[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

说明书

本发明属于机器人控制和非线性系统领域，具体涉及了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，旨在解决现有技术无法实现复杂非线性系统中机器人的实时精准控制的问题。本发明包括：获取系统的初始控制力矩、期望阻抗、运动轨迹；构建含阻抗的n自由度机械臂系统的动态方程、期望阻抗模型分别获取机器人t时刻系统真实状态和期望状态；基于全状态反馈和生物启发式网络构建自适应控制器并获取t+1时刻控制力矩；循环进行状态获取、自适应阻抗控制、运动控制，直至机器人机械臂完成运动轨迹。本发明结合生物启发式网络结构、时滞反馈，采用了奖励值调节的海扁算法以及网络估计与全状态反馈结合的结构，系统稳定、控制精度高。

技术领域

本发明属于机器人控制和非线性系统领域，具体涉及了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。

背景技术

阻抗控制是用于解决机器人和环境之间的安全交互问题。机器人的阻抗控制的机器人应用领域的一个复杂问题。由于机器人结构的复杂性，导致实际的机器人系统往往存在大量的不确定性，如严格的非线性、未知的环境、未知系统参数等等。

针对不确定性存在的系统阻抗控制问题，传统方法主要分为两种：反馈控制，如PID控制；预测控制，如模型控制等。PID控制器(比例-积分-微分控制器)是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；通过积分控制消除稳态误差，但可能增加超调；通过微分控制加快大惯性系统响应速度以及减弱超调趋势。PID控制可根据测量误差反馈，设计比例、积分微分控制增益，来降低不确定性对于控制性能的影响。然而PID不具备在线学习和调节的能力，这使得系统控制的实时性降低。而模型预测控制主要针对的是线性系统，通过过程模型考虑当前时刻以后的一段时间内的过程特性，选择给定输入的未来变化规律以使得预测响应能够更好地满足控制目标。但是对非线性系统而言，模型控制无法取得满意的效果。后来，基于前馈神经网络的自适应控制方法得到了发展，它是通过在线学习的方式，不断使网络的输出逼近系统的未知动态的过程。然而前馈网络由于结构简单，难以产生较为复杂的动态特性，因此对于实际的复杂系统而言，估计能力有所下降。另外传统训练网络的方式是误差梯度反传，一定意义上违背了大脑的学习策略，缺少一定的灵活性和可靠性。

总的来说，现有机器人阻抗控制方法无法实现复杂非线性系统中机器人阻抗的实时精准控制，设计新的机器人的网络自适应控制方法，对于提高实时控制能力具有重要意义。

发明内容

为了解决现有技术中的上述问题，即现有技术无法实现复杂非线性系统中机器人的实时精准阻抗控制的问题，本发明提供了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，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。

在一些优选的实施例中，所述n自由度机械臂系统的动态方程为：