改進的無模型自適應控制及在NAO機器人軌跡跟蹤上的應用

發(fā)布時間：2020-08-03 07:09

【摘要】：機器人作為一個集多種技術(shù)于一身的典型代表,其技術(shù)含量高,研發(fā)難度大,體現(xiàn)了國家技術(shù)實力和發(fā)展水平。由于仿人機器人與人有著高相似度,能夠代替人完成很多高難度任務,激起了眾多研究者的研究熱情。NAO雙足仿人機器人由于機構(gòu)的多自由度,動作較為靈活,智能程度高,廣泛受到歡迎。然而其多自由度和復雜結(jié)構(gòu)的特點增加了控制難度,使得行走過程中精確跟蹤軌跡成為研究的重難點。NAO機器人的復雜軌跡跟蹤控制問題就是通過設(shè)計合理的控制器實現(xiàn)減小軌跡跟蹤誤差,以期完成軌跡的精確跟蹤控制任務。由于NAO機器人的高復雜性結(jié)構(gòu)導致難以獲得其精確數(shù)學模型,因此,給基于模型的控制理論與方法的應用帶來很多本質(zhì)性困難。無模型自適應控制(Model-Free Adaptive Control,MFAC)方法作為數(shù)據(jù)驅(qū)動控制方法的典型代表,因其具有自適應性強、工程易實現(xiàn)及無需機理模型進行控制器設(shè)計等優(yōu)勢,已經(jīng)成功應用于很多實際系統(tǒng)中。因此將MFAC方法應用于NAO機器人的軌跡跟蹤問題具有重要意義。本文的主要研究工作有:(1)對NAO機器人的跟蹤控制問題進行了數(shù)學描述,并在已知NAO機器人行走環(huán)境地圖和起止點的情況下,利用A*算法獲得了 NAO機器人軌跡跟蹤控制問題中的期望軌跡。(2)針對MFAC方法僅利用受控過程中的在線數(shù)據(jù),而不能充分利用歷史數(shù)據(jù)的缺點,基于控制器動態(tài)線性化的MFAC方法和懶惰學習方法相結(jié)合的思想,提出了兩種改進的MFAC算法,即基于控制器緊格式動態(tài)線性化和偏格式動態(tài)線性化兩種等價動態(tài)線性化方法的MFAC控制系統(tǒng)設(shè)計方案,其中的懶惰學習方法實現(xiàn)了綜合利用被控對象的在線和離線數(shù)據(jù)更新控制器參數(shù)。(3)首先對改進的MFAC方法進行了多個角度的數(shù)值仿真分析,突出了該方法在非線性系統(tǒng)跟蹤控制方面的優(yōu)越性。然后利用NAO機器人的動力學模型提供輸入輸出數(shù)據(jù),通過4種控制方法的仿真比較驗證了改進MFAC方法對NAO機器人軌跡跟蹤控制問題的有效性。最后,編寫了 Python程序控制NAO機器人進行軌跡跟蹤控制實驗,在3種實驗場景下將所提方法與其他數(shù)據(jù)驅(qū)動控制方法進行了實驗比較,驗證了本文所提方法的有效性和優(yōu)越性。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP242
【圖文】：