神经网络自适应鲁棒轨迹跟踪控制方法，其特征在于，包括： 获得比例微分控制器ro控制器，根据获得的ro控制器获得轨迹跟踪系统的标称部 分； 基于径向基函数神经网络获得所述轨迹跟踪系统的不确定项； 获得自适应鲁棒控制器，通过所述自适应鲁棒控制器调整所述轨迹跟踪系统的不确定 项的不确定上界值； 根据所述标称部分、所述不确定项及所述不确定项的不确定上界值，获得总控制输入， 根据所述总控制输入获得实际输出轨迹。
2. 根据权利要求1所述的方法，其特征在于，所述基于径向基函数神经网络获得所述 轨迹跟踪系统的不确定项包括： 所述轨迹跟踪系统的不确定项如公式1，
其中，所述轨迹跟踪系统为n自由度刚性连杆不确定机器人系统的动力学模型，即
其中，q，4和#分别为机器人各个关节的位置、速度、加速度矢量，M(q)ERnXn为正定 对称的惯量矩阵，为哥氏力和尚心力矢量，G(q)GRn表不重力矢量，t为各关 节的控制输入力矩，d为外部扰动项；f(x)的估计如公式2，
其中，#为神经网络权值矩阵，(x)是神经网络的偏置函数。
3. 根据权利要求1所述的方法，其特征在于，所述获得自适应鲁棒控制器，通过所述自 适应鲁棒控制器调整所述轨迹跟踪系统的不确定项，包括： 鲁棒控制器如公式3，
其中，％是一个很小的正常数，0定义如公式4， 13 =Sy (公式 4) 其中，S=max(l, | |e| |，| |e| |2)，y表示不确定的上界值，
其中，Y是正定常数矩阵，# =々一#， 自适应鲁棒控制器^可以描述为公式6。
4. 根据权利要求1所述的方法，其特征在于，所述根据所述标称部分、所述不确定项及 所述不确定项的不确定上界值，获得控制输入力矩，根据所述控制输入力矩获得实际输出 轨迹包括： 控制输入力矩如公式7，
其中，沿=尺(d+Ae)为PD控制器，/ = #W(x)是用于辨识模型不确定项，即神经网络 逼近的部分，W*是神经网络的最优权值也就是理想权值，#是r的估计值； 神经网络权值调节律如公式8，
其中，N?II代表向量的Euclidean范数，n为正定常数矩阵。
5. -种轨迹跟踪控制器，其特征在于，包括： ro控制器，用于获得轨迹跟踪系统的标称部分； 径向基函数神经网络，用于获得所述轨迹跟踪系统的不确定项； 自适应鲁棒控制器，用于调整所述轨迹跟踪系统的不确定项； 输出单元，根据所述标称部分、所述不确定项及所述不确定项的不确定上界值，获得总 控制输入，根据所述总控制输入获得实际输出轨迹。
6. 根据权利要求5所述的轨迹跟踪控制器，其特征在于，所述基于径向基函数神经网 络获得所述轨迹跟踪系统的不确定项包括： 所述轨迹跟踪系统的不确定项如公式9，
其中，所述轨迹跟踪系统为n自由度刚性连杆不确定机器人系统的动力学模型，即
其中，q，9和9分别为机器人各个关节的位置、速度、加速度矢量，M(q)ERnXn为正定 对称的惯量矩阵，为哥氏力和尚心力矢量，G(q)GRn表不重力矢量，t为各关 节的控制输入力矩，d为外部扰动项；f(x)的估计如公式10，
其中，r为神经网络权值矩阵，巾（x)是神经网络的偏置函数。
7. 根据权利要求5所述的轨迹跟踪控制器，其特征在于， 鲁棒控制器如公式11，
其中，％是一个很小的正常数，0定义如公式12， 0 =Sy (公式 12) 其中，S=max(l, | |e| |，| |e| |2)，y表示不确定的上界值，
其中，Y是正定常数矩阵，A=A一乂、 自适应鲁棒控制器\可以描述为公式14。
8.根据权利要求1所述的轨迹跟踪控制器，其特征在于，所述根据所述标称部分、所述 不确定项及所述不确定项的不确定上界值，获得控制输入力矩，根据所述控制输入力矩获 得实际输出轨迹包括： 控制输入力矩如公式15，
其中，心=+为PD控制器，/ = #辦x)是用于辨识模型不确定项，即神经网络 逼近的部分，W*是神经网络的最优权值也就是理想权值，#是r的估计值； 神经网络权值调节律如公式16，
其中，N?II代表向量的Euclidean范数，n为正定常数矩阵。
【专利摘要】本发明实施例公开一种神经网络自适应鲁棒轨迹跟踪方法及控制器，应用于机器人轨迹跟踪控制技术领域，以解决现有的机器人轨迹跟踪控制技术的稳定性差及控制效果差的问题。该方法包括：获得比例微分控制器PD控制器，根据获得的PD控制器获得轨迹跟踪系统的标称部分；基于径向基函数神经网络获得所述轨迹跟踪系统的不确定项；获得自适应鲁棒控制器，通过所述自适应鲁棒控制器调整所述轨迹跟踪系统的不确定项；根据所述标称部分、所述不确定项及所述不确定项的不确定上界值，获得总控制输入，根据所述总控制输入获得实际输出轨迹。
【IPC分类】G05B13-04
【公开号】CN104808487
【申请号】CN201510094480
【发明人】王三秀
【申请人】台州学院
【公开日】2015年7月29日
【申请日】2015年3月3日