[发明专利]一种任务空间中不确定机械臂的控制方法

说明书

本发明公开了一种任务空间中不确定机械臂的控制方法，包括：A.根据机械臂正向运动学和逆运动学关系，建立机械臂系统在关节空间下的动力学数学模型，引入雅可比矩阵将关节空间下的动力学模型映射到任务空间下，将机械臂系统在任务空间下的动力学模型进行重新变形整理，得到不确定机械臂动力学模型。B.根据不确定机械臂动力学模型，设计神经网络自适应迭代学习控制器的控制方案，对任务空间下不确定机械臂末端施加的控制力进行设计，采用神经网络自适应迭代学习控制算法进行设计本系统的控制器，其中采用RBF神经网络对所有非周期性误差和外部干扰进行逼近和补偿，对神经网络的更新率进行设计。本发明提高了机械臂系统的学习速度和误差收敛精度。

技术领域

本发明涉及工业自动化生产技术领域，特别涉及一种基于神经网络自适应迭代学习对任务空间中不确定机械臂的控制方法。

背景技术

“工业4.0”战略自提出以来对工业自动化生产领域产生了深远的影响，加之国家政策的激励和高新电子技术的快速发展，机械臂已成为生产线上的核心角色并被广泛应用到批量化、规模化的加工制造和重复性流水作业之中，常见的有搬运、抓取操作、边界切割、实物焊接和喷涂等。由此可见，对机械臂的轨迹控制方法研究是非常重要的。

机械臂是一个典型的高度非线性、强耦合的动力学系统，这使我们很难获得机械臂的精确动力学模型和内部参数。传统的控制方法，比如PID控制、阻抗控制、前馈控制等，对系统的参数和数学模型依赖性很高，系统的不确定性往往会使得控制模型难以得到精确信号信息，从而无法达到预期效果。与此同时，智能控制方法被广泛应用于研究高度非线性、强耦合的系统，比如模糊控制、神经网络、迭代学习控制、自适应控制以及滑模控制等等，这些控制方法的优势在于不依赖与被控对象精确动力学方程的数学描述，只从仿生思维的角度来处理实际的操作与任务。近些年来，迭代学习控制方法被广泛应用在机械臂轨迹跟踪的研究中，其核心思想是利用被控对象的动态过程与期望的理想轨迹之间的误差来调整修正，并沿迭代方向逐渐完成被控对象趋近至最终完全符合期望轨迹。随着迭代学习理论的深入发展和不断拓展，出现了自适应迭代学习控制、鲁棒迭代学习控制、最优迭代学习控制等新型迭代学习控制方法。

自适应迭代学习控制方法是自适应控制理论与迭代学习控制的结合，在迭代学习过程可以对不确定的参数进行辨识和修正并且可以自动适应外界的变化，这大大提高了系统的稳定性和鲁棒性，但是它也存在一些不足，比如在处理非周期性的误差和外部干扰以及在估计未知的系统参数时，花费大量时间计算和调整，降低了学习速度和误差收敛精度。将神经网络与自适应迭代学习控制相结合，不仅可以处理非周期性的误差干扰，还具有逼近高度非线性系统和未知参数的优良性能，大大提高了学习速度和误差收敛精度。

发明内容

本发明针对现有技术的缺陷，提供了一种任务空间中不确定机械臂的控制方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种任务空间中不确定机械臂的控制方法，包括以下步骤：

A.机械臂动力学建模；

根据机械臂正向运动学和逆运动学关系，建立机械臂系统在关节空间下的动力学数学模型，引入一个雅可比矩阵将关节空间下的动力学模型映射到任务空间下，考虑到建模过程中存在微小误差和一些不确定项，将机械臂系统在任务空间下的动力学模型进行重新变形整理，得到一个新的机械臂动力学模型。

B.根据重新得到的机械臂动力学模型，设计神经网络自适应迭代学习控制器，首先对任务空间下机械臂末端施加的控制力矩 进行设计；然后采用神经网络与自适应迭代学习相结合对控制器进行设计；最后采用RBF神经网络对所有非周期性误差和外部干扰进行逼近和补偿，对神经网络的更新率进行设计。

进一步地，步骤A中引入一个雅可比矩阵将关节空间下的动力学模型映射到任务空间下公式为：

其中关节空间到任务空间的映射关系如下：