(1.24)--6.3 机器人智能控制的现状与前景.pptVIP

*目前，采用人工神经网络、模糊控制和专家系统技术对机器人进行定位、环境建模、检测、控制和规划的研究已经日益成熟，并在多个实际应用系统中得到验证。智能控制技术也应用于机器人传感器信息融合和视觉处理方面。在机器人装配作业中利用神经网络来进行机器人手臂控制和动态调度。同时遗传算法和进化计算为机器人系统带来了新型的优化编程和控制技术。6.3机器人智能控制的现状与前景神经网络遗传算法*机器人动力学的时变、强耦合和非线性特点，使得运用传统控制方法来驱动机器人存在很大的局限性，尤其对多关节、复合肢体的机器人，其关节耦合关系和非线性模型使得利用一般控制方式无法达到较好的运动效果。神经网络强大的自学习和非线性映射能力使其在机器人动力学上得到广泛应用。为提高系统的鲁棒性和适应能力，引入模糊控制原理，构造了基于模糊逻辑和神经网络的控制器。水下自主运载器、水下无人机车、无人自主驾驶机动车在未知或复杂危险环境下完成探索、通信、合作等功能也需要智能控制的协助实现。6.3机器人智能控制的现状与前景*在机器人的路径规划中，其所采用的方法可以分为传统方法和智能方法两种。智能路径规划方法是将遗传算法、模糊逻辑以及神经网络等人工智能方法应用到路径规划中，来提高机器人路径规划的避障精度，加快规划速度，满足实际应用的需要。其中应用最多的智能算法主要有模糊方法、神经网络、遗传算法、Q学习及混合算法等，这些方法在障碍物已知或未知情况下均已取得一定的研究成果。6.3机器人智能控制的现状与前景Q学习*机器人视觉系统是机器人的重要组成部分。边沿抽取是视觉信息处理中常用的一种方法。对于一般的图像边沿抽取,如采用局部数据的梯度法和二阶微分法等,对于需要在运动中处理图像的移动机器人而言,难以满足实时性的要求。为此人们提出一种基于智能计算的图像边沿抽取方法,如基于神经网络的方法、利用模糊推理规则的方法等。6.3机器人智能控制的现状与前景*随着机器人技术的发展,对于无法精确解析建模的物理对象以及信息不足的病态过程,传统控制理论暴露出缺点,近年来许多学者提出了各种不同的机器人智能控制系统。机器人的智能控制方法有模糊控制、神经网络控制、智能控制技术的融合（模糊控制和变结构控制的融合、神经网络和变结构控制的融合、模糊控制和神经网络控制的融合），智能融合技术还包括基于遗传算法的模糊控制方法等。6.3机器人智能控制的现状与前景*智能控制方法提高了机器人的速度及精度，但是也有其自身的局限性，例如机器人模糊控制中的规则库如果很庞大，推理过程的时间就会过长；如果规则库很简单,控制的精确性又会受到限制；无论是模糊控制还是变结构控制，抖振现象都会存在，这将给控制带来严重的影响；神经网络的隐层数量和隐层内神经元数的合理确定仍是目前神经网络在控制方面所遇到的问题，另外神经网络易陷于局部极小值等问题，都是智能控制设计中要解决的问题。6.3机器人智能控制的现状与前景*智能控制的前景和展望(1)加强理论研究,寻求更新的理论框架。(2)加强对机器人智能控制学习问题的研究工作。(3)解决知识获取和优化的瓶颈问题。(4)加强各种智能控制方法结合。(5)注重技术创新进行更好的技术集成。(6)加强智能优化技术的发展。(7)扩宽实际应用范围,提高实时控制能力。6.3机器人智能控制的现状与前景