冗余度TT-VGT机器人的神经网络自适应控制

【本文由PB创新网为您整理】
摘要：提出了采用神经网络进行模型参考自适应控制（MRAC）的方案，建立了自适应控制的状态模型，并推导出相应的自适应算法；最后对冗余度TT-VGT机器人自适应控制进行了仿真。

    关键词：冗余度 TT-VGT机器人 神经网络 模型参考自适应控制

TT-VGT（Tetrahedron-Tetrahedron-Variable Geometry Truss）机器人是由多个四面体组成的变几何桁架机器人，图1所示为由N个四面体单元组成的冗余度TT-VGT机器人操作手，平面ABC为机器人的基础平台，基本单元中各杆之间由较铰连接，通过可伸缩构件li(i=1,2,…，n)的长度变化改变机构的构形。图2所示为其中的两个单元的TT-VGT机构，设平面ABC和平面BCD的夹角用中间变量qi(i=1,2,…,n)表示，qi与li(I=1,2,…，n)的关系如下[2]：

javascript:window.open(this.src);" style="cursor:pointer;"/>

式中，d表示TT-VGT中不可伸缩构件的长度，

li表示机器人可伸缩构件的长度。

javascript:window.open(this.src);" style="cursor:pointer;"/>

TT-VGT机器人关节驱动力F与力矩τ的关系为：

F=Bττ     (2)

式中，Bτ为对角矩阵，对角元素Bτi为：

javascript:window.open(this.src);" style="cursor:pointer;"/>

1 状态模型

机器人的自适应控制是与机器人的动力学密切相关的。机器人的动力学方程的一般形式可如下表示（不考虑外力的作用）：

τ=D（q）q+C(q,q)q+G(q)q    (4)

式中，D（q）∈R n×n为广义质量矩阵（惯性矩阵），

C（q,q）∈Rn×(n×n)为向心力及哥氏力作用的矩阵，

G（q）∈R n为重力矩阵，

τ∈R n表示机器人的驱动力矩。

对于TT-VGT机器人，用杆件变量li,ii,Li（i=1,2…，n）代替中间变量qi，qi，qi（i=1,2…，n）（见式（1）），则试（4）可表示为：

F=D（l）l+C（l,i）i+G(l)l    (5)

式中，F∈Rn表示机器人的驱动力。

javascript:window.open(this.src);" style="cursor:pointer;"/>

可把式（5）表示为下列状态方程：

x=A(x,t)x+B(x,t)F   （7）

式中，

javascript:window.open(this.src);" style="cursor:pointer;"/>

上述机器人动力学模型就是机器人自适应控制器的调节对象。

考虑到传动装置的动力学控制系统模型如下式所示：

javascript:window.open(this.src);" style="cursor:pointer;"/>

式中，u、l——传动装置的输入电压和位移矢量，

Ma、Ja、Ba——传动装置的驱动力矩比例系数、转动惯量和阻尼系数（对角矩阵）。

联立求解式（5）和式（9），并定义：

javascript:window.open(this.src);" style="cursor:pointer;"/>

可求得机器人传动系统的时变非线性状态模型如下：

javascript:window.open(this.src);" style="cursor:pointer;"/>

javascript:window.open(this.src);" style="cursor:pointer;"/>

2 Lyapunov模式参考自适应控制器设计

定理 设系统的运动方程为：

e=Ae+Bφr    （13）

φ=-RB T Per     (14)

式中，e为n维向量，r为l维向量，A、B、φ分别为（n×n）、（n×m）、（m×l）维满秩矩阵，R与P分别为（m×m）、（n×n）维正定对称矩阵。

假若矩阵P满足Lyapunov方程：

PA+A TP=-Q    （15）

式中，Q为（n×n）维正定对称矩阵。

同该系统的平衡点e，φ是稳定的。

如果向量r又是由l个或更多不同频率的分量所组成，那么该平衡点还是渐近稳定的。其证明可参看文献[4]。选择如下的稳定的线性定常系统为参考模型：

y=Amx+Bmr    （16）

式中，y——参考模型状态矢量：

javascript:window.open(this.src);" style="cursor:pointer;"/>

式中，∧1——含有ωi项的（n×n）对角矩阵，

∧2——含有2ξωi项的n×n对角矩阵。
javascript:window.open(this.src);" style="cursor:pointer;"/>
    式（18）表示n个含有指定参数ξ和ωi的去耦二除微分方程式：

yi+2ξiωiyi+ωi2yi=ωi2r    （19）

令控制器输入为：u=Kxx+Kur     （20）

式中，Kx、Ku——可调反馈矩阵和前馈矩阵。

根据式（20）可得式（11）的闭环系统状态模型为：

x=As(x,t)x+Bs(x,t)u    （21）

式中，As(x,t)=Ap(x,t)+Bp(x,t)Kx，Bs(x,t)=Bp(x,t)Ku    (22)

将式（12）代入式（22），可得：

javascript:window.open(this.src);" style="cursor:pointer;"/>

适当地设计Kxi、Ku，能够使式（11）所示系统与式（16）所代表的参考模型完全匹配。

定义状态误差矢量为：

e=y-x    （24）

则e=Ame+（Am-As）x+(Bm-Bs)r    （25）

控制目标是为Kx和Ku找出一种调整算法，使得状态误差趋近于零，即：javascript:window.open(this.src);" style="cursor:pointer;"/>

对脚式（13）与式（14），选取正定Lyapunov函数V为：

javascript:window.open(this.src);" style="cursor:pointer;"/>

式中，P——正定矩阵，

FA和FB——正定自适应增益矩阵。

对上式微分，得

javascript:window.open(this.src);" style="cursor:pointer;"/>

根据Lyapunov稳定性理论，保证满足式（24）为稳定的充要条件是V为负定，由此可求得：

javascript:window.open(this.src);" style="cursor:pointer;"/>

将式（22）求导并与式（30）联立求解，同时考虑到控制器稳定时式（11）所示系统与式（16）所代表的参考模型完全匹配，可得

javascript:window.open(this.src);" style="cursor:pointer;"/>

由此已得到控制器的自适应控制律。javascript:window.open(this.src);" style="cursor:pointer;"/>

3 TT-VGT机器人的神经网络自适应控制

本文采用直接MRAC（模型参考自适应控制）神经网络控制器对TT-VGT机器人进行控制。在图3中，NNC（神经网络控制器）力图维持机器人输出与参考模型输出之差e（t）=l(t)-lm(t) →。即通过误差反传，并采用上节的自适应算法，调节NNC，使得其输出控制机器人运动到误差e(t)为0。

神经网络模型如图4所示。

4 实例分析

以四得四面体为例，如图5所示建立基础坐标系，末端参考点H位于末端平台EFG的中点。设参考点H在基础坐标系中，从点（0.8640，-0.6265，0.5005）直线运动到点（1.8725，0.5078，0.7981），只实现空间的位置，不实现姿态。运动的整个时间T设定5秒，javascript:window.open(this.src);" style="cursor:pointer;"/>运动轨迹分为等时间间隔的100个区间。不失一般性要求，末端在轨迹的前40个区间匀加速度运动（a=0.2578），中间20个工间匀速度运动，最后40个区间匀减速度运动（a=-0.2578），开始和结束时的末端速度为。设各定长构件长度为1m，机构中各杆质量为1kg，并将质量向四面体各顶点对称简化。

传动装置的参数如下：

Ma=4.0×10e -3kg·m/V；Ba=0.01N·m/(rad·s -1)；

近似认为各关节电动机轴上的总转动惯量在运动过程中保持不变，其值分别为：

J1=0.734kg·m2;J2=0.715kg·m2；

J3=0.537kg·m2；J4=0.338kg·m2

末端位置误差曲线如图6所示。从误差曲线可看出，javascript:window.open(this.src);" style="cursor:pointer;"/>采用神经网络自适应控制的机器人位置控制精度较高，稳定性较好。

本文提出采用直接MRAC神经网络自适应器对机器人进行轨迹控制的方案；建立机器人状态模型，推导出自适应控制算法，并对冗余度TT-VGT机器人轨迹控制进行了仿真。结果表明，该方案控制误差较小，稳定性较好。