[go: up one dir, main page]

CN116184825A - 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法 - Google Patents

一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法 Download PDF

Info

Publication number
CN116184825A
CN116184825A CN202211729052.3A CN202211729052A CN116184825A CN 116184825 A CN116184825 A CN 116184825A CN 202211729052 A CN202211729052 A CN 202211729052A CN 116184825 A CN116184825 A CN 116184825A
Authority
CN
China
Prior art keywords
fuzzy
sliding mode
robot
adaptive
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211729052.3A
Other languages
English (en)
Other versions
CN116184825B (zh
Inventor
杨伟荣
刘伟东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202211729052.3A priority Critical patent/CN116184825B/zh
Publication of CN116184825A publication Critical patent/CN116184825A/zh
Application granted granted Critical
Publication of CN116184825B publication Critical patent/CN116184825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，包括步骤：S1、获取动力学模型及参考运动轨迹；S2、建立映射，得到关节旋转角度；S3、获取关节角度的跟踪误差，设计滑动模态，选择趋近率，令角度跟踪误差到达滑动模态；根据机器人模型和轨迹跟踪的控制目标，设计机器人轨迹跟踪控制器的控制律，确定控制参数；S4、引入模糊自适应控制系统；S5、分析模糊自适应控制系统的稳定性和收敛性，调节控制器的控制参数，输出轨迹跟踪结果。本发明在滑模控制器的基础上引入模糊自适应控制，用模糊系统的输出去替换滑模控制律中不连续的切换函数，实现了机器人控制力矩的平滑输出，并保持了机器人系统轨迹跟踪时的鲁棒性。

Description

一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制 方法
技术领域
本发明涉及机器人系统轨迹跟踪技术领域，尤其涉及一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法。
背景技术
随着科技的进步和时代的发展，一个国家的工业自动化程度也要与时俱进。机器人是一种能根据自身状态和传感信息，在控制器作用下实现面向目标的自主运动并完成相应任务的综合系统。运动控制是机器人自主性研究中最基本的问题，因为机器人要自主完成的任何一项任务都是以运动为基础的。由于机器人的工作环境存在不确定性，通常要求机器人跟踪一条已经规划好的可行轨迹。这类问题被称为轨迹跟踪问题，是机器人运动控制研究领域的热点问题。
对于机器人轨迹跟踪技术的研究，较普遍的方法是采用线性反馈控制或非线性反馈控制，其主要缺点是不能应用于复杂环境中的运动规划问题，而且系统的鲁棒性和实现控制效果也不够理想。随着机器人技术的发展，对于机器人系统运动轨迹跟踪的快速性、精确性、抗干扰能力等动、静态要求也越来越高。现实中系统在运行过程中都可能受到外部环境的干扰，而滑模控制具有对系统不确定性因素及所受外部扰动不敏感的特性，即对线性系统和非线性系统都能保持良好的鲁棒性。而且滑模控制方法还可以通过设计滑动模态的设计获得满意的动态品质，同时控制算法简单，易于实现考虑对Delta并联机器人进行轨迹跟踪控制，且系统受外部扰动影响，使用滑模控制策略是一个很好的选择。但是滑模控制器的趋近率中所包含的不连续的切换函数会导致负责驱动的制动器的快速切换，引起抖振。在机器人系统中，系统的控制输入是力矩，剧烈的抖振会增加系统的能量损耗，并且影响系统轨迹跟踪的精确性和稳定性。
发明内容
为解决现有技术所存在的技术问题，本发明提供一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，在滑模控制器的基础上引入模糊自适应控制，用模糊系统的输出去替换滑模控制律中不连续的切换函数，实现了机器人控制力矩的平滑输出，并保持了机器人系统轨迹跟踪时的鲁棒性。
本发明采用以下技术方案来实现：一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，包括以下步骤：
S1、根据Delta并联机器人的结构给出机器人的动力学模型及参考运动轨迹Xr；
S2、根据Delta并联机器人运动学反解，建立机器人参考运动轨迹Xr和驱动关节角度之间的映射，得到与参考运动轨迹相对应的机器人期望的关节旋转角度qd；
S3、测量机器人驱动关节实际旋转角度，反馈到控制器中，与步骤S2中的期望关节角度做差，得到关节角度的跟踪误差；根据角度跟踪误差信息，设计滑动模态，选择趋近率，令角度跟踪误差到达滑动模态；根据机器人模型和轨迹跟踪的控制目标，设计机器人轨迹跟踪控制器的控制律，确定控制参数；
S4、引入模糊自适应控制系统，用模糊自适应控制系统的平滑输出去替换滑膜控制率中不连续的切换函数；
S5、分析模糊自适应控制系统的稳定性和收敛性，调节控制器的控制参数，输出轨迹跟踪结果。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明滑模控制器的基础上引入模糊自适应控制，用模糊系统的输出去替换滑模控制律中不连续的切换函数，实现了机器人控制力矩的平滑输出，并保持了机器人系统轨迹跟踪时的鲁棒性。
2、本发明模糊函数的输出包含了系统建模误差和扰动误差的信息，且可以对其进行在线估计，增强了系统的自适应能力。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例中参考轨迹的三维立体图；
图3是本发明实施例中期望关节旋转角度示意图；
图4是本发明实施例中步骤S53中单纯的滑模控制器作用下力矩输出示意图；
图5是本发明实施例中步骤S53中模糊自适应滑模控制器作用下力矩输出示意图；
图6是本发明实施例中模糊自适应滑模控制器作用下各关节轨迹跟踪误差示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，包括以下步骤：
S1、根据Delta并联机器人的结构给出机器人的动力学模型及参考运动轨迹Xr；
S2、根据Delta并联机器人运动学反解，建立机器人参考运动轨迹Xr和驱动关节角度之间的映射，得到与参考运动轨迹相对应的机器人期望的关节旋转角度qd，如图3所示；
S3、测量机器人驱动关节实际旋转角度，反馈到控制器中，与步骤S2中的期望关节角度做差，得到关节角度的跟踪误差；根据角度跟踪误差信息，设计滑动模态，选择趋近率，令角度跟踪误差到达滑动模态；根据机器人模型和轨迹跟踪的控制目标，设计机器人轨迹跟踪控制器的控制律，确定控制参数；
S4、引入模糊自适应控制系统，用模糊自适应控制系统的平滑输出去替换滑膜控制率中不连续的切换函数；
S5、分析模糊自适应控制系统的稳定性和收敛性，调节控制器的控制参数，输出轨迹跟踪结果。
具体地，本实施例中，步骤S1中机器人的动力学模型如下：
Figure BDA0004030904610000031
其中，τ是关节驱动力矩，τd是外部扰动，q、
Figure BDA0004030904610000032
分别代表驱动关节角度，角速度和角加速度，M(q)是质量矩阵，
Figure BDA0004030904610000033
是科式力和离心力矩阵，G(q)是重力向量；
给定的参考运动轨迹Xr＝[x y z]T m；其中，x为x轴数值，且x＝0.3sin5t；y为y轴数值，且y＝0.3cos5t；z为z轴数值，且z＝-0.5；
如图2所示，Delta并联机器人有三条运动支链，每条运动支链都有一个电机驱动，可以在三维空间中平移；给定参考运动轨迹Xr＝[0.3sin5t 0.3cos5t -0.5]T。
具体地，本实施例中，步骤S3的具体过程如下：
S31、通过安装在驱动电机中的传感器测量Delta并联机器人的各关节旋转角度q＝[q1 q2 q3]T和关节旋转角速度
Figure BDA0004030904610000034
设机器人动力学模型的参数未知，作用在系统上的外部扰动τd未知；对这些未知项进行估计，并取控制律为u，得到如下控制系统：
Figure BDA0004030904610000035
其中，
Figure BDA0004030904610000036
分别是M(q)、
Figure BDA0004030904610000037
G(q)和τd的估计值，进而得到：
Figure BDA0004030904610000038
其中，
Figure BDA0004030904610000039
为质量矩阵的估计值和关节旋转角加速度的乘积；
Figure BDA00040309046100000310
是
Figure BDA0004030904610000041
的线性回归形式，其包含了系统的建模误差和扰动估计误差；
Figure BDA0004030904610000042
分别表示M(q)、
Figure BDA0004030904610000043
G(q)和τd的估计误差；由此得到驱动关节角角速度和控制律u之间的关系：
Figure BDA0004030904610000044
其中，
Figure BDA0004030904610000045
为角加速度，
Figure BDA0004030904610000046
为系统受到的所有扰动信息；
S32、设期望的关节旋转角度为qd，Delta并联机器人实际的关节旋转角度为q，定义跟踪误差为e＝qd-q；接着设计滑模面：
Figure BDA0004030904610000047
其中，e为跟踪误差；
Figure BDA0004030904610000048
为跟踪误差的导数；λ为可调参数；
当s＝0，系统的跟踪误差进入滑动模态，此时
Figure BDA0004030904610000049
解出系统的跟踪误差是一个指数函数，随时间变化渐进收敛至0；
S33、为了使系统的跟踪误差e最终收敛至0，需令其在滑动模态上运动，即t→∞，s＝0；为了满足这一条件，需要设计趋近率
Figure BDA00040309046100000410
对滑模面求一阶导数：
Figure BDA00040309046100000411
其中，
Figure BDA00040309046100000412
为滑模面的导数；
Figure BDA00040309046100000413
为误差的二阶导数；
Figure BDA00040309046100000414
为期望的角加速度；
Figure BDA00040309046100000415
为实际的角加速度；
趋近率中包含了滑模控制器的控制律，此时趋近率的设计问题与控制器的控制律联系起来；要设计满足控制要求的趋近率，本质变成了设计一个控制律u，满足轨迹跟踪误差能够渐收敛，最终处于滑动模态；
S34、为了使系统的跟踪误差e最终收敛至0，设计控制律为：
Figure BDA00040309046100000416
其中，
Figure BDA00040309046100000417
是
Figure BDA00040309046100000418
范数的上边界；λ和η是可调参数，且始终满足λ＞0，η＞0；sgn(s)为取s的符号运算结果；将控制律代入滑模面的一阶导数可得
Figure BDA00040309046100000419
当s＞0时，
Figure BDA00040309046100000420
当s＜0时，
Figure BDA00040309046100000421
这保证了系统的跟踪误差总是能够趋向滑动模态。
具体地，本实施例中，步骤S4的具体过程如下：
S41、用模糊自适应系统的平滑输出去替换步骤S3中得到的控制律u包含的不连续项
Figure BDA00040309046100000422
定义如下模糊函数：
K＝ΘTψ(s) (21)
其中，K＝[k1,k2,k3]T表示模糊自适应系统的输出；Θ＝[θ1,θ2,…,θN]T表示模糊自适应系统的自由参数，这些参数通过设计自适应律自动更新；Ψ(s)＝[ψ1(s),ψ2(s),…,ψN(s)]是模糊基函数，N表示模糊逻辑规则的数量，s为滑模面，T为矩阵转置符号；模糊基函数表示为：
Figure BDA0004030904610000051
其中，
Figure BDA0004030904610000052
是隶属函数；l是s的元素个数；n为1到N的任意整数；i为1到l的任意整数；
S42、进行模糊逻辑规则定义；具体地，模糊逻辑规则定义如表1所示；其中，IF一栏列出的是所有的情况，THEN一栏列出了对应情况的规则；NB表示大的负数；NS表示小的负数；ZO表示0；PB表示大的正数；PS表示小的正数。
表1
Figure BDA0004030904610000053
S43、利用高斯隶属函数、模糊逻辑规则、采用乘积推理机和中心平均解模糊器得到平滑的模糊函数输出K；具体地，隶属函数为
Figure BDA0004030904610000054
i＝1,2,3；M＝n＝1,2,3,4,5，每一项模糊函数输出为：
Figure BDA0004030904610000055
其中，θM为第M个模糊系统的自由参数；M为自由参数的个数；j为1到M的任意整数；ai为第i个可调参数，且ai∈(0,1]；si为第i个滑模面；
将K代入公式(7)中并替换其不连续项
Figure BDA0004030904610000056
得到模糊自适应滑模控制器的控制律：
Figure BDA0004030904610000057
具体地，本实施例中，步骤S5的具体过程如下：
S51、选择Lyapunov函数如下所示：
Figure BDA0004030904610000058
其中V为Lyapunov函数；
Figure BDA0004030904610000061
为估计的偏差值，且
Figure BDA0004030904610000062
θki表示自由参数；θkid是θki的估计值，选择自适应律为：
Figure BDA0004030904610000063
其中，
Figure BDA0004030904610000064
是自适应律；ψki(si)是模糊基函数；
S52、求Lyapunov函数的一阶导数，得到：
Figure BDA0004030904610000065
其中，
Figure BDA0004030904610000066
为Lyapunov函数的一阶导数；si为滑模面；
Figure BDA0004030904610000067
是系统受到的扰动信息；ψki(si)是模糊基函数；η是可调参数；
在控制律的作用下，系统是稳定的，系统的轨迹跟踪误差是收敛的，系统轨迹跟踪误差的收敛速度与参数η有关，η越大，系统轨迹跟踪误差收敛速度越快。
S53、结合控制律以及步骤S51和S52的分析，选择可调参数为λ＝diag(10,10,10)，
Figure BDA0004030904610000068
η＝60，得到Delta并联机器人在滑模控制器作用下的输出力矩，如图4所示。如图5可知，在没有引入模糊自适应系统的情况下，机器人系统的输出力矩发生抖振，剧烈的抖振会增加系统的能量损耗，并且影响系统轨迹跟踪的精确性和稳定性。
引入模糊自适应控制系统后，结合步骤控制律以及步骤S51和S52的分析，选择可调参数为λ＝diag(10,10,10)，η＝100，得到Delta并联机器人在模糊自适应滑模控制器作用下的输出力矩，如图5所示。由图5可知，引入模糊自适应控制系统之后，机器人系统的输出力矩平滑，而且通过模糊系统在线估计系统建模误差和外部扰动的上界，减小了参数调节的难度，还增强了系统的自适应能力。
S54、Delta并联机器人在模糊滑模控制器作用下输出平滑力矩，驱动机器人各关节运动，通过传感器测量得到Delta并联机器人各关节实际旋转角度，并计算各关节角度跟踪误差，如图6所示。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，其特征在于，包括以下步骤：
S1、根据Delta并联机器人的结构给出机器人的动力学模型及参考运动轨迹Xr；
S2、根据Delta并联机器人运动学反解，建立机器人参考运动轨迹Xr和驱动关节角度之间的映射，得到与参考运动轨迹相对应的机器人期望的关节旋转角度qd；
S3、测量机器人驱动关节实际旋转角度，反馈到控制器中，与步骤S2中的期望关节角度做差，得到关节角度的跟踪误差；根据角度跟踪误差信息，设计滑动模态，选择趋近率，令角度跟踪误差到达滑动模态；根据机器人模型和轨迹跟踪的控制目标，设计机器人轨迹跟踪控制器的控制律，确定控制参数；
S4、引入模糊自适应控制系统，用模糊自适应控制系统的平滑输出去替换滑膜控制率中不连续的切换函数；
S5、分析模糊自适应控制系统的稳定性和收敛性，调节控制器的控制参数，输出轨迹跟踪结果。
2.根据权利要求1所述的一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，其特征在于，步骤S1中机器人的动力学模型如下：
Figure FDA0004030904600000011
其中，τ是关节驱动力矩，τd是外部扰动，q、
Figure FDA0004030904600000012
分别代表驱动关节角度，角速度和角加速度，M(q)是质量矩阵，
Figure FDA0004030904600000013
是科式力和离心力矩阵，G(q)是重力向量；
给定的参考运动轨迹Xr＝[x y z]Tm；其中，x为x轴数值，且x＝0.3sin5t；y为y轴数值，且y＝0.3cos5t；z为z轴数值，且z＝-0.5。
3.根据权利要求1所述的一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，其特征在于，步骤S3的具体过程如下：
S31、通过安装在驱动电机中的传感器测量Delta并联机器人的各关节旋转角度q＝[q1q2 q3]T和关节旋转角速度
Figure FDA0004030904600000014
设机器人动力学模型的参数未知，作用在系统上的外部扰动τd未知；对这些未知项进行估计，并取控制律为u，得到如下控制系统：
Figure FDA0004030904600000015
其中，
Figure FDA0004030904600000016
分别是M(q)、
Figure FDA0004030904600000017
G(q)和τd的估计值，进而得到：
Figure FDA0004030904600000018
其中，
Figure FDA0004030904600000021
为质量矩阵的估计值和关节旋转角加速度的乘积；
Figure FDA0004030904600000022
是
Figure FDA0004030904600000023
的线性回归形式，其包含了系统的建模误差和扰动估计误差；
Figure FDA0004030904600000024
分别表示M(q)、
Figure FDA0004030904600000025
G(q)和τd的估计误差；由此得到驱动关节角角速度和控制律u之间的关系：
Figure FDA0004030904600000026
其中，
Figure FDA0004030904600000027
为角加速度，
Figure FDA0004030904600000028
为系统受到的所有扰动信息；
S32、设期望的关节旋转角度为qd，Delta并联机器人实际的关节旋转角度为q，定义跟踪误差为e＝qd-q；接着设计滑模面：
Figure FDA0004030904600000029
其中，e为跟踪误差；
Figure FDA00040309046000000210
为跟踪误差的导数；λ为可调参数；
当s＝0，系统的跟踪误差进入滑动模态，此时
Figure FDA00040309046000000211
解出系统的跟踪误差是一个指数函数，随时间变化渐进收敛至0；
S33、为了使系统的跟踪误差e最终收敛至0，需令其在滑动模态上运动，即t→∞，s＝0；为了满足这一条件，需要设计趋近率
Figure FDA00040309046000000212
对滑模面求一阶导数：
Figure FDA00040309046000000213
其中，
Figure FDA00040309046000000214
为滑模面的导数；
Figure FDA00040309046000000215
为误差的二阶导数；
Figure FDA00040309046000000216
为期望的角加速度；
Figure FDA00040309046000000217
为实际的角加速度；
S34、为了使系统的跟踪误差e最终收敛至0，设计控制律为：
Figure FDA00040309046000000218
其中，
Figure FDA00040309046000000219
是
Figure FDA00040309046000000220
范数的上边界；λ和η是可调参数，且始终满足λ＞0，η＞0；sgn(s)为取s的符号运算结果；将控制律代入滑模面的一阶导数可得
Figure FDA00040309046000000221
当s＞0时，
Figure FDA00040309046000000222
当s＜0时，
Figure FDA00040309046000000224
这保证了系统的跟踪误差总是趋向滑动模态。
4.根据权利要求1所述的一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，其特征在于，步骤S4的具体过程如下：
S41、用模糊自适应系统的平滑输出去替换步骤S3中得到的控制律u包含的不连续项
Figure FDA00040309046000000223
定义如下模糊函数：
K＝ΘTΨ(s) (8)
其中，K＝[k1,k2,k3]T表示模糊自适应系统的输出；Θ＝[θ1,θ2,…,θN]T表示模糊自适应系统的自由参数，这些参数通过设计自适应律自动更新；Ψ(s)＝[ψ1(s),ψ2(s),…,ψN(s)]是模糊基函数，N表示模糊逻辑规则的数量，s为滑模面，T为矩阵转置符号；模糊基函数表示为：
Figure FDA0004030904600000031
其中，
Figure FDA0004030904600000032
是隶属函数；l是s的元素个数；n为1到N的任意整数；i为1到l的任意整数；
S42、进行模糊逻辑规则定义；
S43、利用高斯隶属函数、模糊逻辑规则、采用乘积推理机和中心平均解模糊器得到平滑的模糊函数输出K；隶属函数为
Figure FDA0004030904600000033
i＝1,2,3；M＝n＝1,2,3,4,5，每一项模糊函数输出为：
Figure FDA0004030904600000034
其中，θM为第M个模糊系统的自由参数；M为自由参数的个数；j为1到M的任意整数；ai为第i个可调参数，且ai∈(0,1]；si为第i个滑模面；
将K代入公式(7)中并替换其不连续项
Figure FDA0004030904600000035
得到模糊自适应滑模控制器的控制律：
Figure FDA0004030904600000036
5.根据权利要求1所述的一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法，其特征在于，步骤S5的具体过程如下：
S51、选择Lyapunov函数如下所示：
Figure FDA0004030904600000037
其中，V为Lyapunov函数；
Figure FDA0004030904600000038
为估计的偏差值，且
Figure FDA0004030904600000039
θki表示自由参数；θkid是θki的估计值，选择自适应律为：
Figure FDA00040309046000000310
其中，
Figure FDA00040309046000000311
是自适应律；ψki(si)是模糊基函数；
S52、求Lyapunov函数的一阶导数，得到：
Figure FDA0004030904600000041
其中，
Figure FDA0004030904600000042
为Lyapunov函数的一阶导数；si为滑模面；
Figure FDA0004030904600000043
是系统受到的扰动信息；ψki(si)是模糊基函数；η是可调参数；
S53、结合控制律以及步骤S51和S52的分析，选择可调参数为λ＝diag(10,10,10)，
Figure FDA0004030904600000044
η＝60，得到Delta并联机器人在滑模控制器作用下的输出力矩；
引入模糊自适应控制系统后，结合步骤控制律以及步骤S51和S52的分析，选择可调参数为λ＝diag(10,10,10)，η＝100，得到Delta并联机器人在模糊自适应滑模控制器作用下的输出力矩；
S54、Delta并联机器人在模糊滑模控制器作用下输出平滑力矩，驱动机器人各关节运动，通过传感器测量得到Delta并联机器人各关节实际旋转角度，并计算各关节角度跟踪误差。
CN202211729052.3A 2022-12-30 2022-12-30 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法 Active CN116184825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211729052.3A CN116184825B (zh) 2022-12-30 2022-12-30 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211729052.3A CN116184825B (zh) 2022-12-30 2022-12-30 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法

Publications (2)

Publication Number Publication Date
CN116184825A true CN116184825A (zh) 2023-05-30
CN116184825B CN116184825B (zh) 2025-10-17

Family

ID=86439561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211729052.3A Active CN116184825B (zh) 2022-12-30 2022-12-30 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法

Country Status (1)

Country Link
CN (1) CN116184825B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850249A (zh) * 2024-03-08 2024-04-09 山东科技大学 一种auv自适应模糊控制方法
CN119388447A (zh) * 2025-01-02 2025-02-07 安徽大学 一种双臂协作机器人模糊自适应滑模控制方法
CN119871397A (zh) * 2025-01-15 2025-04-25 华南理工大学 绳驱柔性连续型机器人基于滑模阻抗的轨迹跟踪控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106292287A (zh) * 2016-09-20 2017-01-04 哈尔滨工程大学 一种基于自适应滑模控制的uuv路径跟踪方法
CN106527129A (zh) * 2016-10-18 2017-03-22 长安大学 一种并联机器人间接自适应模糊控制参数的确定方法
CN107942684A (zh) * 2017-12-26 2018-04-20 电子科技大学 基于分数阶自适应非奇异终端滑模的机械臂轨迹跟踪方法
CN115047882A (zh) * 2022-06-23 2022-09-13 上海电机学院 基于模糊滑模控制的全向移动机器人轨迹跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106292287A (zh) * 2016-09-20 2017-01-04 哈尔滨工程大学 一种基于自适应滑模控制的uuv路径跟踪方法
CN106527129A (zh) * 2016-10-18 2017-03-22 长安大学 一种并联机器人间接自适应模糊控制参数的确定方法
CN107942684A (zh) * 2017-12-26 2018-04-20 电子科技大学 基于分数阶自适应非奇异终端滑模的机械臂轨迹跟踪方法
CN115047882A (zh) * 2022-06-23 2022-09-13 上海电机学院 基于模糊滑模控制的全向移动机器人轨迹跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
戴学丰等: "柔性臂机器人定位过程模糊滑模控制研究", 哈尔滨工业大学学报, vol. 37, no. 2, 28 February 2005 (2005-02-28), pages 148 - 150 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850249A (zh) * 2024-03-08 2024-04-09 山东科技大学 一种auv自适应模糊控制方法
CN117850249B (zh) * 2024-03-08 2024-05-14 山东科技大学 一种auv自适应模糊控制方法
CN119388447A (zh) * 2025-01-02 2025-02-07 安徽大学 一种双臂协作机器人模糊自适应滑模控制方法
CN119871397A (zh) * 2025-01-15 2025-04-25 华南理工大学 绳驱柔性连续型机器人基于滑模阻抗的轨迹跟踪控制方法

Also Published As

Publication number Publication date
CN116184825B (zh) 2025-10-17

Similar Documents

Publication Publication Date Title
CN116184825B (zh) 一种Delta并联机器人基于模糊自适应滑模的轨迹跟踪控制方法
Gao et al. Hierarchical model predictive image-based visual servoing of underwater vehicles with adaptive neural network dynamic control
Ali et al. Adaptive FIT-SMC approach for an anthropomorphic manipulator with robust exact differentiator and neural network-based friction compensation
CN115847420B (zh) 一种针对运动目标的机械臂视觉跟踪控制方法及系统
CN109176525A (zh) 一种基于rbf的移动机械手自适应控制方法
Xu et al. Robot trajectory tracking control using learning from demonstration method
Kappler et al. A new data source for inverse dynamics learning
CN107894708A (zh) 一种环形耦合型多轴机器人系统的同步控制方法
CN114625136B (zh) 一种基于深度学习的机器人轨迹跟踪控制方法
Zhou et al. Torque sensorless force/position decentralized control for constrained reconfigurable manipulator with harmonic drive transmission
CN115179290B (zh) 一种机械臂及其轨迹控制方法与装置
Capotondi et al. An online learning procedure for feedback linearization control without torque measurements
Blekas et al. RL-based path planning for an over-actuated floating vehicle under disturbances
Ren et al. A highly accurate model-free motion control system with a Mamdani fuzzy feedback controller Combined with a TSK fuzzy feed-forward controller
Rahali et al. Fault tolerant control of robot manipulators based on adaptive fuzzy type-2 backstepping in attendance of payload variation
Yang et al. Position measurement based slave torque feedback control for teleoperation systems with time-varying communication delays
Panda et al. Combined online and offline inverse dynamics learning for a robot manipulator
CN107894709A (zh) 基于自适应评价网络冗余机器人视觉伺服控制
CN119556552A (zh) 一种用于agv轮式驱动系统的pid控制方法
Liu et al. On adaptive force/motion control of constrained robots
Hashemi et al. Task space control of robot manipulators based on visual slam
Chuang et al. Adaptive fuzzy visual servoing in robot control
Zhu et al. Trajectory Tracking Control Strategy Based on Model-Free Adaptive Sliding Mode Control Approach for Robot Manipulator
He et al. Double-loop human-robot shared control for trajectory tracking of an underwater robot
Guerra et al. Decentralized neural block control for a robot manipulator based in ukf training

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant