[发明专利]一种机械臂自适应轨迹跟踪控制方法

说明书

本发明公开了一种机械臂自适应轨迹跟踪控制方法，该控制方法基于滑模观测器与神经网络辨识器建立，具体包括考虑了运动学与动力学不确定性的机械臂模型的建立、不确定运动学滑模观测器的设计、动力学部分基于RBF神经网络的控制器以及优化的自适应律的设计、滑模函数收敛性证明以及神经网络控制器的稳定性证明，本发明解决的传统机械臂神经网络控制算法自适应参数多、计算复杂的问题，并在一定程度上减少了系统收敛时间，提高了机械臂系统的跟踪控制性能。

【技术领域】

本发明涉及一种机械臂自适应轨迹跟踪控制方法。

【背景技术】

机械臂是一个多变量，强耦合的高度非线性系统，在机械臂的轨迹跟踪控制系统中存在机械臂模型不确定性、外界扰动、摩擦以及负载干扰等问题，并都制约着机械臂跟踪控制的性能；同时，在军事、工业等某些特殊应用场合，要求机械臂能快速、高精度的实现轨迹跟踪。这些都给机械臂系统的控制器设计带来了极大的挑战，因此，传统的PID算法很难满足高速高精度的轨迹跟踪控制。近年来，各种先进的跟踪控制策略运用到了机械臂控制系统中，其中对模型进行线性化的传统滑模自适应控制以及采用神经网络逼近的智能控制都得到了众多学者的青睐。然而，传统的滑模自适应控制需要对模型精确建模，并进行线性化分离可调参数，这在实际应用中是很难实现的。针对这些问题，不需要对机械臂精确建模及参数线性化的滑模观测器控制与神经网络控制在近年来的到广泛应用，如文献[“Tracking Control of Robotic Manipulators With Uncertain Kinematics andDynamics,”(IEEE Transactions on Industrial Electronics,vol.63,no.10,pp.6439-6449,2016.)]设计了两种滑模观测器，分别处理不确定的机械臂运动学和动力学，并根据估计信息设计控制器，使误差能在有限时间收敛到零；文献[“Adaptive Neural TrackingControl of Robotic Manipulators with Guaranteed NN Weight Convergence,”(Complexity,vol.2018,pp.1-11,2018.)]设计了一个新的基于神经网络及梯度法的自适应控制器使网络权值能收敛到理想值，并使跟踪误差和估计误差同时收敛。然而，在目前的神经网络自适应控制算法缺陷在于：自适应项计算复杂，需要对整个权值矩阵进行更新。这在网络节点数增加时会增加系统计算压力，影响系统的性能。因此，针对模型不确定机械臂系统设计一个计算简单、收敛速度快的控制算法是该领域的主要研究方向，而这在目前任然是一个挑战。

【发明内容】

本发明目的克服传统针对模型不确定机械臂控制算法计算复杂、收敛速度慢的问题，提供了一种基于滑模观测器与神经网络辨识器的机械臂自适应轨迹跟踪控制方法，在减少系统计算复杂度的同时确保系统的稳定性与跟踪控制性能。

本发明是通过以下技术方案实现的：

一种机械臂自适应轨迹跟踪控制方法，其特征在于该控制方法基于滑模观测器与神经网络辨识器建立，具体步骤包括：

步骤1：针对不确定的运动学部分，建立运动学不确定雅各比矩阵模型，设计了基于滑模观测器的不确定雅各比矩阵自适应补偿器，并证明其滑模面的收敛性；

步骤2：针对不确定的动力学部分，将动力学模型不确定项和外界干扰视为总不确定动力学，设计了基于RBF神经网络的不确定动力学模型辨识器，利用辨识出的函数估计动力学参数及外界干扰；

步骤3：设计一种新的基于RBF神经网络的鲁棒自适应控制器，并根据该控制器设计了优化的神经网络参数自适应律，最后对其稳定性进行分析。

如上所述的机械臂自适应轨迹跟踪控制方法，其特征在于：步骤1中所述运动学不确定雅各比矩阵模型建立为：根据机械臂名义雅各比矩阵，将不确定的雅各比矩阵设计为ΔJ(q)；假设所述不确定的雅各比矩阵是有界的，即||ΔJ(q)||≤b₁，其中b₁∈R是正常数，代表有界上限。