关键词:
任务空间遥操作
有限时间
约束控制
未知类反斜线回滞
神经学习控制
摘要:
近年来,遥操作机器人系统可以有效代替操作人员以面对危险和复杂环境,因此被广泛运用。但是遥操作机器人系统存在非线性不确定性、外部干扰、通信时延和扰动等问题,会对系统的稳定性和透明度性能造成极大的不利影响。本文针对非线性双边遥操作系统(Nonliear Bilateral Teleoperation Systems,NBTS)中存在的外部扰动、通信时变时延和通信扰动以及控制器存在未知类反斜线回滞等问题,基于有限时间理论,开展了控制器设计研究,在笛卡尔坐标任务空间中生成控制器,增加了系统的直观性和实用性。本文所设计的有限时间控制器,保证了系统良好的透明度,缩短了收敛时间,提高了稳态精度,实现更好的瞬态性能。本文的主要研究内容如下:(1)针对模型不确定性以及通信时变时延的双边遥操作系统,设计了新型含有arctan函数的非奇异终端滑模(Arctan Nonsingular Terminal Sliding Mode,ANTSM)控制算法。利用径向基函数神经网络(Radial Bases Function Neural Network,RBFNN)来重构-估计环境力,以避免在通信信道中直接传输力信号。利用ANTSM控制器处理系统不确定性和外部扰动,设计自适应补偿器以补偿时延变化率对状态的相位移影响。利用有限时间稳定理论,保证NBTS的有限时间的瞬态性能和稳态精度,并且通过数值仿真验证了控制策略的有效性。(2)考虑到遥操作系统的全状态误差约束,提出一种半全局实用有限时间控制器。在位置和速度混合误差中引入辅助控制参数系统以实现预定义全状态漏斗误差约束,并且利用半全局实用有限时间稳定性判据推出了自适应反步RBF有限时间(Adaptive Back-Stepping RBF Finite-Time,ABRF)控制算法以满足有限时间规定性能控制要求。设计含有鲁棒补偿项的新型状态滤波器以处理时延和通信扰动对控制器的影响。通过数值仿真和实验平台验证了控制策略的有效性,并且与现有的研究进行对比,实现NBTS下更快的状态跟踪误差收敛速度以及更好的稳态性能。(3)考虑到NBTS控制器中存在未知类反斜线效应所带来的回滞影响,提出了一种基于神经学习的有限时间控制器。RBFNN用于逼近模型不确定性,并且利用鲁棒自适应项补偿了未知类反斜线效应带来的滞后。利用Lyapunov稳定性理论证明了在混合状态误差下,所有偏差信号的半全局有限时间实用稳定。最后通过仿真和实验平台验证了控制器策略的有效性,并且与现有的研究进行对比,保证了更好的瞬态性能和稳态精度。