Adaptive neural network force tracking impedance control for uncertain robotic manipulator based on nonlinear velocity observer
Adaptive neural network force tracking impedance control for uncertain robotic manipulator based on nonlinear velocity observer
复制标题
基于非线性速度观测器的不确定机器人机械臂自适应神经网络力跟踪阻抗控制
DOI：
10.1016/j.neucom.2018.11.068
复制
发表时间：
2019-02
期刊：
影响因子：
6
通讯作者：
Yanhong Liu
中科院分区：
文献类型：
--
作者：
Zeqi Yang;Jinzhu Peng;Yanhong Liu
针对具有不确定性和外部干扰的机器人系统，提出了一种基于非线性观测器的自适应神经网络力跟踪阻抗控制方法。假设机器人系统的关节位置和相互作用力是可测的，而关节速度是未知的和不可测的。然后，设计了一个非线性速度观测器来估计机械臂的关节速度，并利用李雅普诺夫稳定性理论分析了观测器的稳定性。基于估计的关节速度，自适应径向基函数神经网络（RBFNN）阻抗控制器的开发，以跟踪期望的接触力的末端执行器和期望的轨迹的机械手，其中自适应RBFNN是用来补偿系统的不确定性，使关节的位置和力的跟踪精度可以提高。基于李雅普诺夫稳定性定理，证明了所提出的自适应RBFNN阻抗控制系统是稳定的，闭环系统中的信号都是有界的。最后，两连杆机器人的仿真例子来显示所提出的方法的有效性。
In this paper, an adaptive neural network force tracking impedance control scheme based on a nonlinear observer is proposed to control robotic system with uncertainties and external disturbances. It is supposed that the joint positions and interaction force of the robotic system can be measured, while the joint velocities are unknown and unmeasured. Then, a nonlinear velocity observer is designed to estimate the joint velocities of the manipulator, and the stability of the observer is analyzed using the Lyapunov stability theory. Based on the estimated joint velocities, an adaptive radial basis function neural network (RBFNN) impedance controller is developed to track the desired contact force of the end-effector and the desired trajectories of the manipulator, where the adaptive RBFNN is used to compensate the system uncertainties so that the accuracy of the joint positions and force tracking can be then improved. Based on the Lyapunov stability theorem, it is proved that the proposed adaptive RBFNN impedance control system is stable and the signals in closed-loop system are all bounded. Finally, simulation examples on a two-link robotic manipulator are presented to show the efficiency of the proposed method.
登录
查看更多内容
DOI：
10.1016/s0005-1098(03)00002-5
发表时间：
2003-05
期刊：
Autom.
影响因子：
--
作者：
C. Cheah;S. Kawamura;S. Arimoto
通讯作者：
C. Cheah;S. Kawamura;S. Arimoto
DOI：
10.1109/tnnls.2017.2665581
发表时间：
2018-04-01
影响因子：
10.4
作者：
He, Wei;Dong, Yiting
通讯作者：
Dong, Yiting
影响因子：
2.4
作者：
Mosayebi, Masoud;Ghayour, Mostafa;Sadigh, Mohammad Jafar
通讯作者：
Sadigh, Mohammad Jafar
影响因子：
5.6
作者：
Jinzhu Peng;Jie Wang;Yaonan Wang
通讯作者：
Jinzhu Peng;Jie Wang;Yaonan Wang
影响因子：
6
作者：
P. Cuong;W. Nan
通讯作者：
P. Cuong;W. Nan