Details

В данной работе мы изучили нейронное управление обучением для робота манипуляторы с неизвестной системой динамики по назначению ограничения производительности. Была введена функция производительности описать конкретные ограничения, то ограниченный ошибки отслеживания были преобразованы в безусловные методом преобразования производительности. введение ошибки фильтрации упростило конструкцию контроллера и анализ устойчивости. Роботизированная неизвестная динамика была аппроксимируется NN RBF и NN Elman. А путем объединения прогнозирующего управления моделью с нейронной сетью можно получить адаптивную прогнозирующую модель в условиях неизвестной модели манипулятора. Подтверждено статьями и экспериментами получены следующие результаты: 1) В начале периода управления (t ≤ tb = 1 с) все четыре метода имеют одинаковое быстродействие. Предлагаемый метод и стратегия ПИД-регулятора сходятся быстрее. Эти два метода имеют лучшую локальную производительность за счет решения MPC. в конечном горизонте. Но ПИД-регулятору нужна точная информация о модели манипулятора. 2) По сравнению с традиционным управлением нейронной сетью модели адаптивного управления RBF и Elman, разработанные в этой статье, имеют более высокую скорость отклика, и после применения внешнего возмущения система может сходиться в течение 1,5 с, а управление моделью и ошибки могут быть компенсированы. 3) Таким образом, MPC с конечной стоимостью обучения, предложенный в этой статье, имеет конкурентоспособную производительность как в переходном, так и в установившемся режиме реакции благодаря введению оценки онлайн-модели Его вычислительная нагрузка приемлема. Он также устойчив к дополнительным помехам. Анализ иллюстрирует что представленный метод имеет потенциал для применения к задачам отслеживания управления различными системами, такими как мобильные роботы, что также является одной из ключевых целей исследований в будущем.

In this paper, we studied neural learning control for robot manipulators with an unknown system of dynamics for the purpose of performance limitation. A performance function was introduced to describe specific constraints, then limited tracking errors were converted to unconditional by the performance conversion method. the introduction of a filtering error simplified the controller design and stability analysis. The robotic unknown dynamics was approximated by NN RBF and NN Elman. And by combining predictive model control with a neural network, it is possible to obtain an adaptive predictive model in the conditions of an unknown manipulator model. When confirmed by articles and experiments, the following results were obtained: 1) At the beginning of the control period (t ≤ tb = 1 s), all four methods have the same performance. The proposed method and the strategy of the PID controller converge faster. These two methods have better local performance due to the MPC solution. in the final horizon. But the PID controller needs accurate information about the manipulator model. 2) Compared to traditional neural network control, the RBF and Elman adaptive control models developed in this article have a higher response rate, and after applying an external disturbance, the system can converge within 1.5 seconds, and model control and errors can be compensated. 3) Thus, the MPC with a finite learning cost proposed in this article has competitive performance in both transient and steady-state reaction mode due to the introduction of an online model evaluation, its computational load is acceptable. It is also resistant to additional interference. The analysis illustrates that the presented method has the potential to be applied to the tasks of tracking the management of various systems, such as mobile robots, which is also one of the key goals of research in the future.