关键词：
机械臂动力学建模
深度神经网络
物理约束控制
鲁棒控制器
可迁移控制框架
摘要：
随着人工智能发展的日新月异,机器人技术逐渐走进人们的生活,与其相关的科学研究更是得到快速发展。虽然机器人的种类与型号日益丰富,机械结构也越来越复杂,但是传统的机器人控制方法大多只适用于特定的、结构化的应用场景,而且往往需要复杂的建模过程,在控制精度、执行效率、系统鲁棒性、个体泛化性等方面存在较大局限,无法满足人们对于机器人的多元化需求。由于神经网络技术端到端训练具有高效性和精确性,并且能够规避被训练目标的个体差异,因此,本论文使用深度神经网络技术进行机械臂动力学建模,同时引入物理约束并设计基于模型的鲁棒控制器,以此为基础构建基于约束模型的跨平台迁移控制框架,以进一步提高方法对不同机器人平台的控制泛化性。首先,论文简单阐述了自制七自由度仿人机器人平台的研究基础,其中包括针对其臂部结构进行正、逆运动学建模分析。然后,从能量的角度推导拉格朗日动力学方程,并以其作为先验知识构建参数化神经网络,在广义串联机械臂关节空间进行动力学建模,为后续研究打下扎实的理论基础。其次,针对机械臂控制过程中的物理因素干扰问题,本文在逆动力学基础上引入物理约束,其中包括内部摩擦约束和外部接触力约束,提高了方法的控制精度和抗干扰能力。然后,从实体机械臂上采集关节数据对引入约束的逆动力学神经网络进行训练,其本质是将与关节力矩正相关的电流解算成实际的关节力矩,使得数据采集过程不需要力矩传感器,以节省技术成本。接下来,针对动力学网络训练过程中的系统参数扰动,本文设计了基于模型的鲁棒控制器,以消除动力学参数训练过程中产生的不确定性误差,并通过李雅普诺夫稳定性定理证明受控系统在其控制下可以达到多种稳定状态。然后,在基于模型的鲁棒控制律中放松对参数不确定性上界的约束,使其在不同的机械臂平台上都能展现底层关节的鲁棒控制效果。接下来,基于端到端训练的特性,引入了加速度水平的关节配置调整技术,提出了一种高效的跨平台动力学建模方法,为鲁棒控制器的通用性效果提供了模型基础。最后,论文利用端到端训练的特点,提出了一种基于约束动力学模型的可迁移控制框架。其中包括关节物理约束与通用鲁棒控制效果,并引入了通用势能函数,设计了基于参数性质的四种高泛化性任务元,实现了底层关节控制到复杂任务分解规划的技术过渡。然后,在仿真环境下引入附加关节技术,以实现控制框架向冗余机械臂平台进行迁移,并设计实验进一步验证了方法的底层关节控制精度,以及面向不同平台和不同任务的适应性与泛化性。
欢迎来到三峡大学图书馆！
