浅谈机器人智能控制研究
机器人智能控制技术的研发及应用研究
机器人智能控制技术的研发及应用研究近年来，随着科技的不断发展，机器人的智能化程度也不断提升。
机器人智能控制技术的研发与应用，为人类的生产、生活以及军事等方面提供了诸多便利。
一、机器人智能控制技术的起源机器人智能控制技术起源于上个世纪70年代。
当时，工业自动化已经初具规模。
但是，人们发现，现有的自动化控制技术在一些场合下还存在许多问题，如控制精度不高、对环境变化适应能力差等。
机器人智能控制技术的诞生，正是为了解决这些问题。
二、机器人智能控制技术的发展从上世纪80年代开始，机器人智能控制技术经历了快速发展阶段。
此时，机器人的应用领域也不断拓展，从最初的工业自动化转向了家庭、医疗、军事等多个领域。
机器人智能控制技术也得到各地的广泛推广和应用，成为了当今社会不可或缺的技术之一。
三、机器人智能控制技术的原理机器人智能控制技术，是将人工智能技术与机器人控制技术相结合，实现对机器人的精确控制和智能化操作。
机器人智能控制技术的主要原理包括机器人的感知、判断、计算、执行等环节。
通过这些环节的协同作用，机器人能够在不同的环境下自主进行任务的完成。
四、机器人智能控制技术的应用研究1. 工业制造领域随着经济的快速发展，工业制造领域中应用机器人已经成为趋势。
特别是，在汽车制造等大型装配生产的领域里，机器人智能控制技术已经成为重要的工具。
机器人的控制和交互方式也需要不断进行优化和改良，以适应不同的工作需求。
2. 家庭服务领域随着智能家居的不断普及，家用机器人也愈发受到关注。
家用机器人主要运用机器人视觉、语音识别、语音合成、模仿学习等技术，能够帮助人们完成打扫、晒衣、煮饭等家务事情。
家用机器人如扫地机器人、智能垃圾桶，能够为人们的生活提供一定的便利。
3. 医疗领域机器人在医疗领域的应用也越来越广泛。
例如，机器人手术，已经成为了许多医院的常规手术方式。
机器人协助手术不仅在精确性上要优于手术医生的手术，而且更能够保障手术医生的生命安全。
机器人的智能控制方式总结
机器人的智能控制方式总结随着科技的飞速发展，机器人已经渗透到我们生活的各个领域，从工业生产到家庭服务，从医疗手术到探索未知，它们在改变我们的生活方式，也推动着社会的发展。
这些机器人的行为和表现，在很大程度上取决于其背后的智能控制方式。
本文将总结一些主流的机器人智能控制方式。
1、预设程序控制预设程序控制是最常见的机器人控制方式之一。
这种方式下，程序员通过编写特定的程序来定义机器人的行为。
机器人接收到特定的输入后，会按照预设的程序做出相应的反应。
这种方式的优点是简单、易操作，适合于对机器人行为需求明确，环境变化不大的情况。
2、传感器控制传感器控制是一种依赖于传感器数据的控制方式。
机器人通过传感器接收外界环境的信息，并据此调整自身的行为。
这种方式下，机器人的行为可以根据环境的变化而变化，具有更高的灵活性和适应性。
广泛应用于环境复杂或动态变化的场合。
3、深度学习控制深度学习控制是一种新兴的机器人控制方式。
它通过让机器人学习大量的数据和案例，使其具备自我学习和自我优化的能力。
这种方式下，机器人可以通过自我学习来适应新的环境，解决复杂的问题，具有极高的智能性和自主性。
4、混合控制混合控制是一种结合了以上几种控制方式的综合控制方式。
它通过结合多种控制方式，发挥各自的优势，使机器人能够在复杂和动态的环境中表现出更好的性能。
混合控制方式是未来机器人控制的一个重要发展方向。
总结来说，机器人的智能控制方式多种多样，每一种都有其独特的优势和适用场景。
随着科技的进步，我们期待看到更多的创新和控制方式的出现，推动机器人技术的不断进步。
随着科技的不断发展，机器人技术已经深入到各个领域，为我们的生活和工作带来了巨大的便利。
安川机器人（Yaskawa）作为世界知名的机器人制造商，其产品广泛应用于自动化生产线、装配、焊接、搬运等领域。
其中，远程控制功能在许多应用场景中发挥了重要的作用。
本文将着重对安川机器人远程控制功能在机器人端的应用进行总结。
机器人的智能自主导航与控制技术研究
机器人的智能自主导航与控制技术研究机器人作为一种高科技产品已经成为了当今社会中的一个热点话题。
随着科技的不断进步，机器人所扮演的角色也越来越重要。
机器人的智能自主导航与控制技术是机器人发展的关键之一。
一、机器人的智能导航技术智能导航技术是机器人领域中的一个重要的技术。
智能导航技术主要是指机器人可以自主进行环境感知，以及规划和执行自己的移动路径。
机器人的导航技术可以分为两个主要的类型，即静态的导航技术和动态的导航技术。
1.静态导航技术静态导航技术可用于机器人在环境中移动时，在事先获得的环境地图的资料的基础上进行导航。
这种技术适合于在已知的环境下运行的机器人，它们可以根据预设的地图和机器人自身的定位信息来进行路径规划和控制，从而实现自主导航。
机器人通过对环境中的各种信息的捕捉和处理，比如激光雷达、摄像头、红外线传感器等，来获取地图上的各种目标物体位置和障碍物等信息，从而使机器人能够通过环境地图进行自主导航和避障。
2.动态导航技术动态导航技术是指机器人不仅可以进行静态地图导航，还具有自主规划和执行动态路径的能力，使得机器人可以在未知环境或者无法事先获取环境地图的情况下，进行自主导航和控制。
动态导航技术主要包括视觉导航和语音导航两种技术。
二、机器人的智能控制技术机器人的智能控制技术是机器人以智能方式完成某些目标动作、行为控制的技术。
智能控制技术是机器人自主导航和执行任务的重要基础。
目前，智能控制技术主要包括模糊控制、遗传算法控制、神经网络控制等多种形式。
1.模糊控制技术模糊控制技术是机器人智能控制技术中的一种常见形式，它利用了模糊逻辑的思想，将人类专家的控制经验，转化为数学模型，然后将其用于机器人控制。
这种技术具有良好的适应性和可扩展性，是机器人智能控制中的重要技术手段之一。
2.遗传算法控制技术遗传算法是一种以生物遗传学为目标的计算机算法，通过对种群基因表达适应程度的分析，得出最优的解决方案。
在机器人领域中，遗传算法一般应用于机器人运动与控制领域，用来提高机器人的移动能力和控制性能。
智能机器人中的遥感控制技术研究
智能机器人中的遥感控制技术研究智能机器人已经成为当今科技领域一个备受关注的话题。
而在智能机器人的控制技术方面，遥感控制技术是不可或缺的一部分。
智能机器人使用遥感技术能够对环境信息进行实时感知和收集，有助于机器人更加灵活的执行任务，提高机器人的工作效率和精确度。
本文将着重探讨智能机器人中的遥感控制技术研究。
一、智能机器人中的遥感技术智能机器人中的遥感技术指的是机器人所依靠的外部感知器件，包括激光雷达，摄像头及声音传感器等。
这些传感器可以帮助机器人收集外界信息，比如测量环境的温度和湿度，测量物体的距离和形状等等。
这些传感器所涉及的技术包括雷达测距技术、摄像技术、声波传感技术等等。
二、智能机器人中的遥感控制技术随着智能机器人和遥感技术的发展，智能机器人的遥感控制技术也在不断的发展和完善。
遥感控制技术是通过去探测和收集机器人周围的环境信息，来更加准确的控制机器人的运动和方向。
遥感控制技术目前已经应用于机器人控制、机器人导航、机器人检测等多个领域。
三、智能机器人中的遥感控制技术的研究智能机器人中的遥感控制技术是一个繁重的研究任务，涉及到多个领域的技术和理论。
在雷达测距技术方面，需要发展更高性能，更低噪音的激光雷达，并且研究高灵敏度的信号处理技术。
在摄像技术方面，要开发更高分辨率、更精确的摄像设备，并研究如何有效地处理海量数据。
在声波传感技术方面，需要通过研究如何利用声波传感器建立环境地图，实时掌握周围信息，保证机器人行动的准确性。
四、遥感控制技术在智能机器人发展中的前景随着遥感控制技术在智能机器人行业的应用，机器人将进一步强化自身的环境感知能力，提高运动的稳定性、能力和效率。
未来，随着智能机器人应用的不断扩大，遥感控制技术将会更加广泛地应用于机器人的导航、检测、智能装载等领域。
同时，随着人工智能技术的发展，智能机器人将会更加擅长自主学习和实时判断，实现“人工智能+遥感控制”双重加持，进一步提升机器人的智能化、智能交互和高效性。
工业机器人的智能控制与应用研究
工业机器人的智能控制与应用研究第一章引言工业机器人是指能替代人类完成重复、危险或高精度工作的自动化设备。
随着科技的发展，工业机器人已经成为现代制造业中不可或缺的一部分。
为了提高工业机器人的效率和灵活性，研究人员不断探索如何实现工业机器人的智能控制。
本文将对工业机器人的智能控制与应用进行研究。
第二章工业机器人的智能控制技术2.1 传感与感知技术工业机器人智能控制的核心在于传感与感知技术的应用。
传感器能够将机器人周围的环境信息转换为电信号，从而使机器人能够感知到周围的环境和位置。
常见的传感器包括视觉传感器、力传感器、触觉传感器等。
2.2 运动规划与控制技术机器人的智能控制还需要运动规划与控制技术的支持。
运动规划指的是确定机器人在给定环境下的最优路径和动作序列。
控制技术则用于控制机器人按照规划的路径和动作执行任务。
目前，常用的运动规划与控制技术包括基于关节空间的方法、基于工具坐标系的方法以及基于力控制的方法。
第三章工业机器人智能控制的应用研究3.1 自动化生产工业机器人的主要应用领域之一是自动化生产。
通过智能控制技术，机器人可以根据生产要求自主完成产品的加工、装配等任务，提高生产效率和产品质量。
例如，汽车制造业中的焊接、喷涂等工序，都可以通过工业机器人完成。
3.2 物流与仓储工业机器人智能控制技术还可以应用于物流与仓储领域。
机器人可以根据仓库布局和货物信息，智能地进行货物的装卸、搬运和堆垛等工作。
通过工业机器人的应用，可以提高物流效率，减少人力成本，并且降低货物损耗率。
3.3 医疗辅助工业机器人的智能控制技术在医疗行业也有广泛的应用。
机器人可以用于手术辅助、康复训练等领域。
通过智能控制技术，机器人能够精确地执行医疗操作，并且能够根据患者的病情变化进行实时调整，提高手术的安全性和成功率。
第四章工业机器人智能控制技术的挑战尽管工业机器人智能控制技术在各个领域都有广泛的应用，但是仍然面临着一些挑战。
首先，工业机器人的智能控制需要高度复杂的算法和模型，对技术的要求很高。
机器人控制系统的研究及应用
机器人控制系统的研究及应用随着科技的不断发展以及人工智能技术的快速崛起，机器人的应用与研究备受瞩目。
机器人控制系统作为机器人技术中不可或缺的一环，更是得到了广泛关注和研究。
本文将从机器人控制系统的系统结构、研究现状及应用等方面进行探讨。
一、机器人控制系统的系统结构1、激励/感知机器人的行动与反应是建立在对外界事物的感知与认知基础之上的。
因此，机器人控制系统中的激励/感知模块具备了集成传感器以及成像、学习等功能的特点，使得机器人能够自然而然的适应环境并做出行动。
2、感知/认知感知/认知模块是整个机器人控制系统中最为重要的一环。
通过对各类传感器数据的获取、处理与分析，以及识别与分类等关键技术的应用，机器人能够较为准确的感知到外部环境并进行适当的认知。
基于这种感知/认知处理流程，机器人能够实现自主的行动规划和决策。
3、规划/执行规划与执行模块是机器人整个控制系统中最为基础和关键的部分之一。
机器人需要根据感知/认知模块所获取的数据进行适当的规划以及路径计算等处理，从而实现特定行为的执行过程。
这里包含的技术涉及到智能路径规划、运动学建模、机器人动力学仿真等，是整个机器人控制系统中最为重要的一环之一。
4、控制控制模块是整个机器人控制系统中的关键部分之一。
为了保证机器人行动的安全性、稳定性和准确性，机器人需要掌握一系列控制策略并根据对应的控制方法器进行实际执行操作。
这里涉及到的技术包括：动态控制、闭环控制、自适应控制等等。
二、机器人控制系统的研究现状机器人控制系统的研究一直是机器人技术中的热门领域，各种技术手段层出不穷。
在机器人控制系统的激励/感知模块方面，机器人中使用的传感器已经越来越多样化，包括了视觉传感器、声音传感器、触觉传感器、力觉传感器以及惯性传感器等，完善了机器人对外界事物的感知能力。
在感知/认知模块方面，计算机视觉、深度学习和机器学习等技术的成熟应用使得机器人在执行特定任务时能够更加智能、高效地处理信息，具有了更高的诊断能力和预测能力。
机器人轮足智能控制方法研究
机器人轮足智能控制方法研究随着科技的不断发展，机器人技术在各个领域得到了广泛应用。
其中，轮足机器人作为一种多足移动机器人，具备较高的灵活性和适应性，在工业、医疗、救援等领域展现出了巨大的潜力。
然而，要实现轮足机器人的智能控制，仍然面临着一系列挑战。
本文将探讨机器人轮足智能控制方法的研究进展和挑战。
一、传感器融合与感知机器人轮足的智能控制首先需要能够准确地感知周围环境和自身状态。
目前，常用的传感器包括激光雷达、摄像头、惯性测量单元等。
这些传感器能够提供丰富的信息，但是单一传感器的数据有时会受到噪声干扰和局限性。
因此，传感器融合技术成为研究的重点之一。
传感器融合能够将来自不同传感器的数据进行综合处理，提高感知的准确性和鲁棒性。
传感器融合的方法有很多，例如卡尔曼滤波、粒子滤波等。
这些方法能够通过融合多个传感器的数据，得到更可靠的环境和状态估计结果。
同时，也可以通过有效的数据处理和滤波，减少感知错误和误报。
传感器融合技术的研究对于机器人轮足智能控制至关重要。
二、路径规划与运动控制机器人轮足的智能控制还需要解决路径规划和运动控制的问题。
路径规划指的是确定机器人在复杂环境中的最优移动路径。
在传统的路径规划方法中，常用的算法包括A*算法、D*算法等。
这些算法能够在静态环境中找到最短路径，但是在动态环境下往往效果不佳。
因此，目前的研究重点是开发适应动态环境的路径规划算法。
这些算法能够根据实时的环境信息和机器人状态，动态调整路径规划策略，实现更灵活、高效的移动。
同时，路径规划还需要考虑到机器人的动力学特性和运动约束，以确保机器人能够安全、稳定地运动。
三、学习与决策随着机器学习技术的不断进步，机器人轮足的智能控制也逐渐引入了学习与决策的方法。
传统的控制方法往往需要手动设计控制策略和规则，但是这种方法难以应对复杂和未知的环境。
因此，通过机器学习的方式，使得机器人能够从数据中学习和优化控制策略，成为研究的热点之一。
学习与决策的方法可以分为监督学习、强化学习和无监督学习等。
机器人自主导航与智能控制技术
机器人自主导航与智能控制技术随着科技的不断进步，机器人越来越多地出现在人们的生活中。
无论是工业生产中的机器人，还是家庭服务中的机器人，都需要一个重要的技术——自主导航与智能控制技术。
一、机器人的自主导航技术机器人的自主导航技术是指机器人在没有外在指令的情况下，自行探测周围环境并确定自己的位置，从而制定合理的行动方案。
这项技术对于机器人的运动和行动具有重要的意义。
机器人的自主导航技术主要包括三个基本模块，分别是感知模块、路径规划模块和控制模块。
感知模块：机器人需要通过感知模块对周围环境进行自我识别和定位。
现代机器人一般配有雷达、激光和摄像头等多种感知装置，通过这些装置可以精确地掌握周围环境的情况。
路径规划模块：利用感知模块获取的环境信息，机器人可以计算出最短路径和最优路径，并输出运动控制指令。
路径规划过程中需要考虑到各种环境因素，如地形、障碍物、交通规则等。
控制模块：机器人在执行路径规划后，就需要通过控制模块对自身姿态、速度和方向进行实时调整，以确保机器人按照路径规划的要求正确运动。
二、机器人的智能控制技术机器人的智能控制技术主要包括三大方面，分别是运动控制、感知与认知以及学习与适应。
运动控制：机器人在不同的场景中需要具有相应的运动能力，如低速平稳行驶、迅速转向、高精度定位等。
机器人的运动控制技术需要考虑到多种因素，如机器人自身结构、驱动系统以及不同环境下的运动控制。
感知与认知：机器人需要通过感知和认知技术获取周围环境信息，进行实时决策。
感知与认知技术包括图像处理、语音识别、语言理解等，是机器人理解人类语言和行为的重要基础。
学习与适应：机器人的学习与适应能力越来越受到关注。
机器人通过学习能够获取新的知识和技能，进而不断适应环境变化。
不同的机器人需要通过不同的学习方法进行学习和适应。
三、未来机器人自主导航与智能控制技术的发展方向随着科技的不断进步，机器人自主导航与智能控制技术也在不断发展。
未来的机器人自主导航与智能控制技术将具备以下几个方面的特点：1. 多模式智能控制：未来机器人将能够在不同的场景下进行智能控制，实现多种智能模式的转换。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
.. . …
. word. … 科技大学 2015 级研究生课程考试答题纸
题号 一 二 三 四 五 六 七 八 九 十 总分 得分 阅卷人
考试科目 机械制造与装配自动化 专 业 机械工程 学 号 1505048 考生 乔旭光 考生类别 专业学位硕士 4
注 意 事 项 1. 试题随试卷交回； 2. 试卷评阅后，一周送交研究生秘书处保存； 3. 考生类别为学术硕士、专业学位硕士、在职人员攻读硕士学位。
浅谈机器人智能控制研究 摘要：以介绍机器人控制技术的发展及机器人智能控制的现状为基础,叙述了
模糊控制和人工神经网络控制在机器人中智能控制的方法。讨论了机器人智能控制中的模糊控制和变结构控制,神经网络控制和变结构控制,以及模糊控制和神经网络控制等几种智能控制技术的融合。并对模糊控制和神经网络控制等方法中的局限性作出了说明。 关键词:机器人；智能控制；模糊控制；人工神经网络
1 智能控制的主要方法
随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出崭新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。 智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。 1.1 模糊控制 模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制,就是在被 4
控对象的模糊模型的基础上运用模糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定二者缺一不可。 1.2 专家控制 专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规则进行推理,以实现对控制对象的控制。专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。 1.3 神经网络控制 神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。 1.4 学习控制 (1)遗传算法学习控制 智能控制是通过计算机实现对系统的控制,因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法,它模拟生物界/生存竞争,优胜劣汰,适者生存的机制,利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法,一方面希望在宽广的空间进行搜索,从而提高求得最优解的概率;另 4
一方面又希望向着解的方向尽快缩小搜索围,从而提高搜索效率。如何同时提高搜索最优解的概率和效率,是遗传算法的一个主要研究方向 。 (2)迭代学习控制 迭代学习控制模仿人类学习的方法、即通过多次的训练,从经验中学会某种技能,来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成,其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。 2 机器人智能控制技术的发展
从机器人诞生到20 世纪80 年代初,机器人技术经历了一个长期缓慢的发展过程。到了20 世纪90 年代,随着计算机技术、微电子技术、网络技术等的快速发展,机器人技术也得到了飞速发展。智能机器人的研究是目前机器人研究中的热门课题。作为一门新兴学科,它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果。智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究。智能机器人可以在非预先规定的环境中自行解决问题。智能机器人的技术关键就是自适应和自学习的能力,而模糊控制和神经网络控制的应用显示出诸多优势,具有广阔的应用前景。 2.1 机器人控制技术的发展 早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统可看成是机器人各关节控制器简单的组合。随着机器人技术的发展,机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求,因此可 4
采用独立关节控制原则,在各关节构成PID 控制。由于机器人操作臂是一个高度非线性的系统,工业用的低速操作臂应用常规的PID 反馈控制可以满足控制要求,但为实现高速运动,要求具有较好的控制品质, PID 反馈控制难以取得较好的控制效果。在传统的控制方法中,它们依赖数学模型。但是,由于操作臂的参数不能精确得到,模型参数与实际参数不匹配时,便会产生伺服误差。当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知和不定的特性。这未知因素和不定性使控制系统性能降低。因此,采用传统的控制方案已不能满足控制要求。在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时,智能控制方法得到了成功的应用。近年来,随着人们对机器人高速高精度要求的不断提高,使得整个机器人系统对其控制部分的要求也越来越高,开发具有智能的机器人已经成为人们研究的热点。 2.2 机器人智能控制的现状 近几年,机器人智能控制在理论和应用方面都有较大的进展。在模糊控制方面,由J·J·Buckley 等人论证了模糊系统的逼近特性; E·H·Mamdan 首次将模糊理论运用于一台实际机器人,把模糊控制技术在机器人中的应用得以展现 。 而且,模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。 在机器人神经网络控制方面,CMCA (Cere-bella Model Cont roller Articulation) 是应用较早的一种控制方法,它的最大特点是实时性好,尤其适应于多自由度操作臂的控制,W·T·Miller 等还进行了实验研究,验证了该方法的有效性。 4
3 机器人智能控制方法 3.1 机器人的模糊控制 英国学者E·H·Mamdani 在1974 年首次成功地将模糊集理论运用于工业锅炉的过程控制之中,并于20 世纪80 年代初又将模糊控制引进到机器人的控制中. 被控对象是一个具有两个旋转关节的操作臂,每个关节由直流电动机驱动。 关节的实际转角通过测速发电机由A/ D 转换电路获得,其角速度通过SOC 的记忆存储器编程来实现。其主要是对操作臂模糊控制系统,分别进行阶跃响应测试和跟踪控制试验. 控制结果证明了模糊控制方案具有可行性和优越性。由Lin C M 等人提出了在模糊控制器结构的基础上,引入PI 调节机制达到对阶跃输入的快速响应和达到消除隐态误差的效果. 通过相平面上对两种不同区域的启发性分类,可得到一组简单的模糊规则,从而简化了模糊规则库和算法,使最终的控制器易于实现. 该控制方案通过仿真实验得到验证。 由邓辉等人提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法,并将其应用于动力学方程未知的机械手轨迹控制。采用c 均值聚类算法构造两关节机械手模糊模型,并由此构造模糊系统的逆模型。在提出的模糊逆模型控制结构中,离散时间滑模控制和时延控制用于补偿模糊建模误差和外扰动,保证系统全局稳定性,并改善其动态和稳态性能。系统稳定性和轨迹误差的收敛性,通过稳定性定理得到证明。 3.2 机器人的神经网络控制 神经网络的研究20 世纪60 年代,并在20 世纪80 年代得到了快速的发展。 近几年来,神经网络研究的目标是复杂的非线性系统的识别和控制等方面,神经网络在控制应用上具有以下特点:能够充分逼近任意复杂的非线性系统；能够学习 4
与适应不确定系统的动态特性；有很强的鲁棒性和容错性等。 因此,神经网络对机器人控制具有很大的吸引力。 在机器人的神经网络动力学控制方法中,典型的是计算力矩控制和分解运动加速度控制,前者在关节空间闭环,后者在直角坐标空间闭环。 在基于模型计算力矩控制结构中,关键是逆运动学计算,为实现实时计算和避免参数不确定性,可通过神经网络来实现输入输出的非线性关系。对多自由度的机器人手臂,输入参数多,学习时间长,为了减少训练数据样本的个数,可将整个系统分解为多个子系统,分别对每个子系统进行学习,这样就会减少网络的训练时间,可实现实时控制。 由Albus 提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法,即CM-CA 法。该方法以数学模块为基础,采用查表方式产生一个以离散状态输入为响应的输出矢量。在控制中,状态矢量输入来自机器人关节的位置与速度反馈,输出矢量为机器人驱动信号。也可以利用CMCA 模拟机器人动力学方程,计算实现期望运动所需力矩作为前反馈控制力矩,采用自适应反馈控制消除输入扰动及参数变化引起的误差。经过仿真实验证明,经过4 个控制周期后,控制过程的误差趋近于零。 F.L. Lewis 基于无源理论,提出了一类网络利用功能连接神经网络逼近机器人动力学模型,连接权在线调整方法,可保证神经网络自适应控制算法闭环稳定。 3．3 机器人智能控制技术的融合 (1) 模糊控制和变结构控制的融合 在模糊变结构控制器(FVSC) 中,许多学者把变结构框架中的每个参数或是细节采用模糊系统来逼近或推理,仿真实验证明该方法比PID 控制或滑模控制更有效。