基于梯度模糊神经动力学的混合学习控制方法，用于在边界约束条件下控制未知结构的机器人操作器

《IEEE Transactions on Automation Science and Engineering》：Gradient fuzzy neural dynamics-based hybrid learning control for unknown robot manipulators under boundary constraint

机械臂模型未知时采用混合学习控制框架，通过梯度模糊神经动态（GFND）准确估计雅可比矩阵并自适应调整学习率，结合变参数预定义时间收敛项确保任务按时完成，同时设计非线性映射函数满足关节约束，经理论分析和实验验证有效。

　　

摘要：

准确理解机械臂模型对于实现机器人应用中的有效跟踪控制至关重要。一旦无法获得机械臂的运动学模型，基于模型的方法可能无法成功完成所需的任务。为此，提出了一种混合学习控制框架，以提高模型精度和轨迹跟踪性能。该框架将梯度模糊神经动力学（GFND）与一个参数可变的预定义时间收敛项相结合。借助GFND，可以精确估计机械臂的雅可比矩阵，并采用模糊逻辑系统自适应地调整学习率。预定义时间框架的引入确保了机器人控制任务能够在规定的时间内完成，无论初始系统状态如何。为了在实际应用中遵守关节约束，设计了一个非线性映射函数，从而增强了机械臂实现指定控制目标的能力。通过全面的理论分析证明了所提算法的收敛性，并通过机械臂的仿真和实验验证了其可行性和优势。