神經網絡自適應滑模控制的不確定機器人軌跡跟蹤控制

范興民，王啟志

（華僑大學 機電及自動化學院，福建 廈門 361021）

1 問題的提出

考慮 n關節機器人的動力學方程[5，8]為：

2 基于RBF神經網絡控制器的設計

3 神經網絡自適應滑模控制器設計

4 仿真實驗

為了驗證本算法的有效性，本文采用雙關節機器人模型[7]，動力學方程如式（1）所示。其中：

兩個關節的位置指令為 qd1=0.1sint，qd2=0.1sint，控制參數取 Λ=diag{5，5}，在魯棒項中 ε*=0.2；在 RBF網絡中b=20 網絡的輸入取

由圖2～圖6可以看出，本文所提出的對于機器人中不確定項，利用神經網絡分別進行逼近，與滑模變結構和自適應控制算法相結合，能有效地跟蹤期望軌跡，神經網絡能很好對未知項進行估計，且控制力矩不大。驗證了本文所提出的算法的有效性。

本文提出對于不確定項，利用RBF網絡進行分別逼近，并與滑模變結構和自適應控制相結合的控制策略，并構建Lyapunov函數，驗證了系統對軌跡進行跟蹤的穩定性。利用滑模變結構和自適應控制方案補償神經網絡的逼近誤差，比常規神經網絡具有更好的動態特性和魯棒性。

[1] DOULGERI Z.Sliding regime ofa nonlinear robust controllerfor robotmanipulators [J].IEE Proceedings Control Theory and Application， 1999，146（6）：493-498.

[2]COLBAUGH R，GLASS K.Adaptive tracking control of rigid manipulators using only position measurements[J].Journal of Robot and System， 1997，14（1）：9-26.

[3]KIM Y H，LEWIS F L.Neural network output feedback controlofrobotmanipulator[J].IEEE Transactions on Robotics and Automation， 1999，15（2）：301-309.

[4]CILIZ M K.Adaptive control of robot manipulators with neural network based compensation of frictional uncertainties[J].Robotica， 2005， 23：159–167.

[5]張文輝，齊乃明.自適應神經變結構的機器人軌跡跟蹤控制[J].控制與決策，2011，26（4）：597-601.

[6]SUN T，Pei Hailong.Neural network-based sliding mode adaptive control for robot manipulators[J].Neurocomputing，2011，74：2377-2384.

[7]LU Y，Liu J K.Actuator nonlinearities compensation using RBF neural networks in robot control system[C].IMACS Multiconference on Computational Engineering in Systems Application，2006.

[8]牛玉剛，楊成梧.基于神經網絡的不確定機器人自適應滑模控制[J].控制與決策，2001，16（1）：79-83.