[发明专利]一种基于宽度径向基神经网络的机械臂阻抗学习控制方法

说明书

本发明公开了一种基于宽度径向基神经网络的机械臂阻抗学习控制方法，包括如下步骤：根据机械臂结构建立机械臂的运动学模型；基于拉格朗日方程及运动学模型，在任务空间下建立机械臂的动力学模型；建立期望的任务空间回归轨迹模型以及二阶阻抗模型；构造宽度径向基神经网络以实现神经网络节点的动态调整；利用宽度径向基神经网络结合二阶阻抗模型，构建自适应神经网络阻抗控制器；基于确定学习理论获取经验知识，构建常值神经网络阻抗控制器。本方法不仅有效解决了机械臂在未知动力学信息条件下与环境交互的精确阻抗控制，而且提高了控制系统的实时性，为机械臂在与环境重复交互的情景下，提供一种新的安全可靠方法。

技术领域

本发明涉及机械臂的安全柔顺控制的技术领域，具体涉及一种基于宽度径向基神经网络的机械臂阻抗学习控制方法。

背景技术

随着科学技术的快速发展，机械臂在工业、服务业领域获得越来越广泛的应用，面临的控制任务也日益复杂。在面对诸多的作业场合，如机械臂打磨、装配作业、康复医疗作业、人机协同作业等，传统的机械臂位置控制已不能满足该方面的控制需求，往往还需要考虑其力的柔顺控制。在柔顺控制算法中，阻抗控制凭借将力与位置纳入统一控制体系，具有抗扰动能力强以及易于机械臂进行力控等特点，得到了许多研究人员的深入研究。在机械臂阻抗控制的研究和应用中，计算机械臂的控制力矩往往需要精确的动力学模型以实现控制精度，而机械臂系统由于摩擦力和阻尼等因素导致系统存在建模的不确定性，影响机械臂的柔顺性能。为了克服建模不确定性带来的控制性能下降问题，通常采用神经网络对机械臂的未知动态进行辨识，但是传统的自适应神经网络控制器对机械臂执行相同或相似控制任务时需要在线调整权值来重新辨识未知动态，使得控制方案占用计算资源大、耗时长，不易实施。此外，传统的径向基神经网络结构参数通常依赖于设计者的经验以及试错方式进行选取，具有主观偏向性且效率低下，当需要较高的神经网络逼近精度时，往往需要选取过多的中心点，从而进一步增加神经网络的计算负荷，影响控制系统的实时性。因此，针对执行相同或相似的接触环境控制任务的机械臂，期望设计一个能充分利用经验知识、较小计算量以及具备高性能的实时阻抗控制算法。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于宽度径向基神经网络的机械臂阻抗学习控制方法；针对机械臂动力学模型存在的不确定性问题，本发明利用确定学习理论，实现对机械臂未知动态的精确辨识，并将收敛后的神经网络权值存储为经验知识，当机械臂重复执行相同任务时，可以直接调用存储经验知识进行利用，避免重复训练神经网络；针对传统神经网络过多的中心点而增大神经网络计算负担，基于宽度神经网络增量式结构，通过当前神经网络输入与已有中心节点集合的距离，动态拓展神经网络的节点，减少神经网络的计算量，使机械臂可以高效实时精准实现柔顺控制。

本发明的目的可以通过如下技术方案实现：

一种基于宽度径向基神经网络的机械臂阻抗学习控制方法，包括以下步骤：

根据机械臂结构建立机械臂运动学模型；

基于拉格朗日方程以及建立的机械臂运动学模型，在任务空间下建立机械臂动力学模型；

建立期望的任务空间回归轨迹模型，并根据任务空间回归轨迹模型和交互环境，建立二阶阻抗模型；

构造宽度径向基神经网络以实现神经网络中心点的动态调整，具体为：

定义当前神经网络输入状态ψ与神经网络中心点的距离集合为：

D＝{||ψ-μ₁||,…,||ψ-μ_N||}，

其中，N表示当前神经网络的中心点数量，U＝{μ₁,...,μ_N}为神经网络中心点集；

从集合D选取与当前神经网络输入状态ψ距离最近的k个中心点构成最近神经网络中心点集为