摘要：機器人在從事裝配、空間對接、醫(yī)療手術(shù)等與環(huán)境有接觸的作業(yè)時，需要機器人進行位置控制，以達到最佳的作業(yè)效果，本文介紹了一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人位置控制系統(tǒng)。本文將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊推理，并用于兩關(guān)節(jié)機器人的軌跡跟蹤控制。仿真結(jié)果表明，該網(wǎng)絡(luò)對機器人軌跡跟蹤控制具有很好的效果，是一種行之有效的控制方法

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)，機器人，位置控制

中途分類號：TP 9 文獻標識碼：B

0 前言

近幾年來，隨著機器人技術(shù)與控制技術(shù)的發(fā)展，機器人在日常生活和工農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用。機器人對象是一個非線性、強耦合的多變量系統(tǒng)，在運動過程中．由于存在摩擦、負載變化等不確定因素，因而它還是一個時變系統(tǒng)。傳統(tǒng)的機器人控制技術(shù)大多是基于模型的控制方法，無法得到滿意的軌跡跟蹤效果模糊控制和神經(jīng)網(wǎng)絡(luò)等人工智能的發(fā)展為解決機器人軌跡跟蹤問題提供了新的思路。普通模糊控制的控制規(guī)則大部分是人們的經(jīng)驗總結(jié)。不具備自學習、自適應(yīng)的能力，往往還受到人的主觀性的影響。因此不能很好地控制時變不確定的系統(tǒng)。

在近幾十年里，基于模糊邏輯開發(fā)的模糊系統(tǒng)已經(jīng)成為非?；钴S的領(lǐng)域，一些算法已在復雜系統(tǒng)的控制器設(shè)計中顯示出相當?shù)哪芰?，而且模糊?shù)學理論也對構(gòu)造知識模型提供了極其優(yōu)越的工具。

由于神經(jīng)網(wǎng)絡(luò)具有良好的自學習、自適應(yīng)、聯(lián)想等智能，能適應(yīng)系統(tǒng)復雜多變的動態(tài)特性。模糊控制和神經(jīng)網(wǎng)絡(luò)的結(jié)合成為學者研究的重點。這方面的研究最早起源于歐美國家，但在80年代末期卻在日本取得了相對大的發(fā)展。目前，在知識和信息處理領(lǐng)域，他獨立于模糊邏輯和神經(jīng)網(wǎng)絡(luò)技術(shù)，已經(jīng)達到了一個特有的研究階段。模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)的融合客服了神經(jīng)網(wǎng)絡(luò)和模糊邏輯在知識處理方面的缺點，具有進行數(shù)據(jù)監(jiān)督學習、處理經(jīng)驗知識及基于語言表達的在線學習等功能。利用神經(jīng)網(wǎng)絡(luò)非線性映射、自學習能力來調(diào)整模糊控制。使模糊控制具有一定的自適應(yīng)能力，同時也使神經(jīng)網(wǎng)絡(luò)獲得了模糊控制的推理歸納能力。本文對模糊神經(jīng)網(wǎng)絡(luò)在機器人控制中的應(yīng)用進行研究，提出了一種模糊神經(jīng)網(wǎng)絡(luò)的機器人軌跡跟蹤控制。仿真結(jié)果表明，該控制方法能很好地對機器人軌跡進行跟蹤。

1 機器人控制系統(tǒng)建立

本系統(tǒng)中，立體定位系統(tǒng)作為主要數(shù)據(jù)輸入通道，用于精確獲取目標位置與機器人之間精確的相對位置。隨后將這些現(xiàn)場實時空間信息融入先前建立的空間模型。期間需要確定前模型與實際的三維空間變換關(guān)系，即配準。

然后，機器人根據(jù)計算機輔助系統(tǒng)制定的運動計劃進行運動操作。運動中，立體定位系統(tǒng)通過對機器人與目標空間位置的不斷采集，結(jié)合機器人多軸控制器進行視覺控制。機器人控制系統(tǒng)如圖1所示。框圖中輸入為機器人行走驅(qū)動伺服電機的反饋電流，輸出為機器人的行走速度，由伺服調(diào)速實現(xiàn)。

圖1 機器人控制系統(tǒng)

本文設(shè)計的機器人為六自由度機器人：三個轉(zhuǎn)動三個平動。機器人的六自由度協(xié)同完成空間運動?？紤]到設(shè)計的機器人屬于小型機器人，希望盡量減輕重量。這樣一來，由于剛度下降而要求限定機構(gòu)整體負載，同時還要考慮機構(gòu)高速運動時的穩(wěn)定性。而且，該多自由度機構(gòu)的剛度設(shè)計取決于運動的速度與方向。

2模糊神經(jīng)網(wǎng)絡(luò)

2.1控制系統(tǒng)結(jié)構(gòu)

結(jié)合機器人定位系統(tǒng)構(gòu)建控制系統(tǒng)結(jié)構(gòu)如圖2所示，將機器人位置作為被控制量。

圖2 模糊神經(jīng)PID控制結(jié)構(gòu)圖

圖中e和ec分別為誤差和誤差變化率，輸入r為機器人位置，輸出y為機器人實際輸出。

2.2 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

該模糊神經(jīng)網(wǎng)絡(luò)為4層，如圖3所示。第l層為輸入層；第2層為模糊化層；第3層為模糊推理層；第4層為輸出層。模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2–6–6–3。

圖 3. 模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

(l)輸入層。該層將輸入誤差e和系統(tǒng)實際輸出y(k)作為下一層的輸入?；罨瘮?shù)為：

因此本層的輸出為e和y(k)

(2)模糊化層。活化函數(shù)即為該隸屬度函數(shù)。因此，輸出為：

其中，i=l，2;j=l，2，...6。cij和bij分別為高斯函數(shù)第i個輸入變量的第j個模糊集合的隸屬函數(shù)的均差和標準差。

（3）模糊推理層。將上層中的模糊量經(jīng)過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數(shù)，即輸出為：

這里 k=l，2，3，4，5，6。

(4)輸出層。這一層要輸出的就是PID控制器的參數(shù)，本層的輸出值就是將權(quán)值以矩陣乘的方式，乘以第3層的輸出。因此，本層的輸出為：

增量式PID控制的控制量為

目標函數(shù)為：

其中 r(k) 為期望輸出。

2.3 魯棒控制器

為保證閉環(huán)系統(tǒng)的穩(wěn)定性和良好的控制效果,實時控制器由一個模糊神經(jīng)網(wǎng)絡(luò)控制器NNC和一個魯棒控制器RC組成。這兩個控制器的輸出信號通過加權(quán)綜合后,作為系統(tǒng)的控制輸入[8-10]，構(gòu)成一個變魯棒控制器u(k)：

式中：un(k)為NNC的輸出；ur(k)為魯棒控制器的輸出；γ為系統(tǒng)模型NNI的辨識精度，稱為魯棒因子。γ的表達形式為：

(4)

式中：τ為魯棒因子的變魯棒系數(shù)；Em為NNI輸出與系統(tǒng)實際輸出之差的平方。

3系統(tǒng)仿真研究

為了驗證所提出的模糊神經(jīng)網(wǎng)絡(luò)控制算法的有效性，在MATLAB中創(chuàng)建模糊神經(jīng)網(wǎng)絡(luò)，利用隸屬函數(shù)和模糊規(guī)則將抽象的模糊規(guī)則轉(zhuǎn)化為模糊神經(jīng)網(wǎng)絡(luò)的訓練樣本，隱層采用在任意點可微的Tansig作為傳遞函數(shù)，輸出層采用常用非負的Sigmoid函數(shù)。

采用常規(guī)PID控制和模糊神經(jīng)網(wǎng)絡(luò)控制時，系統(tǒng)階躍信號的響應(yīng)曲線。圖3為常規(guī)PID控制器和模糊神經(jīng)網(wǎng)絡(luò)控制器對正弦信號跟蹤的誤差響應(yīng)曲線，通過對比可知：模糊神經(jīng)網(wǎng)絡(luò)控制器在動態(tài)性能方面明顯優(yōu)于常規(guī)PID控制器，可將正弦響應(yīng)誤差從0.02 rad降至0.001 rad。

（a）PID 控制                                        （b）模糊神經(jīng)網(wǎng)絡(luò)控制

圖 3 系統(tǒng)正弦誤差響應(yīng)曲線

4 結(jié)論

本文將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計一種基于模糊神經(jīng)網(wǎng)絡(luò)的機器人位置控制系統(tǒng)，并將其運用到機器人軌跡跟蹤控制系統(tǒng)中。仿真結(jié)果表明，該控制系統(tǒng)能夠有效地克服機器人系統(tǒng)中存在的非線性、耦合等因素的影響，是一種很好的控制方法。