搜索
研究生课程（论文类）试卷20/20学年第学期课程名称：课程代码：论文题目：学生姓名：专业﹑学号：学院：课程（论文）成绩：课程（论文）评分依据（必填）：任课教师签字：日期：年月日课程（论文）题目：机器人智能控制研究进展内容：摘要:以介绍机器人控制技术的发展及机器人智能控制的现状为基础,叙述了模糊控制和人工神经网络控制在机器人中智能控制的方法.讨论了机器人智能控制中的模糊控制和变结构控制,神经网络控制和变结构控制,以及模糊控制和神经网络控制等几种智能控制技术的融合.并对模糊控制和神经网络控制等方法中的局限性作出了说明.关键词:机器人;智能控制;模糊控制;人工神经网络1机器人智能控制技术的发展从机器人诞生到20世纪80年代初,机器人技术经历了一个长期缓慢的发展过程.到了20世纪90年代,随着计算机技术、微电子技术、网络技术等的快速发展,机器人技术也得到了飞速发展.智能机器人的研究是目前机器人研究中的热门课题.作为一门新兴学科,它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果.智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究.智能机器人可以在非预先规定的环境中自行解决问题.智能机器人的技术关键就是自适应和自学习的能力,而模糊控制和神经网络控制的应用显示出诸多优势,具有广阔的应用前景.1.1机器人控制技术的发展早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统可看成是机器人各关节控制器简单的组合.随着机器人技术的发展,机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求,因此可采用独立关节控制原则,在各关节构成PID控制.由于机器人操作臂是一个高度非线性的系统,工业用的低速操作臂应用常规的PID反馈控制可以满足控制要求,但为实现高速运动,要求具有较好的控制品质,PID反馈控制难以取得较好的控制效果.在传统的控制方法中,它们依赖数学模型.但是,由于操作臂的参数不能精确得到,模型参数与实际参数不匹配时,便会产生伺服误差.当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知和不定的特性.这未知因素和不定性使控制系统性能降低.因此,采用传统的控制方案已不能满足控制要求.在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时,智能控制方法得到了成功的应用.近年来,随着人们对机器人高速高精度要求的不断提高,使得整个机器人系统对其控制部分的要求也越来越高,开发具有智能的机器人已经成为人们研究的热点。1.2机器人智能控制的现状近几年,机器人智能控制在理论和应用方面都有较大的进展。在模糊控制方面,由J·J·Buckley等人论证了模糊系统的逼近特性;E·H·Mamdan首次将模糊理论运用于一台实际机器人,把模糊控制技术在机器人中的应用得以展现[1].而且,模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。在机器人神经网络控制方面,CMCA(Cere-bellaModelControllerArticulation)是应用较早的一种控制方法,它的最大特点是实时性好,尤其适应于多自由度操作臂的控制,W·T·Miller等[2]还进行了实验研究,验证了该方法的有效性.2机器人智能控制方法2.1机器人的模糊控制英国学者E·H·Mamdani在1974年首次成功地将模糊集理论运用于工业锅炉的过程控制之中,并于20世纪80年代初又将模糊控制引进到机器人的控制中.被控对象是一个具有两个旋转关节的操作臂,每个关节由直流电动机驱动.关节的实际转角通过测速发电机由A/D转换电路获得,其角速度通过SOC的记忆存储器编程来实现.其主要是对操作臂模糊控制系统,分别进行阶跃响应测试和跟踪控制试验.控制结果证明了模糊控制方案具有可行性和优越性.由LinCM等人[3]提出了在模糊控制器结构的基础上,引入PI调节机制达到对阶跃输入的快速响应和达到消除隐态误差的效果.通过相平面上对两种不同区域的启发性分类,可得到一组简单的模糊规则,从而简化了模糊规则库和算法,使最终的控制器易于实现.该控制方案通过仿真实验得到验证.由邓辉等人[4]提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法,并将其应用于动力学方程未知的机械手轨迹控制.采用c均值聚类算法构造两关节机械手模糊模型,并由此构造模糊系统的逆模型.在提出的模糊逆模型控制结构中,离散时间滑模控制和时延控制用于补偿模糊建模误差和外扰动,保证系统全局稳定性,并改善其动态和稳态性能.系统稳定性和轨迹误差的收敛性,通过稳定性定理得到证明.2.2机器人的神经网络控制神经网络的研究20世纪60年代,并在20世纪80年代得到了快速的发展.近几年来,神经网络研究的目标是复杂的非线性系统的识别和控制等方面,神经网络在控制应用上具有以下特点:能够充分逼近任意复杂的非线性系统;能够学习与适应不确定系统的动态特性;有很强的鲁棒性和容错性等.因此,神经网络对机器人控制具有很大的吸引力.在机器人的神经网络动力学控制方法中,典型的是计算力矩控制和分解运动加速度控制,前者在关节空间闭环,后者在直角坐标空间闭环.在基于模型计算力矩控制结构中,关键是逆运动学计算,为实现实时计算和避免参数不确定性,可通过神经网络来实现输入输出的非线性关系.对多自由度的机器人手臂,输入参数多,学习时间长,为了减少训练数据样本的个数,可将整个系统分解为多个子系统,分别对每个子系统进行学习,这样就会减少网络的训练时间,可实现实时控制.由Albus提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法,即CM-CA法.该方法以数学模块为基础,采用查表方式产生一个以离散状态输入为响应的输出矢量.在控制中,状态矢量输入来自机器人关节的位置与速度反馈,输出矢量为机器人驱动信号.也可以利用CMCA模拟机器人动力学方程,计算实现期望运动所需力矩作为前反馈控制力矩,采用自适应反馈控制消除输入扰动及参数变化引起的误差.经过仿真实验证明,经过4个控制周期后,控制过程的误差趋近于零。F.L.Lewis基于无源理论,提出了一类网络利用功能连接神经网络逼近机器人动力学模型,连接权在线调整方法,可保证神经网络自适应控制算法闭环稳定.2．3机器人智能控制技术的融合(1)模糊控制和变结构控制的融合在模糊变结构控制器(FVSC)中,许多学者把变结构框架中的每个参数或是细节采用模糊系统来逼近或推理,仿真实验证明该方法比PID控制或滑模控制更有效.在设计常规变结构控制律时,若函数系数取得很大,系统就会产生很多的抖振,如果用引入边界层方法消除抖振,就会产生很大的误差;若该系数取较小值,鲁棒性就会变差.因此,金耀初等人[5]提出了通过引入模糊系统来动态预测和估计系统中不确定量的方法.模糊系统中的输入分为两种:一种为系统的综合偏差模糊值;另一种为偏差增量模糊值.它的输出是对上述函数中的系数进行模糊估值.仿真结果表明抖振现象得到了抑制.还有人在初始建模阶段采取模糊系统辨识,其后在变结构控制中对动力学模型进行自适应学习.在这种控制方案中,模糊控制和变结构控制之间的界限很清晰,从仿真结果看,控制性能也较好.(2)神经网络和变结构控制的融合神经网络和变结构控制的融合一般称为NNVSC.实现融合的途径一般是利用神经网络来近似模拟非线性系统的滑动运动,采用变结构的思想对神经网络的控制律进行增强鲁棒性的设计,这样就可避开学习达到一定的精度后神经网络收敛速度变慢的不利影响.经过仿真实验证明该方法有很好的控制效果.但是由于变结构控制的存在,系统会出现力矩抖振.牛玉刚等人[6]将变结构控制和神经网络的非线性映射能力相结合,提出了一种基于神经网络的机械手自适应滑模控制器.如果考虑利用滑模控制技术,需要知道系统的不确定性的上界,但在实际应用中,许多系统的不确定界却难以得到.因此利用神经网络估计系统的不确定性的未知界,克服了常规滑模控制需要已知不确定性界的限制,但是由于滑模控制的存在,就有抖振现象,为了消除抖振,可用S型函数代替符号函数.经过仿真实验,该控制器能够有效的补偿系统不确定性的影响,保证机器人系统对期望轨迹的快速跟踪.(3)模糊控制和神经网络控制的融合模糊控制和神经网络控制的融合,一般称为模糊神经网络(Fuzzifiedneuralnetwork)或神经网络模糊控制器(neuro-fuzzycontroller).模糊系统和人工神经网络相结合实现对控制对象进行自动控制,是由美国学者B·Kosko首先提出的[7].模糊系统和神经网络都属于一种数值化和非数学模型函数估计器的信息处理方法,它们以一种不精确的方式处理不精确的信息.模糊控制引入了隶属度的概念,即规则数值化,从而可直接处理结构化知识;神经网络则需要大量的训练数据,通过自学习过程,借助并行分布结构来估计输入与输出间的映射关系.虽然模糊控制与神经网络处理模糊信息的方式不同,但仍可以将二者结合起来.利用模糊控制的思维推理功能来补充神经网络的神经元之间连接结构的相对任意性;以神经网络强有力的学习功能来对模糊控制的各有关环节进行训练.可利用神经网络在线学习模糊集的隶属度函数,实现其推理过程以及模糊决策等.在整个控制过程中,两种控制动态地发生作用,相互依赖.王洪斌等人针对机器人逆运动学问题提出了基于模糊神经网络的解决方案.该方案对二自由度刚性机器人进行仿真实验,证明了其有效性和可行性.王耀南等人也介绍了模糊神经网络的应用.介绍了一种模糊神经网络控制与传统的PD控制相结合的机器人学习控制系统,该控制具有自学习、自适应、控制精度高等特点.智能融合技术还包括基于遗传算法的模糊控制方法.遗传算法作为一种新的搜索算法,具有并行搜索,全局收敛等特性,将遗传算法应用于模糊控制中,可以解决一般模糊控制中隶属度函数及规则参数调节问题.这方面研究典型代表人物有Karr,Homaifar,Ishibuchi等人.也有基于遗传算法的人工神经网络学习算法,以及基于粗糙集理论进行BP网络设计的方法.在粗糙集改进BP网络的方法中,主要是应用粗糙集的理论和方法,从给定学习样本数据中发现一组规则,并根据这些规则去建立网络模型中相应的隐层节点,然后用BP算法迭代出网络的参数.和以前实验法选择隐层数量和隐层内神经元个数的方法相比,节约了计算时间,简化了选择的方法.3结语智能控制方法提高了机器人的速度及精度,但是智能控制方法本身也有着自身的局限性.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,控制的精确性又要受到限制;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.参考文献:[1]王灏,毛宗源.机器人的智能控制方法[M].北京:国防工业出版社,2002.[2]PangGKH,RavichandranT.Knowledge2basedcontrolofasingle-linkflexiblerobotarm[J].EngngAp-plic.Artif.Intell..1993,6(2):123-130.[3]LinCM,HiyamaT.Applicationoffuzzylogiccontroltoamanipulator[J].RobotandAutomation,1991,7(5):688-691.[4]邓辉,孙富春,孙增圻.机械手的模糊逆模型鲁棒控制[J]自动化学报,2001,27(4):521-530.[5]应浩.关于模糊控制理论与应用的若干问题[J]自动化学报,2001,27(4):591-592.[17]王耀南,孙炜.基于模糊神经网络的机器人自学习控制[J].电机与控制学报,2001,5(2):92-102.[18]刘治,李春文.基于模糊神经网络的5连杆双足机器人混杂控制[J].控制理论与应用,2002,19(