[发明专利]基于自适应神经网络的机器人模型预测控制方法

权利要求书

1.一种基于自适应神经网络的机器人模型预测控制方法，其特征在于，该方法包括：

步骤S10，获取机械臂t_k时刻的实际位置、实际速度以及期望位置、期望速度，计算跟踪误差；并初始化i为0、n_R为1；其中，i、n_R为自然数；

步骤S20，对预构建的动作-评价网络中的动作网络，基于t_k+i时刻的跟踪误差，结合其t_k+i-1时刻的权重值，通过其获取t_k+i-t_k+i+1时刻的控制率，作为预测控制率，并更新动作-评价网络的权重值；

步骤S30，判断i是否大于设定的预测时长，若是，则执行步骤S40，否则基于所述预测控制率，结合t_k+i时刻的跟踪误差，通过预构建的预测模型获取t_k+i+1时刻的跟踪误差，并令i＝i+1，跳转步骤S20；

步骤S40，判断动作网络、评价网络权重变化的和是否小于等于设定阈值或者n_R是否 大于设定的最大迭代次数，若是，则执行步骤S50，否则令n_R＝n_R+1，i＝0，跳转步骤S20；所述权重变化为更新后的权重值与更新前的权重值的差；

步骤S50，基于更新的权重值，结合t_k时刻的位置误差，通过所述动作网络计算机械臂t_k-t_k+1时刻的实际控制率，作用于机械臂；

步骤S60，令k＝k+1，循环执行步骤S10-步骤S50，直至机械臂到达设定的目标位置；

所述预测模型、所述动作-评价网络基于径向基神经网络构建。

2.根据权利要求1所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述预测模型为基于机械臂的跟踪误差的动态特性构建的模型，该模型其获取跟踪误差的方法为：

其中，表示t_k时刻的一阶跟踪误差、二阶跟踪误差，表示t_k+1时刻的一阶跟踪误差动态、二阶跟踪误差动态，表示预测模型的激活函数，q_d表示期望轨迹，L表示正整数，表示预测模型的权重值，表示t_k时刻的跟踪误差的估计偏差，τ表示预测控制率，z⁺表示增广误差，表示t_k时刻的左侧逼近，K₁表示预设的虚拟变量参数。

3.根据权利要求2所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述动作网络其获取控制率的方法为：

其中，表示当前时刻的控制率，t表示时间段，表示哈密尔顿函数，表示跟踪误差，表示哈密尔顿函数中控制率的参数项，表示动作网络的权重值，表示动作网络的激活函数，λ表示输入约束上限值，R表示损失函数参数，表示预测模型参数，(·)^T表示转置。

4.根据权利要求3所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述动作网络其权重值更新方法为：

其中，表示动作网络的更新变化率，α_a＞0表示动作网络预设的学习率，Ξ²(·)定义为一种运算，分别对每个(·)中的元素求平方，sech表示双曲正割函数，k_a、k_p表示动作网络预设的学习参数，表示评价网络的权重值。

5.根据权利要求4所述的基于自适应神经网络的机器人模型预测控制方法，其特征在于，所述评价网络其计算最优损失的方法为：

其中，表示评价网络的权重值，表示评价网络获取的最优损失值。