基于RBF神经网络与自适应模糊滑模的机器人全局稳定控制及其在不确定性系统中的高精度轨迹跟踪应用

本文提出一种融合径向基函数神经网络（RBFNN）与自适应模糊滑模控制（AFSMC）的机器人轨迹跟踪策略，通过RBFNN在线估计系统不确定性并动态补偿，结合双曲正切滑模函数与模糊控制有效抑制系统抖振，显著提升非线性机器人系统在参数扰动与外部干扰下的控制精度与全局稳定性。

　　

Section snippets

Problem Formulation

鉴于机器人动力学模型固有的复杂非线性多变量特性，控制系统的精度很大程度上取决于被控对象动态参数的精确性。因此，合理简化精确模型并降低计算复杂度对于设计简单控制器以减少系统误差和提高系统模型精度至关重要。

通常，n连杆机器人系统的可建模动力学方程...

Overall control scheme

为消除系统不确定性模型和负载扰动对n连杆机器人轨迹跟踪控制精度的不利影响，本文提出一种RBFNNAFSMC（径向基函数神经网络自适应模糊终端滑模控制）方法。为实现神经网络权重向理想值的收敛，本文采用RBF神经网络逼近并补偿系统的未知项，并通过引入...

Simulation Settings

当公式（2）中各项M(q)、C(q, q?)和G(q)可分别表示为：

M(q) = [M?? M??; M?? M??], C(q, q?) = [C?? C??; C?? C??], G(q) = [G?; G?]

第一关节连杆质量m? = 1701 kg，质心惯性矩Jc1y = 2250 kg·m2，连杆质心位置横坐标r? = 0.311，关节2连杆质量m? = 1243.6 kg，质心惯性矩Jc2y = 167 kg·m2，连杆质心位置坐标(r?, z?) = (0.5596, 0.4633)，关节2局部坐标位置a = 0.94，重力...

Discussion

通过对仿真结果的分析与讨论，本文设计的控制器展现出优异的轨迹跟踪性能，但其性能也与算法处理时间和计算资源利用率相关，如表V所示。如第3.5节关于计算需求的分析，本文验证了负载增加时控制器算法的处理时间、CPU使用率和内存消耗。

在仿真测试中...

Conclusion

本文提出了一种具有全局稳定性的混合神经网络自适应模糊滑模在线学习补偿方法。该方法能在非线性机器人系统模型参数固有不准确定性和不同程度摩擦存在的情况下，精确跟踪预设轨迹。本文采用RBFNN的鲁棒逼近能力来估计总不确定性集扰动，并设计自适应律以增强...