[发明专利]一种基于部分神经网络的机器人混沌反控制方法

摘要

本发明公开了一种基于部分神经网络的机器人混沌反控制方法，所述方法包括以下步骤：步骤1、建立机器人的动态模型及三维混沌系统模型；步骤2、设计带有滑模鲁棒项的自适应神经网络控制算法；步骤3、构造李雅普诺夫函数并判定系统的稳定性。所述方法能够有效解决机器人的混沌反控制问题，并提高闭环系统的收敛速度，实现机器人系统位置、速度误差的一致收敛，闭环系统所有信号的有界性，以及对较大干扰的抑制。

主权项

1.一种基于部分神经网络的机器人混沌反控制方法，其特征在于，所述方法包括以下步骤：

步骤1、建立机器人的动态模型及三维混沌系统模型；

步骤2、设计带有滑模鲁棒项的自适应神经网络控制算法；

步骤3、构造李雅普诺夫函数并判定系统的稳定性。

2.根据权利要求1所述的一种基于部分神经网络的机器人混沌反控制方法，其特征在于，步骤1中，所述机器人的动态模型表示如下：

其中，q∈Rⁿ代表n个关节的位置矢量，代表n个关节的速度矢量，代表n个关节的加速度矢量；M(q)∈R^n*n表示对称正定惯性矩阵；表示哥氏力与向心力矩阵；G(q)∈Rⁿ表示重力矢量；d∈Rⁿ表示可能存在的干扰；u∈Rⁿ表示关节控制力矩矢量；

所述三维混沌系统模型表示如下：

其中，x₁为机器人关节一的状态，x₂为机器人关节二的状态，x₃为辅助变量，a₀、a₁、a₂、a₃为常数，且当a₀＝2.0、a₁＝‑0.44、a₂＝‑2.0、a₃＝‑1.0时，系统处于混沌状态，即：

所述三维混沌系统模型为jerk‑type混沌系统，作为步骤2的自适应神经网络控制算法的参考场，所述三维混沌系统也能够替换成Genesio‑Tesi或其他混沌系统。

3.根据权利要求1所述的一种基于部分神经网络的机器人混沌反控制方法，其特征在于，所述步骤2的具体过程为：

步骤2.1、定义状态跟踪误差为：

e＝x_d‑x

其中，e为机器人的跟踪误差，x_d为机器人的参考位置状态，x为机器人的实际位置状态，x_s为中间变量，λ为一个常数；

步骤2.2、定义滤波器跟踪误差为：

其中，r为滤波器跟踪误差，为机器人的实际速度，为机器人的参考速度；

步骤2.3、设计滑模鲁棒项控制器：

u₁＝γsign(r)                    (5)

其中，u₁代表滑模鲁棒项控制器，γ为一个常数，sign表示：

步骤2.4、设计部分逼近自适应神经网络控制器：将机器人动态模型公式(1)中的M(q)、G(q)、d用神经网络表示为：

M(q)＝[A^T*H_M]+E_M                (6)

G(q)＝[C^T*H_G]+E_G                 (8)

d＝[D^T*H_d]+E_d                    (9)

<