公开(公告)号：CN111618864B

公开(公告)日：2021-04-23

申请号：CN202010698815.7

申请日：2020-07-20

Applicant: 中国科学院自动化研究所

Inventor： 康二龙 ,  高洁 ,  乔红

IPC: B25J9/16

Abstract: 本发明属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置，旨在解决存在模型不确定性以及输入约束的情况下，机械臂的最优跟踪控制问题。本系统方法包括：计算跟踪误差；通过动作网络获取预测控制率，并更新动作‑评价网络的权重值；判断i是否大于设定的预测时长，若是，则判断动作‑执行网络权重变化是否满足阈值或迭代次数大于最大迭代次数，若是，则通过动作网络计算机械臂tk‑tk+1时刻的实际控制率，作用于机械臂，否则通过预构建的预测模型获取tk+i+1时刻的跟踪误差，并循环获取预测控制率；循环生成实际控制率，直至机械臂到达设定的目标位置。本发明提高了机器人模型预测控制的性能。

公开(公告)号：CN111531543B

公开(公告)日：2021-10-08

申请号：CN202010398615.X

申请日：2020-05-12

Applicant: 中国科学院自动化研究所

Inventor： 高洁 ,  康二龙 ,  乔红

IPC: B25J9/16

Abstract: 本发明属于机器人控制和非线性系统领域，具体涉及了一种基于生物启发式神经网络的机器人自适应阻抗控制方法，旨在解决现有技术无法实现复杂非线性系统中机器人的实时精准控制的问题。本发明包括：获取系统的初始控制力矩、期望阻抗、运动轨迹；构建含阻抗的n自由度机械臂系统的动态方程、期望阻抗模型分别获取机器人t时刻系统真实状态和期望状态；基于全状态反馈和生物启发式网络构建自适应控制器并获取t+1时刻控制力矩；循环进行状态获取、自适应阻抗控制、运动控制，直至机器人机械臂完成运动轨迹。本发明结合生物启发式网络结构、时滞反馈，采用了奖励值调节的海扁算法以及网络估计与全状态反馈结合的结构，系统稳定、控制精度高。

公开(公告)号：CN111531543A

公开(公告)日：2020-08-14

申请号：CN202010398615.X

申请日：2020-05-12

Applicant: 中国科学院自动化研究所

Inventor： 高洁 ,  康二龙 ,  乔红

IPC: B25J9/16

Abstract: 本发明属于机器人控制和非线性系统领域，具体涉及了一种基于生物启发式神经网络的机器人自适应阻抗控制方法，旨在解决现有技术无法实现复杂非线性系统中机器人的实时精准控制的问题。本发明包括：获取系统的初始控制力矩、期望阻抗、运动轨迹；构建含阻抗的n自由度机械臂系统的动态方程、期望阻抗模型分别获取机器人t时刻系统真实状态和期望状态；基于全状态反馈和生物启发式网络构建自适应控制器并获取t+1时刻控制力矩；循环进行状态获取、自适应阻抗控制、运动控制，直至机器人机械臂完成运动轨迹。本发明结合生物启发式网络结构、时滞反馈，采用了奖励值调节的海扁算法以及网络估计与全状态反馈结合的结构，系统稳定、控制精度高。

公开(公告)号：CN116360251A

公开(公告)日：2023-06-30

申请号：CN202211295038.7

申请日：2022-10-21

Applicant: 中国科学院自动化研究所

Inventor： 康二龙 ,  刘洋 ,  陈紫渝 ,  乔红

IPC: G05B13/04 ,  B25J9/16 ,  G06N3/082

Abstract: 本发明提供一种机器人系统的控制方法、装置、电子设备及存储介质，其中方法包括：获取当前时刻的实际状态，以及当前时刻后预设时段内的期望状态；基于标称模型预测控制策略，计算预设时段内与期望状态相对应的标称控制律和标称状态，标称模型预测控制策略是在机器人系统的标称模型的基础上引入滑动模态构建的；基于实际状态，以及标称状态，确定估计偏差；基于辅助控制器，确定估计偏差对应的辅助控制律；基于辅助控制律和标称控制律，确定预设时段内的实际控制律，并基于实际控制律，对机器人系统进行控制。本发明提供的方法、装置、电子设备及存储介质，提高了后续机器人系统控制的准确性。

公开(公告)号：CN111618864A

公开(公告)日：2020-09-04

申请号：CN202010698815.7

申请日：2020-07-20

Applicant: 中国科学院自动化研究所

Inventor： 康二龙 ,  高洁 ,  乔红

IPC: B25J9/16

Abstract: 本发明属于智能机器人控制、时变非线性系统控制领域，具体涉及一种基于自适应神经网络的机器人模型预测控制方法、系统、装置，旨在解决存在模型不确定性以及输入约束的情况下，机械臂的最优跟踪控制问题。本系统方法包括：计算跟踪误差；通过动作网络获取预测控制率，并更新动作-评价网络的权重值；判断i是否大于设定的预测时长，若是，则判断动作-执行网络权重变化是否满足阈值或迭代次数大于最大迭代次数，若是，则通过动作网络计算机械臂tk-tk+1时刻的实际控制率，作用于机械臂，否则通过预构建的预测模型获取tk+i+1时刻的跟踪误差，并循环获取预测控制率；循环生成实际控制率，直至机械臂到达设定的目标位置。本发明提高了机器人模型预测控制的性能。