基于分散化神經魯棒控制的軌跡跟蹤算法研究

胡海兵 楊建德 張結文 金施群

關鍵詞： 神經魯棒控制器; 軌跡跟蹤; 遞歸神經網絡; 濾錯訓練算法; 魯棒項; 機械臂

中圖分類號： TN911.1?34; TP241.2 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）03?0111?05

Abstract： In order to eliminate the influence of external disturbance and modeling error on manipulator′s trajectory tracking accuracy， the recurrent neural network is used to design the decentralized neural robust controller， and the subsystem of each joint state equation of the manipulator is used to represent the whole system. The error?filtered training algorithm is adopted to estimate the unknown weight coefficients of the neural network. The robust item is introduced to suppress the mutual influence and modeling error between the joint neural controllers. The stability of the neural network is proved by Lyapunov function. In comparison with the simulation results without robust item， the decentralized neural robust controller has more precise trajectory tracking accuracy， better error convergence， and higher stability.

Keywords： neural robust controller; trajectory tracking; recurrent neural network; error?filtered training algorithm; robust item; mechanical arm

0 ?引 ?言

隨著機器人制造業的迅速發展，未來社會必將是“人工智能”的時代，如今機器人已被廣泛地應用于工業、軍事以及日常生活當中。在機器人領域中，也已經提出了各種方案保障閉環系統的穩定性，提高軌跡跟蹤的精度。文獻[1]設計了魯棒自適應控制器用于空間繩系機器人的目標抓捕，仿真結果表明魯棒控制方法可以有效地補償系統的不確定性，提高系統的精度;神經網絡和模糊控制能夠很好地逼近非線性系統，實現對不確定系統未知部分的在線精確逼近，文獻[2]對具有外部擾動的雙臂機器人使用在線自學習補償的神經網絡控制，有效地補償了外部擾動對軌跡跟蹤精度的影響。

人工神經網絡（ANN）的研究證實了其對非線性系統逼近能力的優越性，文獻[3]使用多層神經網絡結合濾錯算法實現對串聯鏈式機器人手臂的軌跡跟蹤控制。神經網絡控制技術的快速發展提供了新的途徑來實現神經控制算法的集中式控制，然而對于高度復雜的非線性系統，由于系統參數存在強互聯性，要想準確逼近其數學模型很困難，往往需要進行大量的數學運算，這樣就大大降低了效率。因此，文獻[4]提出一種高階循環神經網絡分散化控制方案，考慮到整體系統是由各個相互關聯的子系統構成，所以可以設計獨立子系統的神經控制器，每個子系統只有局部變量，這樣便可以大大簡化傳統神經網絡訓練的復雜度，提高了系統的實時性。文獻[4]設計的分散化神經控制器運用到二自由度機器人手臂的控制中，在假設系統模型理想化，關節之間沒有任何干擾的前提下，設計每個關節獨立的狀態方程。

本文在文獻[4]研究的基礎上考慮系統模型存在誤差，以及各關節之間存在相互擾動的情況，設計了一種分散化神經魯棒控制器，通過離散化高階神經網絡模型結合濾錯訓練算法構造子系統狀態方程，在控制律中增加魯棒項抵消外部擾動對控制器產生的干擾，然后構造Lyapunov函數證明控制器的穩定性，在以二自由度機器人手臂為控制對象的前提下仿真驗證了其軌跡跟蹤的精度，同時對比了在無魯棒控制項下，外部擾動對分散神經控制器的影響。

從圖2，圖3可以看出，軌跡跟蹤的誤差存在波動，說明外部擾動對跟蹤精度產生一定影響。為了抵消外部擾動，使得軌跡跟蹤的結果更為精確，添加魯棒項的分散神經控制器的仿真結果如圖4，圖5所示。

對比兩種方法的仿真結果可以看出，分散化神經魯棒控制器的誤差趨近于零，而且穩定性更高，能夠有效抑制干擾信號，沒有添加魯棒項的神經控制器軌跡跟蹤的精度受外部干擾的影響較大，誤差波動較大，收斂性較差。因此，添加魯棒項的分散神經控制器相對于沒有魯棒項的神經控制器軌跡跟蹤的精度更高，魯棒性更強。

4 ?結 ?語

針對分散化神經控制器關節之間的相互影響以及建模誤差對機械臂軌跡跟蹤精度產生的影響，設計了神經魯棒控制器，通過魯棒項抑制干擾和誤差，仿真結果表明設計的控制器可以有效跟蹤設定的期望軌跡，誤差波動較小，穩定性和軌跡跟蹤精度比較高。對于關節之間的干擾以及建模誤差的擾動信號假設是有界的，如果擾動信號是無界的情況需要進一步探討，這也是后續研究的方向。

參考文獻

[1] 黃攀峰，胡永新，王東科，等.空間繩系機器人目標抓捕魯棒自適應控制器設計[J].自動化學報，2017，43（4）：538?547.

HUANG P F， HU Y X， WANG D K， et al. Capturing the target for a tethered space robot using robust adaptive controller [J]. Acta automatic Sinica， 2017， 43（4）： 538?547.

[2] 陳志勇，陳力.具有外部擾動雙臂空間機器人的神經網絡在線自學習補償控制[J].中國機械工程，2010（17）：2114?2118.

CHEN Z Y， CHEN L. On?line self?learning compensation control for dual?arm space robot with external disturbances via neural network [J]. China mechanical engineering， 2010（17）： 2114?2118.

[3] LEWIS F L， YEGILDIREK A， LIU K. Multilayer neural?net robot controller with guaranteed tracking performance [J]. IEEE transactions on neural networks， 1996， 7（2）： 388?399.

[4] VAZQUEZ L A， JURADO F， CASTAENDA C E， et al. Real?time decentralized neural control via backstepping for a robotic arm powered by industrial servomotors [J]. IEEE transactions on neural networks & learning systems， 2016， 29（2）： 419?426.

[5] GUO D， LI K， YAN L， et al. The application of Li?function activated RNN to acceleration?level robots′ kinematic control via time?varying matrix inversion [C]// 2016 Chinese Control and Decision Conference. Yinchuan： IEEE， 2016： 3455?3460.

[6] MALINOWSKI M T. Fuzzy and set?valued stochastic differential equations with local Lipschitz condition [J]. IEEE transactions on fuzzy systems， 2015， 23（5）： 1891?1898.

[7] EKRAMAIN M， HOSSEINNIA S， SHEIKHOLESLAM F. Observer design for non?linear systems based on a generalised Lipschitz condition [J]. Control theory & applications， 2011， 5（16）： 1813?1818.

[8] KOSMATOPOULOS E B， POLYCARPOU M M， CHRISTODOULOU M A， et al. High?order neural network structures for identification of dynamical systems [J]. IEEE transactions on neural networks， 1995， 6（2）： 422?431.

[9] RASTOGI E， PRASAD L B. Comparative performance analysis of PD/PID computed torque control， filtered error approximation based control and NN control for a robot manipulator [C]// 2015 IEEE UP Section Conference on Electrical Computer and Electronics. Allahabad： IEEE， 2016： 1?6.

[10] JIN Y， FU J， ZHANG L， et al. Filtered?error?based control of a class of nonlinear systems with nonsmooth nonlinearities [C]// 2012 IEEE the 51st Cnference on Decision and Control. Maui： IEEE， 2012： 3463?3468.

[11] 方一鳴，李葉紅，石勝利，等.液壓伺服位置系統的神經網絡backstepping控制[J].電機與控制學報，2014，18（6）：108?115.

FANG Y M， LI Y H， SHI S L， et al. Neural network backstepping control of hydraulic servo position system [J]. Electric machines and control， 2014， 18（6）： 108?115.

[12] ATHALYE C D. Necessary condition on Lyapunov functions corresponding to the globally asymptotically stable equilibrium point [C]// 2015 IEEE the 54th Conference on Decision and Control. Osaka： IEEE， 2015： 1168?1173.