(2021年整理)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總

1、0200（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總編輯整理：尊敬的讀者朋友們：這里是精品文檔編輯中心，本文檔內(nèi)容是由我和我的同事精心編輯整理后發(fā)布的，發(fā)布之前我們對(duì)文中內(nèi)容進(jìn)行仔細(xì)校對(duì)，但是難免會(huì)有疏漏的地方，但是任然希望（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總）的內(nèi)容能夠給您的工作和學(xué)習(xí)帶來便利。同時(shí)也真誠(chéng)的希望收到您的建議和反饋，這將是我們進(jìn)步的源泉，前進(jìn)的動(dòng)力。本文可編輯可修改，如果覺得對(duì)您有幫助請(qǐng)收藏以便隨時(shí)查閱，最后祝您生活愉快業(yè)績(jī)進(jìn)步，以下為（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總的全部?jī)?nèi)容。（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總第一部分機(jī)器人手臂的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制機(jī)器人是一具有高度非線性

2、和不確定性的復(fù)雜系統(tǒng)，近年來各研究單位對(duì)機(jī)器人智能控制的研究非常熱門，并已取得相當(dāng)豐富的成果.機(jī)器人軌跡跟蹤控制系統(tǒng)的主要目的是通過給定各關(guān)節(jié)的驅(qū)動(dòng)力矩，使得機(jī)器人的位置、速度等狀態(tài)變量跟蹤給定的理想軌跡。與一般的機(jī)械系統(tǒng)一樣當(dāng)機(jī)器人的結(jié)構(gòu)及其機(jī)械參數(shù)確定后，其動(dòng)態(tài)特性將由動(dòng)力學(xué)方程即數(shù)學(xué)模型來描述。因此，可采用經(jīng)典控制理論的設(shè)計(jì)方法基于數(shù)學(xué)模型的方法設(shè)計(jì)機(jī)器人控制器。但是在實(shí)際工程中，由于機(jī)器人模型的不確定性，使得研究工作者很難得到機(jī)器人精確的數(shù)學(xué)模型.采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)對(duì)機(jī)器人動(dòng)力學(xué)方程中未知部分的精確逼近從而實(shí)現(xiàn)無需建模的控制。下面將討論如何利用自適應(yīng)神經(jīng)網(wǎng)絡(luò)和李雅普諾夫（Lya

3、punov）方法設(shè)計(jì)機(jī)器人手臂跟蹤控制的問題。1、控制對(duì)象描述：選二關(guān)節(jié)機(jī)器人力臂系統(tǒng)（圖1），其動(dòng)力學(xué)模型為：圖1二關(guān)節(jié)機(jī)器人力臂系統(tǒng)物理模型M(q)q+V(q,q)q+G(q)+F(q)+t=t(1)d其中M(q)=p+p+2pcosq1232p+pcosq232p+pcosq232V(q,q)=-pqsinq322pqsinq1-312-p(q+q)sinq3122、Pgcosq+pgcos(q+q)G(q)=41512Pgcos(q+q)512F(q)=0.02sgi(q)，t=0.2sin(t)0.2sin(t)T完整)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總l其中，q為關(guān)節(jié)轉(zhuǎn)動(dòng)角度向量,M(q)為2

4、乘2維正定慣性矩陣，V(q,q)為2乘2維向心哥氏力矩，G(q)為2維慣性矩陣，F(xiàn)(q)為2維摩擦力矩陣，T為未知有界的外加干擾，t為各個(gè)關(guān)節(jié)運(yùn)動(dòng)的轉(zhuǎn)矩向量，即控制輸入。已知機(jī)器人動(dòng)力學(xué)系統(tǒng)具有如下動(dòng)力學(xué)特性：特性1：慣量矩陣M(q)是對(duì)稱正定陣且有界；特性2：矩陣V(q，q)有界；特性3：M(q)-2C(q,q)是一個(gè)斜對(duì)稱矩陣，即對(duì)任意向量弓，有TOC o 1-5 h zgT(M(q)-2C(q,q)g=0(2)特性4:未知外加干擾Td滿足HTJI-bd，bd為正常數(shù).我們?nèi)J*p2,p3,p4,p)=b9，.7687,3.4，.87kgm2,兩個(gè)關(guān)節(jié)的位置指令分別為q=0.lsin(t

5、)，q=0.lcos(t)，即設(shè)計(jì)控制器驅(qū)動(dòng)兩關(guān)節(jié)電機(jī)使對(duì)應(yīng)的手1d2d臂段角度分別跟蹤這兩個(gè)位置指令.2、傳統(tǒng)控制器的設(shè)計(jì)及分析：定義跟蹤誤差為： HYPERLINK l bookmark12 e(t)=q(t)-q(t)(3)d定義誤差函數(shù)為：r=e+Ae(4)其中A=AT0.則q=-r+q+Aed (7)8)(9)go，即f對(duì)f的逼近精度及(完整)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總Mr=M(q-q+ae)=M(q+ae)-Mq=4(q+ae)+Vq+G+F+tt=M(q+ae)-Vr+V(q+ae)+G+F+t-t(5)ddd=Vr.-t+f+td其中，f為包含機(jī)器人模型信息的非線性函數(shù)。f表示為f

6、(x)=M(q+ae)+V(q+ae)+G+F(6)dd在實(shí)際工程中，M(q),V(qq),G(q)和F(q)往往很難得到精確的結(jié)果，導(dǎo)致模型不確定項(xiàng)f(x)為未知。為了設(shè)計(jì)控制器，需要對(duì)不確定項(xiàng)f(x)進(jìn)行逼近，假設(shè)f為f的逼近值.設(shè)計(jì)控制律為t=f+Krv將控制律式(7)代入式(5)，得Mr=-Vr-f-Kr+f+t一(K+V)r+f+t=-(K+V)r+gvdv0其中f為針對(duì)f的逼近誤差，f二f-f,g。=f+Td如果定義Lyapunov函數(shù)L=1rTMr2L=rrMr+-rrMr=-rKr+r(M-2V)r+rTg2v2oL=rrg-rrKrov這說明在K固定條件下，控制系統(tǒng)的穩(wěn)定依賴

7、于干擾Td的大小。完整)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總(15) 3、基于RBF神經(jīng)網(wǎng)絡(luò)逼近的機(jī)器人手臂控制采用RBF網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)不確定項(xiàng)匚的逼近。1)基于RBF網(wǎng)絡(luò)的逼近算法已經(jīng)證明，采用RBF網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)任意連續(xù)函數(shù)的精確逼近。因此，可以在RBF網(wǎng)絡(luò)結(jié)構(gòu)中，取X=Lxx為網(wǎng)絡(luò)的輸入向量設(shè)RBF網(wǎng)絡(luò)的徑向12n基向量H=h,，h】，其中h.為高斯基函數(shù)：1mjX-C2h=exp(川),j=12m.j2b2j其中網(wǎng)絡(luò)第/個(gè)結(jié)點(diǎn)的中心矢量為C=IC,，i=1,2,n。jj1jn假設(shè)存在權(quán)值W，逼近函數(shù)f(x)的理想RBF網(wǎng)絡(luò)輸出為：f=Wh(x)+e(x)10)11)其中W網(wǎng)絡(luò)的權(quán)向量，h=h,hh，e(

8、x)為逼近誤差，e(x)0. （完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總將式（11）、式（13）和式（15）代入式（5），得Mr=-（K+V）r+Wy（x）+（+t）+v=-（K+V）rd+g(17)vm1其中g(shù)=WTh(x)+(8+t)+v,1d將魯棒項(xiàng)v設(shè)計(jì)為:v為用于克服神經(jīng)網(wǎng)絡(luò)逼近誤差和干擾Td的魯棒項(xiàng)。其中sgn為符號(hào)函數(shù)v=-(e+b)sgn(r)Nd18)sgn(r)=(19)3）.穩(wěn)定性及收斂性分析針對(duì)n個(gè)關(guān)節(jié)的神經(jīng)網(wǎng)絡(luò)控制，定義Lyapunov函數(shù)為:L=-rTMr+-tr(WtF-iW)2220)其中tr（）為矩陣的跡，其定義為：設(shè)A是n階方陣，則稱A的主對(duì)角元素的和為A的跡，記作tr

9、（A）。則L=rTMr+2rTMr+tr(wtf-iW)將式（17）代入上式，得L=-rTKr+1r（M一2V）r+trWTC-iW+hrtIrT（s+t+v）v2md將式（2）和式（16）代入上式，得L=-rTKr+rT（+t+v）vd下面分兩種情況進(jìn)行討論。.（1）不考慮魯棒項(xiàng)，取v=0，貝I(21)L=-rTKr+r(+t)-K|r|I2+C+b)IrllvdvminHNd111如果要使L(e+b)/KNdvmin22)(完整)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總?cè)绻麧M足L0，且M(q)有界，則由L表達(dá)式可知，r(t)、W和W都有界。由r(t)有界可知，跟蹤誤差e(t)及其導(dǎo)數(shù)e(t)都有界，從而q和

10、q有界，且跟蹤誤差e(t)及其導(dǎo)數(shù)e(t)的收斂值隨神經(jīng)網(wǎng)絡(luò)逼近誤差上界8和干擾上界bNd的增大而增大，并可通過增大K的值達(dá)到任意小.v(2)考慮魯棒項(xiàng)，v取式(18)，則rT(+t+v)=rT(+t)+rTv=rT(s+tdddLrTKr0，且M(q)有界，則r(t)、W和W為有界由于L=-2rtKr，v(17)的右邊信號(hào)都有界，則r有界，L有界，則根據(jù)Barbalat引理，)-rC+b)-c(:jj)2/(b*：b)J；fa2(J)=e3jp(-norm.(2(2)-cC：,j)2/Cb*b):endF=25*eye(2):fori=L:1modeSVS(i)=F(1,1)thl;恐(i+

11、no氐)二F2)*h2i)*r;end逼近效果如下圖，由圖可以看出開始階段擬合誤差較大，但隨著時(shí)間的增大，RBF網(wǎng)絡(luò)能夠較好地?cái)M合原函數(shù),即使原函數(shù)很復(fù)雜,通過調(diào)整參數(shù)，逼近效果會(huì)更好。完整)機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總 數(shù)函的近逼FT與數(shù)函原對(duì)兩個(gè)關(guān)節(jié)的位置指令分別為q=Osin(t),q=O.lcos(t)跟蹤效果如下1d2d圖所示,開始時(shí)有一定的誤差，但穩(wěn)定后能無靜差跟蹤,效果很好。完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總 0.15位置指令5跟蹤曲線)cnio_d跟置位hqp關(guān)-O51000跟置位關(guān)5000-0.152410121405a-0.2068時(shí)間(s)i （完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總第二部分對(duì)

12、自適應(yīng)神經(jīng)網(wǎng)絡(luò)的理解與體會(huì)本門課程是繼線性系統(tǒng)后的一門比較理論的關(guān)于控制理論的課程，與線性系統(tǒng)不同的是自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制研究的對(duì)象更多的是非線性、參數(shù)未知、模型未知的復(fù)雜系統(tǒng),經(jīng)典的控制方法在面對(duì)這樣的系統(tǒng)時(shí)顯得非常乏力,于是自適應(yīng)控制、學(xué)習(xí)控制、智能控制如神經(jīng)網(wǎng)絡(luò)遺傳算法等就大有用武之地了。通過本門課程的學(xué)習(xí)我學(xué)到了backstepping方法，神經(jīng)網(wǎng)絡(luò)控制方法，通過嚴(yán)格的公式推導(dǎo)出神經(jīng)網(wǎng)絡(luò)的控制思想還是挺有趣味與吸引力的，循序漸進(jìn)的過程讓我懂得了虛擬控制、匹配條件、延遲參數(shù)設(shè)計(jì)等概念，不管以后自己是否走理論研究這條道路,我感覺在這么短的時(shí)間內(nèi)學(xué)到的這些知識(shí)還是很有價(jià)值的.下面對(duì)我學(xué)到的一些

13、知識(shí)進(jìn)行簡(jiǎn)要的總結(jié)：自適應(yīng)控制的研究對(duì)象是具有不確定性的系統(tǒng)，這里所指的“不確定性”是指被控對(duì)象及其環(huán)境的數(shù)學(xué)模型不是完全確定的。對(duì)于具有較強(qiáng)不確定性的被控系統(tǒng)，如何設(shè)計(jì)一個(gè)滿意的控制器，就是自適應(yīng)控制所要研究的問題。參照在日常主活中生物能夠通過自覺調(diào)整自身參數(shù)改變自己的習(xí)性，以適應(yīng)新的環(huán)境特性，從而提出了自適應(yīng)控制器的設(shè)想。自適應(yīng)控制器應(yīng)能夠及時(shí)修正自己的特性以適應(yīng)對(duì)象和擾動(dòng)的動(dòng)態(tài)特性變化，使整個(gè)控制系統(tǒng)始終獲得滿意的性能。因此，自適應(yīng)控制方法就是依靠不斷采集的控制過程信息，確定被控對(duì)象的當(dāng)前實(shí)際工作狀態(tài)，根據(jù)一定的性能準(zhǔn)則，產(chǎn)生合適的自適應(yīng)控制規(guī)律，從而實(shí)時(shí)地調(diào)整控制器結(jié)構(gòu)或參數(shù)，使系統(tǒng)始

14、終自動(dòng)地工作在最優(yōu)或次最優(yōu)的運(yùn)行狀態(tài)下。自適應(yīng)控制是現(xiàn)代控制的重要組成都分,它同一般反饋控制相比具有如下特點(diǎn)：（1）一般反饋控制主要適用于確定性對(duì)象或可以預(yù)知的對(duì)象,而自適應(yīng)控制主要研究具有不確定性的對(duì)象或難以確知的對(duì)象。（2）一般反饋控制具有較強(qiáng)的抗干擾能力，能夠消除狀態(tài)擾動(dòng)所引起的系統(tǒng)誤差；而自適應(yīng)控制由于具有辨識(shí)對(duì)象和在線修改參數(shù)的能力,因而不僅能消除狀態(tài)擾動(dòng)引起的系統(tǒng)誤差，而且還能消除系統(tǒng)結(jié)構(gòu)擾動(dòng)引起的系統(tǒng)誤差。（3）一般反饋控制系統(tǒng)的設(shè)計(jì)必須依賴系統(tǒng)特性的數(shù)學(xué)模型及其環(huán)境變化狀況，而自適應(yīng)控制系統(tǒng)設(shè)計(jì)則對(duì)數(shù)學(xué)模型的依賴很小，僅需要較少的驗(yàn)前知識(shí)，但自適應(yīng)控制的實(shí)現(xiàn)往往更多地依靠計(jì)算機(jī)

15、技術(shù).（4）自適應(yīng)控制是較為復(fù)雜的反饋控制，它在一般反饋控制的基礎(chǔ)上增加了自適應(yīng)控制環(huán)節(jié)或系統(tǒng)參數(shù)辨識(shí)器，另外還附加了一個(gè)可調(diào)系統(tǒng)。Backstepping設(shè)計(jì)方法是針對(duì)不確定性系統(tǒng)的一種系統(tǒng)化的控制器綜合方法，是將Lyapunov函數(shù)的選取與控制器的設(shè)計(jì)相結(jié)合的一種回歸設(shè)計(jì)方法。在（完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總處理線性和某些非線性系統(tǒng)時(shí)，該方法在改善過渡過程品質(zhì)方面展現(xiàn)出較大的潛力，應(yīng)用在機(jī)器人控制、電機(jī)控制、液壓控制、船舶控制等許多控制領(lǐng)域。Backstepping的具體的基本設(shè)計(jì)思想是將復(fù)雜的非線性系統(tǒng)分解成不超過系統(tǒng)階數(shù)的子系統(tǒng),然后單獨(dú)設(shè)計(jì)每個(gè)子系統(tǒng)的部分Lyapunov函數(shù),在保證

16、子系統(tǒng)具有一定收斂性的基礎(chǔ)上獲得子系統(tǒng)的虛擬控制律，在下一個(gè)子系統(tǒng)的設(shè)計(jì)中,將上一個(gè)子系統(tǒng)的虛擬控制律作為這個(gè)子系統(tǒng)的跟蹤目標(biāo)。相似于上個(gè)子系統(tǒng)的設(shè)計(jì)，獲得該子系統(tǒng)的虛擬控制律；以此類推，最終獲得整個(gè)閉環(huán)系統(tǒng)的實(shí)際控制律，且結(jié)合Lyapunov穩(wěn)定性分析方法來保證閉環(huán)系統(tǒng)的收斂性。Backstepping可用來設(shè)計(jì)控制方案以滿足三角結(jié)構(gòu)單輸入單輸出非線性系統(tǒng)的匹配條件。Backstepping設(shè)計(jì)方法之所以受到國(guó)內(nèi)外學(xué)者的極大關(guān)注，主要原因?yàn)樵摲椒ㄈ∠讼到y(tǒng)不確定性滿足匹配條件的約束，從而解決了相對(duì)復(fù)雜的非線性系統(tǒng)的控制問題。在現(xiàn)實(shí)世界中，存在大量非線性系統(tǒng)具有（或者可以經(jīng)過微分同胚變換成）嚴(yán)

17、格反饋等規(guī)范型；該方法為復(fù)雜非線系統(tǒng)的Lyapunov函數(shù)設(shè)計(jì)提供了較為簡(jiǎn)單的結(jié)構(gòu)化、系統(tǒng)化方法，解決了一直以來具有嚴(yán)格反饋等結(jié)構(gòu)的非線性系統(tǒng)穩(wěn)定性分析和控制器設(shè)計(jì)的難題。自適應(yīng)backstepping設(shè)計(jì)方法發(fā)展的初級(jí)階段,要求系統(tǒng)不確定性能夠線性參數(shù)化.隨著神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)等智能控制技術(shù)的不斷發(fā)展，很好地取消了自適應(yīng)backstepping設(shè)計(jì)所需的該約束條件，從而使得backstepping技術(shù)獲得了很大的發(fā)展空間。特別是神經(jīng)網(wǎng)絡(luò)和自適應(yīng)技術(shù)的引入,極大地推廣了backstepping方法的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)利用物理器件來模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能.下圖是最典型的人工神經(jīng)元模型，

18、它是大多數(shù)神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。wji代表神經(jīng)元i與神經(jīng)元j之間的連接強(qiáng)度（模擬生物神經(jīng)元之間突觸連接強(qiáng)度），稱之為連接權(quán)；代表神經(jīng)元i的活躍值，即神經(jīng)元狀態(tài)完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總 代表神經(jīng)元j的輸出，即是神經(jīng)元i的一個(gè)輸入;在MP模型中，f定義為階跳函數(shù):代表神經(jīng)元的闡值。1,u0vf(u)=4ii=i0,UW0V,.i函數(shù)f表達(dá)了神經(jīng)元的輸入輸出特性。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)并行與分布式的信息處理網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)一般由許多個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元由一個(gè)單一的輸出，它可以連接到許多其他的神經(jīng)元，其輸出有多個(gè)連接通路，每個(gè)連接通路對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。嚴(yán)格來說，神經(jīng)網(wǎng)絡(luò)是一個(gè)具有如下性質(zhì)的有向

19、圖.（1）對(duì)于每個(gè)結(jié)點(diǎn)有一個(gè)狀態(tài)變量x;j（2）結(jié)點(diǎn)i到結(jié)點(diǎn)j有一個(gè)連接權(quán)系數(shù)w；ji（3）對(duì)于每個(gè)結(jié)點(diǎn)有一個(gè)閾值9；j（4）對(duì)于每個(gè)結(jié)點(diǎn)定義一個(gè)變換函數(shù)fx,w,9（i豐j），最常見的情形為iijijfCwx-9）。jiiji下圖表示了一個(gè)典型的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)涉及到各個(gè)領(lǐng)域，且取得了很大的進(jìn)展。 （完整）機(jī)器人神經(jīng)網(wǎng)絡(luò)控制匯總機(jī)器人控制:對(duì)機(jī)器人軌道控制，操作機(jī)器人眼手系統(tǒng)，用于機(jī)械手的故障診斷及排除，智能自適應(yīng)移動(dòng)機(jī)器人的導(dǎo)航，視覺系統(tǒng)。自動(dòng)控制領(lǐng)域：主要有系統(tǒng)建模和辨識(shí)，參數(shù)整定，極點(diǎn)配置，內(nèi)?？刂疲瑑?yōu)化設(shè)計(jì),預(yù)測(cè)控制，最優(yōu)控制，濾波與預(yù)測(cè)容錯(cuò)控制等。處理組合優(yōu)化問

20、題:成功解決了旅行商問題，另外還有最大匹配問題,裝箱問題和作業(yè)調(diào)度問題。模式識(shí)別:手寫字符,汽車牌照，指紋和聲音識(shí)別，還可用于目標(biāo)的自動(dòng)識(shí)別，目標(biāo)跟蹤，機(jī)器人傳感器圖像識(shí)別及地震信號(hào)的鑒別。第三部分對(duì)研究的認(rèn)識(shí)和感想麻省理工大學(xué)人工智能實(shí)驗(yàn)室關(guān)于做研究的看法告訴我們?nèi)绾巫鲅芯?，為我們提供的?duì)做研究本身（閱讀、寫作和程序設(shè)計(jì)）、理解研究過程以及開始熱愛研究（方法論、選題、選導(dǎo)師和情感因素）建議都很有參考意義的。想想自己的學(xué)習(xí)研究方法，頗感差距與惋惜.我將自己的研究方向定位為應(yīng)用型研究，認(rèn)為閱讀參考文獻(xiàn)、寫作不那么重要,但真的是這樣的嗎！現(xiàn)在不培養(yǎng)好的研究習(xí)慣甚至連研究總結(jié)都不重視的話,這條路能走多遠(yuǎn)?閱讀書籍進(jìn)行的是