[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

说明书

本发明属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置，旨在解决存在模型不确定性以及输入约束的情况下，机械臂的最优跟踪控制问题。本系统方法包括：计算跟踪误差；通过动作网络获取预测控制率，并更新动作‑评价网络的权重值；判断i是否大于设定的预测时长，若是，则判断动作‑执行网络权重变化是否满足阈值或迭代次数大于最大迭代次数，若是，则通过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，否则通过预构建的预测模型获取t_k+i+1时刻的跟踪误差，并循环获取预测控制率；循环生成实际控制率，直至机械臂到达设定的目标位置。本发明提高了机器人模型预测控制的性能。

技术领域

本发明属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置。

背景技术

模型预测控制是一种有效的最优控制策略。机器人的模型预测控制是机器人应用领域的一个复杂问题，一方面由于机器人结构的高耦合性和复杂性，导致实际机器人系统动态存在大量的不确定性，如严格的非线性、未知的环境、未知的系统参数等；另一方面由于机器人的系统特性，对模型预测控制求解的实时性提出较高要求。

针对系统动态存在不确定性的问题，传统解决方法主要包括：(1)对于已知或部分已知的系统动态，将其表达为带有扰动的标称系统，利用标称系统动态构造预测模型，通过鲁棒模型预测控制、Tube-模型预测控制、最大-最小模型预测控制或者扰动观测器等方法补偿扰动。然而此类方法需要明确已知的标称系统动态，对系统动态完全未知的机器人系统来说难度较大；(2)利用神经网络、模糊网络等方法构造预测模型。然而多数此类模型都需要进行离线训练或者预训练，不适合在线解决机器人系统不确定性带来的控制难题；(3)结合自适应神经网络与模型预测控制的方法。然而现有此类方法未针对机器人系统，不适合时变、耦合的，实时性要求高的机器人动态系统。因此设计合适的预测模型，在线补偿机器人系统动态的不确定性，需要新的技术方法。

针对模型预测控制的实时性求解问题，传统解决方法主要包括：(1)直接利用现有的优化计算工具求解；(2)针对非线性系统，建立线性化模型，通过线性优化算法，如线性二次调节器(LQR)和线性矩阵不等式(LMI)等求解；(3)利用智能算法，如遗传算法，粒子群算法等求解；(4)利用神经网络，通过神经动力学优化的方式求解；(5)利用基于自适应动态规划的方法求解。但基于在线估计的预测模型求解优化问题的方法，并在最优控制性能和系统稳定性间取得平衡，仍然值得深入研究。因此，设计新的机器人模型预测控制方法，对于提高系统不确定性的在线估计性能，提高实时控制能力，实现最优控制性能与系统稳定性的平衡具有重要意义。

发明内容

为了解决现有技术中的上述问题，即为了解决现有针对机器人系统的模型预测控制方法无法在线拟合不确定性并有效求解优化问题，实现最优性与稳定性的平衡，导致机器人控制性能较差的问题，本发明第一方面，提出了一种基于自适应神经网络的机器人模型预测控制方法，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；