神经网络在机械手轨迹控制中的应用研究

摘要

机械手是一个非线性、强耦合的对象,模型非线性和参数不确定性给基于模型的控制方法带来了困难。神经网络具有逼近任意非线性映射的能力,使其在控制系统的建模、辨识和控制中得到了广泛的应用。本文对两种不同类别的神经网络——前馈型神经网络和递归型神经网络的结构特点进行了分析,并分别应用在机械手的逆模控制中,取得令人满意的效果。
　　小脑模型关节控制器(CMAC)具有结构简单、学习速度快的特点。本文将其用于逼近机械手的动力学逆模型,针对神经网络所需输入量较多的问题,提出了单输入CMAC的逆模控制策略,并应用于二自由度机械手的轨迹控制。引入测量变量使网络输入由二维转换为一维,大大减少了网络所需存储空间,提高了学习速度。仿真实验结果表明,所提的控制策略克服了机械手非线性和不确定性的影响,是可行的。
　　高阶递归型神经网络可以以任意精度逼近一类非线性动态系统,本文给出了网络的学习算法,并从数学上证明了该算法可以保证网络收敛。再以三关节平面机械手为研究对象,设计了二阶递归型神经网络的结构,将其用于逆模控制系统,进行机械手轨迹控制的研究。仿真实验结果显示基于高阶递归型神经网络的轨迹控制比单独PD控制效果明显,达到期望的控制性能,而且所设计的二阶递归型神经网络所需存储空间少,易于硬件实现。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

第一章 绪论

1.1 智能控制及神经网络发展

1.2 机器人学及机械手轨迹控制研究现状

1.3 本文主要研究内容

第二章 神经网络在机械手控制中的应用概述

2.1 神经网络构成的基本原理

2.2 神经网络的训练过程

2.3 前馈型神经网络在机械手控制中的应用

2.4 递归型神经网络在机械手控制中的应用

2.5 本章小结

第三章 基于前馈型神经网络的机械手逆模控制

3.1 机械手的逆模控制

3.2 小脑模型神经网络

3.3 基于小脑模型关节控制器的机械手逆模控制

3.4 仿真实验

3.5 本章小结

第四章 基于高阶递归型神经网络的机械手逆模控制

4.1 高阶递归型神经网络

4.2 基于二阶递归型神经网络的机械手逆模控制

4.3 仿真实验

4.4 本章小结

第五章 总结与展望

参考文献