20、神经网络机器人控制技术解析

神经网络机器人控制技术解析

1. 神经网络控制器基础与调优规则

在神经网络机器人控制中，调优规则具有Hebbian形式，即每一层的权重通过其输入信号和输出信号的外积进行调整。不过，为了证明收敛性，标准的Hebbian规则需要进行修改，要添加鲁棒化的e - mod项，并且将(4.3.46)中的第一项乘以||r||。

2. 两层神经网络控制器设计与仿真示例

2.1 控制器优势

两层神经网络控制器设计简单，不需要了解系统动力学，甚至不需要自适应控制所需的系统结构知识，也无需像FLNN控制器那样选择基集。

2.2 两连杆机器人手臂控制示例

以平面两连杆旋转手臂为例，其动力学在之前已有介绍。选取手臂参数为a1 = a2 = 1 m，m1 = 0.8 kg，m2 = 2.3 kg。之前的示例表明：
- 标准自适应控制器在回归矩阵完全已知时表现良好，但存在未建模动态时性能不佳。
- FLNN控制器在所有动态都未建模时表现良好，但需要计算神经网络激活函数的基集。
- 单独的PD控制器性能不佳。

2.3 仿真实现

编写MATLAB M文件来模拟两层神经网络控制器，与第3章自适应控制示例中的代码非常相似。实现表4.3.2中的神经网络控制器时，选择10个隐藏层神经元和Sigmoid激活函数，无需选择基集。选择期望轨迹，q1d(t)为指数形式，q2d(t)为正弦形式。为测试神经网络控制器处理不连续命令的能力，期望轨迹在0.1秒开启，0.9秒关闭。

神经网络控制器参数设置为Kv = diag{20, 20}，F = diag{50, 50}，