已经提出了一种用于机器人外屏的无模型自适应鲁棒控制方法,所提出的控制方案仅取决于输入和输出数据,这与基于模型的控制算法不同,需要需要机器人外屏的精确动态模型知识.减少了控制算法对机器人外骨骼动力学模型的先前知识的依赖性,并且通过基于数据驱动方法和神经网络估计器使用无模型自适应滑动模式控制器来补偿系统不确定性的影响提高了系统的稳健性。最后,实时实验结果表明,本文提出的控制方案在于与无模型自适应控制方案和无模型滑模自适应控制方案相比,对系统不确定性和外部风扰动具有良好的控制性能。。据/p>
外骨骼机器人可以显著改善肢体功能减退者的运动能力和生活质量。随着衰老进程的加快,脑卒中、帕金森病、脊髓损伤、下肢截瘫患者的数量将继续增加。即使经过专业的康复或治疗,这类人的身体功能也能恢复到一定程度,但很难恢复到原来的状态。大多数人的身体控制能力降低,行走将成为一项非常困难的任务。活动和质量严重影响他们的日常生活。从人口老龄化趋势和潜在受益人口的增长来看,研究老年人和残疾人的全身辅助外骨骼机器人,不仅可以提高运动能力,还可以促进社会和谐发展。然而,现有的外骨骼机器人通常尺寸更大,重量更重。对地面的适应能力和动作的灵活性还有待进一步提高。大多数外骨骼系统的工作模式是由机器人携带穿戴者,不同使用者的步态不完全协调。虽然目前已经有一些产品能够满足外骨骼机器人控制的要求,但用于帮助老年人和残疾人的人体外骨骼机器人的耦合性能仍然非常不足。据/p>
本文中的一个治疗师外骨骼机器人设计用于为中风患者提供康复治疗[据xref ref-type="bibr" rid="B1"> 1据/xref>-据xref ref-type="bibr" rid="B4"> 4.据/xref>].有效的控制策略对外骨骼与人类上肢相同地操作。一般控制方法[据xref ref-type="bibr" rid="B5"> 5.据/xref>那据xref ref-type="bibr" rid="B6"> 6.据/xref>]通常用于控制操纵器。据/p>
为了帮助中风患者,本文设计了一个治疗师外骨骼机器人[据xref ref-type="bibr" rid="B1"> 1据/xref>-据xref ref-type="bibr" rid="B4"> 4.据/xref>];这种机器人如此复杂的操作控制与人类上肢合作,因此一般控制方法[据xref ref-type="bibr" rid="B5"> 5.据/xref>那据xref ref-type="bibr" rid="B6"> 6.据/xref>,采用重力和摩擦补偿控制器的其他方法也获得了有效的控制性能[据xref ref-type="bibr" rid="B7"> 7.据/xref>-据xref ref-type="bibr" rid="B9"> 9.据/xref>].最近,研究人员开始使用更先进的控制方法。但大多数控制方法都是根据机器人的模型设计的。由于该机器人的交互模型与不确定性时变,这使得控制器基于模型方案不够有效。随着技术的发展,数据驱动方法现在是一种替代的有效方式,这不需要exoSkeleton的交互模型,并且可以直接形成记录的过程[据xref ref-type="bibr" rid="B10"> 10据/xref>].据/p>
数据驱动控制(DDC)方法不包含明确或隐含地设计过程中的受控过程的数学模型信息,其仅使用在线或脱机过程数据来设计控制器。DDC在某些假设条件下具有收敛性,稳定性和稳健的特点。在文献[据xref ref-type="bibr" rid="B11"> 11据/xref>[他们详细说明了数据驱动控制理论的必要性,这些方面是控制理论,控制理论的应用以及控制理论的发展。同时,许多人工智能方法[据xref ref-type="bibr" rid="B12"> 12据/xref>-据xref ref-type="bibr" rid="B15"> 15据/xref>用作数据驱动控制技术的补充方法。据/p>
作为一种数据驱动的控制技术,由于其完全的理论分析,无模型自适应控制(MFAC)在很多学者中都很受欢迎。该算法的一般思路可以概括如下。在某种假设条件下引入了一个新的伪衍生物概念。在离散系统的每个工作点,建立了等效的虚拟动态线性化模型,然后使用动态线性化模型来设计控制器和自适应法,分析稳定性等。保证了伪衍生物的存在。Cauchy平均值定理和一些数值方程的解决方案,这对这些确定性因素不敏感,例如时变参数,时变结构以及系统等级的变化。因此,无模型的自适应控制避免了揭示动态的影响,并且其不确定性主要由扰动和不完整的数据引起。无模型的自适应控制应用于线性电机控制,与文献中的控制精度的PID控制进行比较[据xref ref-type="bibr" rid="B16"> 16据/xref>].在文献[据xref ref-type="bibr" rid="B17"> 17据/xref>],将无模型自适应控制与神经网络控制相结合,通过神经网络实时在线调整控制器参数,并将该算法应用于三容水箱系统实验。在文献[据xref ref-type="bibr" rid="B18"> 18据/xref>]笔者提出了基于数据的无模式自适应滑动模式控制,用于多程度自由度机器人外骨骼,但控制简洁和控制速度仍然可以受到误差的影响,所以本文介绍了神经网络处理这个问题。据/p>
本文的创新之处在于:(1)控制器仅使用系统的输入输出数据,而不使用系统的动态模型,避免了模型动力学和系统参数不确定性的影响;(2)采用横向循环节距、纵向循环节距、螺旋桨总节距作为控制输入,避免了使用未测量的旋翼扑动角。实现飞行控制是必要的;(3)新型控制器能有效提高系统的抗干扰能力;(4)提出的算法具有可靠性的特点,并与其他两种算法进行了比较验证。据/p>
在动态建模中,这种机器人系统的动态可以通过以下形式近似:据D.一世S.p-formula>
用于动态系统方程(据xref ref-type="disp-formula" rid="EEq1">
1据/xref>),据一世N.line-formula>
现在动态系统可以写成据D.一世S.p-formula>
控制器设计分为三个部分:首先,将无模型自适应控制理论应用于控制器设计;其次,为了增强系统的鲁棒性和补偿未知外部干扰的影响,将无模态自适应控制与滑模控制和神经网络估计相结合,构成最终控制器;最后,用理论方法证明了控制误差的收敛性和闭环系统的稳定性。据/p>
一般的非线性离散时间MIMO系统如下:据D.一世S.p-formula>
根据定理1,系统方程(据xref ref-type="disp-formula" rid="EEq5">
5.据/xref>可以重写为据D.一世S.p-formula>
在等式(据xref ref-type="disp-formula" rid="EEq9">
9.据/xref>),据一世N.line-formula>
考虑由等式描述的系统(据xref ref-type="disp-formula" rid="EEq9">
9.据/xref>),并结合定理1的定义,被控系统可重写为据D.一世S.p-formula>
系统之间的耦合效果被认为是一种干扰,并且可以通过神经网络进行补偿估计。据/p>
首先,pseudomatrix据一世N.line-formula>
采取据一世N.line-formula>
结合方程式(据xref ref-type="disp-formula" rid="EEq11">
11据/xref>) 和 (据xref ref-type="disp-formula" rid="EEq12">
12据/xref>), 我们可以得到据D.一世S.p-formula>
从这个,我们可以知道据一世N.line-formula>
定义据一世T.alic>
一世据/italic>TH.据/sub>循环跟踪误差:据D.一世S.p-formula>
定义据一世T.alic>
一世据/italic>TH.据/sub>环路滑模控制器的平面功能:据D.一世S.p-formula>
离散趋同法是据D.一世S.p-formula>
等效控制可以用据D.一世S.p-formula>
从等式(据xref ref-type="disp-formula" rid="EEq16">
16据/xref>) - (据xref ref-type="disp-formula" rid="EEq19">
19据/xref>), 我们可以得到据D.一世S.p-formula>
什么时候非常小,控制输入方程(据xref ref-type="disp-formula" rid="EEq12">
12据/xref>)可能变得非常大甚至无限制。为了避免这种现象,我们使用非常小的正数。据/p>
控制法方程(据xref ref-type="disp-formula" rid="EEq12">
12据/xref>)包含未知项据一世N.line-formula>
在本文中,我们使用了径向基函数(RBF)神经网络,其使用神经网络近似来预测干扰和其他不确定性,然后与自适应滑模控制结合以实现干扰离散非线性系统的控制。神经网络估算器的引入旨在提高系统的动态性能。控制系统的结构图如图所示据xref ref-type="fig" rid="fig1">
1据/xref>(以两个输入/两个输出为例)。据/p>
假设1:系统具有全局渐近稳定的零动态。基于神经网络知识的近似性质,在正确选择网络结构及其网络参数之后,据一世N.line-formula>
正定函数的定义据一世N.line-formula>
根据定义据一世N.line-formula>
如公式(据xref ref-type="disp-formula" rid="EEq22">
22.据/xref>),右侧的前3个项目小于0.所以如果选择据一世N.line-formula>
跟踪错误的定义:据D.一世S.p-formula>
这是已知的预期跟踪轨迹据一世N.line-formula>
从前面的证明中也可以知道据一世N.line-formula>
明显地,据一世N.line-formula>
这个机器人外骨骼的机械结构如图所示据xref ref-type="fig" rid="fig2">
2据/xref>.据/p>
在该模拟实验中,手腕两张接头保持不变,另外三个关节将由不同的控制器控制,包括无模型自适应滑模控制与神经网络(MFASMCNN),无模型自适应滑模控制(MFASMC)和无模型自适应控制(MFAC)。仿真结果将展示所提出的算法的优越性。在最后一次模拟部分中,机器人的五个关节都在控制MFASMCNN和MFASMC方法中,以验证MFASMCNN的良好性能,当模拟时间为10 s和离散时间样本周期据一世T.alic>
T.据/italic> = 0.001 s.据/p>
所需的角速度[据xref ref-type="bibr" rid="B1">
1据/xref>那据xref ref-type="bibr" rid="B2">
2据/xref>]机器人已经设置如下:据D.一世S.p-formula>
数字据xref ref-type="fig" rid="fig3">
3.据/xref>给出了无模型自适应控制方案的仿真结果据xref ref-type="fig" rid="fig3a">
3(a)据/xref>-据xref ref-type="fig" rid="fig3c">
3(c)据/xref>显示输出的性能据一世N.line-formula>
数字据xref ref-type="fig" rid="fig4">
4.据/xref>使用无模型自适应滑动模式控制方法显示控制性能,其中图据xref ref-type="fig" rid="fig4a">
4(a)据/xref>-据xref ref-type="fig" rid="fig4c">
4 (c)据/xref>显示输出的控制性能据一世N.line-formula>
无模型自适应滑动模式控制仿真结果控制下的三个关节。(a)跟踪性能据一世T.alic>
y据/italic>1据/sub>(据一世T.alic>
K.据/italic>).(b)跟踪性能据一世T.alic>
y据/italic>2据/sub>(据一世T.alic>
K.据/italic>).(c)跟踪据一世T.alic>
y据/italic>3.据/sub>(据一世T.alic>
K.据/italic>).(d)控制输入据一世T.alic>
你据/italic>1据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>2据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>3.据/sub>(据一世T.alic>
K.据/italic>).据/p>
本部分展示了无模型滑模结合神经网络控制方法的控制性能,初始值为据D.一世S.p-formula>
控制器参数是据一世N.line-formula>
数字据xref ref-type="fig" rid="fig5">
5.据/xref>显示无模型自适应滑动模式的控制性能与神经网络方法相结合,其中图据xref ref-type="fig" rid="fig5a">
5(一个)据/xref>-据xref ref-type="fig" rid="fig5c">
5 (c)据/xref>显示输出的性能据一世N.line-formula>
无模型自适应滑动模型控制的性能与三个关节神经网络控制相结合。(a)跟踪性能据一世T.alic>
y据/italic>1据/sub>(据一世T.alic>
K.据/italic>).(b)跟踪性能据一世T.alic>
y据/italic>2据/sub>(据一世T.alic>
K.据/italic>).(c)跟踪据一世T.alic>
y据/italic>3.据/sub>(据一世T.alic>
K.据/italic>).(d)控制输入据一世T.alic>
你据/italic>1据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>2据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>3.据/sub>(据一世T.alic>
K.据/italic>).据/p>
在这部分中,已经进行了比较来证明所提出的方法的控制性能;为此,由三种控制器创建错误的根均线(RMS)值,结果显示在表中据xref ref-type="table" rid="tab1">
1据/xref>-据xref ref-type="table" rid="tab3">
3.据/xref>从RMS值的比较结果分别,我们可以得出结论,所提出的方法的收敛性能和速度优于另外两个控制器,尽管所提出的控制器首次具有很少的过冲。据/p>
使用MFAC的错误值。据/p>
MFASMC误差的均方根值。据/p>
MFASMCNN错误的RMS值。据/p>
机器人的所需角速度设定如下:据D.一世S.p-formula>
所提出方法的初始值是据D.一世S.p-formula>
控制器参数是据一世N.line-formula>
数字据xref ref-type="fig" rid="fig6">
6.据/xref>显示基于MAFSMC和MFASMCNN的控制性能,其中据xref ref-type="fig" rid="fig6a">
6(一)据/xref>-据xref ref-type="fig" rid="fig6e">
6(e)据/xref>显示输出的性能据一世N.line-formula>
在控制下的五个关节(“11”表示MFSMC,“22”表示MFASMCNN)的比较结果。(a)跟踪性能据一世T.alic>
y据/italic>1据/sub>(据一世T.alic>
K.据/italic>).(b)跟踪性能据一世T.alic>
y据/italic>2据/sub>(据一世T.alic>
K.据/italic>).(c)跟踪据一世T.alic>
y据/italic>3.据/sub>(据一世T.alic>
K.据/italic>).(d)跟踪性能据一世T.alic>
y据/italic>4.据/sub>(据一世T.alic>
K.据/italic>).(e)跟踪据一世T.alic>
y据/italic>5.据/sub>(据一世T.alic>
K.据/italic>).(f)控制输入据一世T.alic>
你据/italic>1据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>2据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>3.据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>4.据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>5.据/sub>(据一世T.alic>
K.据/italic>与MFSMC)。(g)控制输入据一世T.alic>
你据/italic>1据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>2据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>3.据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>4.据/sub>(据一世T.alic>
K.据/italic>),据一世T.alic>
你据/italic>5.据/sub>(据一世T.alic>
K.据/italic>)与mfasmcnn。据/p>
从上面的模拟结果导致数字和数字据xref ref-type="fig" rid="fig3">
3.据/xref>和据xref ref-type="fig" rid="fig4">
4.据/xref>,我们可以看到MFAC,MFASMC和MFASMCNN方法在参数时间不变系统下令人满意,并且MFASMCNN方法的控制输入在大波动下更稳定。据/p>
(0, 2)据/th>
(2,4]据/th>
(4、6)据/th>
(6,8]据/th>
(8,10]据/th>
0.0227据/td>
0.0090据/td>
0.0160据/td>
0.0155据/td>
0.0154据/td>
0.0232据/td>
0.0204据/td>
0.0167据/td>
0.0179.据/td>
0.0072据/td>
0.0097据/td>
0.0103据/td>
0.0075据/td>
0.0058据/td>
0.0032据/td>
rms的错误据/th>
(0, 2)据/th>
(2,4]据/th>
(4、6)据/th>
(6,8]据/th>
(8,10]据/th>
0.0292据/td>
0.0028据/td>
0.0019据/td>
0.0009据/td>
0.0021据/td>
0.0411据/td>
0.0045据/td>
0.0031据/td>
0.0023据/td>
0.0015据/td>
0.0230据/td>
0.0018据/td>
0.0016据/td>
0.0019据/td>
0.0019据/td>
rms的错误据/th>
(0, 2)据/th>
(2,4]据/th>
(4、6)据/th>
(6,8]据/th>
(8,10]据/th>
0.0186据/td>
0.0014据/td>
0.0013据/td>
0.0007据/td>
0.0014据/td>
0.0261据/td>
0.0035据/td>
0.0021据/td>
0.0016据/td>
0.0009据/td>
0.0138据/td>
0.0012据/td>
0.0009据/td>
0.0011据/td>
0.0011据/td>
本文分析了机器人外骨骼动力学的转换和线性化问题,设计了一种基于数据驱动方法的无模型神经网络自适应滑模控制器。然后证明了控制误差的收敛性和闭环系统的稳定性。实验结果表明,与MFAC和MFASMC相比,本文提出的控制方案在系统不确定性和外部干扰下具有良好的鲁棒性。据/p>
支持本文的数据来自引用的研究和数据集被引用。据/p>
作者声明本文的发表不存在利益冲突。据/p>
本文由国家自然科学基金项目(no . 61502211, no . 61572242, no . 61702234)资助。据/p>