基于模型分块逼近的三关节机器人鲁棒滑模控制

三关节机器人结构参数、作业环境的外界干扰及结构振动等不确定因素均会造成其动力学模型不确定,导致机器人关节位置镇定或轨迹跟踪控制器的设计具有一定的难度。为此,设计三个RBF(Radical Basis Function)神经网络分别对机器人不确定模型中的三个不确定项进行分块逼近,得到三个不确定项的估计信息,从而得出机器人估计模型,神经网络的权值采用适应算法。针对机器人估计模型设计鲁棒滑模控制律,其中鲁棒项用于克服神经网络建模误差。通过定义Lyapunov函数,证明了控制系统是稳定的。实验结果也表明了三关节均约在1s时达到期望位置或跟踪期望轨迹,位置镇定误差或轨迹跟踪误差也快速、稳定地趋于零。

模型分块逼近的RBF网络机械臂自适应控制

针对隧道掘进后期维护中喷涂机械臂的控制轨迹精确度不高的问题,研究了一类基于模型分块逼近的机械臂RBF网络自适应控制方法。通过RBF网络分别逼近机械臂动力学中的三个方程系数矩阵,设计自适应律,实现机械臂控制,并对系统的稳定性进行证明。仿真显示模型分块逼近的RBF网络自适应方法具有很好的轨迹跟踪特性。

基于RBF神经网络手术机器人从手控制系统研究

以手术机器人的从手为研究对象,使用径向基函数(RBF)神经网络对手术机器人从手进行基于模型分块逼近的自适应控制。针对手术机器人从手动力学模型建模不准确的问题,采用RBF神经网络分别对从手动力学模型中的3个系数矩阵分块逼近,计算出从手的精确动力学模型,同时动态调整控制律实现对系统的稳定自适应控制。在系统稳定性分析的基础上,进行了仿真实验。实验结果表明:该控制算法改进了系统控制性能,具有精度高、稳定性好、鲁棒性强的特点。