分布神经自适应阻抗控制用于与未知对象合作操纵

科学领域:

• 机器人技术 机器人技术 机器人技术
• 控制系统 控制系统
• 人工智能的人工智能

背景情况:

• 在多机器人系统中的合作操作通常需要预定义的掌握矩阵和轨迹.
• 现有的方法缺乏适应不确定性和实时状态估计的能力.
• 分散控制对于复杂的机器人任务的可扩展性和稳定性至关重要.

研究的目的:

• 为多操纵器系统开发分布式神经自适应阻抗控制 (AIC) 策略.
• 消除对掌握矩阵和所需轨迹的先前知识的需求.
• 通过解决系统不确定性和提高适应能力来增强合作操纵能力.

主要方法:

• 设计两个完全分布的有限时间观测器,用于在没有全球信息的情况下估计参考点状态.
• 利用动力学约束和状态估计来导出掌握矩阵和端效应器 (EE) 轨迹.
• 开发一个分布式自适应阻抗模型和基于神经网络 (NN) 的跟踪控制,用于自适应的权衡.
• 集成一个虚拟的能量储 (EK),以确保系统的被动性.

主要成果:

• 使用分布式观察员成功估计了掌握矩阵和所需的EE轨迹.
• 通过分布式自适应阻抗模型实现了跟踪性能和合规性之间的自适应性权衡.
• 通过基于NN的控制,在不确定性下证明了对所需的适应性阻抗动态的非对称实现.
• 通过模拟四个移动操纵器合作运输未知物体来验证拟议的策略.

结论:

• 拟议的分布式神经AIC有效地解决了现有的合作操纵方法的局限性.
• 分布式观察员和NN的集成使得在不确定的环境中实现了强大的和适应性的控制.
• 该方法通过允许在没有全球信息的情况下进行实时估计和调整来增强合作操作,确保系统被动性.