[发明专利]单关节机器人的变长度反馈辅助PD型迭代学习控制方法

说明书

本发明公开了单关节机器人的变长度反馈辅助PD型迭代学习控制方法，涉及迭代学习控制领域；该方法通过构建递推生成的更新误差与输入序列，用来存储系统每个时间点最近迭代批次的运行信息，随后通过与系统当前迭代批次的反馈误差信息结合，共同修成系统的输入信号，构建了反馈辅助PD型迭代学习控制方法；除此之外，通过归纳分析法，证明了所设计的反馈辅助PD型迭代学习控制算法对于变长度系统的收敛性。该方法可以适用于变批次长度问题下单关节机器人系统的轨迹跟踪控制问题，实现系统输出对期望轨迹的精确跟踪。

技术领域

本发明涉及迭代学习控制领域，尤其是单关节机器人的变长度反馈辅助PD型迭代学习控制方法。

背景技术

在工业生产制造等领域中，工业机器人被广泛地应用。对于重复性的生产过程，工业机器人可以优秀地代替人力进行一些重复性质的工作，同时还可以在危险恶劣的环境中进行稳定的工作，极大地提升了工业过程的生产效率与产品质量。因此，对于工业机器人的控制性能有着越来越高的要求。对工业机器人的控制主要注重于其轨迹的精确跟踪控制，该目标对保证生产安全，提升产品质量具有重要的意义。

单关节机器人系统是一种基础且十分重要的机器人系统，复杂的机器人系统往往都是在单关节机器人系统的基础上建立的，通过多个关节的运动共同构成复杂机器人系统的整体动作。单关节机器人系统作为一种典型的时变性、非线性系统，系统控制策略是其关键技术。针对单关节机器人系统的轨迹跟踪问题，选择合适的控制算法可以使控制效果事半功倍。鉴于其重复执行相同任务的特性，迭代学习控制(Iterative learning control，ILC)被广泛应用到了机器人的轨迹跟踪任务中。ILC的核心思想在于通过利用先前的轨迹跟踪误差和控制输入信息来产生当前次的控制输入，以实现对系统跟踪估计的调整，使控制系统具有自我学习和自我完善的能力。该策略将系统重复任务的每一次执行定义为一个迭代批次，随着迭代批次的上升，机器人的实际输出轨迹应渐进收敛于期望轨迹。这便要求了对于重复运行的单关节机器人系统，其运行期间的每个迭代批次的长度都要与期望的长度相同，以此来保证系统在整个期望时间内的学习效率和跟踪效果。然而，在单关节机器人的一些实际应用场景中，该要求或许并不能一直被满足。例如，单关节机器人系统被广泛地应用到了搬运机器人、龙门吊等货运机器人系统中，由于负载只被允许在参照物的特定区域内移动，当系统的输出偏移出了约束范围时，该批次的系统运行会被立刻中断。因此。所有迭代批次的批次长度都不完全相同。但是，即使对于不完整的试验，可用的跟踪部分仍然可以用来改进控制系统的学习性能。除此之外，单关节机器人可以被应用到下肢辅助康复机器人中，通过控制机器人力臂的移动，带动患者下肢移动适宜的角度，有助于下肢受伤或中风患者的下肢运动功能的恢复。然而在实际应用中，由于患者自身的体能原因，以及外界因素干扰或是出于安全考虑，患者的下肢动作并不能完整的保持一致，即单关节机器人系统的迭代批次长度会产生变化。这些即构成了单关节机器人控制系统中的变批次长度问题，设计合适的控制策略，充分利用各种不同批次长度下系统所产生的有效输出进行学习，对ILC的控制信号进行修正，以实现单关节机器人系统对期望轨迹的精准跟踪，是解决该问题的关键所在。

在许多的常规ILC设计中，一个关键要求是当控制系统的迭代数上升时,每一个迭代的批次长度为一个固定的值,称之为期望长度。当系统的实际批次长度产生变化时，系统运行未能达到期望长度，实际批次长度小于期望批次长度部分的信息会有所缺失。对于这部分无法获取的误差信息，比较常见的做法是将其设置为0，如此一来系统所有的迭代批次都可以在传统的ILC框架下参照期望长度进行分析。除此之外，一些研究致力于利用系统之前迭代的运行信息构建出高阶的误差信号补偿缺失部分，在一定程度上增强了系统对于变化的批次长度的鲁棒性，也使得系统每一迭代批次都可以提供全长的误差信息，并基于此思想提出了多种ILC的控制算法设计。然而这样的控制策略可能会稀释较大的或是来自最近迭代批次的误差，从而影响了系统的收敛速度。

发明内容