基于低通滤波器的不确定机器人迭代学习控制

2012年04月12日11:11:52 本网站我要评论(2)字号：T | T | T

关键字：计算机

王跃灵，沈书坤，王洪斌
燕山大学工业计算机控制工程河北省重点实验室，河北秦皇岛

摘　　　要：针对不确定机器人系统轨迹跟踪问题，并更好地消除系统不确定性对控制性能的影响，提出一种基于低通滤波器的迭代学习控制方法。采用滑模变结构控制（ＳＭＣ）以提高控制器对系统干扰和摄动的鲁棒性，并在控制器输出端引入低通滤波器（ＬＰＦ）来消除滑模控制中出现的抖振现象。将系统的不确定项描述为周期性和非周期性两部分，通过采用迭代学习算法对周期性不确定部分进行迭代学习，采用ＲＢＦ神经网络对非周期性不确定部分的未知上界进行自适应学习。该控制方法不仅对系统的不确定性和有界外部扰动具有鲁棒性，而且使得整个系统在迭代域中是全局渐近稳定的。严格的理论推导和仿真结果表明了该控制策略的有效性。

关　键　词：低通滤波；机器人；迭代学习控制；ＲＢＦ神经网络；滑模变结构控制

１　引　言
针对机器人的重复性动作，考虑其不确定性和非线性特点，提出一种基于滤波器的不确定机器人迭代学习控制方法。将系统的不确定项描述为周期性和非周期性两部分［１２］。迭代学习控制方法自提出以来就一直受到控制界广泛关注，现已有大量关于迭代学习控制算法的研究成果［３５］。迭代学习控制适合于具有某种重复运动性质的被控制对象［６］，且具有鲁棒性，能实现完全跟踪，控制器形式简单，只需较少的先验知识。径向基（ＲＢＦ）神经网络［７］可以以任意精度逼近任意的非线性函数，且具有全局逼近能力。因此，采用迭代学习控制学习周期性不确定部分，采用ＲＢＦ神经网络自适应学习非周期性不确定部分的未知上界，并利用鲁棒控制补偿网络学习的误差，并在控制器输出端加入低通滤波器，以有效地滤除高频抖振控制信号。该控制方法不仅提高了系统对参数变化和外界干扰的鲁棒性，而且保证了系统的全局稳定性。

登录网站后可下载文件

基于低通滤波器的不确定机器人迭代学习控制

相关阅读: