基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法与流程

摘要: 本技术属于机器人运动控制,具体涉及一种基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法。背景技术:1、移动机械臂有效融合移动平台的无限运动空间与机...
基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法与流程

本技术属于机器人运动控制,具体涉及一种基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法。

背景技术:

1、移动机械臂有效融合移动平台的无限运动空间与机械臂的灵巧操作能力,虽然具备了复杂环境移动作业功能且应用前景广阔,但是系统的高冗余性也给运动控制带来了技术挑战。在一方面,移动机械臂关节空间输入的自由度明显多于任务空间作业的自由度,该运动学冗余性使其能够在同一时刻完成多项任务,并且操作臂和移动平台的动态响应也存在快慢及精度差异,如何利用好车臂协调系统的冗余自由度实现作业优化仍是有待解决的研究难点。在另一方面,移动机械臂动力学的车臂耦合变化及不确定性也限制了其运动控制性能,同时复杂的外界扰动及作业过程中的未知负载变化均会影响其运行精度。

2、为了解决机器人运动控制中的关节摩擦、外部扰动、系统惯量变化等不确定动力学因素,现有研究提出了许多先进的控制方法,包括自抗扰控制、基于观测器的鲁棒控制和自适应神经网络控制等。然而,这些控制方案大多只能保证跟踪误差渐近收敛到零点或有界区域内,但在复杂环境下机器人运动控制往往期望同时实现有限时间收敛和高精度跟踪。针对移动机械臂的动力学不确定性,现有研究成果提出了多种先进控制器以提升其动态跟踪性能,但大多也仅能保证移动机械臂跟踪误差的有界渐近收敛,无法实现运动误差的快速收敛或有效应对非结构化作业环境的时变不确定动力学与复杂扰动。现有的终端滑模控制等方法大多能够使得跟踪误差在有限时间内收敛,但通过简易分析可知传统终端滑模面的误差在远离平衡点时收敛速度会急剧下降,导致跟踪误差整体上收敛较慢;并且相关控制器增益参数设计大多依赖于系统动力学不确定性或其逼近误差的上确界以保证稳定性,这给移动机械臂非结构化动力学先验信息带来了挑战。

3、综上所述,现有技术主要存在以下技术问题:

4、(1)无法实现运动误差的快速收敛。

5、(2)无法有效应对非结构化作业环境的时变不确定动力学与复杂扰动。

6、(3)控制器增益参数设计依赖于系统动力学不确定性或其逼近误差的上确界,难以保证稳定性。

7、因此,亟需一种新的方法,通过移动机械臂的广义不确定动力学模型和基于神经网络动态逼近与误差驱动变结构增益的自适应动力学控制器,实现移动机械臂高精度运动控制。

技术实现思路

1、为了解决现有技术中存在的上述技术问题,本发明的目的是提供一种新的方法,使其在无需任何不确定动力学先验知识的条件下使得跟踪误差在有限时间内收敛至零,实现移动机械臂的高精度运动控制;其技术方案如下:

2、一种基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法,包括如下步骤:

3、步骤1:获取移动机械臂的关节实际轨迹信号和关节期望轨迹信号,建立移动机械臂的广义不确定动力学模型;

4、步骤2:采用常量惯性矩阵构建移动机械臂的简化动力学模型;

5、步骤3:通过径向基神经网络在线学习对所述移动机械臂的简化动力学模型中的广义动力学项进行逼近;

6、步骤4:定义关节速度跟踪误差,根据所述关节速度跟踪误差和关节轨迹期望速度设计基于跟踪误差驱动自适应变结构增益与神经网络的快速非奇异积分终端滑模控制器,将关节速度跟踪误差在有限时间内收敛至原点;

7、步骤5:将关节速度跟踪误差作为反馈信号输入控制器,由控制器输出控制指令,并驱动移动机械臂进行运动。

8、进一步地,所述步骤2具体为:

9、步骤2.1:定义移动机械臂的关节轨迹跟踪误差,表达式为:

10、

11、其中,为移动机械臂的关节实际轨迹信号,为移动机械臂的关节期望轨迹信号;为移动机械臂的关节轨迹跟踪误差;

12、步骤2.2:通过常量惯性矩阵构建移动机械臂的简化动力学模型,所述移动机械臂的简化动力学模型表达式为:

13、

14、其中,表示移动机械臂的广义控制输入,且;是由动力学不确定性和外界扰动等造成的未知力矩,且;表示移动机械臂的关节期望轨迹加速度向量;表示移动机械臂的广义动力学项,其表达式为:

15、

16、其中,表示对称正定的惯量矩阵,且;表示离心力与科氏力系数矩阵,且;表示重力矩向量,且;表示关节轨迹速度向量;表示关节轨迹加速度向量。

17、进一步地,所述步骤2.2中,所述由动力学不确定性和外界扰动等造成的未知力矩有界,将未知力矩设计为满足下列不等式:

18、

19、其中,、和均是未知常数,且均大于0。

20、进一步地,所述步骤3具体为:设计径向基神经网络在线学习逼近未知动态项,表达式为:

21、

22、其中,为神经网络的输入向量,且;为神经网络的最优权重矩阵,且;为高斯径向基函数向量,且;为径向基神经网络的态项逼近误差,且。

23、进一步地,所述径向基神经网络的态项逼近误差有界,即满足。

24、进一步地,所述步骤4的具体过程为:

25、步骤4.1:定义关节速度跟踪误差,表达式为:

26、

27、其中,表示移动机械臂的关节速度跟踪误差;表示移动机械臂的关节期望轨迹速度向量;

28、步骤4.2:设计快速非奇异积分终端滑模面,表达式为:

29、

30、其中,和表示正定的增益对角矩阵,且,;、、和均是正奇数;

31、步骤4.3:设计基于径向基神经网络的等效滑模控制律,表达式为:

32、

33、其中,是rbf神经网络最优权重的估计值;

34、步骤4.4:设计快速终端滑模类型的变结构接近控制律,表达式为:

35、

36、其中,和表示正定的对角增益矩阵;、和分别表示对未知常数、和的估计值;表示控制增益自适应律的常系数;

37、步骤4.5:设计跟踪误差驱动的控制增益自适应律,表达式为:

38、

39、

40、

41、

42、其中,、、和均为控制增益自适应律的常系数,且,,,,;

43、步骤4.6:设计基于自适应神经网络的变结构鲁棒控制器,表达式为:

44、

45、其中,为基于径向基神经网络的等效滑模控制律;为快速终端滑模类型的变结构接近控制律。

46、进一步地,所述步骤4.2中,所述正奇数、、和满足,且。

47、8.根据权利要求6所述的一种基于自适应神经网络与误差驱动变结构增益的移动机械臂运动控制方法,其特征在于,所述步骤4.2中,所述控制增益自适应律的常系数的取值范围为:。

48、进一步地,所述步骤4.5中,所述控制增益自适应律的常系数和满足。

49、有益效果:(1)本发明的基于快速非奇异积分终端滑模的动力学控制器不仅能实现跟踪误差的有限时间零误差收敛,而且拥有沿整个滑模面的更快收敛速度。(2)本发明所设计的未知动力学的自适应神经网络逼近器,及面向动态不确定性补偿的跟踪误差驱动自适应变结构控制增益,消除了对系统动态不确定性及神经网络逼近误差的精确上界信息的依赖。