机械臂外力的时延强跟踪Kalman估计与自学习控制

为了提高机械臂与环境交互过程中的接触力估计精度和关节控制精度,提出了基于时延强跟踪Kalman滤波的接触力估计方法和基于熵-自学习控制网络的关节角位置控制方法。建立了机械臂系统的关节驱动模型和动力学模型;基于时延估计理论,建立了4自由度机械臂系统的时延模型;在Kalman滤波中引入了渐消因子,使估计残差强行正交,从而提出了基于时延强跟踪Kalman的接触力估计方法。以接触力误差和关节位置误差为输入,以关节力矩为输出构建了自学习控制网络,并提出使用熵聚类确定网络结构和参数,从而设计了熵-自学习控制网络。经仿真验证,基于时延强跟踪Kalman的估计误差区间分布小于标准Kalman和文献[12]柔顺控制,且分布密度在0误差处极高;熵-自学习控制网络对期望轨迹的绝对跟踪误差和收敛时间远小于自学习控制网络和变阻抗阻尼控制。仿真结果验证了本文接触力估计方法和角位置控制方法的优越性。