论文部分内容阅读
机器人不仅是一个十分复杂的时变、强耦合、高度非线性系统,而且实际上还存在诸多不确定因素,诸如测量误差、摩擦、负载变化、随机扰动及未建模动态等,因此无法得到完整的、精确的机器人系统模型。本文在参考国内外大量文献的基础上,针对不确定性机器人轨迹跟踪控制问题,引入智能控制方法,使机器人系统达到较好的控制效果。机械手逆运动学求解是进行机械手控制的重要步骤之一,本文利用神经网络具有逼近任意非线性系统的能力,研究前馈神经网络在机械手逆运动学问题中的应用。前馈型神经网络中最典型的网络是BP神经网络,它采用标准的BP算法时,存在着收敛速度慢、易陷入局部极小的缺陷。针对BP算法的缺点,给出了一种混合算法,即先利用遗传算法离线训练神经网络参数,使网络参数达到近似全局最优,然后再采用BP算法来在线训练网络参数,使控制器具有在线自适应能力。仿真结果表明,该神经网络能够有效求解机械千逆运动学问题,达到了较高的精度,而且求解速度较快,满足机械手实时控制的要求。介绍和分析了模糊控制的基本原理,并构造了机器人轨迹跟踪的模糊控制系统,它不依赖于对象的精确的数学模型,能有效地克服被控对象存在的非线性和不确定性的影响。将模糊控制与神经网络结合起来,利用神经网络模拟模糊推理,使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力,又使得模糊神经网络的推理归纳方式在实际的控制过程中可以不断地修正,同时由于模糊神经网络的结构具有明确的物理意义,使模糊神经网络的结构设计和权值的初始化非常容易,采用高斯基函数作为模糊隶属函数,构造了模糊高斯基函数神经网络。设计了一种神经网络控制系统,该系统通过神经网络来补偿系统中的不确定性,并利用李雅普诺夫定理设计了具有神经网络补偿的控制器的结构和神经网络的学习算法,从而保证了系统的稳定性、改善了系统的动态性能。