（机械设计及理论专业论文）基于神经网络的机器人模型辨识与控制研究.pdf

摘要 在机器人的研究中，机器人建模与控制是最重要的领域之一。神经网络以其 强大的适应复杂环境和多目标控制要求的自学习能力，以及可以任意精度逼近 任意非线性连续函数的特性引起极大关注。本文采用神经网络来研究机器人系 统的建模、控制问题，为解决非线性系统的辨识和控制探索简单而有效的方法， 具有重要的理论意义和应用价值。本研究主要涉及以下几方面： 首先，对神经网络的结构进行了研究。在动态递归e l m a n 网络的基础上， 提出了一种新的神经网络拓扑结构一一状态延迟输入动态递归神经网络 ( s d i d r n n ) ，其主要特点是将输入输出前一步状态信息作为神经网络隐含层 神经元的一部分输入，使网络的学习速度得到提高。详细讨论了s d i d 鼢州的 学习过程及学习算法的收敛性，并通过与其他几种常用的网络比较，说明了该 网络在学习速度上的优越性。 其次，利用s d i d r n n 解决了机器人的控制问题。基于机器人运动学方程和 动力学方程，以s d i d i 心j n 作为神经网络控制器，分别设计了两种机器人控制 结构来解决机器人的轨迹跟踪控制。根据仿真结果分析了神经网络控制器在系 统中的作用，指出了只采用p d 控制器时系统的局限性；另外，为解决传统p i d 控制器参数无法在线整定的问题，将神经网络与p i d 控制器结合起来，利用神 经网络在线调整p 1 d 控制器的参数，提高了系统的应变能力。对双臂共同操作 一刚性物体进行仿真，设计了主、从臂的关节控制器及协调操作系统的控制结 构，得到了各种位形情况下p i d 控制器参数的变化曲线，取得了较好的轨迹跟 踪效果。 再次，提出了冗余度机器人正、逆运动学辨识的新方法。以p o w e r c u b e 模块化空间7 自由度机器人为研究对象，为提高机器人控制系统中冗余度机器 人正、逆运动学的计算速度设计了一种新颖的解耦辨识方法。此方法拓展了神 经网络权值的概念，使可变权值与固定权值存在于同一网络中，大大地提高了 网络学习速度。 然后，将实验数据作为神经网络学习样本建立了机器人的输入输出模型。利 用p o w e r c u b e t m 模块化机器人和o p t o t r a k3 0 2 0 三维动态测试仪测得机器人 的关节角数据及机器人末端轨迹数据，为神经网络辨识器提供输入输出学习样 感谢托京工、监大学梳电工程学院办公室营杰老 萃、吴乔老筛、朱宪宠老爆、 史淑熙老颊熬辛勤工作及嫠助。 感谢作者的父母、家人及其他亲朋好友多年来始终如一的关怀，鼹他们的理 解和支持使僚者沐浴着亲情添暖雨顺嗣雏完成了学监。 特剐感落 睾者匏妻予李庆翠女士，楚她在作袭课题期间最困难的时刻，在精 神和物质上给予有力的支持和帮助，磁生活和学习上给予热情的安慰和鼓励。 正怒她的牺校和所付出的真诚和关心，才便作者能够僳持动力，坚定信心，鲡 期宠戚艰苦兹涤蘧疆究。 感谢潮家自然科学基金委员会( 项目号：5 9 9 7 5 0 0 1 ) 、北京市自然科学基金 委员会( 项目号：3 0 1 2 0 0 3 ) 、教育部和北京市科委有关项瞄的大力资助。 感谢j t 京工泣大学学报、应舔墓磷与工程秘学学报、祝拨科学与技 术、是动化学报、机械设计与研究、控制与决策、机械传动、控制 理论与应用、9 t hi n t e r n a t i o n a lc o n f e r e n c eo nn e u r a li n f o r m a t i o n p r o c e s s i n gf i c o n f p 0 2 ) 、t h ei e e et r a n s a c t i o n so nr o b o t i c sa n da u t o m a t i o n 、 j o u r n a lo fd y n a m i cs y s t e m s ，m e a s u r e m e n ta n dc o m r o l 等缡辑部各位编辑老师及 审稿专家严谨细致的辛勤工作。 最后，再次感谢所有对作静有避帮韵的入们。 姜春青鬻 2 0 0 3 零5 弼8 基 a b s t r a c t t h em o d e l i n ga n dc o n t r o lo fr o b o t si so n eo ft h em o s ti m p o r t a n tf i e l d si nt h e s t u d yo fr o b o t s t h ea r t i f i c i a l n e u r a in e t w o r kh a sa t t r a c t e d g r e a ti n t e r c s t sf o rt h e l e a r n i n ga b i l i t y , a d a p t i v ec a p a b i l i t ya n dn o n l i n e a rm a p p i n gp r o p e r t y t h em o d e l i n g a n dc o n t r o lo fr o b o t si ss t u d i e db yt h em e t h o do fn e u r a ln e t w o r k si nt h i sd i s s e r t a t i o n t h e s i m p l ea n d e f f e c t i v em e t h o d sa r ee x p l o r e dt os o l v et h ep r o b l e m so fi d e n t i f i c a f i o n a n dc o n t r o li nt h en o n l i n e a rs y s t e m t h i ss t u d yh a sg r e a ts i g n i f i c a n c ei nt h e o r ya n d a p p l i c a t i o n t h ew o r ki n c l u d e s ： f i r s t l y ，t h et o p o l o g i c a ls t r u c t u r eo fn e u r a ln e t w o r ki ss t u d i e d an e w s t r u c t u r eo f n e u r a ln e t w o r kn a m e ds t a t ed e l a yi n p u t d y n a m i c a lr e c u r r e n tn e u r a l n e t w o r k ( s d i d r n n ) i sp r o p o s e db a s e do nd y n a m i c a lr e c u r r e n te l m a n n e t w o r k t h el e a r n i n g a b i l i t yo f s d i d r n ni si m p r o v e db yi n p u t t i n gt h ep r i o ri n p f l t - o u t p u tk n o w l e d g ei n t o t h en e u r o n si nt h el a s th i d d e nl a y e r t h el e a r n i n ga l g o r i t h ma n dc o n v e r g e n c eo f s d i d r n na r ed i s c u s s e di n t e n s i v e l y t h e l e a r n i n gs u p e r i o r 时o fs d i d 鼢州i s i l l u s t r a t e dt h r o u g hc o m p a r i s o nb e t w e e ns e v e r a lc o m m o n l yu s e dn e t w o r k s t h i sl a y s t h ef e l u n d a t i o nf o rt h ew h o l e s t u d y s e c o n d l y t h ec o n t r o lo fr o b o t si s s t u d i e db a s e do ns d i d r n n t w oc o n t r o l s y s t e m sa r ed e s i g n e da n da p p l i e dt ot h et r a j e c t o r yt r a c k i n gb a s e do n t h ek i n e m a t i c s a n dd y n a m i c so fr o b o t s t h en u m e r i c a ls i m u l a t i o ns h o w st h a ts d i d r n n c o n t r o l l e r p l a y sa ne f f e c t i v er o l ei nt h es y s t e m s t h el i m i t a t i o no fp d c o n t r o l l e ru s e do n l yi s d i s c u s s e d t h ep i dc o n t r o l l e ri sc o m b i n e dw i t hn e u r a ln e t w o r k t os o l v et h ep r o b l e m o ft h ep i dp a r a m e t e r su n a b l et ob et u n e do n l i n e t h en e u r a ln e t w o r kt u l l e st h e p a r a m e t e r so n l i n et om a k e p i dc o n t r o l l e rm o r ea d a p t i v ei nt h es y s t e m t h i sm e t h o d i s a p p l i e dt oad u a l a r l ns y s t e mm a n i p u l a t i n gar i g i do b j e c tc o o r d i n a t e l y 1 n l ej o i n t c o n t r o l l e r sf o rt h el e a d e ra n dt h ef o l l o w e ro f t h ec o o r d i n a t e ds y s t e ma r ed e s i g n e d t h i r d l y , a n o v e lm e t h o di s p r o p o s e d t o i d e n t i f y t h ef o r w a r da n di n v e r s e k i n e m a t i c so fr e d u n d a n tr o b o t s t h i sn e wd e c o u p l i n g i d e n t i f i c a t i o ns c h e m ei s i l l i ! 圣三些查兰三兰堡圭兰堡篁圣 d e s i g n e dt oi m p r o v et h ec o m p u t a t i o n a ls p e e df o rk i n e m a t i cm o d e li d e n t i f i c a t i o no fa s p a t i a l 7 rr e d u n d a n tr o b o t t h e l e a r n i n ga b i l i t y i s i m p r o v e dg r e a t l yb ya d o p t i n g v a r i a b l ew e i g h t sa n dc o n s t a n tw e i g h t si nt h es c h e m e f o u r t h l y ，t h ei n p u t o u t p u tm o d e l so f r o b o t sa r ea p p r o x i m a t e db y n e u r a ln e t w o r k s i nt h ee x p e r i m e n tt h ei n p u ta n d o u t p u tk n o w l e d g eo f n e u r a ln e t w o r ki sp r o v i d e db y t h es i g n a l so fj o i n t sr e t u r n e db yp o w e r c u b e m o d u l a rr o b o ta n dt h et r a j e c t o r yo f t h ee n de f f e c t o rm e a s u r e db y3 dm o t i o nm e a s u r e m e n ts y s t e mo p t o t r a k3 0 2 0 t h ei n p u t o u t p u tm o d e l so ft h r e et y p e so fr o b o ts y s t e m sa r ea p p r o x i m a t e d t h e f a c t o r st h a te f f e c tt h ee x p e r i m e n t a lr e s u l t sa r ea n a l y z e d a tt h es a n l et i m e ，t h e l e a r n i n gs u p e r i o r i t yo fs d i d r n n i sa p p r o v e db yc o m p a r i n gi tw i t ho t h e rc o m r e o n l y i j s e dn e t w o r k s f i n a l l y ，t h en e u r a ln e t w o r km o d e t sf o rr o b o t sa r et e s t e dt h r o u g he x p e r i m e n t s - s d i d r n ni su s e dt oi d e n t i f yt h ei n p u t o u t p u tm o d e lo ft h er o b o ta n dan e u r a l n e t w o r km o d e l r e p r e s e n t i n g t h er e a l i n p u t - o u t p u tm a p p i n g i sf o r m u l a t e da f t e r t r a i n i n g t h i sm o d e l i sp r o v e dt ob ev a l i di ne x p e r i m e n tb yi n p u t t i n go t h e rd i f f e r e n t s a m p l e s t h eo u t p u tk n o w l e d g eo ft h em o d e li s i n p u tt op o w e r c u b e l ”m o d u l a r r o b o t t h et r a j e c t o r yo ft h ee n de f f e c t o ri sc l o s et ot h ed e s i r e dt r a j e c t o r y e l m a n n e t w o r ki sa l s ou s e di nt h e e x p e r i m e n t s t h ee x p e r i m e n t a l r e s u l t si n d i c a t et h a t s d i d r n ni ss u p e r i o rt oe l m a ni nl e a r n i n ga b i l i t y i na d d i t i o n ，b e c a u s et h et r a j e c t o r y e r r o ro ft h ee n de f f e c t o ri si n c r e a s i n gw h e nt h ej o i n t sa r em o t i v a t e db yu n t u n e dj o i n t s i g n a l s ，at u n i n gm e t h o do fj o i n t s i s p r o p o s e dt o r e d u c et h et r a j e e t o r ye r r o r t h e e f f e c t i v e n e s so f t h i sm e t h o di sp r o v e di nt h ee x p e r i m e n t k e y w o r d s ：n e u r a ln e t w o r k ；r o b o t ；m o d e li d e n t i f i c a t i o n ；c o n t r o l 1 1 引言 第1 章绪论 机器人是多学科理论与技术集成的机电一体化技术，是一门高度交叉的前沿 学科，引起包括机械学、计算机科学与工程、控制论与控制工程学、电子工程 学、人工智能等许多具有不同专业背景人们的广泛兴趣，进行深入研究，并获 得快速发展。当今机器人技术的发展趋势主要有两个突出的特点：个是在横 向上，机器人的应用领域在不断扩大，机器人的种类日趋增多；另一个是在纵 向上，机器人的性能不断提高，并逐步向智能化方向发展。在计算机技术和 人工智能科学发展的基础上，产生了智能机器人的概念。智能机器人可获取、 处理和识别多种信息，自主地完成较为复杂的操作任务，比一般的工业机器人 具有更大的灵活性、机动性和更广泛的应用领域，对提高生产水平与生活水平 具有十分现实的意义。 机器人建模与机器人控制是其中两个最重要的领域，前者是后者的前提，后 者是前者的目的。许多学者在这两个领域进行了或正在进行着大量的研究工作。 建模方面，近些年来，由于机器人技术不断向着高速度、高精度、大承载和 轻量化方向发展，对机器人性能的要求也越来越高。实际应用中，由于测量和 建模的不准确，再加上负载变化以及外部扰动的影响，实际上无法得到机器人 精确、完整的运动模型，我们必须面对机器人大量不确定性因素的存在。现代 j 二业的快速发展需要高品质的机器人为之服务，而高品质的机器人控制必须综 合考虑各种不确定性因素的影响，因此在建模的准确性也成为各国研究者正在 研究的问题，并引入了更为先进的、新颖的建模方法，为机器人控制提供了良 好的前提。 机器人控制技术的发展，影响甚至决定着机器人技术的发展水平。在设计新 型优良的机器人控制器和机器人控制策略方面，是研究课题最多，研究者投入 人力物力最多，同时也是取得成果最多的领域。机器人的工作速度和精度越来 越高，特别是直接驱动型机器人的出现，促使各国研究者把现代控制理论应用 到机器人控制领域，以解决高度非线性及强耦合系统的控制问题。这些控制技 术包括最优控制、解优控制、自适应控制、滑模变结构控制及神经网络控制等。 北京工业大学工学博士学位论文 但由于机器人控制所处理的对象的质量、 且无法准确知道等原因，在实践中证明， 器人控制的最佳特性，效果不十分明显。 摩擦力等参数变动大，重复性小，并 最优控制和解耦控制往往不能保证机 为了解决这一问题，一些更先进的理论和方法，如滑模变结构控制、神经网 络控制等自适应控制策略，由于其具有的适应系统变化的能力，引起了广泛关 注，在各自方向上的发展十分迅速。当然，任何一种新方法都会存在一个渐序 发展的过程，在具有比传统方法更优越性能的同时，也存在着一定的不足，因 此各国学者在将新的控制策略应用到机器人控制的过程中，不断发展、改进这 些新的理沦与方法，推动机器人研究的发展。 因此，在现有研究基础上，采用更先进的理论和方法来研究机器人，建立其 更精确的模型，以及探索更有效的方法来提高机器人控制的性能，成为本文内 容的重要出发点。在机器人自动控制领域，一方面是控制对象越来越复杂，存 在着多种不确定性以及难以确切描述的非线性特性：另一方面是对控制系统的 要求越来越高，迫切需要提高控制系统的智能化水平。近年来，人工神经网络 理论以其独特的优点引起了包括机器人领域在内的研究者们的极大兴趣。与传 统的控制方法与策略有所不同的是，由于神经网络源于对脑神经的模拟，具有 很强的适应于复杂环境和多目标控制要求的自学习能力，并具有以任意精度逼 近任意非线性连续函数的特性，因此为解决此类问题提供了一条崭新的途径。 基于这一原因，将神经网络与机器人结合起来研究机器人系统的建模和控制， 成为本文的主要研究方向。本课题将首先在理论研究上做有益的探索，提出自 己的神经网络模型并将其应用到机器人的建模、控制中，然后在理论研究的基 础上，利用现有的实验条件，将理论研究与实验结合起来，通过实验来检验理 论研究的成果，迈出通向实际应用的有益的一步，这也是广大研究者辛勤工作 的目的所在。 1 2 机器人研究现状 自二十世纪九十年代以来，将神经网络引入机器人领域的研究越发活跃，国 内国际发表了许多相关文献，取得了诸多研究成果。在讨论神经网络与机器人 相结合的研究之前，我们首先根据不同的机器人分类，对机器人领域的研究成 果作一简要综述，然后再单独综述与本文相关的神经网络与机器人相结合的研 究现状。 1 2 1 单机器人控制 机器人的控制技术是在传统机械系统的控制基础上发展而来的，两者之间 没有根本上的不同，但机器人控制系统也存在许多特殊之处。机器人是多变量 耦合的控制系统，其负载、惯量、重心等随时可能发生变化，不仅要考虑运动 学关系，还要考虑动力学因素，如惯性、哥氏力、向心力等，其模型是强非线 性的，工作环境又是可变的，使得机器人控制系统的精确实现有一定的难度。 机器人控制系统可以从不同的角度进行分类，如按控制运动方式的不同， 可以分为关节运动控制、笛卡尔空间运动控制和自适应控制；按轨迹控制方式 的不同，可以分为点位控制和连续轨迹控制：按速度控制方式的不同可以分为 速度控制、加速度控制、力控制；按发展阶段不同可分为程序控制系统、适应 性控制系统和人工智能控制系统。关节空间里的控制又可分为经典伺服控制、 计算力矩法控制、最短时间控制、变结构控制等【2 】。 现代工业的快速发展需要高品质的机器人为之服务，而高品质的机器人控 制必须综合考虑各种不确定性因素的影响。由于测量和建模的不精确，再加上 负载的变化以及外部扰动的影响，所以实际上无法得到机器人精确、完整的运 动模型。因此，针对机器人的不确定性有两种基本控制策略：自适应控制和鲁 棒控制。文献 3 综述了近年来机器人鲁棒控制方法的发展情况，对各种机器人 鲁棒控制方法的优缺点作了比较。d a b d a l l a h 4 1 介绍了对于刚性机器人的鲁棒控 制方法，包括基于反馈线性化的鲁棒控制，变结构控制、鲁棒控制以及鲁棒自 适应控制。便这种划分不是绝对的，比如一些变结构控制以及控制可能是基于 反馈线性化的。z hm a l l 【5 】研究了刚性机器人操作手的鲁棒自适应跟踪控制， 该方法结合了自适应与鲁棒控制方法两者的优点，提高了系统的控制性能。h y u t 6 】提出了三种变结构自适应控制( v s a ) 算法，它们在抗干扰能力以及克服 “抖振”现象等方面都要比单独的自适应方法和变结构控制方法强。鲁棒自适 应方法一般以自适应控制补偿参数不确定性，鲁棒控制补偿非参数不确定性。 鲁棒自适应控制对控制器实时性能的要求比较严格，它更适用于具有反复性的、 持续时间长的操作任务。k kd y o u n gf 7 】讨论了变结构控制系统控制器的设计， 刘宝国等【目从实验上研究了控制器的变结构控制方法在削弱或消除直接驱动机 器人抖振问题中的应用，通过做物理实验对比三种变结构控制策略，分析了三 种方法的优缺点，从而把变结构控制在机器人控制中的应用向实用化方向更进 了一步。js t u d e r m y l 9 , 1o 】将加速度反馈与l q 控制及前馈策略相结合，提出了基 ! ! 重三些奎耋三兰璧圭兰堡里圣 于加速度反馈的鲁棒控制策略，利用加速度的敏感性和加速度闭环的高反馈增 益来抑制扰动和关节耦合。y o i c h ih o r i c “ 将加速度反馈的思想用于电机的伺服 控制实验，由模拟的加速度反馈闭环来抑制干扰，用另一个同样的电机给测试 电机施加扰动来验证闭环的抑制干扰能力。vfl i t l 2 , 1 3 分析了由于机械手连杆 和关节的柔性，使由关节速度运算得到的连杆末端速度与真实速度不一致的情 况后，提出在机械手末端装加速度计的方法来修正连杆末端速度，将这个速度 用于单关节机械手的力冲击实验，来缩短它的稳定时间。加速度正反馈与近似 积分负反馈相结合的综合加速度反馈在机械手位置控制中的应用有明显的增阻 尼效果。李杰等i 1 4j 利用p u m a 5 6 0 机械手力控制的辨识模型，通过仿真手段分 析了影响加速度反馈效果的原因，得出了机械手驱动电机的动态、连杆的柔性 和采样延迟是制约加速度反馈作用的主要因素的结论。韩建达等 15 1 利用线加速 度传感器实际测量转动关节的加速度为基础，分析了机器人关节加速度反馈控 制的开环模型以及影响其闭环稳定性的主要因素，提出了闭环控制策略的设计 准则，在一台三自由度直接驱动机器人上所作分析作了实验研究。 在机器人的任务层上，一般是研究机械手操作末端处于自由状态下的控制。 当机器人末端执行器要求沿着某一预定的轨迹运行时，相当于在机器人末端加 入约束，在这种情况下的受限运动控制问题研究得相对较少。目前已有学者针 对混合位置力控制问题进行研耕1 6 , 1 7 】，但系统的鲁棒性并不理想。樊晓平等 研究了受限柔性机器人臂的鲁棒变结构混合位置力控制问题，采用鲁棒变结构 控制策略对控制方案进行修正，以改善该柔性机器人系统的鲁棒性，控制机器 人终端执行器的位置和接触力，通过引入变结构鲁棒控制，可确保输出跟踪误 差在有限时间内收敛到零。谢胜利等 1 9 l 在d ww a n g 等t 2 0 , 2 1j 所讨论的终端受限 机器人系统的基础上，给出了一种新的学习算法，这种算法的收敛性既不依赖 于理想运动控制和理想力控制，也不依赖于相应的初始控制数据，较大地改善 了控制效果。 冗余度机器人方面，由于它可以完成在各种几何和运动学约束下的任务， 其获得终端速度的关节速度可行解有无穷多个，因此冗余度机器人具有很好的 灵活性。在复杂的应用环境中，在机器人发生故障而又不能及时修复的情况下， 对机器人系统的可靠性提出了很高的要求，同时要求机器人必须具备容错能力， 在某些关节出现故障时机器人仍能继续完成预定的工作任务。冗余度机器人作 为一类容错机器人，这方面的研究越来越深入和广泛。p k k h o s l a 等1 2 副最先提 出运动学设计中提高容错能力的思想，而a a m a c i e j i e w s k i 哗副首次明确提出了 容错的概念并对运动学容错进行了研究，随之出现了各种容错控制方案1 2 ”。国 内的学者也对这一课题进行了研究，姚建初等【2 5 1 提出了基于任务的方向可操作 度，较传统的可操作度概念更具有实际应用意义；唐世明等 2 6 , 2 7 】以冗余度机器 人容错控制是冗余特性的具体应用这一思想为出发点，利用自运动变量这种冗 余参数作为容错控制系统的状态变量，对容错控制系统进行简化，并提出了利 用自运动控制冗余度机器人实现各种容错的新方法。应该说，冗余度机器人的 容错控制是一个具有挑战性的研究课题，从控制的角度出发，还需要更有效的、 可用于实时控制的容错控制方案和容错控制算法，尽快将容错控制从理论分析、 数值仿真向实用化方向转化。 1 2 2 机器人协调控制 当前工业机器人的应用是为单臂机器人独自工作的能力准备的，这样的机 器人只适应于特定的产品和工作环境，并且依赖于所提供的专用设备和夹具。 一般来说，单臂机器人只适合于刚性工件的操作并受制于环境。随着现代工业 的发展和科学技术的进步，单臂操作对于许多任务而言是不够的。因此，为了 适应任务的复杂性、智能性的不断提高以及系统柔顺性的要求而扩展为双手协 调控制，即由两个单臂机器人相互协调控制、配合完成某种作业。虽然组成双 手协调控制系统的是两个机器人，它们不可能是两个单手机器人的简单组合， 除了它们各自共同目标的控制实现外，二者相互间的协调控制以及对环境的适 应性就成为组合的关键。 双臂机器人作为一个完整的机器人系统，两臂之间存在着依赖关系，它们共 享使用传感数据，双臂之间通过一个共同的联接形成物理耦合，最重要的是两 臂控制器之间的通信，使得一个臂对于另一个臂的反应能够作出对应的动作、 轨迹规划和决策，也就是双臂之间具有协调关系。双臂机器人的作用特点主要 为：一是两臂操作器抓住同一物体或某一机构后，双臂及被握物体构成一闭式 运动链。两臂间的运动必须满足一组运动约束关系，称为协调运动。二是双臂 协调的动力学比单臂更为复杂，双臂协调作业时的两个动力学方程可组合成一 个单一的动力学方程，但维数增加，且产生内力( 相互耦合) 影响；三是双臂 协调的控制结构比单臂更复杂，机器人的控制器具有多层结构，可分为关节级、 手臂级和协调级，而单臂操作时只需关节级和手臂级即可。 国外对双臂机器人的研究始于二十世纪九十年代初，研究工作主要集中在 双臂的运动轨迹规划( 包括避免碰撞) 、双臂协调控制算法及操作力或力矩的控 i ! 薹三些奎兰三兰篁圭茎堡篁圣 制等方面。对运动轨迹规划的研究主要是基于多机器人在闻一环境下工作而无 碰撞展开的。这方面的研究工作通常分路径规划和轨迹规划两部分进行，部分 学者对沿着特定路径运动的机器人双臂控制问题进行了比较深入的研究，利用 机器人的动力学方程建立了考虑机器人动力特性的最优轨迹规划算法，此外还 通过运用计算机仿真手段来找到每步运动的最佳路线，达到解决避免碰撞问题。 总的来说，这些研究较好地解决了二维的运动轨迹规划问题，但对三维空间和 具有冗余度的双臂运动轨迹规划方法和策略研究比较少1 2 ”。 双臂协调控制是双臂机器人研究中的热点，而且大多数的研究也是以比照 两个单臂机器人一起工作时的协调控制为出发点的。j y s l u h 等【2 ”、! e z h e n g 【j 、n h m c c l a r n r o c h t ”1 对双机器人协调的动力学作了探讨，指出双机器 人协调作业时的两个动态方程可组成一个单一的动态方程，由此可计算出施加 于两个机器人关节的力矩。基于机器人动态方程，tj t a m 等1 32 j 和a j k o i v o 玎】 研究了双臂作业的控制问题。双臂协调控制包括手与工作执行位置之间的相对 运动的控制和对保证目标轨迹连续性的控制。日本一些学者通过建立对协调操 作性的评价，提出了相对可操作度和相对操作力度的操作指标，在此基础上设 计了满足操作指标的工作位置与工作实际目标轨迹能分别指定的协调控制系统 的新的控制算法。另外一些学者则通过建立位置与力的混合控制理论，采用混 合位置与力控制实验方式找出保证双臂协调控制的关节力或力矩的最佳效果。 s n i l a n j a n 等p 4 j 对两臂操作一个较大物体时的协调控制提出了一个新理论框架。 这一理论框架不仅给出了明确的目标运动的控制，而且也明确了在两臂和目标 之间通过控制在接触时滚动运动的接触位置。控制算法是一个消除了动态及解 耦输出的非线性反馈，这类双臂协调控制的研究都是针对某一特定作业要求所 提出的。双臂操作力或力矩的研究主要是进行对目标的操作算法和优化控制力， 有些日本学者运用模糊神经网络的方法设计对目标的轨迹控制和操作力大小的 控制，提出了用于主神经网络控制器的d e l t a - b a r d e l t a 学习比率适应法。但总 的来说，多数研究还是主要着眼于理论和方法研究，主要借助于仿真来证明， 很少在实际系统上验证。在双臂或多臂协调控制系统结构及应用中，y fz h e n g 【3 5 】、s e l g a z z a r 等【3 们、v d u p o u r q u e 等【3 7 1 在这方面作了探讨。e f r e u n d t 3 8 】提出 多机械手系统的控制结构，其中包括一个上层协调器，它的主要功能是改变机 械手的基本动力学，引入有用的耦合及改变输入增益。机械手的控制采用非线 性解耦控制【3 9 1 ，文中列出了包括上层协调器的多机械手系统的整体方程式。文 献 4 0 1 通过对机械手动力学方程适当的组合，对每个关节提供可直接应用的控制 规律。 - 6 一 第1 章绪论 日、美等国的研究人员在对双臂机器人的研究中，正着重对微机器人双臂协 调控制、双臂柔性运动协调控制以及对柔性物体操作的双臂协调控制等方面开 展理论和实验研究工作，以扩展机器人的工作能力和应用领域。国内对双臂机 器人的研究开展时间并不长，目前对双臂机器人的研究主要涉及运动轨迹规划、 动力学以及协调控制等方面。就国内外对双臂机器人研究的现状而言，双臂机 器人的研究还处于初级阶段，大多数的研究都是建立在低自由度的双机械手或 两个单臂机器人一起工作的条件下的，并且对双臂协调的控制研究大多是针对 某一特定工作状况下所进行的理论探讨，尚缺乏对包括软硬件在内的整个系统 的综合研究。 目前，针对机器人协调操作而提出的控制方法有： 1 纯位置控制【4 “：理论上仅有运动学方程就可以实现，但在实际应用中， 要求闭链机器人系统有较大的柔性，允许有较大的协调误差，这一点很 难实现。 2 ( 古典或改进的) 主从控制【4 1 - 4 5 1 ：主手的轨迹预先指定或从指定的被操 作物体的轨迹中求得，反馈主要是获得位置信息，从手控制施加于负载 上的力，反馈主要是获得力信息，缺点在于：不适用于柔体或有自由度 的物体，从手跟踪效果由于受系统阻抗的影响而不很好。为改进其缺点， 又有了种改进的主从控制方法，其从手既有力控制又有位置控制，力 ( 力矩) 通过阻抗矩阵来修正位置，用位置控制保证基本任务的完成， 力控制保证约束。 3 混合位置一力控制【2 9 , 4 1 , 4 4 , 4 6 - 5 6 ：力与力矩命令直接作用到物体上，通过 两个传感器把作用在两手上的限制反馈回去：期望位鼍包含机器人末端 执行器在参考坐标系中的位置和方位，而期望力则对应机器人末端执行 器作用在环境上的力和力矩。 4 运动和力控制【5 7 1 5 阻抗控制 5 8 - 6 1 】 6 鲁棒自适应控制( 5 3 ，6 2 删 。 7 前馈控制矧 8 复合腕力矩控制引 9 基于传感器的多回路反馈控制【6 副 1 0 分散式变结构控制【6 6 】 1 1 模态缩减与解耦控制f 6 7 , 6 8 j 具体而言，基于传感器的多回路反馈控制，n x i 等( ”】中提出了一种十分有 北京工业大学工学博士学位论文 意思的控制方法：多机器入对于既定的协调操作任务，在某控制器的控制下进 行运作，对于传统的规划和控制策略，其反馈变量是直接与目标值进行比较后 通过控制器进行校正得到一个新的输出，它对于在任务执行过程中的突发障碍 物的控制结果是使系统崩溃。而文 6 5 1 中的控制方法是在反馈回路中并联另一反 馈支路并将其通过适当的变换引至任务处，通过对任务进行修正，使系统对于 突发障碍物的控制结果是使系统停止运作直到障碍物移去，才重新执行剩余的 任务。从执行结果上看，相当于出现突发障碍物时，将任务在时域内作一平移。 由于目前机器人商用控制器大多是针对单一机器人而设计，是种封闭结 构，局限于某一种具体任务，因此不适合于机器人的研究工作。而能够满足双 臂机器人协调的作业、通讯、复杂的传感器信息处理及动态编程需要的机器人 控制器更是很少，这也是当前双臂机器人或多臂机器人协调研究大多借助于仿 真来证明，而很少在实际系统上验证的原因。因此，研究和开发这样一种控制 系统已成为机器人控制研究中迫切需要解决的问题之一。目前，机器人控制系 统的结构主要有三种：集中控制、分散控制和集散控制。其中，集中控制和分 散控制是目前机器人控制的主要两种类型0 5 , 6 9 】。分散控制较集中控制而言有较 大的灵活性，能实现同步操作及并行处理，但是难于执行协调程度较高的任务； 集中控制克服了分散控制的缺陷，但其所形成的系统是一个刚性系统，缺乏灵 活性，并可能产生计算上的瓶颈问题。针对上述两类控制各自的优势与不足， yrh u 等【7 0 】提出了集散控制的方法，即对机器人系统进行集中规划、管理，分 散处理、控制、执行，从而解决了分散控制在某些作业下的不可实现及集中控 制中的计算瓶颈问题。此外，合理的分散度也使“危险”分散，增加了系统的 安全度。在集散控制中，系统还必须解决如下几个问题，如多计算机间的通信 问题；多计算机间的同步，异步操作以及机器人协调作业的基准时钟；多机器 人坐标标定问题。而对于一种控制算法的优劣，文【7 1 】中给出了如下的评价标准： 实时计算量的大小；具体工程实现的复杂性下可靠性；闭环系统的品质：动态 过程的稳定性及品质、滑动模态的品质、是否有抖动、抖动是否d , n 可以接受； 对摄动及干扰的抵抗能力。 对双臂机器人今后的研究，文 7 2 j 认为：双臂协调控制及其算法研究应建立 在高自由度条件下，对其协调控制机理、实时控制、反馈手段和方式多作探讨； 对双臂机器人的轨迹规划和位姿控制应采用动态规划方法研究在三维空间的运 动特性和动力学特性，特别是避免碰撞问题；柔性操作是双臂机器人工作的一 大特点，因此对于双臂机器人的柔性控制，特别是在具有冗余度条件下的柔性 控制如何从多解或无数解中找出对目标的最优控制。另外，在理论分析、计算 8 第1 章绪论 机仿真的基础上，应加强对双臂机器人实验研究，这是双臂机器人和实际应用 转化的关键一步。 1 3 神经网络与神经网络系统辨识 神经网络是本课题的主要研究对象和应用工具，因此，这一节将重点介绍 当前神经网络在机器人领域的研究。 学术界关于神经网络的研究已经有较长的历史。最早的研究是二十世纪四 十年代ws m c c u t l o c h 等【7 4 1 共同提出的神经元模型及d d h e b b 【7 5 】提出的神 经元连接强度的修改规则。他们的研究成果至今仍是许多神经网络理论研究的 基础。二十世纪五、六十年代的代表性工作是r r o s e n b l a t t 7 6 1 的感知机p e r c e p t r o n 及bw i d r o w 7 7 1 的自适应线性元件a d a l i n e 。1 9 6 9 年，m l m i n s k y 等【7 8 1 合作发 表了颇具影响的( ( p e r c e p t r o n ) ) 一书，得出了消极悲观的论点，认为单层感知机 能力有限，甚至连x o r 这样的问题也无法解决，加之数字计算机的发展正处于 全盛时期，并已在人工智能等领域取得了显著的成就，因此二十世纪七十年代 神经网络的研究陷于低潮。但即使在这种情况下，仍有很多学者继续致力于神 经网络的研究，并取得了一些积极成果，如t k o h o n e n 7 9 1 的自组织特征映射模 型s o m 、g a c a r p e n t e r 【8 0 】的自适应谐振模型a r t 、k f u k u s h i m a ”l 的新认知机 n e c o g n i t i o n 等。进入二十世纪八十年代后，传统的v o nn e u m a n n 数字计算机在 视听模拟等人工智能领域遇到了物理上难以逾越的障碍。1 9 8 2 年，j j h o p f i e l d ”】提出了具有联想记忆功能的单层反馈神经网络模型，引入l y a p u n o v 能量函数阐明神经网络与非线性动力学系统的关系，并建立了神经网络系统的 稳定性判据。这一成果标志着神经网络的研究取得了突破性的进展。1 9 8 4 年， h o p f i e t d l 8 3 l 利用电子线路模拟了该反馈神经网络模型，并成功地解决了复杂度为 n p 的t s p 问题。此后，g e h i n t o n “1 等提出了具有随机机制的b o l t z m a r m 机： d e r u m e l h a r t s 5 】等提出了多层前馈神经网络的反向传播算法，并通过实验验证 了神经网络强大的计算能力。从这以后，神经网络的研究开始进入兴盛时期。 为适应人工神经网络的发展，1 9 8 7 年，国际神经网络学会正式成立，并决定定 期召开国际神经网络学术会议。1 9 8 8 年1 月( n e u r a l n e t w o r k ) ) 创刊。1 9 9 0 年3 月i e e e t r a n s a c t i o n o n n e u r a l n e t w o r k ) ) 问世。我国于同年1 2 月在北京召开了 首届神经网络学术大会，同年在南京成立了中国神经网络学会。由此可见，即 使在国际上，神经网络的研究也是一个前沿领域，具有较强的发展前景。 北京工业大学工学博士学位论文 1 3 1 神经网络 神经网络实际上是以一种简单计算一处理单元( 即神经元) 为节点，采用 某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统。神 经网络具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程 度和层次上模仿人脑神经系统