一种机器人自适应神经滑模控制方法、设备及介质技术

本申请实施例公开了一种机器人自适应神经滑模控制方法、设备及介质。基于预置性能函数，确定出机器人的跟踪误差，并基于预置转换函数对跟踪误差进行转换，以得到转换误差；基于转换误差，以及转换误差对应的有限时间非奇异终端滑模面，确定出机器人对应的自适应律；通过预置RBF神经网络，对有限时间非奇异终端滑模面对应的集总非线性进行补偿；通过预置Lyapunov函数，对滑模变量、转换误差以及转换误差对应的导数进行有界性分析，以根据分析结果对机器人进行跟踪。通过上述方法，提高对机械臂的跟踪精度。械臂的跟踪精度。械臂的跟踪精度。

【技术实现步骤摘要】
一种机器人自适应神经滑模控制方法、设备及介质


[0001]本申请涉及机器人
，尤其涉及一种机器人自适应神经滑模控制方法、设备及介质。

技术介绍

[0002]目前，机器人在空间探索、手术机器人以及工业应用等领域有着广泛的应用。为了满足控制性能的要求，各种先进的控制技术可以应用于机器人的控制器，如鲁棒控制、滑模控制、模糊控制、神经网络控制等。
[0003]然而，间隙滞后现象广泛存在于伺服机构、维纳系统、飞行器等物理系统和设备中。机械手驱动关节反向运动时会产生间隙滞后，机械手的间隙滞后和系统不确定性(如扰动、非线性摩擦、耦合项等)影响了机械手跟踪控制的精度，而这些不确定性是不容易预先获得的，以致难以对机械臂的跟踪精度较差。

技术实现思路

[0004]本申请实施例提供了一种机器人自适应神经滑模控制方法、设备及介质，用于解决如下技术问题：机械手的间隙滞后和系统不确定性，影响了机械手跟踪控制的精度，而这些不确定性是不容易预先获得的，以致难以对机械臂的跟踪精度较差。
[0005]本申请实施例采用下述技术方案：
[0006]本申请实施例提供一种机器人自适应神经滑模控制方法。包括，基于预置性能函数，确定出机器人的跟踪误差，并基于预置转换函数对跟踪误差进行转换，以得到转换误差；基于转换误差，以及转换误差对应的有限时间非奇异终端滑模面，确定出机器人对应的自适应律；通过预置RBF神经网络，对有限时间非奇异终端滑模面对应的集总非线性进行补偿；通过预置Lyapunov函数，对滑模变量、转换误差以及转换误差对应的导数进行有界性分析，以根据分析结果对机器人进行跟踪。
[0007]本申请实施例为了保证闭环系统的暂态和稳态性能，结合预设性能函数进行自调整增益系数的非奇异终端滑模控制。其次，基于滑模变量，提出了一种新的自适应律，在不需要先验知识的情况下，能够有效地估计系统不确定性的上界。此外，为了逼近系统非线性函数和未知动力学，引入径向基函数神经网络对集总非线性进行补偿。通过Lyapunov函数确定出所有信号都是一致最终有界的。从而能够有效地削弱间隙迟滞的影响，实现机器人的高精度跟踪性能。
[0008]在本申请的一种实现方式中，基于预置性能函数，确定出机器人的跟踪误差，并基于预置转换函数对跟踪误差进行转换，以得到转换误差，具体包括：根据机器人对应的关节位置向量，确定出机器人对应的期望的跟踪轨迹；基于预置性能函数与期望的跟踪轨迹确定出机器人的跟踪误差，将踪误差将转换为非受限误差形式，并基预置转换函数对非受限误差形式进行转换，得到转换误差。
[0009]在本申请的一种实现方式中，基于预置性能函数与期望的跟踪轨迹确定出机器人
的跟踪误差，将踪误差将转换为非受限误差形式，并基预置转换函数对非受限误差形式进行转换，得到转换误差，具体包括：将跟踪误差定义为
[0010]q
e
＝q
‑
q
d
[0011]基于预置性能函数
[0012]F
μi
＝(μ
0i
‑
μ
∞i
)exp(
‑
a(k)t)+μ
∞i
[0013]确定出机器人的跟踪误差；基于转换函数
[0014]q
ei
＝F
μi
(t)S(σ
i
)
[0015][0016]对非受限误差形式进行转换，得到转换误差
[0017][0018]其中，q∈R
n
×1为机器人关节位置向量，q
d
表示期望的跟踪轨迹，μ
0i
>μ
∞i
>0，跟踪误差满足不等式
‑
ε
i
F
μi
(t)<q
ei
<ε
i
F
μi
(t)，q
ei
(i＝1,2,
…
,n)表示第i个误差元素，0<ε
i
≤1和参数a(k)将通过设置的间隔时间t
F
进行调整；S(σ
i
)为转换函数，σ
i
是第i个转换误差，μ
n
＝[μ
n1
,μ
n2
,
…
,μ
nm
]T
是中心向量。
[0019]在本申请的一种实现方式中，基于转换误差，以及转换误差对应的有限时间非奇异终端滑模面，确定出机器人对应的自适应律，具体包括：确定出转换误差对应的导数；基于转换误差的导数，确定出有限时间非奇异终端滑模面；确定出有限时间非奇异终端滑模面的导数；基于导数确定出机器人对应的控制律，以基于控制律确定出机器人对应的自适应律。
[0020]在本申请的一种实现方式中，基于导数确定出机器人对应的控制律，以基于控制律确定出机器人对应的自适应律，具体包括：基于导数
[0021][0022]确定出H为
[0023][0024]控制律为
[0025]τ＝τ1+τ2[0026][0027][0028]机器人对应的自适应律为
[0029][0030][0031][0032]其中，υ1,υ2,υ3为正常数，ξ为设定的死区大小；q∈R
n
×1为机器人关节位置向量、为机器人速度向量；M(q)∈R
n
×
n
是惯性矩阵，是向心的科里奥利矩阵，G(q)∈R
n
×1是引力矢量；d(t)为系统不确定性，是常数；跟踪误差q
e
＝q
‑
q
d
，其中q
d
表示期望的跟踪轨迹；θ1，θ2，θ3都是未知的正常量，||
·
||表示向量的欧几里德范数；q
ei
(i＝1,2,
…
,n)表示第i个误差元素；τ是间隙滞后的输入。
[0033]在本申请的一种实现方式中，通过预置RBF神经网络，对有限时间非奇异终端滑模面对应的集总非线性进行补偿之后，方法还包括：通过预置RBF神经网络
[0034]H＝W
*T
X(N)+ω
[0035]对集总非线性进行确定；
[0036]基于函数
[0037]τ＝τ
1N
+τ2[0038][0039][0040][0041]对控制律与自适应律进行确定；其中，ω是RBF神经网络的近似误差；是W
*
的估计权重矩阵；Y
i
和g
i
是两个正常数；q∈R
n
×1为机器人关节位置向量、为机器人速度向量；M(q)∈R
n
×
n
是惯性矩阵，是向心的科里奥利矩阵，G(q)∈R
n...

【技术保护点】

【技术特征摘要】
1.一种机器人自适应神经滑模控制方法，其特征在于，所述方法包括：基于预置性能函数，确定出机器人的跟踪误差，并基于预置转换函数对所述跟踪误差进行转换，以得到转换误差；基于所述转换误差，以及所述转换误差对应的有限时间非奇异终端滑模面，确定出所述机器人对应的自适应律；通过预置RBF神经网络，对所述有限时间非奇异终端滑模面对应的集总非线性进行补偿；通过所述预置Lyapunov函数，对滑模变量、所述转换误差以及所述转换误差对应的导数进行有界性分析，以根据分析结果对机器人进行跟踪。2.根据权利要求1所述的一种机器人自适应神经滑模控制方法，其特征在于，所述基于预置性能函数，确定出机器人的跟踪误差，并基于预置转换函数对所述跟踪误差进行转换，以得到转换误差，具体包括：根据所述机器人对应的关节位置向量，确定出所述机器人对应的期望的跟踪轨迹；基于预置性能函数与所述期望的跟踪轨迹确定出所述机器人的跟踪误差，将所述踪误差将转换为非受限误差形式，并基所述预置转换函数对所述非受限误差形式进行转换，得到所述转换误差。3.根据权利要求2所述的一种机器人自适应神经滑模控制方法，其特征在于，所述基于预置性能函数与所述期望的跟踪轨迹确定出所述机器人的跟踪误差，将所述踪误差将转换为非受限误差形式，并基所述预置转换函数对所述非受限误差形式进行转换，得到所述转换误差，具体包括：将跟踪误差定义为q
e
＝q
‑
q
d
基于预置性能函数F
μi
＝(μ
0i
‑
μ
∞i
)exp(
‑
a(k)t)+μ
∞i
确定出所述机器人的跟踪误差；基于转换函数q
ei
＝F
μi
(t)S(σ
i
)对所述非受限误差形式进行转换，得到所述转换误差其中，q∈R
n
×1为机器人关节位置向量，q
d
表示期望的跟踪轨迹，μ
0i
>μ
∞i
>0，跟踪误差满足不等式
‑
ε
i
F
μi
(t)<q
ei
<ε
i
F
μi
(t)，q
ei
(i＝1,2,
…
,n)表示第i个误差元素，0<ε
i
≤1和参数a(k)将通过设置的间隔时间t
F
进行调整；S(σ
i
)为所述转换函数，σ
i
是第i个转换误差，μ
n
＝[μ
n1
,μ
n2
,
…
,μ
nm
]
T
是中心向量。
4.根据权利要求1所述的一种机器人自适应神经滑模控制方法，其特征在于，所述基于所述转换误差，以及所述转换误差对应的有限时间非奇异终端滑模面，确定出所述机器人对应的自适应律，具体包括：确定出所述转换误差对应的导数；基于转换误差的导数，确定出有限时间非奇异终端滑模面；确定出所述有限时间非奇异终端滑模面的导数；基于所述导数确定出所述机器人对应的控制律，以基于所述控制律确定出所述机器人对应的自适应律。5.根据权利要求4所述的一种机器人自适应神经滑模控制方法，其特征在于，所述基于所述导数确定出所述机器人对应的控制律，以基于所述控制律确定出所述机器人对应的自适应律，具体包括：基于所述导数确定出H为所述控制律为τ＝τ1+τ
22
所述机器人对应的自适应律为所述机器人对应的自适应律为所述机器人对应的自适应律为其中，υ1,υ2,υ3为正常数，ξ为设定的死区大小；q∈R
n
×1为机器人关节位置向量、为机器人速度向量；M(q)∈R
n
×
...

【专利技术属性】
技术研发人员：王怀震，李洪生，谭雯，李朝铭，马辰，黄毅，刘鹏，南国，
申请(专利权)人：山东新一代信息产业技术研究院有限公司，
类型：发明
国别省市：