[发明专利]网络遥操作机器人系统及时延克服方法

权利要求书

1.一种网络遥操作机器人系统，其特征在于，由两个结构相同，功能对称的机械手通过网络通讯环节联系在一起；包括主机械臂（1）、从机械臂(2)、主计算机(3)、从计算机(4)、第一数据采集卡(5)、第二数据采集卡（6）、第一单片机（7）、第二单片机（8）；所述主计算机（3）通过第一数据采集卡（5）采集主机械臂（1）的位置和力信号，所述从计算机（4）通过第二数据采集卡（6）采集从机械臂（2）的位置和力信号，所述主计算机（3）和从计算机（4）通过TCP/IP网络通讯环节将主从机械臂的位置和力信号相互传递，所述主计算机（3）将控制信号由串口通信传递至第一单片机（7），第一单片机（7）输出PWM脉冲信号控制主机械臂（1）工作，所述从计算机（4）将控制信号由串口通信传递至第二单片机（8），第二单片机（8）输出PWM脉冲信号控制从机械臂（2）工作。

2.如权利要求1所述的网络遥操作机器人系统时延克服方法，其特征在于，该方法包含下列步骤：

1）建立针对网络时延的基于事件模型

以事件变量s代替现有系统中的参考变量—时间T，基于事件的控制中，选取s为机械手走过的距离，设定每当s递增一段距离，产生一个事件，并把当前的状态信息发送给路径管理器；

运动参考变量的产生方法：经过事件产生器得到反馈事件s，为了使参考事件s跟踪上期望参考事件s_d，采用如下算法产生期望的事件输入：

sd=s-k(dsddt-dsdt)]]>

定义e=s_d-s，可知s收敛于s_d；

设机器人的一般模型如下：

dxdt=f(x)+g(x)ux∈Rn,u∈Rmy=h(x)y∈Rm]]>

令所选的新参考变量s=S(x(t))，由可知基于事件模型的机器人系统可表示如下：

dxdt=f(x(s))v(s)+g(x(s))v(s)ux∈Rn,u∈Rmy=h(x(s))y∈Rm]]>

其中，v(s)=dS(x(t))dt]]>

由建立的基于事件的模型可知系统的模型参数；

2）模糊预测控制算法

结合所建立的基于事件模型进行模糊广义预测控制器的设计；

基于广义预测控制的模型预测和滚动优化：

设网络遥操作机器人系统的预测模型由受控自回归积分滑动平均模型，即CARIMA方程描述：

A(z^-1)y(k)=B(z^-1)u_GPC(k-1)+C(z^-1)ξ(k)/Δ

其中A(z^-1)、B(z^-1)和C(z^-1)分别是n、m和n阶的z^-1的多项式，可令C(z^-1)=1，y(k)为系统输出，u_GPC(k-1)表示控制量，ξ(k)表示均值为零的白噪声序列，z^-1为后移算子，Δ=1-z^-1为差分算子，若时滞大于零，则B(z^-1)多项式开头的一项或几项系统等于零。由于CARIMA模型能自然地把积分作用纳入控制律中，可以消除系统的稳态误差；

考虑k时刻的优化性能指标，采用下式表示：

J=Σj=1N1[y(k+j)-yr(k+j)]2+Σj=1Nμλ[ΔuGPC(k+j-1)]2]]>

式中，y_r为已知的参考序列，λ是大于零的控制加权系数，N₁是最大预测时域，N_μ表示控制时域（N_μ<N₁），即在N_μ步后控制量将不再发生变化；

为了预测超前j步的输出，引入丢番图方程

1=E_j(z^-1)A(z^-1)Δ+z^-jF_j(z^-1)

E_j(z^-1)B_j(z^-1)=G_j(z^-1)+z^-jH_j(z^-1)

其中E_j(z^-1)、F_j(z^-1)、G_j(z^-1)和H_j(z^-1)分别是j-1、n、j-1和m-1阶的z^-1的多项式；

由上述公式可知，只要给定预测时域N₁，控制时域N_μ和加权常数λ，就可以求出控制量Δu_GPC(k)，其向量形式如下所示：

u_GPC(k)=u(k-1)+g^T(y_r-Fy)

Δu_GPC(k)=g^T(y_r-Fy)

式中，g^T为(G^TG+λI)^-1G^T的第一行；

具体算法步骤如下：

第一步：由基于事件的模型可知被控对象模型参数A(z^-1)和B(z^-1)；

第二步：给定预测时域N₁，控制时域N_μ和加权常数λ；

第三步：由丢番图方程求解多项式E_j，F_j，G_j和H_j；

第四步：计算矩阵G及(G^TG+λI)^-1；

第五步：求解出控制量u_GPC(k)和Δu_GPC(k)。

3.如权利要求2所述的网络遥操作机器人系统时延克服方法，其特征在于，该方法还包括基于模糊推理的反馈校正方法；

控制信号Δu(k)由下面两部分组成：

Δu(k)=Δu_GPC(k)+Δu_F(k)

其中u_F(k)为模糊推理的得到对误差的补偿控制量；

设e(k)和ec(k)为系统k时刻的反馈偏差和偏差变化值，由于系统存在τ步时延，则u_F(k)由e(k-τ)和ec(k-τ)确定；

即：e(k-τ)=y_r(k-τ)-y_m(k-τ)

ec(k-τ)=e(k-τ)-e(k-τ)

其中，y_r(k-τ)为对象输出反馈值，y_m(k-τ)为对象模型输出值，则u_F可由e(k-τ)和ec(k-τ)来判断；

模糊补偿控制器的设计将采用如下的控制律：将e和ec的论域分别划分为5个模糊集{NB，NS,ZE,PS,PB}和3个模糊集{N，Z，P}，为了得到更准确的预测误差补偿，设定偏差e采用高斯隶属度函数，偏差变化率ec采用三角形隶属度函数，定义模糊规则如下：

R_i：If e is A_m and ec is B_n then u_F is C_k

其中，A_m∈{NB，NS,ZE,PS,PB}，B_n∈{N，Z，P}，i＝1，2，…，15，u_F为补偿控制输入；

控制规则如下所示：

在进行反模糊化时，为了得到更精确的控制量，采用面积重心法求得u_F的清晰值，即用如下的推理方法进行计算：

uF=Σi=115(w‾i·Ci)/Σi=115w‾i]]>

wi=Am(e(k-τ))·Bn(ec(k-τ))/Σi=115(Am(e(k-τ))·Bn(ec(k-τ)))]]>

考虑到u_F变化过大可能会影响控制效果，则误差补偿控制量Δu_F(k)由下式进行约束：

Δu_F(k)=λ(u_F(k)-u_F(k-1))

其中λ∈[0，1]，为常数。