基于神经网络的机器人关节转矩力控制研究.pdf

《基于神经网络的机器人关节转矩力控制研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、《电气自动化》2叭1年第33卷第1期机器人技术RobotTechnologies基于神经网络的机器人关节转矩力控制研究米李二超李战明李炜(兰州理工大学电气与信息工程学院，甘肃兰州730050)摘要：针对存在参数不确定和外界扰动的机器人系统，提出了一种无须使用力传感器即可同时控制机器人力和位置的关节转矩控制方案。采用神经网络补偿机器人位置控制时的不确定性，当机器人末端与环境接触时，通过转矩换算得到实际的接触力。该文采用计算力矩位置控制器和模糊力控制器，通过二自由度机器人仿真验证了该方法的有效性。该控制方案为在没有力传感

2、器情况下的力控制操作提供了一种可能的解决方案。关键词：关节转矩力估计力控制[中图分类号]TP242；TP183[文献标识码]A[文章编号]1000—3886(2011)01-0023493ResearchOnRoboticJointTorqueForceControIBasedOnNeuralNetworkLiErchaoLiZhanmingLiWei(CollegeofElectricalandInformationEngineering，LanzhouUniversityofTechnology，LanzhouG

3、ansu730050，China)Abstract：Inthispaper，aforcecontrollerwithoutforcesensorbasedonjointtorqueisdevelopedforrobotsystemswithparameteruncertaintiesandexternaldisturbance．Theuncertaintiesofroboticpositioncontroliscompensatedwithneuralnetwork，whentheexternalforceisexe

4、rted，throughthetorqueconversionobtaintheactualcontactforce．Computedtorquepositioncontrollerandfuzzyforcecontrollerisintroducedtoveritytheeffectivenessthroughthetwodegreesoffreedomrobotsimulation．Itispossiblethatthestrategyisusedtodealingtheforcecontrolwithoutfo

5、rcesensorinanactualrobotsystem．Keywords：jointtorqueforceestimationforcecontrolU刖舌f(q)可(g，)Aq，，，‘)一(1)【H(q，)=C(q，)+G(q)目前，大多数的力控制研究都采用腕力传感器来测量并反馈机器人末端与接触面的接触力0。然而，腕力传感器一般价格式中q，，，t)代表非参数不确定性，r为作用在关节上高，刚性较操作手低，容易损坏，在实际工业应用场合，如果存在的nx1维力／转矩矢量，M(q)，C(q，)，G(q)物理意义见参考高

6、温、高腐蚀、强干扰，将无法应用。关节转矩控制通过转矩反馈文献[5]，这里将(q)，c(q，4)4，G(g)分解成两部分，一部分是参数已知的标称变量(q)，Co(q，)，Go(q)，另一部分是形成闭环代替末端力闭环控制，最终在末端力开环的系统中完成不确定项，即：高质量的力控制，克服了腕力传感器的种种弊端。由于机器人本身模型不精确，以及受到各种干扰，往往无法rM(q)=Mo(q)一AM(q)获得满意的控制品质。为此，国内外学者提出了多种非线性控制{C(q，)=Co(q，i)一AC(q，)(2)系统，在这些控制方法中，计算

7、力矩控制是最简单有效的j。【G(q)=Go(q)一AG(q)在机器人位置控制过程中，采用基于神经网络补偿未知干扰的计采用计算力矩控制器，机器人系统的输人为：算力矩控制，神经网络参数学习不需要系统先验知识。当机器人tr=Mo(g)(d——)+(q，)(3)末端与环境接触后，利用转矩换算得到实际接触力，进而应用力式中，e=q—q，结合式(1)、式(2)，可得模糊控制器。通过二自由度机器人仿真验证了该方法的有效性。+Kv+e=Mo[△J)l幻+△日一，]=p2(4)该控制方案为在没有力传感器情况下的力控制操作提供了一种式中

8、，P为机器人系统集中不确定性函数。如果P：为0，则可能的解决方案。系统很显然可以通过调整K、达到期望的性能指标。在实际l机器人位置控制系统中，P：不可能为0，本文拟用BP神经网络来补偿系统的不确定性。1．1机器人计算力矩控制1．2神经网络补偿未知不确定性机器人动力学模型如下：机器人系统的输入为：7_=r+(5)收稿日期：2010．06．04基金