第7卷第3期 2003年9月 电 机 与 控 制 学 报 ELECTRIC MACHINES AND CONTROL Vol·7 N0·3 Sept，2003 基于神经网络和智能预测控制的机器人算法 温淑焕1，王洪瑞2 fl燕山大学电气工程学院，河北秦皇岛066004；2河北大学，河北保定071002) 摘要：提出了一种新颖的控制方案，即采用神经网络预测控制器来控制机器人的力／位置．这种控 制器能任意逼近机器人这种不确定对象，不用知道系统的精确结构，同时由于预测控制的加A，使系 统在线计算方便，控制质量提高了。通过对机器人的仿真结果可以看出，传统的PID对于不确定对象 不能很好的解决，而采用本文设计的控制器，系统的鲁棒性和快速性都得到了改善，并且具有较好的 控制效果。 关键谲：神经网络；预测控制；力／位置；鲁捧性 中图分类号：TP273 文献标识码：A 文章编号：1007—449X(2003)03—0229—03 The algorithm for robot using neural network and intelligent predictive control WEN Shu—huanl，WANG Hong—rui2 (I Yanshan University，Qinhuangdan 066004，China；2．Hebei University，Baoding 071002，China) Abstract：In this paper．a new control scheme that uses NN predictive controller to control force／position of robot is proposed The controller can approach uncertainty randomly with— out knowing exact structure With prediction the on—line computation is convenient，and the control quality is improved．Simulation shows the robustness and rapidness of system are improved and the system has a good control effect by using NN predictive controller． Key words：neural network；predictive control；robot 1引言 近年来，越来越多的机器人被应用于工业各领域 完成各种作业，从控制角度来看，只需位置控制的机 器人的应用是最为成功的。但是，随着机器人在各个 领域应用的日益广泛，许多场合要求机器人具有接 位置混合控制方案…。有的在机器人力，位置混合控 制方案中采用PID控制，但其控制效果不能令人满意即。 当机器人与外界环境接触时，其接触刚度具有不确 定性。近年来兴起的模拟人类智能的控制方法如神 经网络控制方法，为解决具有不确定性、时滞对象控 制提供了新的方法。同时预测控制算法的本质特征 触力的感知和控制能力(如磨削机器人等)，单纯依 是：预测模型、在线滚动优化、反馈校正它是一种对 靠位置控制不能保证工作精度．需要对力和位置同 时进行控制，力／位置混合控制是一种行之有效的控 于基础模型要求低、控制综合质量好、在线计算方便 的优化控制算法。针对机器人的不确定性，采用预测 制方法。但力／位置控制策略作为其研究的难点和热 点之一并未得到很好的解决。在机器人力／位置控制 控制与神经网络相结合描述系统，具有较强的鲁棒 性，可得到较好的控制效果。 中，最具代表的是Raibert和Craig提出的机器人力／ 本文提出的这种新颖的神经网络预测控制算 收稿日期：2002—04—25 作者槁介．温淑炔(1972一)．士，博士研宽生，研究方向为机器人拄韶】、神经码蝽控制、预测拉制、模糊控制 王洪瑞(1956一)，男，教授，博士生导师．研究方向为机器人控制，智能控制． 万方数据 

230 电 机 与 控 制 学 报 第7卷 法，在力控制回路中采用神经网络预测控制器结 构，在位置控制回路中采用计算力矩控制方法。两关 节机器人的仿真研究证明了本算法的有效性。 2控制系统设计 考虑由下述二阶非线性微分方程描述的l'l自由 元个数；n。为隐含层神经元个数。为了改进控制性 能，充分调用多步预测中的有用信息，改变仅利用触) 的做法，修正当前的控制量j@)为现时和过去对现 时预测控制量的加权平均和，可使控制效果得到进 一步改善， M JM j(女)=∑d．；(klk—i+1)／∑d． (11) 度旋转关节机器人模型 l=1 ／i一1 M(q)i+日(P，i)+G白)一t (1) 式中：d。为控制量加权系数，为了充分利用新信息， 式中：g为n Xl关节角向量；M国)为nxn正定惯性 矩阵；H(q，口)为哥氏力和离心力向量；G∽为n X1 重力向量；r为作用在机器人关节上的总力矩。取T= 通常取d1=1>吐>…>dM；M为控制时域长度。 在本数学模型中，取d。=e”7，本文所提出的神经 网络预测控制方案的系统结构如图l所示。图l中，x， f，+‘ih，了，其中～是位置控制器的输出力矩；■是_力 控制器的输出力矩；JeR…是Jacobain矩阵；f是H×1 机器人末端操纵器与外界工作环境之间的作用力。 在位置控制回路中采用计算力矩控制方法，则输出 是在操作空间中的坐标，％为五的期望值。本文假设 力，作用于毛方向；t为末端操纵器的初始横向位 置；G。为接触刚度；f=Go(x。一站。“变换1”是将机器 人期望空间运动变换为各关节的角度运动，而“变换 力矩为 T，=坳)[id+k。(gd—g)+≈。j(gd—q)dt+ k。(口一一口)】+a(q) (2) 式中：g。，i。，机分别为期望的关节角度矢量、角速度 矢量、角加速度矢量；k。，k．，k。．分别是位置、积分、速度 增益。在力控制回路中采用神经网络预测控制器结 构，预测控制器设计为动态矩阵控制算法，即利用阶 跃响应数据作为预报模型。设预测控制器为，=一1Q一+ 曰)～ATQ，此控制器亦由一个三层前向BP网络来实 现。设输入到隐含层的加权阵为hi】，隐含层到输出 层的加权阵为【只】，神经网络的输人、输出关系为 I—H：i(k)=￡Pj^(k) i=0 厶=1(阈值对应的状态) 性能指标为 J=i1【y(k)一j(k)r—nfin ‘ (5) (6) 学习规则为广义6规则，为加快收敛速度，采用带惯 性项的修正6规则，即 API|(k)=P(k+1)一只@)=Ⅸ1e(R)‘(k)+cqAP，(k—1) i 21～tlll (7) △”，，(k)2Ⅸ，e(k)H’[w，(k)】只(k)x．(女)+0t2Av，。(k—1) i…1 nil；J l～n T P(k)2y(k)一p(k) (8) (9) 2”将各关节的角度运动变换为空间运动。 图1 机器人的神经网络预测控制系统原理框图 Block diagram of robot using neural network and intelligent predictive control 3仿真研究 本文对二关节机器人进行仿真研究(见图2)，并 做以下假设：①两刚性连杆l，，t的质量集中在杆的 终端；②机器人末端操纵器与环境无接触磨擦。假设 机器人的模型如下： 蛳，=[I麓等蛔2”#跚2] ∞㈡=[孟嚣嚣2卅』玑≯叫2] 瞰g)=C(q，i)i。 (10) 式中：而(k)=Fd—f，n为期望的力；Ht为输入层神经 H，【w，(k)】．w。(k)[1一W。(k)】 其中，m1=m 2=8kg，f】=12=O．5m，一=五=O．4kg·m2 qt(0)=q：(O)=0．5，d。(o)=i：(0)=0。仿真结果如图3,4 万方数据 

第3期 ———————————————————————————————————————————————————————一一—————————————————————————————————一 所示。由图3,4可以看出，采用本文的控制方案控制 基于神经网络和智能预测控制的机器人算法 231 面 效果是较好的。 4 结论 本文提出了神经网络与预测控制相结合组成 控制器来控制机器人的力／位置的方案，该方法不需 要精确知道机器人的动态过程，神经网络能够学习 与适应严重不确定对象的动态特性，由于其存贮信 息的特点，使之具有很强的鲁棒性和容错性以及并 行处理方法的快速性。这些方面说明了神经网络在 解决高度非线性和严重不确定性系统控制方面的巨 大潜力，而预测控制具有控制综合质量好、在线计算 方便的特点，用二者组成的控制器控制机器人的 力／位置，通过仿真结果可以看出控制的效果是好 的。 参考文献： fl】殷跃红．机器人力控制研究综述Ⅲ南京航空航天大学学报，1鲫7， (动221—23n [q CIRO N，BRUNO S，LUIGI V Robust hybrid force／position control with experiments on an industrial robot【A】IEEE International Conference on Advanced Intelligent Mechatr— 固2 =关节机器人模型示意图 Fig．2 Sketch map of 2-degree of freedom robot t，s 图3 PID控制的力跟踪轨迹 Fig．3 Tracking of force controlled by PID onics[C】1999 (编辑：徐兴华) Z Z i 图4神经网络预测控制的力跟踪轨迹 Fig．4 Tracking of force controlled by NN and predictive control 万方数据