基于神经网络的机器人控制方法研究

控制系统中的神经网络控制方法

控制系统是指通过对被控对象进行监测和调节，以达到预定要求的系统。而神经网络控制方法是指利用神经网络模型和算法对控制系统进行优化和改进的方法。本文将介绍神经网络控制方法在控制系统中的应用以及其原理和优势。

一、神经网络控制方法的原理

神经网络控制方法主要基于人工神经网络模型，它模拟了生物神经系统的结构和功能。该模型由多个神经元组成，这些神经元相互连接并通过权重参数传递和处理信息。其原理主要包括以下几个方面：

1. 网络拓扑结构：神经网络控制方法中使用的神经网络有多种拓扑结构，如前馈神经网络、循环神经网络和自适应神经网络等。这些网络结构可以灵活地应用于不同的控制问题。

2. 学习算法：神经网络通过学习算法来调整网络中神经元之间的连接权重，以逐步优化网络的性能。常见的学习算法包括反向传播算法、遗传算法和模糊神经网络算法等。

3. 控制策略：神经网络控制方法可以基于不同的控制策略，如比例积分微分（PID）控制、模糊控制和自适应控制等。通过在神经网络中引入相应的控制策略，可以实现对被控对象的精确控制和调节。

二、神经网络控制方法在控制系统中的应用 1. 机器人控制：神经网络控制方法在机器人控制中有广泛应用。通过将神经网络嵌入到机器人的控制系统中，可以实现对机器人运动、感知和决策等方面的智能控制。这种方法能够提高机器人的自主性和适应性，使其能够更好地适应不同环境和任务的需求。

2. 工业过程控制：神经网络控制方法在工业过程控制中也得到了广泛应用。通过利用神经网络对工业过程进行建模和优化，可以提高生产效率、降低能耗和减少故障率。此外，神经网络控制方法还可以应用于故障诊断和预测维护等方面，提高工业系统的可靠性和稳定性。

3. 航天飞行器控制：神经网络控制方法在航天飞行器控制方面也有重要应用。通过神经网络对航天飞行器的姿态、轨迹和轨道控制进行优化，可以提高飞行器的稳定性和导航精度，降低燃料消耗和飞行风险。

第７卷第２３期２００７年１２月　１６７１—１８１９（２００７）２３—６０５０—０５　科学技术与工程　Ｓｃｉｅｎｃｅ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｖｏ１．７　Ｎｏ．２３　Ｄｅｃ．２０ｏ７　＠２００７　Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｎｇ．　

计算机技术　

基于模糊高斯基函数神经网络控制的　

机器人视觉伺服系统　

孙洪淋孙炜　石玉秋　徐航　

（湖南信息职业技术学院，长沙４１０２００；湖南大学电气与信息工程学院　，长沙４１００８２；广西２１２学院　，柳州５４５００６）　

摘要针对机器人视觉伺服控制系统中存在的不确定性问题，将模糊控制与神经网络相结合，用神经网络来实现模糊推　理，提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器，该控制器不仅具有定性知识的表达能力，而且　具有很强的在线学习能力。将所提方法用于三关节机器人“手．眼”视觉伺服系统的控制中，取得了很好的控制效果。　关键词模糊神经网络　高斯基函数　机器人　视觉伺服系统　

中图法分类号ＴＰ２４２．６；　文献标识码Ａ　

机器人视觉伺服系统在生产制造、国防及航空　

航天领域具有广泛的应用前景，是当今机器人技术　

的热门研究课题。不确定性问题（标定误差、摩擦、　

负载变化）是影响机器人视觉伺服系统性能提高的　

关键问题，近年来受到了国内外研究人员的广泛　

关注　。　

众所周知，智能控制模拟了人类的智能，是处　

理不确定系统的有效工具。因此，智能控制方法理　

所当然地也被用于机器人视觉伺服系统的鲁棒性　

设计当中。目前应用于机器人视觉伺服系统的智　

能控制方法主要有神经网络控制方法和模糊控制　

方法。在基于图像的机器人视觉伺服系统中，神经　

网络和模糊控制可以被用于替代图像雅可比矩阵　

来获得目标图像特征和机器人关节运动之间的２Ｄ／　

３Ｄ变换关系，从而对摄像机标定误差不敏感，提高　

了系统的鲁棒性。但是，在以往的研究中，神经网　

络往往只根据特定区域执行特定任务的历史数据　

四足机器人运动控制的方法

四足机器人是一种模仿动物四肢结构和步态特点的机器人，它可以通过四肢的运动来实现移动和平衡。在实际应用中，四足机器人的运动控制是一个非常重要的问题。本文将介绍一些常用的四足机器人运动控制方法。

一、开环控制方法

开环控制是最简单的控制方法之一，它通过预先设定的运动轨迹来控制机器人的运动。在四足机器人中，开环控制方法可以通过控制每个关节的角度和速度，来实现机器人的运动。但是由于四足机器人的动力学特性比较复杂，开环控制方法往往不能达到理想的效果，容易造成运动不稳定或者无法适应复杂的环境。

二、闭环控制方法

闭环控制是一种基于反馈的控制方法，它通过不断地测量和比较机器人的实际状态和期望状态，来调整控制量，使机器人保持稳定的运动。在四足机器人中，闭环控制方法可以通过测量机器人的姿态、速度和加速度等参数，来实时调整关节的控制量，从而实现机器人的平衡和运动。

三、模型预测控制方法

模型预测控制是一种基于动态模型的控制方法，它通过建立机器人的运动模型，预测机器人在未来一段时间内的运动轨迹，然后根据预测结果调整控制量，使机器人达到期望的运动目标。在四足机器人中，模型预测控制方法可以通过建立机器人的动力学模型和环境模型，预测机器人的运动轨迹和外部干扰，然后根据预测结果调整关节的控制量，从而实现机器人的平衡和运动。

四、神经网络控制方法

神经网络控制是一种基于人工神经网络的控制方法，它通过训练神经网络来学习机器人的运动规律和控制策略，然后根据学习结果控制机器人的运动。在四足机器人中，神经网络控制方法可以通过训练神经网络来学习机器人的运动模式和环境感知，然后根据学习结果调整关节的控制量，从而实现机器人的平衡和运动。

五、遗传算法控制方法

遗传算法控制是一种基于遗传算法的控制方法，它通过模拟生物进化的过程，来搜索机器人的最优控制策略。在四足机器人中，遗传算法控制方法可以通过编码机器人的控制策略为染色体，然后通过遗传算法的选择、交叉和变异等操作，不断优化机器人的控制策略，从而实现机器人的平衡和运动。

科技情报开发与经济　ＳＣＩ—ＴＥＣＨ　ＩＮＦＯＲＭＡＴＩＯＮ　ＤＥＶＥＬＯＰＭＥＮＴ＆ＥＣＯＮＯＭＹ　２００７年第ｌ７卷第３０期　文章编号：１００５—６０３３（２００７）３０—０１６７—０３　收稿日期：２００７—０８—２９　ＳＣＡＲＡ型机械臂的智能神经网络控制研究　韩晓霞，谢克明　【太原理工大学信息工程学院，山西太原。０３００２４）　摘要：在传统机械臂动态控制基础上，将ＲＢＦ神经网络与模糊逻辑控制相结合，提出　一种新的智能控制方法一ＲＢＦ模糊神经网络控制方法。该方法使用两个子网络分别　对关节ｌ和关节２实施控制，最后通过协调级网络来消除和减小两个关节之间的耦合　作用。以仿真实验结果说明该网络结构简单明确，计算更加有效，并通过适时地修正网　络参数，在线调整了模糊隶属函数的中心值和宽度，所设计的控制器能快速、稳定地跟　踪到期望轨迹。　关键词：智能控制；模糊神经网络控制；ＲＢＦ模糊神经网络；轨迹控制；解耦；机械臂　中图分类号：ＴＰ３９３；ＴＰＩ８３　文献标识码：Ａ　机器人不仅可以在粉尘、噪声、有毒、辐射等有害环境下部分代替人　去操作．还能在人所不能及的极限条件下，如军事、深海、外层空间环境　中完成人所赋予的任务。机器人现已开始进入了家庭和服务行业，扩大　了人类改造自然的能力，因此越来越显示出巨大的力量，成为工业化强　国的竞争焦点。近年来，随着自动控制理论、电子计算机和航天技术的迅　速发展，人工智能开始与机器人技术结合，机器人技术进人一个新的发　展阶段。机器人的轨迹跟踪问题是机器人控制学中一个重要的方面，在　实际应用中．往往要求机器人在相当广泛的运行条件范围内，保持系统　的完善功能和期望特性。对于机器人这样一个复杂的控制系统，具有非　线性、时变性、耦合的不确定性系统，存在诸如系统建模误差、高频特性、　机器人各关节的摩擦以及信号的检测误差等不确定性因素，这些客观存　在的实际情况使得系统控制具有不可避免的困难，以至于常规的控制方　法无法获得满意的控制性能．１　。近几年，越来越多的学者致力于机械臂　的模糊逻辑控制、神经网络控制等智能控制算法【　】。　本文在分析了机械臂神经网络控制的研究现状及应用前景基础上，　提出一种新的智能控制算法——多变量模糊神经网络控制方法，通过　ＲＢＦ神经网络构建了模糊推理．使神经网络的节点、连接权值具有明确　的物理意义，能够在线调整模糊隶属函数的中心值和宽度。同时，引入的　协涠级网络，有效地消除了机械臂关节之间的耦合作用。仿真实验表明　该控制器具有很强的自学习能力，并可以消除系统动力学模型的不确定　性和外部干扰的影响，通过控制算法适时地修正网络参数，实现了连续　轨迹跟踪控制，具有良好的控制品质．可实现对非线性系统任意轨迹的　轨迹跟踪控制。　ｌ神经网络在机械臂动态控制中的应用　神经网络自身的特点，特别适用于像机器人这样具有复杂性、高度　非线性、多变量、强耦合且严重不确定的大系统的控制。首先，由于神经　网络在许多方面试图模拟人脑的功能，因此神经网络控制并不依赖精确　的数学模型．并且神经网络对信息的并行处理能力和快速性，适于机器　人的实时控制。其次，神经网络的本质非线性特性为机器人的非线性控　制带来了希望。神经网络可通过训练获得学习能力．能够解决那些用数　学模型或规则描述难以处理或无法处理的控制过程。第三，神经网络还　具有很强的自适应能力和信息综合能力，因而能同时处理大量的不同类　型的控制输入．解决输入信息之间的互补性和冗余性问题，实现信息融　合处理。　机器人神经网络控制主要应用在机器人路径规划和运动控制两方　面．利用神经网络来ｘ￣９１￣线性对象进行建模．或充当控制器，或优化计　箅，或进行推理．或故障诊断等．以及同时具有上述某些功能的适应组　合　］，并提ｆＩ；了各种基于神经网络的机器人控制方法．包括神经网络逆　模控制．神经网络内模控制以及神经网络自适应控制等，取得了很多研　木　究成果　１０－１４］。　随着智能控制技术的发展，神经网络与专家系统、模糊控制、进化算　法以及　控制理论相结合构成机械臂的智能神经网络控制成为研究的　热点。在机器人动态控制中使用最多的就是模糊神经网络和　。鲁棒神　经网络。其中模糊神经网络是具有推理归纳能力的神经网络，它利用神　经网络可以逼近任意非线性函数的特性来模拟模糊控制的推理方法而　构造出来，同时神经网络具有自学习能力，使得模糊神经网络的推理方　式在实际的控制过程中是可以不断修正的。同时．由于模糊神经网络的　结构具有明确的可用语言形式描述的物理意义．使得模糊神经网络的结　构设计和权值初始化非常容易。由于神经网络具有多种结构和学习算　法．模糊逻辑也具有多种形式，二者结合的实现形式是研究工作的重点　和难点。本文基于ＲＢＦ神经网络与模糊逻辑具有函数等价性【Ｉ　．提出　了ＲＢＦ模糊神经网络，实现了神经网络与模糊逻辑控制的有效结合。　２跟踪问题描述与动力学模型　本文的实验设备是固高ＧＲＩＭ００工业机器人．结构形式为ＳＣＡＲＡ　型平面关节（见图１）．是具有４个关节的搬运机器人。其中关节ｌ和关　节２是回转关节，具有２个自由度，完成坐标系　—ｌ，平面的运动；关节　３是直线关节．通过丝杠连接完成坐标系ｚ轴方向的运动（上下运动）；　关节４为旋转关节（手腕的　运动）．用来调整工具的角　度。机器人末端工具的开闭　利用控制器的直接数字量　输出控制，理论上可以同时　控制ｌ６路＿Ｔ具。在ＧＲＢ４００　机器人末端预装了电磁手　爪．还可以根据实际作业的　需要加装简单的电磁手爪　或气动手爪。其中关节３、关　节４与关节ｌ、关节２是完　全解耦的，而关节ｌ、关节２　之间是耦合的。本文主要是　解决关节ｌ和关节２的平　圃　图１　Ｇｏｏｇｏｌ四自由度机械臂本体　衡问题．通过设计模糊神经网络伺服控制器，使其动力学性能更好，实现　连续的轨迹跟踪。　根据机器人运动学和动力学基础知识．采用拉格朗１３功能平衡法　（Ｌａｇｒａｎｇｅ—Ｅｕｌｅｒ）建立系统的动力学方程。当系统存在摩擦和不确定性因　素时，系统的动力学方程可以表示为：　ｒ＝肘（Ｏ）园＋　（０．Ｏ）Ｏ＋　Ｏ）＋　０．Ｏ）＋Ｃ（Ｏ）　（１）