[发明专利]一种单臂机器人系统的渐近跟踪控制方法及系统

说明书

本公开公开的一种单臂机器人系统的渐近跟踪控制方法及系统，包括：获取单臂机器人系统的状态数据；将单臂机器人系统的状态数据输入渐近跟踪控制器中，获取控制输入，其中，渐近跟踪控制器以系统的输出渐近跟踪参考信号为目标，采用径向基函数神经网络计算获得；通过控制输入对单臂机器人系统进行控制。实现了单臂机器人系统全状态约束下的渐近跟踪。

技术领域

本发明涉及非线性控制技术领域，尤其涉及一种单臂机器人系统的渐近跟踪控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

不确定性非线性系统的理论分析和工业应用的广泛研究一直是控制领域的热门话题。近几十年来，非线性不确定的下三角系统是研究方向上的重要模型类别吸引了众多专家学者的研究热情。因此，出现了许多设计方法构造不确定的非线性下三角系统的控制器，例如滑模控制法、反步设计法、高增益观测器法及李雅普诺夫设计法等等。众所周知，自适应控制是解决未知参数的有效方法，其与反步设计法的结合成为了解决非线性下三角系统控制问题的常用工具。通过使用自适应反步设计法，对非线性下三角系统的控制已经获得了许多出色的结果。然而，以上这些方法不能直接应用于包含完全未知的非线性函数的非线性系统，这阻碍了其广泛的应用。

1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts在分析神经元的基本特征时，建立了神经网络的概念和他们的数学模型，即MP模型。从此，神经网络的研究成为一个热点。在几十年的发展中，该领域产生了许多重要的模型，包括反向传播网络、自组织映射网络、径向基函数神经网络等。近年来，学者们发现神经网络具有很好的处理未知非线性的能力，并且利用神经网络已经解决了许多困难的任务。将神经网络应用于非线性系统的研究时，已有工作提出了一种自适应反步神经控制策略和一种完全非仿射纯反馈系统的自适应神经控制方案，但两种控制策略均只达到有界跟踪控制，而无法实现渐近跟踪控制。

同时，现实世界中的各种类型的系统不可避免地受到物理或其他约束，例如，自动驾驶汽车的位置和速度必须受到限制，以使其以合理的速度保持在正确的道路上，其他的例子如物理停靠点及化学反应器的温度等。近几十年来，许多文献中已经介绍了如何解决约束问题，它们中的大多数集中在系统的输出约束上，没有考虑系统的全状态约束。然而，在实践中，系统全状态约束要求更具说服力。从控制的角度来看，如何在保证渐近跟踪的同时保持全状态约束是一项具有挑战性的任务。

发明内容

本公开为了解决上述问题，提出了一种单臂机器人系统的渐近跟踪控制方法及系统，实现了单臂机器人系统全状态约束下的渐近跟踪。

为实现上述目的，本公开采用如下技术方案：

第一方面，提出了一种单臂机器人系统的渐近跟踪控制方法，包括：

获取单臂机器人系统的状态数据；

将单臂机器人系统的状态数据输入渐近跟踪控制器中，获取控制输入，其中，渐近跟踪控制器以系统的输出渐近跟踪参考信号为目标，采用径向基函数神经网络计算获得；

通过控制输入对单臂机器人系统进行控制。

第二方面，提出了一种单臂机器人系统的渐近跟踪控制系统，包括：

数据获取模块，用于获取单臂机器人系统的状态数据；

控制输入获取模块，用于将单臂机器人系统的状态数据输入渐近跟踪控制器中，获取控制输入，其中，渐近跟踪控制器以系统的输出渐近跟踪参考信号为目标，采用径向基函数神经网络计算获得；

系统控制模块，用于通过控制输入对单臂机器人系统进行控制。

第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种单臂机器人系统的渐近跟踪控制方法所述的步骤。