《机器人控制》课件 chapter7 神经网络控制

机器人控制——应用篇机器人控制技术在人机交互中的作用机器人控制技术在人机交互中的作用Chapter7神经网络控制Chapter8自适应控制Chapter9其他控制方法CHAPTER7神经网络控制神经网络控制基本原理未知动态下机器臂全局神经网络控制器设计一种具有输出约束的机械臂轨迹跟踪神经网络控制基于有限时间收敛的机械臂全局自适应神经网络控制4Chapter7神经网络控制神经网络控制的基本思想神经网络控制的特点神经网络控制的分类57.1神经网络控制基本原理7.1神经网络控制的基本原理神经网络控制的基本思想一般反馈控制系统原理图神经网络控制系统原理图对象：针对系统的非线性、不确定性和复杂性进行。控制系统的目的：通过输入确定的适当的控制量，使系统获得期望的输出特性。6神经网络控制：将传统的控制器替换为神经网络控制器，以满足特定的任务要求。被控对象：

控制任务：

神经网络功能：

满足条件：

神经网络实现控制的基本思想：通过其学习算法实现对被控对象求逆的过程。神经网络控制系统原理图7神经网络控制的特点具有很强的自学习能力采用并行分布式信息处理本质上是非线性系统具有很强的信息综合能力常用的神经网络控制系统：神经网络控制的分类神经网络监督控制神经网络模型参考自适应神经网络自校正控制神经网络预测控制神经网络内模正控制8神经网络控制的分类神经网络监督控制神经网络监督控制：通过对传统控制器的学习，然后用神经网络控制器逐渐取代传统控制器的方法，即为神经网络监督控制。它通过对传统控制器的输出进行学习，在线调整权值，使反馈控制输入趋近于零，从而使神经网络控制器起主要作用。97.1神经网络控制基本原理神经网络模型监督控制系统神经网络控制的分类107.1神经网络控制基本原理

神经网络模型监督控制系统神经网络控制的分类神经网络模型参考自适应控制在神经网络自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述，可分为直接模型参考自适应控制和间接模型参考自适应控制两种。117.1神经网络控制基本原理直接模型参考自适应控制间接模型参考自适应控制神经网络控制的分类

127.1神经网络控制基本原理直接模型参考自适应控制间接模型参考自适应控制

神经网络自校正控制系统结构神经网络自校正控制13

神经网络辨识器

确定性等价原则

14神经网络预测控制预测控制又称为基于模型的控制，该方法的特征是预测模型、滚动优化和反馈校正。神经网络预测控制的结构如图所示，神经网络预测器建立了非线性被控对象的预测模型，并可在线进行学习修正。15神经网络预测控制系统结构16神经网络内模控制系统结构(实线为基本原理图，加上绿色虚线后可构成内模控制的一种具体实现。)内模控制(也称内部模型控制),因为其在预测控制系统的有效参数易调等优点,很快在控制界引起极大关注。神经网络内模正控制Thanks机器人控制—运动学.控制器设计.人机交互与应用实例/12965836.htmlCHAPTER7神经网络控制引言及背景全局自适应神经网络控制器设计仿真实验197.2未知动态下机械臂全局神经网络控制器设计7.2未知动态下机械臂全局神经网络控制器设计引言及背景若干关节的机械臂是一个具有非线性和不确定性的系统。20多关节机械臂负载随时间变动等导致的较强时变性；惯性、质量等导致的参数不确定性；作业环境、驱动器等导致的不确定性。机械臂控制是多输入多输出的问题。有很多控制算法可以应用：PID控制滑模变结构控制、鲁棒控制、自适应控制智能控制理论间接神经网络动态稳定控制系统设计7.2未知动态下机械臂全局神经网络控制器设计全局自适应神经网络控制器设计

21机械臂闭环控制系统整体结构图

22

23

24

25

26

状态变量轨迹图

误差反馈切换函数逼近项和鲁棒项全局跟踪

27

28

(7.28)

29

(7.29)

30(7.31)

31(7.32)

32仿真实验

33两自由度机器人结构图仿真实验34

仿真实验35

36

37

神经网络的权值矩阵未调整到最优38

仿真结果与分析在系统运行初期，神经网络的权值矩阵（如图所示）还没有通过学习算法调整到最优，随着神经网络学习算法学习过程的推进，权值矩阵迅速收敛到最优值。梯度下降方法Thanks机器人控制—运动学.控制器设计.人机交互与应用实例/12965836.htmlCHAPTER7神经网络控制机械臂的数学模型控制器设计控制器仿真417.3一种具有输出约束的机械臂轨迹跟踪神经网络控制7.3一种具有输出约束的机械臂轨迹跟踪神经网络控制机械臂数学模型本节主要介绍一种简化的径向基函数神经网络控制方法,它利用系统的期望输出作为神经网络的输入，输入到基于tan型障碍李雅普诺夫函数设计的约束控制器中。被控对象：n自由度机械臂；约束条件：输出约束；控制目标：实现机械臂轨迹跟踪。函数工具：障碍李雅普诺夫函数、径向基函数神经网络；机械臂数学模型

42障碍李雅普诺夫函数(BLF)

约束条件43引理与假设

径向基函数神经网络(RBFNN)44控制器设计第一步：定义误差变量，根据机械臂动力学模型，建立误差动力学；第二步：假设机械臂模型已知，根据BLF设计出基于模型的控制器；第三步：考虑系统的不确定性，利用径向神经网络对不确定部分进行

逼近，进一步设计动力参数未知的控制器。误差动力学的建立45

求导引理1

考虑BLF：基于模型的控制器设计46

稳定性证明：

47动力学参数未知的控制器设计

不确定项

48

平滑处理

49

用于逼近集总不确定性

50

51控制器仿真仿真条件设定

52

仿真结果情况1：利用控制器①在自由空间中进行轨迹跟踪的结果53（b）施加在机械臂上的控制力矩情况1：利用控制器①在自由空间中进行轨迹跟踪的结果(a)联合空间中的跟踪结果红线——参考轨迹蓝线——实际轨迹（c）仿真过程中的跟踪误差(a)和(c)表明，控制器①能保证自由空间运动中良好的轨迹跟踪性能。(b)表明，由于边界理论的引入，输出力矩没有抖动。54(a)联合空间中的跟踪结果（b）施加在机械臂上的控制力矩（c）仿真过程中的跟踪误差(a)和(c)表明，控制器②能保证自由空间运动中的轨迹跟踪性能。而对比情况1的结果可得，控制器①在自由空间的跟踪性能更好。(b)表明，由于边界理论的引入，输出力矩没有抖动。情况2：利用控制器②在自由空间中进行轨迹跟踪的结果55（a）联合空间中的跟踪结果（b）施加在机械臂上的控制力矩（c）仿真过程中的跟踪误差

情况3：利用理想控制器①在外部力矩干扰下进行轨迹跟踪的结果56（c）仿真过程中的跟踪误差相比于情况3，在机械臂受到外部干扰时，控制器②更具鲁棒性。比较情况3和4的图(c)和(b)，控制器②的跟踪误差更小，且输出力矩也更平滑。结论：虽然在自由空间中运动时，控制器②的跟踪精度不高，但当存在不确定性和未知干扰时，它的跟踪效果总体上优于控制器①。情况4：利用实际控制器②在外部力矩干扰下进行轨迹跟踪的结果（b）施加在机械臂上的控制力矩（a）联合空间中的跟踪结果57Thanks机器人控制—运动学.控制器设计.人机交互与应用实例/12965836.htmlCHAPTER7神经网络控制引言及问题描述控制器设计仿真607.4基于有限时间收敛的机械臂全局自适应神经网络控制7.4基于有限时间收敛的机械臂全局自适应神经网络控制引言本节针对具有未知动力学参数的非线性机械臂的问题，将介绍一种具有有限时间（FT）学习收敛的神经网络设计全局自适应神经控制器。61神经网络结构图问题描述62

问题描述63

(7.65)控制器设计64

控制器设计65

控制器设计66

67

控制器设计68

69

使控制设计独立于关节加速度(7.77)

70

进一步可以表示为71

联立以上两式72

73

74

闭环误差方程

75

76

（7.97）

（7.98）77

自适应

法则(7.92)78

满足引理27.4基于有限时间收敛的机械臂全局自适应神经网络控制仿真79

两自由度机械臂结构图7.4基于有限时间收敛的机械臂全局自适应神经网络控制仿真80两自由度机械臂结构图0