33、气动人工肌肉模糊迭代学习控制与多模态融合手势识别研究

气动人工肌肉模糊迭代学习控制与多模态融合手势识别研究

气动人工肌肉控制理论建模

气动人工肌肉具有非线性和滞后等特性，在控制这类具有重复运动特性的对象时，迭代学习控制方法无需精确的数学模型，就能实现对控制对象的跟踪。

迭代学习控制

迭代学习控制通过其学习律不断修改输入信号，使期望曲线和输出曲线逐渐收敛并最终达到稳定。本文采用的组合学习律参考了Arimoto等人提出的PID型学习律：
[u_{k + 1}(t) = u_{k}(t) + \Gamma\dot{e} {k}(t) + Le {k}(t) + \psi\int_{0}^{t}e_{k}(\tau)d\tau]
其中，(e_{k}(t) = y_{d}(t) - y_{k}(t))，(\Gamma)、(L)和(\psi)是学习增益矩阵，(u_{k}(t))是上一次迭代的结果，(e_{k}(t))是误差，(y_{d}(t))是期望输出，(y_{k}(t))是实际输出。

从上述公式可简化得到：
[u_{k + 1}(t) = u_{k}(t) + U(e_{k}(t), t)]

在每次迭代运行中，输入信号(u_{k + 1}(t))是上一次输出(u_{k}(t))加上学习律。(u_{k}(t))是迭代学习中的先前操作经验，每次迭代都是在现有基础上进行修正。若去掉(u_{k}(t))，之前的控制经验将失效。学习律是误差的函数，可看作第(k)次迭代，其中(u_{k}(t))加上(U(e_{k}(t), t))的修正补偿得到(u_{k + 1}(t))。每次迭代的输入(u_{k}(t))调用控制信号存储器中上次迭代的输出进行计算。