基于神经网络的机器人轨迹鲁棒跟踪控制

《基于神经网络的机器人轨迹鲁棒跟踪控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、耩予神经涮络辩拱器八轨避释棒鞭黥掩铡摘要概括来说，缀移复杂工业过程都具有莱种可重笈的特性。如何利用复杂系统的这种特憋，通过弓{避学习枫潮，不断地积累被控对象的鲡识，在线凳裁控制器韵设诗秘敬遴，鄄织在线麴学习、在缝黥羟铡与控案l系统性戆改装的功熊综合在一个算法璺，懑遭工业过程匏不藜羹笈麓骧实瑗，燕在藏为笺杂系统鬻§＆控潲黪耱髂磷究领域。逶代攀哥缒割方法就是为此丽掇出的～种新的智能控制方法，它在解决幽于对象存在非线性戏夕}界干揽谶溅的不确定性闯鼷方面更具有褥天独蓐的优越性。出于棒经铡络熬霄对任惑菲线健映射

2、l勺理想遭近髓力，并能举习和适暾未知不雅定蓉统的动态特性，使袋鲻秘经网络的澄

3、蹦系统其宥燹焱熬逶艨性瓤鲁捧瞧。本文将迭代学习控割与枣孛经辫终游谈秘结合，提出了一转糖的萋予瓣缝隧终戆蛰薅迭代学潜藏镪方法。园予享率缀霹络具有罄学习熊力，它可列瓣不确定瞧系绫瀚掰受输崮数据黠系绕瓣稳态特性遂霉亍估计，健褥对系统正向模型的辨识达到理想的邋邋精度，然后在就正国模整酌基础上进行学习控制律的设计：即采用神经潮络辨识非线牲系统的正向模戮，并消除系统不确定性和外部干扰的影响，饺关节遮动沿迭代轴方向邋邋期望轨迹；迭代学习控铡器在线学习控铡参鳖，便关节运动沿瓣浏鞫方向跟踪期黧辕避。该方洼鹃姆点怒，在簿～次迭我学习j霪掇串，镬谤经嬲终测练剿霹摸蛩粒势}识逸翻魄较磐豹遥远髓麓爝，测

4、蠲幸串经元网络豹输如稳造下～次迭代学习过程中控制律的褥馈部分，爵将它与嶷对度馈控制结台，形成本文提出的豁棒迭代学习控制冀法，弗对机器人系统进行控制。在此弓l入反馈控制是为了补偿辨识和迭代学习的谖麓，以增强被控系统滟鲁棒性，鼹离控制精度。仿真结果表明，该方法对有未知射都干扰的机器入系统魁十分有效韵，叛熊以缀少的随络训练次数釉遮代学习次数达茔H满意泌跟踪链麓。瀵谂分橱媳表明，翔鬃神经潮络爨有慧够麓煎辨识麟发，粼爵实凌任意饕线瞧系统在不磺定扰动债嚣下对彳善慧虢滚黪惫糖度躐黥。关键词：神经溺缭，系统辨识，迭代掌>-j控制，千扰抑糊基于静绎秘络的扼器A虢迹蛰棒蹴黥控制AbstractIn

5、general，everycomplexindustrialprocesshassomerepeatableproperties。Howtousethepropertyofthecomplexsystemandintroducealearningmechanismtocontinuouslyaccumulateknowledgefromcontrolledplanttoaccomplishdesignandimprovementofthecontrolleron—line，isbecominganewresearchareaofintelligentcontrolforthec

6、omplexsystem．Inotherwords．alifunctionsofon—lineIeaming．on。linecontrolandperformanceimprovementofcontrolsystemareintegratedinanalgorithmandrealizedbyrepetitionofindustrialprocesses．Thusiterativelearningcontrolisproposedasanewintelligentcontrolmethodology．Ithasstrongadvantagetosolvetheproblemo

7、funcertaintiesduetononlinearpropertyandexternaldisturbanceoftheplant，SinceneuralnetworknotonlyhasthesatisfactorycapacityofapproximatinganynonlinearmappingbutalsocallleammadadapttOthedynamicalpropertyofunknownsystem，neuralnetworkbasedcontrolsystemhasfairlystrongadaptabilityandrobustness．Thisp

8、aperpresentsanevvueuralnetwo蠢basediterativelearningcontmialgorithm．whichcombinesiterativelearningcongolwithnel．tralnetworkidentificafionforthepurposeoftrajectorytrackingCODtrolofrobot．Asneuralnetworkhastheabilityofself-learning．thatutilizespriorout