21、基于迭代学习控制的遗传算法在机器人动力学参数估计中的应用

基于迭代学习控制的遗传算法在机器人动力学参数估计中的应用

1. 引言

工业机器人需要重复执行轨迹运动，并且要具备高轨迹跟踪精度。要实现这一目标，需要有精确的机器人动力学模型。然而，在大多数情况下，动力学模型的参数无法精确计算，模型总是存在不确定性。因此，机器人控制系统需要结合多种控制策略来实现高精度的轨迹跟踪。

一些常见的控制策略包括将计算扭矩控制与模糊控制相结合，或者使用隐式李雅普诺夫函数控制方法作为一种连续反馈控制。而迭代学习控制（ILC）是一种计算效率更高的方法，它由内山和有本提出，是一种受生物启发的方法，通过连续迭代执行相同的轨迹，并使用学习算子来减少整体轨迹跟踪误差。对于非线性系统，其鲁棒性和收敛性在1989年由海辛格等人证明。

受限输出迭代学习控制（COILC）是一种可以轻松集成到具有硬约束的机器人系统控制系统中的方法。COILC过程的收敛性取决于学习算子的选择，而学习算子的选择又依赖于对机器人动力学模型参数的正确估计。

遗传算法（GA）由霍兰德在1975年提出，是最早的基于种群的随机算法之一。它是一种概率搜索程序，通过模拟物种的自然选择进化来实现优化策略，包括选择下一代的最佳个体以及通过交叉和变异技术形成下一代两个过程。

本研究的目标是将COILC和遗传算法相结合，以找到机器人模型参数的最佳估计。将动力学模型参数编码为无符号整数，创建遗传算法的个体。利用COILC方法作为遗传算法的选择过程中的适应度函数，通过选择具有最佳COILC收敛性的个体，经过几代进化后找到用于精确轨迹跟踪的最佳参数。

2. 问题描述

为了进行研究，我们考虑SCARA型机器人的前两个连杆，使用精工仪器TT - 3