浅谈机器人智能控制研究解析.docx

《浅谈机器人智能控制研究解析.docx》由会员分享，可在线阅读，更多相关《浅谈机器人智能控制研究解析.docx（9页珍藏版）》请在三一文库上搜索。

1、陕西科技大学2015级研究生课程考试答题纸题号一二二四五六七八九十总分得分阅卷人考试科目机械制造与装配自动化专业机械工程学号 1505048考生姓名 乔旭光考生类别 专业学位硕士注意事项1 .试题随试卷交回；2 .试卷评阅后，一周内送交研究生秘书处保存；3 .考生类别为学术硕士、专业学位硕士、在职人员攻读硕士学位浅谈机器人智能控制研究摘要 ： 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

2、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 智能控制的主要方法随着信息技术的发展， 许多新方法和技术进入工程化、 产品化阶段， 这对自动控制技术提出崭新的挑战， 促进了智能理论在控制技术中的应用， 以解决用传统的方法难以解决的复杂系统的控制问题。智能控制技术的主要方法有模糊控制、 基于知识的专家控制、 神经网络控制和集成智能控制等, 以及常用优化算法有: 遗传算法、蚁群算法、免疫算法等。1.1 模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础, 以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制

3、, 就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段, 实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定, 以及控制规则的制定二者缺一不可。1.2 专家控制专家控制是将专家系统的理论技术与控制理论技术相结合 , 仿效专家的经验实现对系统控制的一种智能控制。主体由知识库和推理机构组成 , 通过对知识的获取与组织 , 按某种策略适时选用恰当的规则进行推理, 以实现对控制对象的控制。专家控制可以灵活地选取控制率, 灵活性高 ; 可通过调整控制器的参数, 适应对象特性及环境的变化 , 适应性好 ; 通过专家规则 , 系统可以在非线性、大偏差的情况下可靠地工作, 鲁棒性强。1

4、.3 神经网络控制神经网络模拟人脑神经元的活动 , 利用神经元之间的联结与权值的分布来表示特定的信息, 通过不断修正连接的权值进行自我学习, 以逼近理论为依据进行神经网络建模, 并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。1.4 学习控制(1) 遗传算法学习控制智能控制是通过计算机实现对系统的控制 , 因此控制技术离不开优化技术。快速、 高效、 全局化的优化算法是实现智能控制的重要手段。 遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法, 它模拟生物界/ 生存竞争 , 优胜劣汰 ,适者生存的机制 , 利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索

5、算法, 一方面希望在宽广的空间内进行搜索, 从而提高求得最优解的概率 ; 另一方面又希望向着解的方向尽快缩小搜索范围 , 从而提高搜索效率。 如何同时提高搜索最优解的概率和效率, 是遗传算法的一个主要研究方向 。(2) 迭代学习控制迭代学习控制模仿人类学习的方法、即通过多次的训练, 从经验中学会某种技能 , 来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成 , 其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功

6、的。2 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

7、势, 具有广阔的应用前景。2.1 机器人控制技术的发展, 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 ,

8、 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。2.2 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

9、面，由J J Buckley等人论证了模糊系统的逼近特性；E HMamdan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。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-bella Model Cont roller Articulation) 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，WT Miller等还进行了实验研究，验证了该方法 的有效性。3 机器人智能控制方法3.1 机器人的模

10、糊控制英国学者E- HI- 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，具角速度通过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 Lin CM 等人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

11、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。3.2 机器人的神经网络控制神经网络的研究 20 世纪 60 年代

12、 , 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

13、, 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9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真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,

14、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。3 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

15、 , 金耀初等人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NNVS C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

16、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

17、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( Fuzzifiedneural network) 或神经网络模糊控制器(neuro-fuzzy cont roller) 。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。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

18、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。

19、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

20、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。(4) 结束语智能控制理论的创立和发展是对计算机科学、 人工智能、 知识工程、 模式识别、系统论、信息论、控制论、模糊集合论、人工神经网络、进化论等多种前沿学科、先进技术和科学方法的高度综合集成。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。最后， 本课程结束之前感谢老师的辛勤付出， 带给我们那么多次生动的课堂讲解， 使我对该课程的知识有了一定的理解与掌握， 对后期所学知识也奠定了基础。非常感谢！