基于神經(jīng)網(wǎng)絡(luò)的剛-柔關(guān)節(jié)機器人自適應(yīng)反步控制.pdf

1、機器人是一個具有時變、強耦合特性的復(fù)雜多輸入多輸出非線性系統(tǒng)，如果考慮測量誤差、未建模動態(tài)特性、外部擾動、關(guān)節(jié)柔性、驅(qū)動器故障等不確定因素，系統(tǒng)模型更為復(fù)雜。而實際中這些因素幾乎總是存在、無法回避的。因此，研究考慮了包括執(zhí)行器故障在內(nèi)的諸多不確定性因素的機器人軌跡跟蹤問題，具有重要的理論意義和實用價值。本文針對廣泛使用的復(fù)雜機器人手臂系統(tǒng)，開展以下研究：
　　(1)同時考慮執(zhí)行器動特性和機械臂動特性，以及執(zhí)行器力矩與電流之間的非線

2、性關(guān)系，提出一種基于RBF(Radial basis function，徑向基函數(shù))的神經(jīng)網(wǎng)絡(luò)魯棒自適應(yīng)反步控制設(shè)計方法。與傳統(tǒng)的反步控制方法相比，其引入聯(lián)合誤差，設(shè)計過程更為簡單，且可以處理執(zhí)行器的非仿射問題，即電機電流與力矩之間的非線性關(guān)系，更加符合實際情況，從而使控制器更加有效，應(yīng)用范圍更為廣泛。
　　(2)在系統(tǒng)結(jié)構(gòu)已知、參數(shù)未知的情況下，首次將非線性參數(shù)化方法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來處理不確定非線性項，設(shè)計了魯棒自適應(yīng)反步控制

3、器。由于RBF神經(jīng)網(wǎng)絡(luò)是用來逼近不確定項的最大可能上界而不是直接逼近不確定項本身，這使得問題從向量逼近轉(zhuǎn)化為標量逼近，從而使控制器設(shè)計更加簡單，計算量更少。
　　(3)將關(guān)節(jié)柔性、執(zhí)行器故障、執(zhí)行器動特性及控制輸入信號飽和等問題一起考慮，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)面容錯控制方法。在每一步設(shè)計中，均用一階積分濾波器來計算虛擬控制的導(dǎo)數(shù)，從而克服了反步法本身對虛擬控制求導(dǎo)過程中引起的項數(shù)膨脹問題。這一具有容錯能力的控制方法，能