[发明专利]基于自适应评价网络冗余机器人视觉伺服控制

摘要

本文提出了一种用于冗余机械手的自适应评价运动控制方案。冗余分辨率被认为是离散时间最优控制问题。提出了Takagi‑Sugeno（T‑S）模糊的评价网络来预测局部状态动力学作为全局状态动力学的模糊平均。在文献中最早使用积分成本函数来实现全局最优，与给出局部最优的瞬时成本函数相反。但是这两种方法都需要计算复杂的伪逆，并且受到数值不稳定的影响。相比之下，本文所提出的方案不需要计算雅可比行列的伪逆，这使得该方法在计算上是高效的。本发明实现了自适应评价控制冗余机械手运动。选择T‑S模糊模型是因为它将复杂的非线性函数近似为一组有意义的线性函数。自适应评论网络方案的训练代替伪逆计算，计算效率高。提出的控制方案是模拟了机械手的笛卡尔空间运动控制，然后实验结果以视觉为基础控制冗余机械手与安装在末端执行器。

主权项

基于自适应评价网络机器人视觉伺服控制方法，其特征在于包括以下步骤：第一步:离散时间动态控制问题Δx＝JΔθ第二步：离散时间运动学方程x(k+1)‑x(k)＝JΔθ(k)其中，x(k+1)，x(k)分别是第k+1个和第k个瞬间的末端作用位置，Δθ(k)是第k个瞬间关节角度的变化。上述离散运动可以表示为动态系统：x(k+1)＝Ix(k)+JΔθ(k)其中，I单位矩阵是用于操纵器的动态定位的系统矩阵。上述方程表示作为离散时间动态系统的定位任务。第三步：末端执行器从当前位置x移动到期望位置xd的闭环误差e(k+1)＝e(k)‑JΔθ(k)＝Ae(k)+Bu(k)其中，e(k)＝xd(k)‑x(k)，xd(k+1)＝xd(k)，A＝I，B＝‑J，u(k)＝Δθ(k)闭环的离散时间动态表示系统是具有恒定系统矩阵A＝I和非线性输入矩阵B＝‑J的输入形式。第四步：离散时间动态系统的单网络自适应评论(SNAC)x(k+1)＝f(x(k))+g(x(k))u(k)第五步：二次成本函数Jc=12Σk=0∞(xT(k)Qx(k)+uT(k)Ru(k))=12Σk=0∞L(x(k),u(k))]]>最优控制输入的表达式u(k)＝‑R‑1gT(x(k))λ(k+1)在线性系统的情况下，一个评价网络如下架构：第六步：T‑S模糊的评价网络λ^(k+1)=Wix(k)]]>网络在局部非线性模型的成本动力学方面学习线性成本动力学。权重将收敛到线性系统的最优值。因此，利用所提出的基于T‑S模糊的评价网络，权重将从一个区域平滑地变化到另一个区域，并且将收敛到对应于每个模糊区域的局部线性模型的最优值。网络被训练成能使权重收敛到局部线性模型的最优权重。从选定的模糊区域到整个工作空间学习网络，使得权重将收敛到每个区域中的最优值。为了实现网络收敛，我们定义Si＝{x(k):||x(k)||＜Ci}，其中Ci是正常数。选择Ci使得Ci＜Ci+1。最初C1被选择为小值，使得网络将学习与所选区域相对应的最优权重。然后，操作区域逐渐增加。通过这样的训练，网络权重将从一个操作区域平滑地变化到另一个操作区域。