摘 要： 提出一種針對(duì)機(jī)器人跟蹤控制的神經(jīng)網(wǎng)絡(luò)自適應(yīng)滑模控制策略。該控制方案將神經(jīng)網(wǎng)絡(luò)的非線性映射能力與滑模變結(jié)構(gòu)和自適應(yīng)控制相結(jié)合。對(duì)于機(jī)器人中不確定項(xiàng)，通過(guò)RBF網(wǎng)絡(luò)分別進(jìn)行自適應(yīng)補(bǔ)償，并通過(guò)滑模變結(jié)構(gòu)控制器和自適應(yīng)控制器消除逼近誤差。同時(shí)基于Lyapunov理論保證機(jī)器手軌跡跟蹤誤差漸進(jìn)收斂于零。仿真結(jié)果表明了該方法的優(yōu)越性和有效性。
關(guān)鍵詞： 不確定機(jī)器人；神經(jīng)網(wǎng)絡(luò)；自適應(yīng)控制
在機(jī)器人跟蹤控制研究中，由于在建模中存在誤差，機(jī)器人系統(tǒng)不可避免地存在不確定性。由于機(jī)器人中存在的非線性和不確定性，為了解決這些問(wèn)題，一些變結(jié)構(gòu)方案[1]、自適應(yīng)方案[2]陸續(xù)提出。近些年來(lái)神經(jīng)網(wǎng)絡(luò)在機(jī)器人智能控制中得到廣泛的應(yīng)用，參考文獻(xiàn)[3]提出一種神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)不確定系統(tǒng)，但方案只能保證系統(tǒng)的最終一致有界。參考文獻(xiàn)[4]提出一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的不確定性，但需要機(jī)器人動(dòng)力學(xué)的準(zhǔn)確模型。
為了解決上述問(wèn)題，本文提出一種新的神經(jīng)網(wǎng)絡(luò)自適應(yīng)滑模變結(jié)構(gòu)控制器。對(duì)于機(jī)器人中不確定項(xiàng)，分別應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行自適應(yīng)學(xué)習(xí)各種非線性，逼近誤差通過(guò)變結(jié)構(gòu)和自適應(yīng)控制消除。這種控制器能在控制初期加快跟蹤速度，且有很好的魯棒性。
1 問(wèn)題的提出
考慮n關(guān)節(jié)機(jī)器人的動(dòng)力學(xué)方程[5，8]為：
本文提出對(duì)于不確定項(xiàng)，利用RBF網(wǎng)絡(luò)進(jìn)行分別逼近，并與滑模變結(jié)構(gòu)和自適應(yīng)控制相結(jié)合的控制策略，并構(gòu)建Lyapunov函數(shù)，驗(yàn)證了系統(tǒng)對(duì)軌跡進(jìn)行跟蹤的穩(wěn)定性。利用滑模變結(jié)構(gòu)和自適應(yīng)控制方案補(bǔ)償神經(jīng)網(wǎng)絡(luò)的逼近誤差，比常規(guī)神經(jīng)網(wǎng)絡(luò)具有更好的動(dòng)態(tài)特性和魯棒性。
參考文獻(xiàn)
[1] DOULGERI Z. Sliding regime of a nonlinear robust controller for robot manipulators[J]. IEE Proceedings Control Theory and Application， 1999，146（6）：493-498.
[2] COLBAUGH R， GLASS K. Adaptive tracking control of rigid manipulators using only position measurements[J].Journal of Robot and System， 1997，14（1）：9-26.
[3] KIM Y H， LEWIS F L. Neural network output feedback control of robot manipulator[J]. IEEE Transactions on Robotics and Automation， 1999，15（2）：301-309.
[4] CILIZ M K. Adaptive control of robot manipulators with neural network based compensation of frictional uncertainties[J]. Robotica， 2005， 23：159–167.
[5] 張文輝，齊乃明.自適應(yīng)神經(jīng)變結(jié)構(gòu)的機(jī)器人軌跡跟蹤控制[J].控制與決策，2011，26（4）：597-601.
[6] SUN T， Pei Hailong. Neural network-based sliding mode adaptive control for robot manipulators[J]. Neurocomputing，2011，74：2377-2384.
[7] LU Y， Liu J K. Actuator nonlinearities compensation using RBF neural networks in robot control system[C]. IMACS Multiconference on Computational Engineering in Systems Application， 2006.
[8] 牛玉剛，楊成梧.基于神經(jīng)網(wǎng)絡(luò)的不確定機(jī)器人自適應(yīng)滑模控制[J].控制與決策，2001，16（1）：79-83.