[发明专利]基于确定学习的封闭机器人速度补偿跟踪控制方法、存储介质及机器人

说明书

本发明公开了一种基于确定学习的封闭机器人速度补偿跟踪控制方法、存储介质及机器人，该控制方法具体步骤包括：建立具有内部速度PI控制器的封闭机器人动力学模型和期望的关节周期轨迹；设计自适应神经网络速度补偿控制指令，并利用确定学习理论获取经验知识；基于所获经验知识设计常值神经网络速度补偿控制指令。本发明所设计方法不仅实现了神经网络控制智能算法在具有未知动态封闭机器人系统上的应用，而且基于确定学习理论设计的常值神经网络速度补偿控制指令，使得机器人能够从复杂工作任务中获取和利用经验知识，并在执行重复任务时节省在线计算资源和提升暂态跟踪性能。

技术领域

本发明涉及机器人的智能跟踪控制的技术领域，具体涉及一种基于确定学习的封闭机器人速度补偿跟踪控制方法、存储介质及机器人。

背景技术

机器人作为一种涉及机械、控制等众多领域的高精技术产品，对工业生产起到了巨大的推动作用，常用于抓取、搬运等机械式的工作任务中，但是当前市面上的大多数工业机器人为封闭系统，出于使用安全、商业隐私等原因，不给予开放力矩控制接口，用户一般只能对关节(执行器)位置和速度进行设置，而传统工业机器人的内部控制以速度PI控制或位置PID控制为主要形式。机器人控制系统由于非线性环节、环境动态变化、零部件老化等因素的存在，导致工业机器人的精确建模较为困难，给机械臂的控制器和控制参数设计带来了挑战，为了克服建模不确定性问题和提高控制精度，现阶段通常运用自适应神经网络控制算法对机器人进行动力学控制，然而由于工业机器人的封闭性，自适应神经网络控制算法的实验与应用困难，这也导致多数算法实验以数值仿真为主，存在一定的局限性，算法控制性能说服力不足。此外，在传统的自适应神经网络控制中，无论任务是否相同或相似，每次控制都需要重复进行自适应训练，浪费大量在线调节时间和计算资源，并且存在自适应控制初期暂态效果较差的问题。21世纪来，确定学习理论的提出和发展解决了上述传统自适应神经网络控制中存在的问题，实现了在非线性系统的自适应控制过程中对未知动态经验知识的获取、存储和再利用，避免了在相同或相似控制任务下神经网络的无意义重复训练，同时提高了暂态阶段的控制性能。

因此，结合外环速度补偿思想和确定学习理论，设计适用于封闭机器人的速度补偿控制指令，促使封闭机器人可以在稳定的控制过程中获取、存储动态信息知识，对具有封闭结构的工业机器人的高性能控制问题以及确定学习理论的应用实验多样化具有重要意义。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于确定学习的封闭机器人速度补偿跟踪控制方法、存储介质及机器人，该方法针对自适应神经网络控制算法无法在封闭机器人系统中应用的问题，该方法利用外环速度补偿思想，在封闭机器人内部速度控制器为PI控制器的前提下，结合李雅普诺夫稳定性理论进行自适应神经网络速度补偿控制指令和神经网络权值估计值更新率的设计；针对传统自适应神经网络控制中存在的执行相同或相似的控制任务时神经网络权值仍需重复训练的问题，该方法利用确定学习理论，将收敛后的神经网络权值作为对未知动态学习后获得的经验知识进行保存，当机器人再次执行相同或相似任务时，可以直接调用经验知识实现再利用。

为了达到上述目的，本发明采用以下技术方案：

本发明一方面提供了一种基于确定学习的封闭机器人速度补偿跟踪控制方法，包括下述步骤：

S1、建立具有内部速度PI控制器的封闭机器人动力学模型和期望的关节周期轨迹；

S2、结合李雅普诺夫稳定性理论设计自适应神经网络速度补偿控制指令，并利用确定学习理论将收敛后的神经网络权值估计值保存为常值权值即获取经验知识：

设计自适应神经网络速度补偿控制指令：