暑期课程-空间机器人1.pptVIP

* 关节轨迹规划及实际控制结果 * 基座速度规划及实际控制结果 * 关节速度规划及实际控制结果 * 非完整运动规划一般有三种方法： Lyapunov函数法、Newton-Raphson法、环路法 下面主要介绍一下比较有特色的环路法，也称为环路运动法、环路积分法 * 经过时间参数化后得到的轨迹 * 经过时间参数化后得到的轨迹 * * 用三次多项式轨迹来对比优化轨迹的振动抑制效果 * 仅考虑基座运动的规划。 因为当机器人基座运动与目标物体运动保持相对静止时，两臂关节规划与捕捉静止目标时相同。 * 机器人及目标物体在x-y平面的运动轨迹 swtich point为IPNG规划与动态轨迹优化的切换点 * 机器人及目标物体在x方向的运动轨迹 * 机器人及目标物体在x方向的运动速度 * 机器人及目标物体在y方向的运动轨迹 * 机器人及目标物体在y方向的运动速度 * * * 柔性双臂空间机器人系统动力学方程是个复杂的刚性微分方程，并且系统质量矩阵的特征值之间的差异很大，在数值求解的过程中对积分，矩阵求逆的算法应进行适当的选择 经过大量算法试验，目前系统的缺省算法为： * * 首先根据位置/力控制目标和抑振控制目标分别计算所需的控制量，利用滤波器将不同目标的控制量分开，最后对各控制量进行合成。 * 第三臂的内力x分量为-10说明内力方向向左（-x方向）抓紧物体 * 1、自适应神经模糊推理系统（adaptive-network-based fuzzy inference system, ANFIS）是由Jang等人于1993年提出的一种神经模糊系统结构，它通过一种自适应的网络结构来实现模糊推理系统，从而能同时借助先验知识和样本数据来构造输入-输出的映射关系，是目前最常用的智能建模工具之一。 2、利用ANFIS对未知的输入-输出关系进行建模，可以得到一个T-S型模糊推理系统 3、数据样本聚类采用超平面聚类方法，将满足相似的线性关系的输入-输出数据聚为一类。 * 由于ANFIS输出与后件参数间为线性关系，因此可以采集机器人系统的输入输出数据，采用线性系统辨识算法在线调节后件参数。经过实验，在轨迹跟踪控制中选用了变遗忘因子的递推最小二乘算法，在位置/力控制中选用了投影算法 * 第三臂的内力x分量为-10说明内力方向向左（-x方向）抓紧物体 末端振幅（m） 时间（s） 第三臂和第五臂末端振幅 1为第三臂的振幅u3l 2为第五臂的振幅u5l 末端稳态振幅/臂长0.10% 末端稳态振幅/臂长0.10% 位置/力控制仿真结果（物体质量 Mo=2kg） 轨迹跟踪控制框图： 位置/力框图： ANFIS ANFIS K K 利用自适应神经模糊推理系统(ANFIS)，通过对机器人运动的数据样本的学习，以代替控制结构中逆动力学求解环节。 为提高ANFIS的逼近精度，并在未曾学习过的区域仍能够跟踪机器人逆动力学变化，需对ANFIS的后件参数进行在线调节。 为保证控制系统的稳定性，在逆动力学控制外增加了一个直接反馈控制环节。 （四）智能控制 四、控制系统与算法 T-S型模糊推理系统表达： R={Ri}={IF x is Ai, THEN y=WiTx}, i=1,…,l 数学表达： 数据样本聚类：动态超平面聚类算法 隶属函数建立：模糊极小-极大神经网络（FMM）算法 参数调整：最小二乘算法调节后件参数，梯度下降法调 节前件参数 （四）智能控制 4.1 自适应神经模糊推理系统（ANFIS） 轨迹跟踪控制系统的逆动力学建模 输出重定义： T-S型模糊推理系统表达： 数学表达： （四）智能控制 4.2 机器人逆动力学的ANFIS建模 忽略内力误差： T-S型模糊推理系统表达： 数学表达： （四）智能控制 4.3 位置/力控制系统的逆动力学建模 机器人逆动力学的ANFIS模型可展开为 其中W 为后件参数，x为机器人运动状态。 采用线性系统辨识算法在线调节后件参数 在轨迹跟踪控制中选用变遗忘因子的递推最小二乘算法 在位置/力控制中选用了投影算法 （四）智能控制 4.4 ANFIS在线调节 给定期望轨迹为： ANFIS在线调节参数，Σ0=500, P(0) =9I （四）智能控制 4.5 轨迹跟踪控制仿真 轨迹（m or rad） 时间（s） x, y,θ1的期望轨迹和实际轨迹 1- x的期望轨迹 2- x的实际轨迹 3- y的期望轨迹 4- y的实际轨迹 5-θ1的期望轨迹 6-θ1的实际轨迹 4.5 轨迹跟踪控制仿真 （四）智能控制 轨迹（rad） 时间（s） θ2,θ3,θ4,θ5的期望轨迹和实际轨迹 1-θ2的期望轨迹 2-θ2的实际轨迹 3-θ3的期望轨迹 4-θ3的实际轨迹 5-θ4的期望轨迹