(2021年整理)機器人神經(jīng)網(wǎng)絡控制匯總

1、0200（完整）機器人神經(jīng)網(wǎng)絡控制匯總（完整）機器人神經(jīng)網(wǎng)絡控制匯總編輯整理：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)布之前我們對文中內(nèi)容進行仔細校對，但是難免會有疏漏的地方，但是任然希望（完整）機器人神經(jīng)網(wǎng)絡控制匯總）的內(nèi)容能夠給您的工作和學習帶來便利。同時也真誠的希望收到您的建議和反饋，這將是我們進步的源泉，前進的動力。本文可編輯可修改，如果覺得對您有幫助請收藏以便隨時查閱，最后祝您生活愉快業(yè)績進步，以下為（完整）機器人神經(jīng)網(wǎng)絡控制匯總的全部內(nèi)容。（完整）機器人神經(jīng)網(wǎng)絡控制匯總第一部分機器人手臂的自適應神經(jīng)網(wǎng)絡控制機器人是一具有高度非線性

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

3、punov）方法設計機器人手臂跟蹤控制的問題。1、控制對象描述：選二關節(jié)機器人力臂系統(tǒng)（圖1），其動力學模型為：圖1二關節(jié)機器人力臂系統(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)機器人神經(jīng)網(wǎng)絡控制匯總l其中，q為關節(jié)轉(zhuǎn)動角度向量,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為各個關節(jié)運動的轉(zhuǎn)矩向量，即控制輸入。已知機器人動力學系統(tǒng)具有如下動力學特性：特性1：慣量矩陣M(q)是對稱正定陣且有界；特性2：矩陣V(q，q)有界；特性3：M(q)-2C(q,q)是一個斜對稱矩陣，即對任意向量弓，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，.87kgm2,兩個關節(jié)的位置指令分別為q=0.lsin(t

5、)，q=0.lcos(t)，即設計控制器驅(qū)動兩關節(jié)電機使對應的手1d2d臂段角度分別跟蹤這兩個位置指令.2、傳統(tǒng)控制器的設計及分析：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f的逼近精度及(完整)機器人神經(jīng)網(wǎng)絡控制匯總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，導致模型不確定項f(x)為未知。為了設計控制器，需要對不確定項f(x)進行逼近，假設f為f的逼近值.設計控制律為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)機器人神經(jīng)網(wǎng)絡控制匯總(15) 3、基于RBF神經(jīng)網(wǎng)絡逼近的機器人手臂控制采用RBF網(wǎng)絡實現(xiàn)對不確定項匚的逼近。1)基于RBF網(wǎng)絡的逼近算法已經(jīng)證明，采用RBF網(wǎng)絡可以實現(xiàn)對任意連續(xù)函數(shù)的精確逼近。因此，可以在RBF網(wǎng)絡結(jié)構(gòu)中，取X=Lxx為網(wǎng)絡的輸入向量設RBF網(wǎng)絡的徑向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)絡第/個結(jié)點的中心矢量為C=IC,，i=1,2,n。jj1jn假設存在權值W，逼近函數(shù)f(x)的理想RBF網(wǎng)絡輸出為：f=Wh(x)+e(x)10)11)其中W網(wǎng)絡的權向量，h=h,hh，e(

8、x)為逼近誤差，e(x)0. （完整）機器人神經(jīng)網(wǎng)絡控制匯總將式（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=WTh(x)+(8+t)+v,1d將魯棒項v設計為:v為用于克服神經(jīng)網(wǎng)絡逼近誤差和干擾Td的魯棒項。其中sgn為符號函數(shù)v=-(e+b)sgn(r)Nd18)sgn(r)=(19)3）.穩(wěn)定性及收斂性分析針對n個關節(jié)的神經(jīng)網(wǎng)絡控制，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A是n階方陣，則稱A的主對角元素的和為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下面分兩種情況進行討論。.（1）不考慮魯棒項，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)機器人神經(jīng)網(wǎng)絡控制匯總?cè)绻麧M足L0，且M(q)有界，則由L表達式可知，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)及其導數(shù)e(t)的收斂值隨神經(jīng)網(wǎng)絡逼近誤差上界8和干擾上界bNd的增大而增大，并可通過增大K的值達到任意小.v(2)考慮魯棒項，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，但隨著時間的增大，RBF網(wǎng)絡能夠較好地擬合原函數(shù),即使原函數(shù)很復雜,通過調(diào)整參數(shù)，逼近效果會更好。完整)機器人神經(jīng)網(wǎng)絡控制匯總 數(shù)函的近逼FT與數(shù)函原對兩個關節(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,開始時有一定的誤差，但穩(wěn)定后能無靜差跟蹤,效果很好。完整）機器人神經(jīng)網(wǎng)絡控制匯總 0.15位置指令5跟蹤曲線)cnio_d跟置位hqp關-O51000跟置位關5000-0.152410121405a-0.2068時間(s)i （完整）機器人神經(jīng)網(wǎng)絡控制匯總第二部分對

12、自適應神經(jīng)網(wǎng)絡的理解與體會本門課程是繼線性系統(tǒng)后的一門比較理論的關于控制理論的課程，與線性系統(tǒng)不同的是自適應神經(jīng)網(wǎng)絡控制研究的對象更多的是非線性、參數(shù)未知、模型未知的復雜系統(tǒng),經(jīng)典的控制方法在面對這樣的系統(tǒng)時顯得非常乏力,于是自適應控制、學習控制、智能控制如神經(jīng)網(wǎng)絡遺傳算法等就大有用武之地了。通過本門課程的學習我學到了backstepping方法，神經(jīng)網(wǎng)絡控制方法，通過嚴格的公式推導出神經(jīng)網(wǎng)絡的控制思想還是挺有趣味與吸引力的，循序漸進的過程讓我懂得了虛擬控制、匹配條件、延遲參數(shù)設計等概念，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間內(nèi)學到的這些知識還是很有價值的.下面對我學到的一些

13、知識進行簡要的總結(jié)：自適應控制的研究對象是具有不確定性的系統(tǒng)，這里所指的“不確定性”是指被控對象及其環(huán)境的數(shù)學模型不是完全確定的。對于具有較強不確定性的被控系統(tǒng)，如何設計一個滿意的控制器，就是自適應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)改變自己的習性，以適應新的環(huán)境特性，從而提出了自適應控制器的設想。自適應控制器應能夠及時修正自己的特性以適應對象和擾動的動態(tài)特性變化，使整個控制系統(tǒng)始終獲得滿意的性能。因此，自適應控制方法就是依靠不斷采集的控制過程信息，確定被控對象的當前實際工作狀態(tài)，根據(jù)一定的性能準則，產(chǎn)生合適的自適應控制規(guī)律，從而實時地調(diào)整控制器結(jié)構(gòu)或參數(shù)，使系統(tǒng)始

14、終自動地工作在最優(yōu)或次最優(yōu)的運行狀態(tài)下。自適應控制是現(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：（1）一般反饋控制主要適用于確定性對象或可以預知的對象,而自適應控制主要研究具有不確定性的對象或難以確知的對象。（2）一般反饋控制具有較強的抗干擾能力，能夠消除狀態(tài)擾動所引起的系統(tǒng)誤差；而自適應控制由于具有辨識對象和在線修改參數(shù)的能力,因而不僅能消除狀態(tài)擾動引起的系統(tǒng)誤差，而且還能消除系統(tǒng)結(jié)構(gòu)擾動引起的系統(tǒng)誤差。（3）一般反饋控制系統(tǒng)的設計必須依賴系統(tǒng)特性的數(shù)學模型及其環(huán)境變化狀況，而自適應控制系統(tǒng)設計則對數(shù)學模型的依賴很小，僅需要較少的驗前知識，但自適應控制的實現(xiàn)往往更多地依靠計算機

15、技術.（4）自適應控制是較為復雜的反饋控制，它在一般反饋控制的基礎上增加了自適應控制環(huán)節(jié)或系統(tǒng)參數(shù)辨識器，另外還附加了一個可調(diào)系統(tǒng)。Backstepping設計方法是針對不確定性系統(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計相結(jié)合的一種回歸設計方法。在（完整）機器人神經(jīng)網(wǎng)絡控制匯總處理線性和某些非線性系統(tǒng)時，該方法在改善過渡過程品質(zhì)方面展現(xiàn)出較大的潛力，應用在機器人控制、電機控制、液壓控制、船舶控制等許多控制領域。Backstepping的具體的基本設計思想是將復雜的非線性系統(tǒng)分解成不超過系統(tǒng)階數(shù)的子系統(tǒng),然后單獨設計每個子系統(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上獲得子系統(tǒng)的虛擬控制律，在下一個子系統(tǒng)的設計中,將上一個子系統(tǒng)的虛擬控制律作為這個子系統(tǒng)的跟蹤目標。相似于上個子系統(tǒng)的設計，獲得該子系統(tǒng)的虛擬控制律；以此類推，最終獲得整個閉環(huán)系統(tǒng)的實際控制律，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可用來設計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設計方法之所以受到國內(nèi)外學者的極大關注，主要原因為該方法取消了系統(tǒng)不確定性滿足匹配條件的約束，從而解決了相對復雜的非線性系統(tǒng)的控制問題。在現(xiàn)實世界中，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

17、格反饋等規(guī)范型；該方法為復雜非線系統(tǒng)的Lyapunov函數(shù)設計提供了較為簡單的結(jié)構(gòu)化、系統(tǒng)化方法，解決了一直以來具有嚴格反饋等結(jié)構(gòu)的非線性系統(tǒng)穩(wěn)定性分析和控制器設計的難題。自適應backstepping設計方法發(fā)展的初級階段,要求系統(tǒng)不確定性能夠線性參數(shù)化.隨著神經(jīng)網(wǎng)絡與模糊系統(tǒng)等智能控制技術的不斷發(fā)展，很好地取消了自適應backstepping設計所需的該約束條件，從而使得backstepping技術獲得了很大的發(fā)展空間。特別是神經(jīng)網(wǎng)絡和自適應技術的引入,極大地推廣了backstepping方法的應用。人工神經(jīng)網(wǎng)絡利用物理器件來模擬生物神經(jīng)網(wǎng)絡的某些結(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)絡模型的基礎。wji代表神經(jīng)元i與神經(jīng)元j之間的連接強度（模擬生物神經(jīng)元之間突觸連接強度），稱之為連接權；代表神經(jīng)元i的活躍值，即神經(jīng)元狀態(tài)完整）機器人神經(jīng)網(wǎng)絡控制匯總 代表神經(jīng)元j的輸出，即是神經(jīng)元i的一個輸入;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表達了神經(jīng)元的輸入輸出特性。人工神經(jīng)網(wǎng)絡是一個并行與分布式的信息處理網(wǎng)絡結(jié)構(gòu)，該網(wǎng)絡結(jié)構(gòu)一般由許多個神經(jīng)元組成，每個神經(jīng)元由一個單一的輸出，它可以連接到許多其他的神經(jīng)元，其輸出有多個連接通路，每個連接通路對應一個連接權系數(shù)。嚴格來說，神經(jīng)網(wǎng)絡是一個具有如下性質(zhì)的有向

19、圖.（1）對于每個結(jié)點有一個狀態(tài)變量x;j（2）結(jié)點i到結(jié)點j有一個連接權系數(shù)w；ji（3）對于每個結(jié)點有一個閾值9；j（4）對于每個結(jié)點定義一個變換函數(shù)fx,w,9（i豐j），最常見的情形為iijijfCwx-9）。jiiji下圖表示了一個典型的前饋神經(jīng)網(wǎng)絡結(jié)構(gòu)。神經(jīng)網(wǎng)絡的應用已經(jīng)涉及到各個領域，且取得了很大的進展。 （完整）機器人神經(jīng)網(wǎng)絡控制匯總機器人控制:對機器人軌道控制，操作機器人眼手系統(tǒng)，用于機械手的故障診斷及排除，智能自適應移動機器人的導航，視覺系統(tǒng)。自動控制領域：主要有系統(tǒng)建模和辨識，參數(shù)整定，極點配置，內(nèi)?？刂疲瑑?yōu)化設計,預測控制，最優(yōu)控制，濾波與預測容錯控制等。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。模式識別:手寫字符,汽車牌照，指紋和聲音識別，還可用于目標的自動識別，目標跟蹤，機器人傳感器圖像識別及地震信號的鑒別。第三部分對研究的認識和感想麻省理工大學人工智能實驗室關于做研究的看法告訴我們?nèi)绾巫鲅芯浚瑸槲覀兲峁┑膶ψ鲅芯勘旧恚ㄩ喿x、寫作和程序設計）、理解研究過程以及開始熱愛研究（方法論、選題、選導師和情感因素）建議都很有參考意義的。想想自己的學習研究方法，頗感差距與惋惜.我將自己的研究方向定位為應用型研究，認為閱讀參考文獻、寫作不那么重要,但真的是這樣的嗎！現(xiàn)在不培養(yǎng)好的研究習慣甚至連研究總結(jié)都不重視的話,這條路能走多遠?閱讀書籍進行的是