一種基於ELM的機器人自適應跟蹤控制方法與流程

2023-06-21 16:20:21

本發明涉及一種機器人設計方法，具體涉及一種基於ELM的機器人自適應跟蹤控制方法，屬於智能產品技術領域。

背景技術：

由於機器人系統中存在著諸如機器人自身參數誤差、觀測噪聲、未建模動態、負載擾動以及不確定性的外界幹擾等因素，因此，針對這種不確定性的在線補償，不同的控制方法相繼被提出，現有技術中引入濾波跟蹤誤差，設計了自適應神經網絡控制器，實現網絡的權值在線調整，保證了閉環系統中的所有信號一致最終有界；設計的自適應神經網絡控制器無須計算機器人的逆動態模型和雅可比矩陣的逆，實現了機器人任務空間的跟蹤控制；採用自適應模糊系統，針對機器人不確定部分，在同時包括摩擦、外加幹擾和負載變化且模糊逼近誤差在滿足某種假設條件的情況下，設計了基於模型已知，模型未知的兩種自適應控制方法，均取得了較好的控制效果；採用滑模控制和神經網絡相結合，並使用模糊監督控制器，雖然提高了控制系統的性能，但是還須獲取系統的先驗知識和附加一些限制條件的約束。

技術實現要素：

（一）要解決的技術問題

為解決上述問題，本發明提出了一種基於ELM的機器人自適應跟蹤控制方法，針對剛性臂機器人系統，提出基於極限學習機(ELM)的兩種自適應神經控制算法，極限學習機隨機選擇單隱層前饋神經網絡(SLFNs)的隱層節點及其參數，僅調整其網絡的輸出權值，以極快的學習速度可獲得良好的推廣性。

（二）技術方案

本發明的基於ELM的機器人自適應跟蹤控制方法，包括以下步驟：

第一步：針對具有模型不確定性、未知摩擦力、外界擾動以及負載變化的剛性臂機器人系統，提出針對系統不確定項進行整體逼近與分塊逼近的兩種ELM自適應神經控制算法；

第二步：利用ELM逼近系統的未知非線性函數，附加的魯棒控制項補償系統的逼近誤差，所獲得的兩種控制器均不依賴於初始條件的約束且放鬆對參數有界的要求；

第三步：系統的自適應控制律，ELM網絡的權值及未知逼近誤差限的自適應參數調節律均是在基於Lyapunov穩定性理論分析設計的基礎上得到，且兩種ELM控制算法均能保證閉環系統的穩定性及跟蹤誤差的最終一致有界；

第四步：分段設計的ELM網絡權值自適應調節律還具有投影算子的特性，保證了權值有界；

第五步：通過應用於二自由度平面機器人的仿真實例驗證了ELM控制器的良好跟蹤性能，仿真結果表明了ELM自適應控制算法的有效性和魯棒性。

（三）有益效果

與現有技術相比，本發明的基於ELM的機器人自適應跟蹤控制方法，針對剛性臂機器人系統，提出基於極限學習機(ELM)的兩種自適應神經控制算法，極限學習機隨機選擇單隱層前饋神經網絡(SLFNs)的隱層節點及其參數，僅調整其網絡的輸出權值，以極快的學習速度可獲得良好的推廣性。

具體實施方式

一種基於ELM的機器人自適應跟蹤控制方法，包括以下步驟：

第一步：針對具有模型不確定性、未知摩擦力、外界擾動以及負載變化的剛性臂機器人系統，提出針對系統不確定項進行整體逼近與分塊逼近的兩種ELM自適應神經控制算法；

第二步：利用ELM逼近系統的未知非線性函數，附加的魯棒控制項補償系統的逼近誤差，所獲得的兩種控制器均不依賴於初始條件的約束且放鬆對參數有界的要求；

第三步：系統的自適應控制律，ELM網絡的權值及未知逼近誤差限的自適應參數調節律均是在基於Lyapunov穩定性理論分析設計的基礎上得到，且兩種ELM控制算法均能保證閉環系統的穩定性及跟蹤誤差的最終一致有界；

第四步：分段設計的ELM網絡權值自適應調節律還具有投影算子的特性，保證了權值有界；

第五步：通過應用於二自由度平面機器人的仿真實例驗證了ELM控制器的良好跟蹤性能，仿真結果表明了ELM自適應控制算法的有效性和魯棒性。

上面所述的實施例僅僅是對本發明的優選實施方式進行描述，並非對本發明的構思和範圍進行限定。在不脫離本發明設計構思的前提下，本領域普通人員對本發明的技術方案做出的各種變型和改進，均應落入到本發明的保護範圍，本發明請求保護的技術內容，已經全部記載在權利要求書中。