A.摘要
研究了一类非完整移动机器人在存在不确定性和扰动的情况下的轨迹跟踪问题。首先,在假定移动机械手运动子系统能够转化为链形的前提下,在不考虑外界干扰的情况下,精确地了解移动机械手的运动子系统,设计了一种基于模型的转矩级控制器采用反步设计技术。然而,基于模型的控制可能不适用于实际应用,因为移动机械手的动力学中不可避免地存在不确定性和干扰。因此,在不需要对系统动力学有明确了解的情况下,开发了一种基于递归神经网络(RNN)的控制系统。控制系统包括RNN辨识器和补偿控制器,其中RNN用于在线辨识未知动态,补偿控制器用于补偿近似误差和外部干扰。从李亚普诺夫的角度推导了控制系统的在线自适应规律,保证了系统的稳定性。最后给出了轮式移动机械手的仿真结果,证明了该控制方法具有良好的跟踪性能和鲁棒性。
B.贡献
i)针对无需系统动力学知识的非完整移动机器人,提出了一种基于RNN的自适应控制系统。
ii)在控制系统中使用RNN标识符和补偿控制器,其中RNN用于在线识别未知动态,提出了一种补偿控制器来补偿近似误差和外部干扰。
iii)利用李雅普诺夫稳定性综合,推导出网络权值的在线更新规律,从而保证系统的稳定性。
C.方法
本文主要就移动机械臂在控制过程中容易受到非线性扰动而引起控制误差研究,通过神经网路学习系统的非线性扰动然后,将估计得非线性扰动进行补偿。
轮式移动机械臂模型,输入到输出到输出
数学模型
神经网络控制系统模型
在该模型中,为了补偿由非线性扰动引起的误差,用神经网络学习估计f.本文使用RNN神经网络,该网络由特定的模型函数,通过训练,权值更新。
控制器设计
D实验