[发明专利]基于生物启发式神经网络的机器人自适应阻抗控制方法

权利要求书

1.一种基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，该方法包括：

步骤S10，获取机器人机械臂控制系统的初始控制力矩、期望阻抗、运动轨迹；构建机器人含阻抗的n自由度机械臂系统的动态方程以及期望阻抗模型；

步骤S20，基于控制力矩与期望阻抗的差以及期望阻抗，分别通过所述n自由度机械臂系统的动态方程以及期望阻抗模型，获取t时刻机器人机械臂控制系统的真实状态以及期望状态；

步骤S30，基于所述t时刻机器人机械臂控制系统的真实状态以及期望状态，通过自适应阻抗控制器，获取t+1时刻机器人机械臂控制系统的控制力矩；

步骤S40，基于所述t+1时刻机器人机械臂控制系统的控制力矩，控制机器人机械臂运动，并令t＝t+1后跳转步骤S20，直至机器人机械臂完成运动轨迹；

其中，所述自适应阻抗控制器为：

其中，为动力学信息的估计值，r_s(u)表示通过基于生物启发式网络构建的系统信息估算网络完成输入到系统参数的映射函数，u为输入量；为期望的自适应控制权值，ζ_e(u)∈Rⁿ，为网络估计误差；z₁＝x_d(k)-x(k)，为机械臂在笛卡尔空间的跟踪误差，x_d(k)为系统当前时刻k下的期望状态，x(k)为系统当前时刻k下的真实状态；为z₁＝x_d(k)-x(k)的一阶导数，为x(k)的一阶导数；是为了确保系统稳定性引入的虚拟变量，为x_d(k)的一阶导数，K₁代表常数比例矩阵；K_p和K_r分别是具有对角结构的正的恒定增益矩阵，分别用于调控反馈误差z₂和饱和误差sgn(z₂)对跟踪性能的影响。

2.根据权利要求1所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，笛卡尔空间下的n自由度机械臂系统的动态方程为：

其中，x∈Rⁿ为机械臂末端的位置坐标；和分别为对应的末端速度和加速度；Γ∈Rⁿ为控制力矩；D(q)∈R^n×n为对称且正定的惯性矩阵；G(q)∈Rⁿ分别为笛卡尔空间的科氏力矩阵以及重力矩阵；Γ_e∈Rⁿ为期望阻抗，即机器人与环境之间的期望的相互作用力。

3.根据权利要求2所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述期望阻抗模型为：

其中，x_c为预先定义的命令轨迹，x_d为完成期望交互动作的目标轨迹，D_d、C_d、G_d分别为期望的惯性参数矩阵、科氏力矩阵、重力矩阵。

4.根据权利要求1所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述系统信息估算网络基于生物启发式网络构建，并通过时滞神经元进行反馈，包括输入层、中间层、循环层和时滞层。

5.根据权利要求4所述的基于生物启发式神经网络的机器人自适应阻抗控制方法，其特征在于，所述时滞神经元，其膜电位的动态变化方程为：

其中，和分别表示当前时刻k下的第i个神经元的状态和响应值；δ(k)为随机时变的时滞项，其值满足[0,k)的均匀分布；和分别为循环权值矩阵和时滞权值矩阵；代表输入矩阵；u_b(k)为当前时刻k下的外界输入；为探索常数，代表均值为零、方差为的高斯函数；τ为时间常数；tanh()为时滞神经元的响应函数。