RBF神经网络补偿的并联机器人控制研究.pdf

本文研究了基于 RBF 神经网络补偿的并联机器人控制策略。文章介绍了三自由度 Delta 机器人的动力学模型，并分析了基于动力学模型的计算力矩控制策略的缺陷，即在实际应用中，无法获得被控对象的真实模型。然后，提出了一种基于 RBF 神经网络的在线补偿控制策略，利用 RBF 神经网络的泛化能力和实时性，实现在并联机器人控制中对目标轨迹的准确跟踪。 关键点： 1. 三自由度 Delta 机器人的动力学模型：M(琢)琢咬+C(琢，琢觶)琢觶+N(琢)=子+子d 2. 基于动力学模型的计算力矩控制策略：子越M赞(琢)(琢咬d+Kp e+Kd e觶)+C赞(琢，琢觶)琢觶+N赞(琢) 3. RBF 神经网络在线补偿控制策略：利用 RBF 神经网络的泛化能力和实时性，实现在并联机器人控制中对目标轨迹的准确跟踪 4. RBF 神经网络结构：简单、运算量小、泛化能力强 5. 在线权值自适应律：利用 Lyapunov 理论，保证了系统稳定性 6. Simmechanics 中建立系统物理模型，Simulink 中设计控制器，进行 Simulimk/Simmechanics 联合仿真 知识点： 1. 机器人控制系统的耦合性和不确定性 2. 基于动力学模型的计算力矩控制策略的缺陷 3. RBF 神经网络在线补偿控制策略的优点：泛化能力强、实时性强、能够实现在并联机器人控制中对目标轨迹的准确跟踪 4. Lyapunov 理论在机器人控制系统中的应用 5. Simmechanics 和 Simulink 在机器人控制系统中的应用 扩展阅读： * 机器人控制系统的耦合性和不确定性分析 * 基于动力学模型的计算力矩控制策略的改进方法 * RBF 神经网络在线补偿控制策略在机器人控制系统中的应用 * Lyapunov 理论在机器人控制系统中的应用 * Simmechanics 和 Simulink 在机器人控制系统中的应用