买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学

摘要：本发明属于机器人系统控制技术领域，具体为一种基于阻抗扰动观测器的柔性外骨骼阻抗控制方法。通过引入阻抗扰动观测器，来提高外骨骼机器人受到外部干扰时阻抗控制的稳定性。并在此基础上，提出基于评价神经网络的控制策略与扰动策略，实现最优控制。在求解最优控制过程中，通过在权重参数更新规则中引入当前数据和历史数据，松弛了对持续激励条件的要求。

主权项：1.一种基于阻抗扰动观测器的柔性外骨骼阻抗控制方法，其特征在于，包括以下步骤：步骤1、建立柔性外骨骼系统的欧拉-拉格朗日模型，并引入目标阻抗模型，计算出阻抗向量；柔性外骨骼系统的欧拉-拉格朗日模型为： 式1中，Mq、和Gq分别表示外骨骼系统惯性矩阵、向心力矩阵和重力向量；表示系统的控制输入；表示交互力；B表示执行器的惯性矩阵，Km表示执行器的刚度，q,θ表示位置向量，表示速度向量，表示加速度向量，dr和da表示外部扰动；定义目标阻抗模型为： 其中，qd是所需运动轨迹；Md、Dd和Kd分别是阻抗模型中所需的惯性矩阵、阻尼矩阵和刚度矩阵；根据欧拉-拉格朗日模型和目标阻抗模型，构建一个增广阻抗误差： 假设存在两个正定矩阵χ和Γ，且两个正定矩阵满足以下条件： 即可得到阻抗向量定义： 步骤2、根据阻抗向量定义出与阻抗向量相关的变量，利用该变量构造阻抗扰动观测器，以观测系统扰动和驱动系统扰动；基于阻抗向量和观测到的系统扰动、驱动系统扰动建立柔性外骨骼的动力学模型；2.1、定义阻抗向量的相关变量z和s为： 其中，qr,θr是参考轨迹，χ表示一个正定矩阵，τl表示一个向量，ξ表示一个虚拟输入向量,定义为如下形式： 其中，Kz是阻抗刚度；则阻抗扰动观测器表示为： 其中，表示常数；执行器的阻抗扰动观测器表示为： 其中，表示常数；设计输入控制力矩为 其中，项表示动态补偿，Cs表示正定矩阵，u表示前馈学习控制输入；2.2、定义令基于阻抗向量，推导出柔性外骨骼系统的动力学模型公式： 式12中，步骤3、根据柔性外骨骼动力学模型，设置用于评估其性能的代价函数；利用Hamilton函数和Bellman最优性原理，对代价函数进行求解，得到HJI方程，以作为针对基于阻抗向量的柔性外骨骼系统的最优控制问题模型；3.1、给出用于评估柔性外骨骼动力学模型性能的代价函数如式13所示； 式13中，γ＞0为常数，A和B为给定的正定矩阵，表示积分函数的变量；3.2、利用Hamilton函数和Bellman最优性原理，对代价函数进行求解，得到针对基于阻抗向量的柔性外骨骼系统的最优控制问题模型，具体实现方式如下：定义Hamilton函数为： 式14中，表示代价函数关于阻抗向量的偏导数；求解得到与之对应的HJI方程为： 步骤4、求解方程，利用神经网络技术构建最优控制器和扰动策略，完成柔性外骨骼鲁棒性阻抗控制；4.1、求解获取HJI方程的最优解，将最优解作为控制器与扰动策略模型表示： 4.2、利用神经网络技术构建最优控制器和扰动策略，完成柔性外骨骼鲁棒性阻抗控制，其实现方法包括如下步骤：利用评价网络实现对代价函数的近似表达，代价函数近似为： 式17中，Wc表示评价网络权重，为激活函数，表示评价网络近似误差；采用如下真实的近似表达： 其中，和分别表示代价函数和评价网络的估计值，由权重估计值定义获得；将式18代入式14，得到评价网络的误差函数为： 根据梯度下降法原理，设计评价网络权重参数更新规则，以保证评价网络的目标函数达到最小，通过并行学习算法，在更新规则中记录历史数据，从而得到评价网络权重参数的更新规则形式如式20所示： 式20中，α表示神经网络的学习率，表示在时间tl保存的数据，p为正常数；求解式20得到的关于神经网络学习最优控制器和扰动策略，近似形式为： 式21中，和为Critic神经网络中最优控制器和扰动策略的估计值。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于阻抗扰动观测器的柔性外骨骼阻抗控制方法