论文摘要
随着机器人技术的逐步发展使其应用领域不断扩大,它不仅广泛应用于传统工业生产和制造方面,而且在航天航空、深海探测、危险或条件恶劣的特殊环境中也获得了大量应用。在特定环境中,固定构形机器人针对具体执行的任务要求进行设计,通过改变机器人的参数可完成不同的任务。但是,在许多未知或多变的环境中,如核电站、极地研究站或月球基地建设站,要想设计一个固定构形的机器人系统来完成多个作业任务是十分困难或是不可能的。在这样的情况下,可重构模块机器人展现出传统固定参数机器人所不具备的优势,它能通过改变参数重构成不同的机器人来适应不同的任务要求。虽然对可重构模块机器人的正、逆运动学、动力学自动生成、集中控制和分布式控制等方面的研究已经深入,但尚存在一些具有挑战性的课题和有待于进一步深入研究的领域,诸如逆运动学求解、模型分解后交联项处理、故障辨识及容错控制等方面的研究还不够成熟,因此对可重构模块机器人的进一步研究有着重大的理论和实际意义。本文详细介绍了可重构模块机器人领域的主要研究内容,给出了可重构模块机器人动力学模型,重点针对动力学轨迹跟踪控制问题提出了分散自适应神经网络控制和分散自适应迭代学习控制方法。全文的主要内容和研究工作如下：首先,采用几何形式的牛顿-欧拉迭代算法,通过广义速度、广义加速度的正向迭代和广义力的反向迭代得出一组迭代样式的牛顿-欧拉方程,给出了可重构机器人的动力学模型。把每个关节模块考虑成可重构机器人的一个子系统,将仅依赖于局部变量项从与其他关节变量有关的项中分离出来,给出各个子系统的动力学模型。其次,针对可重构机器人动力学轨迹跟踪控制问题设计了分散自适应神经网络控制方法。考虑各个子系统动力学模型,在假设动力学模型参数已知的情况下,应用反演技术给出虚拟控制律设计理想分散控制器,利用神经网络逼近理想分散控制器中的未知函数,补偿耦合关联项和网络逼近误差的影响,采用自适应律来调节神经网络系统中的权值参数,自适应更新律基于Lyapunov稳定性理论设计,所以能够保证闭环系统的稳定性和轨迹跟踪性能。考虑可重构机器人系统关节速度不可测的情况,设计了自适应状态观测器,基于状态观测器应用反演技术设计分散控制律,利用神经网络逼近分散控制器中的未知函数,控制器中的自适应更新律基于Lyapunov稳定性理论设计,所以可以确保闭环系统的稳定性和轨迹跟踪性能。针对二自由度不同构形的可重构机器人验证了提出的两种控制算法的有效性、可行性。再次,本文设计了分散自适应迭代学习控制方法实现系统轨迹跟踪。针对可重构机器人的子系统动力学模型,在假定交联项有界条件下,所提出的分散自适应迭代学习控制算法,可保证系统闭环稳定,且在迭代域内误差收敛。为了补偿系统模型不确定项和子系统交联项,采用神经网络进行逼近。自适应律来调节神经网络系统中的权值参数,所有自适应算法基于Lyapunov稳定性理论设计,所以能够保证闭环系统的稳定性和轨迹跟踪性能。这种方法利用迭代学习算法中设计的辅助过滤误差函数,经过数学推导将系统中的未知函数和交联项合为一项,再通过神经网络进行逼近,此举大大降低了控制器设计的复杂性。通过仿真研究,分散自适应迭代学习控制方法不仅能实现对系统的有效控制,而且在仿真效果上也比分散自适应神经网络控制方法更为精确。最后,笔者对全文进行了总结,并在此基础上,结合自身的研究心得,对今后进一步的研究进行了展望。