基于径向基函数神经网络的机器人滑模控制
摘 要:尽管滑模控制响应快,对系统参数和外部扰动呈不变性,但在保证系统的渐进稳定性上却存在很强的抖动缺点。因此,在一般滑模控制的基础上,引入了径向基函数神经网络(RBFNN)。利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,滑模控制量作为其输出。利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性。对两连杆机械手进行了仿真研究,其结果表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能消除滑模控制的抖动问题。
1 引 言
机器人系统是一个十分复杂的多输入多输出非线性系统,具有时变、强耦合和非线性动力学特性,其控制十分复杂。要实现其高精度快速跟踪控制,必须采用高级控制策略。滑模控制因其在滑动模态对系统的干扰和摄动具有完全适应性而得到控制界的重视,并被广泛应用于机器人控制中。滑模控制方法具有控制简单、易于实现、降阶、解耦作用等优点,但却有存在很强的抖动的缺点。
径向基函数神经网络(RBFNN)的基本思想是:用径向基(RBF)作为隐单元的“基”,构成隐含层空间,隐含层对输入矢量进行变换,将低维模式输入数据变换到高维空间内,使得在低维空间内线性不可分问题在高维空间内线性可分。RBFNN结构简单、训练简洁而且收敛速度快,能够逼近任意非线性函数。因此, RBF网络有较为广泛的应用前景。
本文在机器人滑模控制的基础上,引入径向基函数神经网络,用基于RBF的神经滑模控制器代替一般滑模补偿控制器,以克服一般滑模控制的抖动问题,而且对模型误差和外部扰动具有很强的鲁棒性。
2 机器人滑模控制
1)机器人动力学模型 对于一个n关节机器人,其动力学方程为
3 基于RBFNN的机器人滑模控制
上文所介绍的控制器能很好地跟踪期望轨迹,并且跟踪误差将渐近收敛于零;但由于存在滞环、开关延迟和其他动态非线性,使实际系统中的控制量存在很强的抖动。轻则可能导致执行器机械损伤,重则激励未建模高频动力学,使控制失策。
径向基函数神经网络的基本思想是:用径向基作为隐单元的“基”,构成隐含层空间,隐含层对输入矢量进行变换,将低维模式输入数据变换到高维空间内,使得在低维空间内线性不可分问题在高维空间内线性可分。RBFNN结构简单、训练简洁而且收敛速度快,能够逼近任意非线性函数。因此RBF网络的应用较为广泛。
本文将切换函数作为RBFNN输入, RBFNN的输出为滑模控制量。根据滑模控制原理选择RBF神经网络的目标函数,利用RBF神经网络自适应能力在线调整权值wj,最终实现机器人RBF神经滑模控制。神经滑模控制结构,如图1所示。
由于采用了变结构控制器,有效抑制了模型误差和外部扰动的影响,具有很高的跟踪精度;但此时控制输入具有很强的抖动,因此在实际控制中很难实现。采用式(13)控制器时的跟踪误差,如图3所示。
由于利用了RBF神经网络自适应能力在线调整权值,不仅跟踪精度高,而且消除了滑模控制的抖动问题。
5 结 语
本文在一般滑模控制基础上引入RBFNN控制器,将切换函数作为RBFNN的输入,滑模控制器作为RBFNN的输出,并应用于二自由度机械手控制。仿真研究表明,该方案不仅能消除滑模变结构控制的抖动问题,还能在存在模型误差和外部扰动条件下,实现机器人高精度、快速的跟踪控制。
|
