基于ELM的機器人軌跡跟蹤控制研究.pdf

1、機器人智能控制是近年來機器人控制領域研究的前沿，已被國內外研究者的廣泛關注。在實際工程中，所研究的機器人往往具有高度非線性、不確定性、參數(shù)時變性和強耦合性等特征，并易受到負載擾動以及未知外界干擾等因素的影響。因此，研究不確定性機器人系統(tǒng)的智能控制具有重要的理論與工程應用價值?；贜Ns(Neural Networks,神經(jīng)網(wǎng)絡)的自適應控制已被廣泛用于機器人的軌跡跟蹤研究中，ELM(Extreme Learning Machine,極限

2、學習機)作為一種SLFNs(Single-hidden Layer Feedforward Neural Networks,單隱層前饋神經(jīng)網(wǎng)絡)理應是機器人軌跡跟蹤智能控制的有利候選者。ELM隨機選擇SLFNs的隱含層節(jié)點及參數(shù)，僅調整其網(wǎng)絡的輸出權值，以極快的學習速度可獲得良好的推廣性。在ELM及自適應NNs控制的基礎上，結合魯棒自適應控制理論和Lyapunov穩(wěn)定性分析理論，本文研究了機器人系統(tǒng)的自適應控制，提出基于ELM自適應神經(jīng)

3、控制方法。論文的主要研究有如下幾方面：
　　(1)分析ELM網(wǎng)絡的基本結構特性，并對其學習算法進行深入研究，闡述ELM網(wǎng)絡與傳統(tǒng)SLFNs的不同。將ELM網(wǎng)絡應用于非線性動態(tài)系統(tǒng)的在線辨識中，仿真結果驗證了ELM網(wǎng)絡對非線性系統(tǒng)具有良好的辨識能力。
　　(2)研究不確定性剛性臂機器人系統(tǒng)，提出基于ELM的自適應神經(jīng)控制方法。采用Lyapunov綜合法，所提出的ELM控制器通過輸出權值的自適應調整能夠逼近系統(tǒng)的模型不確定性部分

4、，從而保證整個閉環(huán)控制系統(tǒng)的穩(wěn)定性。將該自適應神經(jīng)控制器應用于二自由度平面機械臂控制中，在同等條件下，與現(xiàn)有的RBFNNs(Radial Basis Function Neural Networks,徑向基函數(shù)神經(jīng)網(wǎng)絡)自適應控制方法進行比較，實驗結果表明，ELM神經(jīng)控制器取得了較好的跟蹤控制性能，表明了所提出控制方法的有效性。
　　(3)研究不確定性剛性臂機器人系統(tǒng)，提出基于ELM的兩種自適應神經(jīng)控制方法，實現(xiàn)了機器人任務空間的

5、自適應跟蹤控制。在所提出的自適應控制方法中，ELM逼近系統(tǒng)的未知非線性函數(shù)，附加的魯棒控制項補償系統(tǒng)的逼近誤差。ELM神經(jīng)控制器的參數(shù)自適應調整律及魯棒控制項均由Lyapunov穩(wěn)定性理論分析得出，所設計的兩種控制方法均不依賴于初始條件的約束且放松對參數(shù)有界的要求，同時保證閉環(huán)系統(tǒng)所有信號滿足全局穩(wěn)定且跟蹤誤差漸近收斂于零。將所提出的ELM控制器應用于二連桿剛性臂機器人跟蹤控制實例中，在同等條件下，與現(xiàn)有的RBFNNs自適應控制算法進行

6、比較，實驗結果表明，ELM控制器具有良好的跟蹤控制性能，顯示出其有效性和應用潛力。
　　(4)研究一類不確定性連續(xù)MIMO(Multiple Input Multiple Output,多輸入多輸出)仿射非線性動態(tài)系統(tǒng)，提出基于ELM的魯棒自適應神經(jīng)控制方法。在所提出的方法中，ELM逼近未知控制系數(shù)矩陣的非奇異性假設可消除，基于Lyapunov穩(wěn)定性分析，ELM網(wǎng)絡的輸出權值，逼近誤差及外界擾動的未知上界值通過參數(shù)自適應律進行在線