[发明专利]机器人自适应迭代学习控制方法及系统

说明书

本发明涉及机器人控制技术领域。本发明公开了一种自适应迭代学习控制方法，包括如下步骤：a、求取机器人位置误差；b、求取机器人速度误差；c、将机器人的期望位置、机器人的期望速度、k次迭代后的实际位置、k次迭代后的实际速度输入参数自适应控制模块；d、对位置误差和速度误差分别进行比例运算和微分运算后输入可变增益反馈控制模块；e、将参数自适应控制模块和可变增益反馈控制模块的输出相加得到控制力矩；f、以所述控制力矩作为控制机器人第k+1次迭代的控制力矩；其中，k为迭代次数，k＝1，2…。本发明同时公开了自适应迭代学习控制系统。本发明在解决了工业机器人参数不确定性的同时兼顾了算法的收敛速度，能够有效保证工业机器人的位置和速度跟踪精度。

技术领域

本发明涉及机器人控制技术领域，特别涉及机器人位置和速度控制技术，具体而言，涉及机器人自适应迭代学习控制系统。

背景技术

工业机器人能代替人类在工业环境中工作，完成单调、繁重、重复的长时间作业，有效地减小了人类的劳动强度，提高了生产效率，广泛应用于焊接、喷涂、抛光打磨、搬运码垛等作业。

随着现代工业的快速发展，需要更高水平的产品质量，这就对工业机器人的轨迹跟踪技术要求越来越高。在实际工业生产中，同一轨迹不断重复是工业机器人常见的工作模式，由于不断重复相同轨迹的特点，轨迹跟踪的误差也会随着重复次数的增加而累积，同时系统的控制性能也将降低。与其他控制方法相比，迭代学习控制不需要被控对象精确的数学模型，此外，迭代学习能把之前的控制经验，即控制输入控制误差等信息应用于下一次迭代，通过学习控制算法，使轨迹跟踪误差越来越小，经过有限次迭代之后，实现工业机器人对期望轨迹的跟踪。

而算法的收敛速度一直都是迭代学习控制研究过程中的重点。文献[戴宝林,龚俊,李翠明.带遗忘因子迭代学习控制最优增益研究[J].西北工业大学学报，2019，37(05):1077-1084.]提出带遗忘因子迭代学习控制最优增益，在迭代学习中引入了遗忘因子，根据遗忘因子和系统状态参数计算出系统最优控制增益，实现系统单调快速收敛。然而，遗忘因子的引入会使系统的输出误差不能趋近于零，只能收敛到零点的某一邻域内。文献[逄勃,邵诚.高阶参数优化迭代学习控制算法[J].控制理论与应用,2015(04):144-150.]提出了高阶参数优化迭代学习控制算法，采用高阶学习率也能加快算法收敛速度，但是，由于涉及到高阶学习率，该算法釆用之前多次迭代信息，算法的过程比较复杂。文献[张铁,李昌达,覃彬彬,et al.SCARA机器人的自适应迭代学习轨迹跟踪控制[J].中国机械工程,2018,494(14):90-95.]提出了一种自适应迭代学习轨迹跟踪算法，通过自适应迭代项克服机器人的未知参数带来的不确定性，但算法的收敛速度还有待提高。

发明内容

本发明所要解决的技术问题是针对执行重复运动的工业机器人，提出一种指数可变增益自适应迭代学习控制技术，克服机器人参数不确定性的同时兼顾算法的收敛速度，确保工业机器人的位置和速度跟踪精度。

为了实现上述目的，根据本发明具体实施方式的一个方面，提供了一种机器人自适应迭代学习控制方法，其特征在于，包括如下步骤：

a、求取机器人位置误差

其中，q_d(t)为机器人的期望位置；q_k(t)为k次迭代后的实际位置；

b、求取机器人速度误差

其中，为机器人的期望速度；为k次迭代后的实际速度；

c、将q_d(t)、q_k(t)、输入参数自适应控制模块；

d、对和分别进行比例运算和微分运算后输入可变增益反馈控制模块；