摘要：三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。

摘要：将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。

摘要：为了解决模块化机器人由于构型可变等特点导致参数不确定与非参数不确定性增大引起轨迹跟踪不理想的问题,设计神经网络补偿计算力矩复合控制器。考虑机器人参数不确定与摩擦、干扰等非参数不确定性,将动力学模型分为理想部分和不确定部分,用计算力矩法实现理想模型控制,用BRF神经网络补偿不确定部分。利用Lyapunov理论证明控制器稳定性并采用自适应算法实现神经网络权值在线自调整。最后,仿真发现使用该控制器取得良好的轨迹跟踪效果。

摘要：提出了一种神经网络补偿自适应广义预测解耦控制方案,即用神经网络逼近通道间的耦合、非线性及未建模动态,且采用了改进RLS辨识算法及用后能改善辨识效果,从而增进自适应控制的精度与鲁棒性,能解决参数不确定的非线性多变量耦合问题,给出了该算法的实现原理及步骤。理论分析和仿真结果表明,该方案是有效的。

摘要：设计了一种改进的自适应解耦控制方法,即采用修正的RLS算法辨识系统线性部分的模型,用神经网络来逼近通道间的耦合、非线性及未建模动态项,进而增强了自适应控制的精度和鲁棒性。该方法能解决不确定性系统的多变量耦合问题。最后,给出了该算法的实现步骤及仿真结果,表明该方法是可行的。