[发明专利]基于评判辨识结构的可重构机器人分散神经最优控制方法

说明书

基于评判辨识结构的可重构机器人分散神经最优控制方法，属于机器人控制算法领域，为了解决现有技术中存在分散最优控制精度低的问题，该方法首先建立可重构机器人系统动力学模型，其次构建代价函数与HJB方程，通过基于策略迭代的学习算法，来求HJB方程的解，然后通过对可重构机器人关节子系统间的耦合力矩交联项的辨识，接下来采用神经网络对代价函数进行近似，最后通过仿真验证所提出控制方法的有效性；本发明解决了现有技术中存在分散最优控制精度低的问题，为可重构机器人提供稳定性和精确性，并且可以满足各种任务的需求。

技术领域

本发明涉及一种可重构机器人系统的分散神经最优控制方法，属于机器人控制算法领域。

背景技术

可重构机器人由电源装置、减速设备、执行器、传感器和计算系统组成。这些模块可以被组装成具有标准机械接口的预定参数，以满足各种任务的需求。从这一优势出发，可重构机器人经常被用于复杂而危险的工作环境，如救灾、空间探索、高温/低温作业等。因此，可重构机器人需要适当的控制系统来保证机器人系统的稳定性，同时考虑到控制性能和功耗组合的优化实现。

可重构机器人的重要特性是机器人模块可以添加、删除和替换，而不需要调整其他模块的控制参数。换句话说，对于可重构机器人系统，在子系统和本地控制器之间存在着物理上的信息交换限制，对于这些子系统和本地控制器来说，它们拥有集中控制器的能力是不可靠的。

对于复杂的相互关联的非线性系统，尤其是可重构机器人系统，交联项的性质和规模与内部动力学有很大的不同。分散神经最优控制策略是在非线性系统的动态信息是完全未知的前提下进行研究的，因此这些方法的应用局限于求解机器人系统特定类的最优控制问题，而没有实现最优的动态补偿。事实上，在设计机器人分散最优控制器时，尤其是在可重构机器人系统中，需要充分利用现有的动态模型信息。

赵博等人在International Journal of Control,Automation and Systems上发表的”Model-free Adaptive Dynamic Programming Based Near-optimal DecentralizedTracking Control of Reconfigurable Manipulators”，该文中分散最优控制没有考虑复杂的互联非线性系统，特别是对于可重构机器人系统，交联项的性质和大小与内部动力学完全不同，所以该方法存在控制精度低的问题。

发明内容

本发明为了解决现有技术中存在分散最优控制精度低的问题，提出了一种基于评判辨识结构的可重构机器人分散神经最优控制方法。

本发明解决技术问题的方案是：

基于评判辨识结构的可重构机器人分散神经最优控制方法，其特征是，该方法首先建立可重构机器人系统动力学模型，其次构建代价函数与HJB方程，通过基于策略迭代的学习算法，来求HJB方程的解，然后通过对可重构机器人关节子系统间的耦合力矩交联项的辨识，接下来采用神经网络对代价函数进行近似，最后通过仿真验证所提出控制方法的有效性。

基于评判辨识结构的可重构机器人分散神经最优控制方法，包括如下步骤：

步骤一，建立可重构机器人系统动力学模型如下：

上式中，i代表第i个模块，I_mi是转动轴的转动惯量，γ_i是齿轮传动比，q_i，和分别是关节位置，速度和加速度，是关节摩擦项，是关节子系统间的耦合力矩交联项，τ_si是耦合力矩在力矩传感器的位置，d_i(q_i)是干扰力矩，τ_i是电机输出转矩；

定义系统的状态向量控制输入u_i＝τ_i；

则子系统的状态空间的形式可以表示为：