基于神经网络的六维力传感器静态标定方法研究

利用BP神经网络研究了六维力传感器的静态标定方法.良好的泛化能力是基于神经网络标定方法的关键,而现有基于神经网络的传感器标定方法对网络的泛化能力鲜有考虑.针对上述问题,以提高神经网络泛化能力为目的,对神经网络的训练样本、训练期望误差值和网络隐层单元数等的选取进行了研究.实验及计算机仿真表明,当选取样本数据具有遍历性时,利用神经网络标定后进行补偿计算可提高六维力传感器的测量精度.

蛇形机器人行波运动的研究

对蛇形机器人的行波运动机理进行了研究,基于Serpenoid曲线建立了蛇形机器人行波运动的形状控制模型、运动学模型、机构动力学模型及环境动力学模型,给出了求解过程。仿真结果表明:在行波运动中,各关节输入力矩大小呈周期变化,且随其与蛇体重心距离的增加而减小。蛇体中心关节的最大输入力矩为蛇形机器人所需最大输入力矩。对称关节输入力矩幅值变化规律相同,但相差不同;运动初始弯角保持不变,关节输入力矩随着环境摩擦因数的增加而增加。环境摩擦因数保持不变,关节输入力矩随着初始弯角的增加而减小。

摩擦圆盘运动分解合成机构的理论设计及其运动学分析

提出了一种摩擦圆盘运动分解合成机构,理论分析表明这种运动分解合成机构具有非完整约束性,通过建立其运动学微分方程,对这种机构的运动变化和传递关系进行了计算机仿真分析,表明该运动传递机构具有可控性,这为该运动分解合成机构的应用奠定了基础。

Theoretical and experimental research on time-optimal trajectory planning and control of industrial robots

提出了一种用于工业机器人时间最优轨迹规划及轨迹控制的新方法，它可以确保在关节位移、速度、加速度以及二阶加速度边界值的约束下，机器人手部沿笛卡尔空间中规定路径运动的时间阳短。在这种方法中，所规划的关节轨迹都采用二次多项式加余弦函数的形式，不仅可以保证各关节运动的位移、速度 、加速度连续而且还可以保证各关节运动的二阶加速度连续。采用这种方法，既可以提高机器人的工作效率又可以延长机器人的工作寿命以PUMA560机器人为对象进行了计算机仿真和机器人实验，结果表明这种方法是正确的有效的。它为工业机器人在非线性运动学约束条件下的时间最优轨迹规划及控制问题提供了一种较好的解决方案。

基于测角的自主移动机器人定位算法

给出了自主移动机器人定位的两种算法：解析算法和数值算法。解析法公式较以往的简洁。数值算法结合解析法和高斯－牛顿算法，不仅能避免因初值选取不合理而导致求解过程发散的问题，而且能提高运算精度和速度，通过对两种算法的计算机仿真，表明了解析算法具有运算速度快，而数值算法精度高的特点。其结果已用于自主移动机器人的研制中。

基于模糊推理水下作业系统运动控制研究

水下作业系统是运动学冗余系统,本文将模糊推理方法融入基于任务优先运动学控制算法,对系统载体与机械手进行协调运动分配,同时对系统多个任务进行优化。通过带有3自由度水下机械手的水下作业系统进行算例仿真研究,说明运动控制算法的有效性。

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适戍控制方法,该控制方法既不需要预先知道模糊神经结构,也不需要预先的训练阶段,完全通过在线自适应学习算法构建水下机器人的逆动力学模型.首先,本文提出了基于这种网络结构的水下机器人直接自适应控制器,然后,利用Lyapunov稳定理论,证明了基于该控制器的水下机器人控制系统闭环稳定性,最后,采用某水下机器人模型仿真验证了该控制方法的有效性。

利用计算机仿真与系统辨识求解导弹弹道轨迹

提出了求解某武器系统导弹弹道轨迹的两种方法：计算机仿真和系统辨识方法．详细介绍了导弹系统的计算机仿真模型，并利用控制理论和数值分析的方法对仿真模型求解；根据系统辨识理论，将整个系统看作“黑箱”，建立与输入、输出数据等价的模型，引入折息因子对模型进行辨识．最后分别给出了计算机仿真试验曲线和系统辨识试验曲线，证明了两种求解方法的有效性。

基于运动速度的机器人学习控制

为了使机器人跟踪给定的期望轨线，提出了一种新的基于机器人运动重复性的学习控制法．在这种方法中机器人通过重复试验得到期望运动，这种控制法的优点：一是对于在期望运动附近非线性机器人动力学的近似表达式的线性时变机械系统产生期望运动的输入力矩可不由估计机器人动力学的物理参数形成；二是可以适当的选择位置、速度和加速度反馈增益矩阵，从而加快误差收敛速度；三是加入了加速度反馈，减少了速度反馈，减少了重复试验的次数．这是因为在每次试验的初始时刻不存在位置和速度误差，但存在加速度误差．另外，这种控制法的有效性通过ＰＵＭＡ５６２机器人的前三个关节的计算机仿真结果得到验证。

基于加速度传感器的机器人极点配置控制

本文为工业机器人提出了一种极点配置控制法．这种控制方法的优点有：一是它的积分作用消除了机器人的微小扰动和稳态误差；二是能任意设置系统的极点，因此能保证闭环系统的稳定性和规定状态变量的暂态响应；三是加入了加速度反馈，抑制了由电枢电感所引起的机械手的振动．最后，给出了ＰＵＭＡ５６２机器人的计算机仿真和实验结果验证了此控制法的有效性。

基于加速度传感器的机器人最优学习控制

为工业机器人提出了一种最优学习控制法。这种控制法用加速度误差校正驱动器运动。并提出了一种基于几何级数的极限条件估计学习控制过程收敛条件的理论方法。所提出学习控制法的有效性通过PUMA562机器人的计算机仿真结果得到了证实。

工业机器人的小脑模型控制

本文为动力学控制工业机器人提出了一种综合学习算法,这种学习算法可将以前所学的信息用于新的控制输入.这种控制方法不需要事先知道机器人动力学,它易于应用于特殊的控制问题或修改以适应实际系统中的变化,控制方法在时间上是有效的,且很适合于定点实现.学习控制算法的有效性通过4自由度的直接驱动机器人前两个关节在重复运动中的计算机仿真实验得到了验证.

基于动力学约束的机械臂最优关节轨迹规划

本文提出了基于机械臂关节驱动力矩约束方程规划其关节最优运动轨迹的一种有效方法.该方法运用矩阵范数理论简化机械臂的动力学约束方程;在机械臂的关节空间内采用归一化的无因次量运用非线性规划法优化其运动轨迹.将所规划的无因次量轨迹方程作为机械臂产生实际运动轨迹的发生器,通过给定机械臂各运动段的起始和终止关节坐标,由系统的动力学约束方程计算出整个运动段所允许的最短运行时间,即生成所期望的运动轨迹.本文的轨迹规划方法计算效率高,可用于在线轨迹规划,文中通过算例证实了该方法的实用性.

工业机器人机械手的小脑模型自适应控制

本文为动力学控制工业机器人机械手提出一种综合控制算法。该控制算法,利用小脑模型算术计算机模块模拟机器人机械手的动力学方程并计算实现期望运动所需力矩作为前馈力矩控制项;利用自适应控制器实现反馈控制,以消除由输入扰动和参数变化而引起的机器人机械手运动误差。这种控制方法在时间上是有效的,且很适合于定点实现。控制方法的有效性通过四自由度的直接驱动机器人前两个关节的计算机仿真实验得到验证。

工业机器人的学习控制

加速度传感器装在机械手手部,各关节的加速度由加速度分解算法得到.然后,提出了一种学习控制法,这种控制法利用加速度误差校正驱动器运动.并提出了一种基于几何级数的极限条件估计学习控制过程收敛条件的理论方法.本文所提出的学习控制理论的有效性通过 PUMA-562 机器人的计算机仿真实验得到了证实.