淺談機器人智能控制研究

1、陜西科技大學(xué) 2015 級研究生課程考試答題紙題號一二三四五六七八九十總分得分閱卷人 考試科目 機械制造與裝配自動化專 業(yè) 機械工程學(xué) 號 1505048考生姓名 喬旭光考生類別 專業(yè)學(xué)位碩士注 意 事 項1. 試題隨試卷交回；2. 試卷評閱后，一周內(nèi)送交研究生秘書處保存；3. 考生類別為學(xué)術(shù)碩士、專業(yè)學(xué)位碩士、在職人員攻讀碩士學(xué)位。淺談機器人智能控制研究摘要：以介紹機器人控制技術(shù)的發(fā)展及機器人智能控制的現(xiàn)狀為基礎(chǔ),敘述了模糊控制和人工神經(jīng)網(wǎng)絡(luò)控制在機器人中智能控制的方法。討論了機器人智能控制中的模糊控制和變結(jié)構(gòu)控制,神經(jīng)網(wǎng)絡(luò)控制和變結(jié)構(gòu)控制,以及模糊控制和神經(jīng)網(wǎng)絡(luò)控制等幾種智能控制技術(shù)的融合

2、。并對模糊控制和神經(jīng)網(wǎng)絡(luò)控制等方法中的局限性作出了說明。關(guān)鍵詞:機器人；智能控制；模糊控制；人工神經(jīng)網(wǎng)絡(luò)1 智能控制的主要方法隨著信息技術(shù)的發(fā)展，許多新方法和技術(shù)進入工程化、產(chǎn)品化階段，這對自動控制技術(shù)提出嶄新的挑戰(zhàn)，促進了智能理論在控制技術(shù)中的應(yīng)用，以解決用傳統(tǒng)的方法難以解決的復(fù)雜系統(tǒng)的控制問題。 智能控制技術(shù)的主要方法有模糊控制、基于知識的專家控制、神經(jīng)網(wǎng)絡(luò)控制和集成智能控制等,以及常用優(yōu)化算法有:遺傳算法、蟻群算法、免疫算法等。1.1 模糊控制 模糊控制以模糊集合、模糊語言變量、模糊推理為其理論基礎(chǔ),以先驗知識和專家經(jīng)驗作為控制規(guī)則。其基本思想是用機器模擬人對系統(tǒng)的控

3、制,就是在被控對象的模糊模型的基礎(chǔ)上運用模糊控制器近似推理等手段,實現(xiàn)系統(tǒng)控制。在實現(xiàn)模糊控制時主要考慮模糊變量的隸屬度函數(shù)的確定,以及控制規(guī)則的制定二者缺一不可。1.2 專家控制 專家控制是將專家系統(tǒng)的理論技術(shù)與控制理論技術(shù)相結(jié)合,仿效專家的經(jīng)驗,實現(xiàn)對系統(tǒng)控制的一種智能控制。主體由知識庫和推理機構(gòu)組成,通過對知識的獲取與組織,按某種策略適時選用恰當(dāng)?shù)囊?guī)則進行推理,以實現(xiàn)對控制對象的控制。專家控制可以靈活地選取控制率,靈活性高;可通過調(diào)整控制器的參數(shù),適應(yīng)對象特性及環(huán)境的變化,適應(yīng)性好;通過專家規(guī)則,系統(tǒng)可以在非線性、大偏差的情況下可靠地工作,魯棒性強。 1.3 神經(jīng)網(wǎng)絡(luò)

4、控制 神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)元的活動,利用神經(jīng)元之間的聯(lián)結(jié)與權(quán)值的分布來表示特定的信息,通過不斷修正連接的權(quán)值進行自我學(xué)習(xí),以逼近理論為依據(jù)進行神經(jīng)網(wǎng)絡(luò)建模,并以直接自校正控制、間接自校正控制、神經(jīng)網(wǎng)絡(luò)預(yù)測控制等方式實現(xiàn)智能控制。 1.4 學(xué)習(xí)控制 (1)遺傳算法學(xué)習(xí)控制 智能控制是通過計算機實現(xiàn)對系統(tǒng)的控制,因此控制技術(shù)離不開優(yōu)化技術(shù)?？焖佟⒏咝?、全局化的優(yōu)化算法是實現(xiàn)智能控制的重要手段。遺傳算法是模擬自然選擇和遺傳機制的一種搜索和優(yōu)化算法,它模擬生物界/生存競爭,優(yōu)勝劣汰,適者生存的機制,利用復(fù)制、交叉、變異等遺傳操作來完成尋優(yōu)。遺傳算法作為優(yōu)化搜索算

5、法,一方面希望在寬廣的空間內(nèi)進行搜索,從而提高求得最優(yōu)解的概率;另一方面又希望向著解的方向盡快縮小搜索范圍,從而提高搜索效率。如何同時提高搜索最優(yōu)解的概率和效率,是遺傳算法的一個主要研究方向 。 (2)迭代學(xué)習(xí)控制 迭代學(xué)習(xí)控制模仿人類學(xué)習(xí)的方法、即通過多次的訓(xùn)練,從經(jīng)驗中學(xué)會某種技能,來達到有效控制的目的。迭代學(xué)習(xí)控制能夠通過一系列迭代過程實現(xiàn)對二階非線性動力學(xué)系統(tǒng)的跟蹤控制。整個控制結(jié)構(gòu)由線性反饋控制器和前饋學(xué)習(xí)補償控制器組成,其中線性反饋控制器保證了非線性系統(tǒng)的穩(wěn)定運行、前饋補償控制器保證了系統(tǒng)的跟蹤控制精度。它在執(zhí)行重復(fù)運動的非線性機器人系統(tǒng)的控制中是相當(dāng)成功的。&

6、#160;2 機器人智能控制技術(shù)的發(fā)展從機器人誕生到20 世紀80 年代初,機器人技術(shù)經(jīng)歷了一個長期緩慢的發(fā)展過程。到了20 世紀90 年代,隨著計算機技術(shù)、微電子技術(shù)、網(wǎng)絡(luò)技術(shù)等的快速發(fā)展,機器人技術(shù)也得到了飛速發(fā)展。智能機器人的研究是目前機器人研究中的熱門課題。作為一門新興學(xué)科,它融合了神經(jīng)生理學(xué)、心理學(xué)、運籌學(xué)、控制論和計算機技術(shù)等多學(xué)科思想和技術(shù)成果。智能控制的研究主要體現(xiàn)在對基于知識系統(tǒng)、模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)的研究。智能機器人可以在非預(yù)先規(guī)定的環(huán)境中自行解決問題。智能機器人的技術(shù)關(guān)鍵就是自適應(yīng)和自學(xué)習(xí)的能力,而模糊控制和神經(jīng)網(wǎng)絡(luò)控制的應(yīng)用顯示出諸多優(yōu)勢,具有廣闊的應(yīng)用前景。2.1

7、機器人控制技術(shù)的發(fā)展早期的機器人系統(tǒng),由于需要完成的任務(wù)比較簡單,而且對動態(tài)特性的要求不高,其系統(tǒng)可看成是機器人各關(guān)節(jié)控制器簡單的組合。隨著機器人技術(shù)的發(fā)展,機器人控制器對各關(guān)節(jié)在整個過程中位置、速度及加速度都有一定的要求,因此可采用獨立關(guān)節(jié)控制原則,在各關(guān)節(jié)構(gòu)成PID 控制。由于機器人操作臂是一個高度非線性的系統(tǒng),工業(yè)用的低速操作臂應(yīng)用常規(guī)的PID 反饋控制可以滿足控制要求,但為實現(xiàn)高速運動,要求具有較好的控制品質(zhì), PID 反饋控制難以取得較好的控制效果。在傳統(tǒng)的控制方法中,它們依賴數(shù)學(xué)模型。但是,由于操作臂的參數(shù)不能精確得到,模型參數(shù)與實際參數(shù)不匹配時,便會產(chǎn)生伺服誤差。當(dāng)機器人工作環(huán)境

8、及工作目標的性質(zhì)和特征在工作過程中隨時間發(fā)生變化時,控制系統(tǒng)的特性有未知和不定的特性。這未知因素和不定性使控制系統(tǒng)性能降低。因此,采用傳統(tǒng)的控制方案已不能滿足控制要求。在研究被控對象的模型存在不確定性及未知環(huán)境交互作用較強情況下的控制時,智能控制方法得到了成功的應(yīng)用。近年來,隨著人們對機器人高速高精度要求的不斷提高,使得整個機器人系統(tǒng)對其控制部分的要求也越來越高,開發(fā)具有智能的機器人已經(jīng)成為人們研究的熱點。2.2 機器人智能控制的現(xiàn)狀近幾年,機器人智能控制在理論和應(yīng)用方面都有較大的進展。在模糊控制方面,由J·J·Buckley 等人論證了模糊系統(tǒng)的逼近特性; E·

9、H·Mamdan 首次將模糊理論運用于一臺實際機器人,把模糊控制技術(shù)在機器人中的應(yīng)用得以展現(xiàn) 。 而且,模糊系統(tǒng)在機器人的建模、控制、對柔性臂的控制、模糊補償控制、以及移動機器人路徑規(guī)劃等各個領(lǐng)域都得到了廣泛的應(yīng)用。在機器人神經(jīng)網(wǎng)絡(luò)控制方面,CMCA (Cere-bella Model Cont roller Articulation) 是應(yīng)用較早的一種控制方法,它的最大特點是實時性好,尤其適應(yīng)于多自由度操作臂的控制,W·T·Miller 等還進行了實驗研究,驗證了該方法的有效性。3 機器人智能控制方法3.1 機器人的模糊控制英國學(xué)者E·H·M

10、amdani 在1974 年首次成功地將模糊集理論運用于工業(yè)鍋爐的過程控制之中,并于20 世紀80 年代初又將模糊控制引進到機器人的控制中. 被控對象是一個具有兩個旋轉(zhuǎn)關(guān)節(jié)的操作臂,每個關(guān)節(jié)由直流電動機驅(qū)動。 關(guān)節(jié)的實際轉(zhuǎn)角通過測速發(fā)電機由A/ D 轉(zhuǎn)換電路獲得,其角速度通過SOC 的記憶存儲器編程來實現(xiàn)。其主要是對操作臂模糊控制系統(tǒng),分別進行階躍響應(yīng)測試和跟蹤控制試驗. 控制結(jié)果證明了模糊控制方案具有可行性和優(yōu)越性。由Lin C M 等人提出了在模糊控制器結(jié)構(gòu)的基礎(chǔ)上,引入PI 調(diào)節(jié)機制達到對階躍輸入的快速響應(yīng)和達到消除隱態(tài)誤差的效果. 通過相平面上對兩種不同區(qū)域的啟發(fā)性分類,可得到一組簡單

11、的模糊規(guī)則,從而簡化了模糊規(guī)則庫和算法,使最終的控制器易于實現(xiàn). 該控制方案通過仿真實驗得到驗證。由鄧輝等人提出了一種基于模糊聚類和滑模控制的模糊逆模型控制方法,并將其應(yīng)用于動力學(xué)方程未知的機械手軌跡控制。采用c 均值聚類算法構(gòu)造兩關(guān)節(jié)機械手模糊模型,并由此構(gòu)造模糊系統(tǒng)的逆模型。在提出的模糊逆模型控制結(jié)構(gòu)中,離散時間滑?？刂坪蜁r延控制用于補償模糊建模誤差和外擾動,保證系統(tǒng)全局穩(wěn)定性,并改善其動態(tài)和穩(wěn)態(tài)性能。系統(tǒng)穩(wěn)定性和軌跡誤差的收斂性,通過穩(wěn)定性定理得到證明。3.2 機器人的神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)的研究20 世紀60 年代,并在20 世紀80 年代得到了快速的發(fā)展。 近幾年來,神經(jīng)網(wǎng)絡(luò)研究的目標

12、是復(fù)雜的非線性系統(tǒng)的識別和控制等方面,神經(jīng)網(wǎng)絡(luò)在控制應(yīng)用上具有以下特點:能夠充分逼近任意復(fù)雜的非線性系統(tǒng)；能夠?qū)W習(xí)與適應(yīng)不確定系統(tǒng)的動態(tài)特性；有很強的魯棒性和容錯性等。 因此,神經(jīng)網(wǎng)絡(luò)對機器人控制具有很大的吸引力。在機器人的神經(jīng)網(wǎng)絡(luò)動力學(xué)控制方法中,典型的是計算力矩控制和分解運動加速度控制,前者在關(guān)節(jié)空間閉環(huán),后者在直角坐標空間閉環(huán)。 在基于模型計算力矩控制結(jié)構(gòu)中,關(guān)鍵是逆運動學(xué)計算,為實現(xiàn)實時計算和避免參數(shù)不確定性,可通過神經(jīng)網(wǎng)絡(luò)來實現(xiàn)輸入輸出的非線性關(guān)系。對多自由度的機器人手臂,輸入?yún)?shù)多,學(xué)習(xí)時間長,為了減少訓(xùn)練數(shù)據(jù)樣本的個數(shù),可將整個系統(tǒng)分解為多個子系統(tǒng),分別對每個子系統(tǒng)進行學(xué)習(xí),這樣

13、就會減少網(wǎng)絡(luò)的訓(xùn)練時間,可實現(xiàn)實時控制。由Albus 提出了一種基于人腦記憶和神經(jīng)肌肉控制模型的控制機器人關(guān)節(jié)控制方法,即CM-CA 法。該方法以數(shù)學(xué)模塊為基礎(chǔ),采用查表方式產(chǎn)生一個以離散狀態(tài)輸入為響應(yīng)的輸出矢量。在控制中,狀態(tài)矢量輸入來自機器人關(guān)節(jié)的位置與速度反饋,輸出矢量為機器人驅(qū)動信號。也可以利用CMCA 模擬機器人動力學(xué)方程,計算實現(xiàn)期望運動所需力矩作為前反饋控制力矩,采用自適應(yīng)反饋控制消除輸入擾動及參數(shù)變化引起的誤差。經(jīng)過仿真實驗證明,經(jīng)過4 個控制周期后,控制過程的誤差趨近于零。F.L. Lewis 基于無源理論,提出了一類網(wǎng)絡(luò)利用功能連接神經(jīng)網(wǎng)絡(luò)逼近機器人動力學(xué)模型,連接權(quán)在線調(diào)

14、整方法,可保證神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制算法閉環(huán)穩(wěn)定。33機器人智能控制技術(shù)的融合 (1) 模糊控制和變結(jié)構(gòu)控制的融合在模糊變結(jié)構(gòu)控制器(FVSC) 中,許多學(xué)者把變結(jié)構(gòu)框架中的每個參數(shù)或是細節(jié)采用模糊系統(tǒng)來逼近或推理,仿真實驗證明該方法比PID 控制或滑?？刂聘行?。在設(shè)計常規(guī)變結(jié)構(gòu)控制律時,若函數(shù)系數(shù)取得很大,系統(tǒng)就會產(chǎn)生很多的抖振,如果用引入邊界層方法消除抖振,就會產(chǎn)生很大的誤差；若該系數(shù)取較小值,魯棒性就會變差。 因此,金耀初等人提出了通過引入模糊系統(tǒng)來動態(tài)預(yù)測和估計系統(tǒng)中不確定量的方法。模糊系統(tǒng)中的輸入分為兩種:一種為系統(tǒng)的綜合偏差模糊值;另一種為偏差增量模糊值。它的輸出是對上述函數(shù)中的系數(shù)

15、進行模糊估值。 仿真結(jié)果表明抖振現(xiàn)象得到了抑制。還有人在初始建模階段采取模糊系統(tǒng)辨識,其后在變結(jié)構(gòu)控制中對動力學(xué)模型進行自適應(yīng)學(xué)習(xí)。在這種控制方案中,模糊控制和變結(jié)構(gòu)控制之間的界限很清晰,從仿真結(jié)果看,控制性能也較好。(2) 神經(jīng)網(wǎng)絡(luò)和變結(jié)構(gòu)控制的融合神經(jīng)網(wǎng)絡(luò)和變結(jié)構(gòu)控制的融合一般稱為NNVSC。實現(xiàn)融合的途徑一般是利用神經(jīng)網(wǎng)絡(luò)來近似模擬非線性系統(tǒng)的滑動運動,采用變結(jié)構(gòu)的思想對神經(jīng)網(wǎng)絡(luò)的控制律進行增強魯棒性的設(shè)計,這樣就可避開學(xué)習(xí)達到一定的精度后神經(jīng)網(wǎng)絡(luò)收斂速度變慢的不利影響。經(jīng)過仿真實驗證明該方法有很好的控制效果。但是由于變結(jié)構(gòu)控制的存在,系統(tǒng)會出現(xiàn)力矩抖振。牛玉剛等人將變結(jié)構(gòu)控制和神經(jīng)網(wǎng)絡(luò)

16、的非線性映射能力相結(jié)合,提出了一種基于神經(jīng)網(wǎng)絡(luò)的機械手自適應(yīng)滑?？刂破? 如果考慮利用滑?？刂萍夹g(shù),需要知道系統(tǒng)的不確定性的上界,但在實際應(yīng)用中,許多系統(tǒng)的不確定界卻難以得到。因此利用神經(jīng)網(wǎng)絡(luò)估計系統(tǒng)的不確定性的未知界,克服了常規(guī)滑?？刂菩枰阎淮_定性界的限制,但是由于滑?？刂频拇嬖?就有抖振現(xiàn)象,為了消除抖振,可用S 型函數(shù)代替符號函數(shù)。經(jīng)過仿真實驗,該控制器能夠有效的補償系統(tǒng)不確定性的影響,保證機器人系統(tǒng)對期望軌跡的快速跟蹤。(3) 模糊控制和神經(jīng)網(wǎng)絡(luò)控制的融合模糊控制和神經(jīng)網(wǎng)絡(luò)控制的融合,一般稱為模糊神經(jīng)網(wǎng)絡(luò)( Fuzzified neural network) 或神經(jīng)網(wǎng)絡(luò)模糊控制器(

17、neuro-fuzzy cont roller) 。模糊系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合實現(xiàn)對控制對象進行自動控制,是由美國學(xué)者B·Kosko 首先提出的。 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)都屬于一種數(shù)值化和非數(shù)學(xué)模型函數(shù)估計器的信息處理方法,它們以一種不精確的方式處理不精確的信息。模糊控制引入了隸屬度的概念,即規(guī)則數(shù)值化,從而可直接處理結(jié)構(gòu)化知識；神經(jīng)網(wǎng)絡(luò)則需要大量的訓(xùn)練數(shù)據(jù),通過自學(xué)習(xí)過程,借助并行分布結(jié)構(gòu)來估計輸入與輸出間的映射關(guān)系。雖然模糊控制與神經(jīng)網(wǎng)絡(luò)處理模糊信息的方式不同,但仍可以將二者結(jié)合起來。利用模糊控制的思維推理功能來補充神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間連接結(jié)構(gòu)的相對任意性；以神經(jīng)網(wǎng)絡(luò)強有力的學(xué)習(xí)功

18、能來對模糊控制的各有關(guān)環(huán)節(jié)進行訓(xùn)練?？衫蒙窠?jīng)網(wǎng)絡(luò)在線學(xué)習(xí)模糊集的隸屬度函數(shù),實現(xiàn)其推理過程以及模糊決策等。在整個控制過程中,兩種控制動態(tài)地發(fā)生作用,相互依賴。王洪斌等人針對機器人逆運動學(xué)問題提出了基于模糊神經(jīng)網(wǎng)絡(luò)的解決方案。 該方案對二自由度剛性機器人進行仿真實驗,證明了其有效性和可行性。王耀南等人也介紹了模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用。介紹了一種模糊神經(jīng)網(wǎng)絡(luò)控制與傳統(tǒng)的PD 控制相結(jié)合的機器人學(xué)習(xí)控制系統(tǒng),該控制具有自學(xué)習(xí)、自適應(yīng)、控制精度高等特點。智能融合技術(shù)還包括基于遺傳算法的模糊控制方法。遺傳算法作為一種新的搜索算法,具有并行搜索,全局收斂等特性,將遺傳算法應(yīng)用于模糊控制中,可以解決一般模糊控制中隸屬度函數(shù)及