基于神经网络优化的混合反步控制技术：用于电驱动、环境约束下的可重构机械臂的运动与力控制

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Neural Network-Enhanced Hybrid Backstepping Motion and Force Control of Electrically Driven Environmental Constrained Reconfigurable Manipulators

可重构机械臂的力与位姿控制中，首次提出融合执行器电气动力学与机械臂机械动力学的统一控制框架，采用混合反步控制与自适应RBFNN补偿未知动态和外部干扰，通过李雅普诺夫理论保证系统稳定性，仿真验证其抗不确定性能力优于传统模型。

　　

摘要

本文探讨了受限可重构操纵器中的力控制和位置控制问题，明确考虑了执行器和操纵器的动力学特性。尽管以往的研究主要针对固定或模块化机器人中的执行器动力学进行了探讨，但本研究首次提出了一个统一的控制框架，该框架将刚性连杆电驱动可重构操纵器的执行器级电气动力学与机械动力学相结合。这种方法有效应对了动态重构、执行器不确定性以及环境交互所带来的挑战。通过同时考虑执行器和操纵器的动力学特性，所提出的控制策略提高了系统的精度、稳定性和抗干扰能力，同时考虑了延迟和非线性等实际问题。传统的基于模型的控制器难以处理可重构操纵器中存在的系统不确定性和动态变化。为了解决这些问题，本文开发了一种结合了基于模型的反向步进控制和自适应径向基函数神经网络（RBFNN）的混合控制方法。RBFNN能够实时近似未知的电气和机械动力学特性，而自适应补偿器则可以减轻外部干扰、摩擦以及神经网络逼近误差。所提出的控制策略保证了位置跟踪误差和约束力的渐近收敛性，并调节直流电机以提供所需的电流和扭矩。系统稳定性通过李雅普诺夫理论得到了严格证明。在2自由度受限可重构操纵器上的仿真结果，结合定量分析，证明了所提出的基于混合神经网络的反向步进控制器的卓越有效性和鲁棒性，尤其是在处理执行器和操纵器不确定性方面。