《浅谈机器人智能控制研究报告》由会员分享，可在线阅读，更多相关《浅谈机器人智能控制研究报告（7页珍藏版）》请在金锄头文库上搜索。
1、-科技大学 2021 级研究生课程考试答题纸题号一二三四五六七八九十总分得分阅卷人考试科目机械制造与装配自动化专业机械工程*1505048考生乔旭光考生类别专业学位硕士本卷须知1. 试题随试卷交回；2. 试卷评阅后，一周送交研究生秘书处保存；3. 考生类别为学术硕士、专业学位硕士、在职人员攻读硕士学位。浅谈机器人智能控制研究摘要：以介绍机器人控制技术的开展及机器人智能控制的现状为根底,表达了模糊控制和人工神经网络控制在机器人中智能控制的方法。讨论了机器人智能控制中的模糊控制和变构造控制,神经网络控制和变构造控制,以及模糊控制和神经网络控制等几种智能控制技术的融合。并对模糊控制和神经网络控制等方
2、法中的局限性作出了说明。关键词:机器人；智能控制；模糊控制；人工神经网络1 智能控制的主要方法随着信息技术的开展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出崭新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。1.1 模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论根底,以先验知识和专家经历作为控制规则。其根本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的根底上运用模糊控制器近似推
3、理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数确实定,以及控制规则的制定二者缺一不可。1.2 专家控制专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经历,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按*种策略适时选用恰当的规则进展推理,以实现对控制对象的控制。专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。1.3 神经网络控制神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信
4、息,通过不断修正连接的权值进展自我学习,以逼近理论为依据进展神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。1.4 学习控制(1)遗传算法学习控制智能控制是通过计算机实现对系统的控制,因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法,它模拟生物界/生存竞争,优胜劣汰,适者生存的机制,利用复制、穿插、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法,一方面希望在宽广的空间进展搜索,从而提高求得最优解的概率;另一方面又希望向着解的方向尽快缩小搜索围,从而提高搜索效率。如何同
5、时提高搜索最优解的概率和效率,是遗传算法的一个主要研究方向 。(2)迭代学习控制迭代学习控制模仿人类学习的方法、即通过屡次的训练,从经历中学会*种技能,来到达有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制构造由线性反响控制器和前馈学习补偿控制器组成,其中线性反响控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。2 机器人智能控制技术的开展从机器人诞生到20 世纪80 年代初,机器人技术经历了一个长期缓慢的开展过程。到了20 世纪90 年代,随着计算机技术、微电子技术
6、、网络技术等的快速开展,机器人技术也得到了飞速开展。智能机器人的研究是目前机器人研究中的热门课题。作为一门新兴学科,它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果。智能控制的研究主要表达在对基于知识系统、模糊逻辑和人工神经网络的研究。智能机器人可以在非预先规定的环境中自行解决问题。智能机器人的技术关键就是自适应和自学习的能力,而模糊控制和神经网络控制的应用显示出诸多优势,具有广阔的应用前景。2.1 机器人控制技术的开展早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统可看成是机器人各关节控制器简单的组合。随着机器人技术的开展,机器人控制
7、器对各关节在整个过程中位置、速度及加速度都有一定的要求,因此可采用独立关节控制原则,在各关节构成PID 控制。由于机器人操作臂是一个高度非线性的系统,工业用的低速操作臂应用常规的PID 反响控制可以满足控制要求,但为实现高速运动,要求具有较好的控制品质, PID 反响控制难以取得较好的控制效果。在传统的控制方法中,它们依赖数学模型。但是,由于操作臂的参数不能准确得到,模型参数与实际参数不匹配时,便会产生伺服误差。当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知和不定的特性。这未知因素和不定性使控制系统性能降低。因此,采用传统的控制方案已不能满足控制要求。
8、在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时,智能控制方法得到了成功的应用。近年来,随着人们对机器人高速高精度要求的不断提高,使得整个机器人系统对其控制局部的要求也越来越高,开发具有智能的机器人已经成为人们研究的热点。2.2 机器人智能控制的现状近几年,机器人智能控制在理论和应用方面都有较大的进展。在模糊控制方面,由JJBuckley 等人论证了模糊系统的逼近特性; EHMamdan 首次将模糊理论运用于一台实际机器人,把模糊控制技术在机器人中的应用得以展现 。 而且,模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广
9、泛的应用。在机器人神经网络控制方面,CMCA (Cere-bella Model Cont roller Articulation) 是应用较早的一种控制方法,它的最大特点是实时性好,尤其适应于多自由度操作臂的控制,WTMiller 等还进展了实验研究,验证了该方法的有效性。3 机器人智能控制方法3.1 机器人的模糊控制英国学者EHMamdani 在1974 年首次成功地将模糊集理论运用于工业锅炉的过程控制之中,并于20 世纪80 年代初又将模糊控制引进到机器人的控制中. 被控对象是一个具有两个旋转关节的操作臂,每个关节由直流电动机驱动。 关节的实际转角通过测速发电机由A/ D 转换电路获得,
10、其角速度通过SOC 的记忆存储器编程来实现。其主要是对操作臂模糊控制系统,分别进展阶跃响应测试和跟踪控制试验. 控制结果证明了模糊控制方案具有可行性和优越性。由Lin C M 等人提出了在模糊控制器构造的根底上,引入PI 调节机制到达对阶跃输入的快速响应和到达消除隐态误差的效果. 通过相平面上对两种不同区域的启发性分类,可得到一组简单的模糊规则,从而简化了模糊规则库和算法,使最终的控制器易于实现. 该控制方案通过仿真实验得到验证。由邓辉等人提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法,并将其应用于动力学方程未知的机械手轨迹控制。采用c 均值聚类算法构造两关节机械手模糊模型,并由此构造模
11、糊系统的逆模型。在提出的模糊逆模型控制构造中,离散时间滑模控制和时延控制用于补偿模糊建模误差和外扰动,保证系统全局稳定性,并改善其动态和稳态性能。系统稳定性和轨迹误差的收敛性,通过稳定性定理得到证明。3.2 机器人的神经网络控制神经网络的研究20 世纪60 年代,并在20 世纪80 年代得到了快速的开展。 近几年来,神经网络研究的目标是复杂的非线性系统的识别和控制等方面,神经网络在控制应用上具有以下特点:能够充分逼近任意复杂的非线性系统；能够学习与适应不确定系统的动态特性；有很强的鲁棒性和容错性等。 因此,神经网络对机器人控制具有很大的吸引力。在机器人的神经网络动力学控制方法中,典型的是计算力
12、矩控制和分解运动加速度控制,前者在关节空间闭环,后者在直角坐标空间闭环。 在基于模型计算力矩控制构造中,关键是逆运动学计算,为实现实时计算和防止参数不确定性,可通过神经网络来实现输入输出的非线性关系。对多自由度的机器人手臂,输入参数多,学习时间长,为了减少训练数据样本的个数,可将整个系统分解为多个子系统,分别对每个子系统进展学习,这样就会减少网络的训练时间,可实现实时控制。由Albus 提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法,即CM-CA 法。该方法以数学模块为根底,采用查表方式产生一个以离散状态输入为响应的输出矢量。在控制中,状态矢量输入来自机器人关节的位置与速度反
13、响,输出矢量为机器人驱动信号。也可以利用CMCA 模拟机器人动力学方程,计算实现期望运动所需力矩作为前反响控制力矩,采用自适应反响控制消除输入扰动及参数变化引起的误差。经过仿真实验证明,经过4 个控制周期后,控制过程的误差趋近于零。F.L. Lewis 基于无源理论,提出了一类网络利用功能连接神经网络逼近机器人动力学模型,连接权在线调整方法,可保证神经网络自适应控制算法闭环稳定。33机器人智能控制技术的融合 (1) 模糊控制和变构造控制的融合在模糊变构造控制器(FVSC) 中,许多学者把变构造框架中的每个参数或是细节采用模糊系统来逼近或推理,仿真实验证明该方法比PID 控制或滑模控制更有效。在
14、设计常规变构造控制律时,假设函数系数取得很大,系统就会产生很多的抖振,如果用引入边界层方法消除抖振,就会产生很大的误差；假设该系数取较小值,鲁棒性就会变差。 因此,金耀初等人提出了通过引入模糊系统来动态预测和估计系统中不确定量的方法。模糊系统中的输入分为两种:一种为系统的综合偏差模糊值;另一种为偏差增量模糊值。它的输出是对上述函数中的系数进展模糊估值。 仿真结果说明抖振现象得到了抑制。还有人在初始建模阶段采取模糊系统辨识,其后在变构造控制中对动力学模型进展自适应学习。在这种控制方案中,模糊控制和变构造控制之间的界限很清晰,从仿真结果看,控制性能也较好。(2) 神经网络和变构造控制的融合神经网络
15、和变构造控制的融合一般称为NNVSC。实现融合的途径一般是利用神经网络来近似模拟非线性系统的滑动运动,采用变构造的思想对神经网络的控制律进展增强鲁棒性的设计,这样就可避开学习到达一定的精度后神经网络收敛速度变慢的不利影响。经过仿真实验证明该方法有很好的控制效果。但是由于变构造控制的存在,系统会出现力矩抖振。牛玉刚等人将变构造控制和神经网络的非线性映射能力相结合,提出了一种基于神经网络的机械手自适应滑模控制器. 如果考虑利用滑模控制技术,需要知道系统的不确定性的上界,但在实际应用中,许多系统的不确定界却难以得到。因此利用神经网络估计系统的不确定性的未知界,抑制了常规滑模控制需要不确定性界的限制,
16、但是由于滑模控制的存在,就有抖振现象,为了消除抖振,可用S 型函数代替符号函数。经过仿真实验,该控制器能够有效的补偿系统不确定性的影响,保证机器人系统对期望轨迹的快速跟踪。(3) 模糊控制和神经网络控制的融合模糊控制和神经网络控制的融合,一般称为模糊神经网络( Fuzzified neural network) 或神经网络模糊控制器(neuro-fuzzy cont roller) 。模糊系统和人工神经网络相结合实现对控制对象进展自动控制,是由美国学者BKosko 首先提出的。 模糊系统和神经网络都属于一种数值化和非数学模型函数估计器的信息处理方法,它们以一种不准确的方式处理不准确的信息。模糊控制引入了隶属度的概念,即规则数值化,从而可直
