第5章 机器人智能控制

2020-03-01 166浏览

  • 1.机器人引论 第5章 机器人智能控制
  • 2.第5章 机器人智能控制 o 5.1 智能控制的基本特点 o 5.2 智能控制的主要方法 o 5.3 智能控制的主要应用
  • 3.5.1 智能控制的基本特点 o o 智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础，扩 展了模糊逻辑、神经网络、专家系统、遗传算法等理论和技术，构成功能各 异的智能控制系统。 传统控制 智能控制 发展历史 频率法 古典控制理论 状态空间法 现代控制理论 20世纪40-50年代 大系统理论 分级递阶智能控制 60-70年代 70年代 模糊控制器 70年代中后期 神经网络控制器 90年代以来 p 特点分析 传统控制 基于严谨的数学和精确模型， 缺乏灵活性和应变性，无法适 用于高复杂、不确定系统 简单被控对象 复杂被控对象 智能控制 将记忆和推理应用于学习系统中， 具备自学习能力，能够在高度复杂、 不确定系统中实现优异的控制性能
  • 4.5.1 机器人控制的基本特点 o 智能控制常用的技术 模糊逻辑 专家系统 o 神经网络 l 模糊逻辑作为模糊语言描述系统，既可以 描述应用系统的定量模型也可以描述定性 模型。 l 专家系统利用专家知识对专门的或困难的 问题进行描述。 l 神经网络利用大量的神经元按一定的拓扑 结构和学习调整方法能表示出丰富的特性 并行计算、分布存储、可变结构、高度容 错、非线性运算、自我组织、学习/自学习 等。 l 遗传算法作为一种非确定的拟自然随机优 化工具具有并行计算、快速寻找全局最优 解等特点。 遗传算法 模糊逻辑和神经网络作为智能控制的主要技术已广泛应用，两者都可以作为 智能逼近器解决非线性问题，模糊逻辑可以利用语言信息描述系统，参数初 值有明确对应关系，而神经网络可以通过数据训练自学习系统的特点。
  • 5.5.1 智能控制的基本特点 o 典型结构 感知信息处理模块将传感 器得到的原始信息加以处 理。例如视觉信息需要经 过很复杂的处理才能获得 有用的信息。 认知部分主要用来接收和储存知 识、经验和数据，并对它们进行 分析、推理，做出行动的决策， 送至规划和控制部分。通讯接口 除建立人—机之间的联系外，也 建立系统中各模块之间的联系。 传感器包括关节位置传感 器、力传感器，还可能包 括触觉传感器、滑觉传感 器或视觉传感器等。 规划和控制是整个系统的核心， 它根据给定的任务要求、反馈的 信息及经验知识，进行自动搜索、 推理决策、动作规划。最终产生 具体的控制作用，经执行部件作 用于控制对象。 广义对象包括通常意义下的控制对象和所处的外部环境。例如,对于智能机器人系统来说，机 器人手臂、被操作物体及其所处环境统称为广义对象。
  • 6.5.1 智能控制的基本特点 o 分层递阶结构 组织级将操作员的自然语言翻译成机器语 言，组织决策、规划任务、并直接干预低 层的操作。 协调级中，识别的功能在于根据执行级送 来的测量数据和组织级送来的指令产生合 适的协调作用；在组织级中，识别的功能 在于翻译定性的命令和其它的输入；在执 行级中，识别的功能在于获得不确定的参 数值或监督系统参数的变化。 o 协调级用来协调执行级的动作， 它不需要精确的模型，但需具 备学习功能以便在再现的控制 环境中改善性能，并能接受上 一级的模糊指令和符号语言。 其中执行级一般需要比较准 确的模型，以实现具有一定 精度要求的控制任务。 特点 (1)对控制来讲，白上而下控制精度愈来愈高 (2)对识别来讲，自下而上信息回馈愈来愈粗略 o 这种分层递阶的结构形式已被成功地应用于机器人的智能控制、交通系统 的智能控制及管理等。
  • 7.5.3 智能控制的主要方法 o IEEE 控制系统学会给出一种关于智能控制系统的定义 — “智能控制系 统应具有学习、记忆和大范围的自适应和自组织能力,能够及时适应不断 变化的环境, 能有效处理各种信息, 以减小不确定性, 能以安全可靠的方式 进行规划、生产和执行控制动作而达到预定的目标和良好的性能指标” o 对于控制科学研究而言,智能控制绝不仅仅是模拟人类智能, 而是利用各种 “智能” 方法解决实际问题。 智能控制体系 仿人智能 o l 模糊控制 l 神经网络控制 l ……. 智能控制的类型 模糊控制 专家控制 神经网络控制 学习控制 分层递阶控制 仿人智能控制 其他形式智能 l 群体智能 l …… l ……
  • 8.5.3 智能控制的主要方法 o 模糊控制 模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种系统的推理 方法,因而能够解决许多复杂而无法建立精确的数学模型系统的控制问题,是处理推 理系统和控制系统中不精确和不确定性的一种有效方法。 l 模糊化：通过隶属度函数将精确的输 入数据映射到合适的语言值或模糊集 合的标识符。 l 模糊推理：包括大前提、小前提和结 论三部分，大前提是多维模糊条件语 句构成的规则库，小前提是一个模糊 判断句。 l 清晰化：将模糊推理中产生的模糊量 转化为精确控制量 p 模糊控制基于启发型的知识和语言决策规则设计的，不需要被控对象的数学模型， 鲁棒性强，尤其适合于非线性、时变及纯滞后控制。 p 缺陷：精度不高，自适应能力有限，易产生振荡现象
  • 9.5.3 智能控制的主要方法 o 专家控制 专家控制的核心是专家系统,它具有处理各种非结构性问题,尤其是处理定性的、 启发式的或不确定性的知识信息的能力,经过各种推理过程达到系统的控制目标。 p 发展历程 p 专家系统结构 p 特点 p 问题 启发型、透明性、灵活性、专家控制的核心是知识 信息处理系统，采用知识推理的方法求解问题及制 定策略、专家系统的核心是组织级，并具有“由底 层至高层”智能逐渐升高、精度逐渐降低的特点 l l l l 专家经验知识获取 知识库的自动更新与规则自动生成 专家控制系统的稳定性可控性分析 如何实现数据和信息的并行处理
  • 10.5.3 智能控制的主要方法 p 神经网络控制 神经网络控制(Neural network control, Neurocontrol)是基于结构模拟人脑 生理结构而形成的智能控制和辨识方法。非线性，并行分布处理，学习和自适 应性及多变量处理，可以适应较差建模的非线性动态系统。 p 神经网络控制方案 前馈直接控制方案 直接自矫正控制方案 间接自矫正控制方案 模型参考自适应控制方案 p 控制系统是建立对象状态与激励命令之间的映 射，而神经网络的学习机制则视为对这种映射 进行修改以改进控制系统性能的方法。
  • 11.5.3 智能控制的主要方法 o 混沌控制 混沌是指某种对初始条件敏感的运动,是在确定性系统中出现的一种貌似无规则, 类似随机的现象,是普遍存在的复杂运动形式和自然现象。混沌是非线性动力学 系统在一定条件下所表现的一种运动形式，是系统处于非平衡过程中所呈现的随 机行为,它无序中又有序。 p 混沌控制方法 l 通过合适的策略、方法及途径,有效地抑制混沌行为,使李雅普诺夫指数下降进而消除混沌; l 选择某一具有期望行为的轨道作为控制目标。 p 控制方式 反馈控制 非反馈控制 l 不需要系统除系统输出或状态以为的任何信息 l 不改变被控系统的结构，具有良好的轨道跟踪 能力和稳定性 l 利用外部扰动的弱调控来控制轨道 ，控制方式和使用简单 l 无法确保控制过程的稳定性
  • 12.5.3 智能控制的主要方法 o 优化方法的智能优化控制 无论在经典控制范畴中还是智能控制范畴中, 控制问题都与优化有着密切的联系. 美国工程院院士何毓琦教授曾指出: “任何控制与决策问题本质上均可归结为优 化问题“。 p 应用于智能控制领域的优化算法 l 遗传算法 l 差分进化算法 l 粒子群优化算法 l 蚁群优化算法 l 细菌群集优化算法
  • 13.5.3 智能控制的主要应用 o 采用人工神经网络、模糊控制和专家系统技术对机器人进行定位、环境建 模、检测、控制和规划的研究已经日趋成熟,并在多个实际应用系统中得 到验证。 l l l l l 神经网络算法用于机器人传感器信息融合和视觉信息处理。 神经网络用于机器人手臂的调度和控制。 神经网络非线性映射，用于建立复杂多关节、强耦合机器人动力学系统。 遗传算法和进化计算为机器人系统带来了优化编程和控制技术。 引入模糊控制提升机器人决策的鲁棒性。 p 应用场景 “蛟龙”号深水探测器 无人机 无人驾驶车
  • 14.5.3 智能控制的主要应用 o 机器人的专家控制 机器人动力学的非线性、时变性、多关节强耦合及变惯量等复杂性, 将常规 的控制算法 (如PID控制) 直接用于机器人控制, 其性能往往不尽人意。 专家系统能把人的控制经验、技巧和各种直觉推理逻辑直接用于控制中。 专家系统的可以根据系统的性能指标(如超调、振荡、稳态误差、收敛速度等) 实时地对控制器参数调节器进行调节，改善控制系统性能, 提高其智能水平 和适应能力,以实现系统的最佳效果。
  • 15.5.3 智能控制的主要应用 o 机器人的模糊控制 l Lin C M等提出了在模糊控制器结构的基础上，引入PI调节机制达到对阶跃输入的快 速响应和达到消除隐态误差的效果。 l 邓辉等提出了一种基于模糊聚类和滑模控制的模糊逆模型控制方法，并将其应用于动 力学方程未知的机械手轨迹控制。 l 段萍等采用模糊控制器实现移动机器人的墙跟踪控制, 并采用 GA 优化模糊控制器的 隶属度函数参数。 l 胡跃明等采用 GA 优化 P-F-PI (比例–模糊–比例积分) 控制器, 用于控制机器人手臂定 位系统, GA 优化三个控制器的切换参数以及模糊控制器的修正系数。 l 李保国等设计了一种分层的模糊控制器, 用于指导移动机器人通过未知环境到达指定 的目标点而避免发生单模糊控制器的“规则库爆炸”问题。 l 蔡建羡等则针对模糊规则的自动生成问题, 采用Skinner操作条件反射(OC)和概率有 限自动机(PFA)构成的OCPFA学习系统, 设计了能对模糊规则进行自学习和自组织的 随机模糊控制策略。
  • 16.5.3 智能控制的主要应用 o 机器人的神经网络控制 l Sun等使用线性观测器, 为未知机器人系统设计了自适应神经网络控制器, 保证了系统 跟踪误差、观测器误差的最终一致有界以及神经网络权值的有界. l 彭济根等针对柔性关节机器人操作手的轨迹跟踪问题, 提出了一种基于奇异摄动理论的 机器人神经网络控制方法, 在一般框架下证明了系统跟踪误差最终一致有界。 l Ge S S等设计的自适应神经网络控制器既不需要计算逆动态模型也不需要计算雅可比矩 阵的逆, 实现了渐近跟踪. l 刘英卓等基于类Lyapunov 方法, 设计的自适应神经网络控制器在有限确定时间内实现 了稳定跟踪. l 丰保民等针对自由漂浮空间机器人, 在任务空间内设计了一个基于径向基函数(Radial basis function, RBF)神经网络的鲁棒智能控制器, 实现了轨迹跟踪误差的全局渐近稳 定. l Albus提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法，即 CM2CA法。该方法以数学模块为基础，采用查表方式产生一个以离散状态输入为响应的 输出矢量。
  • 17.5.3 智能控制的主要应用 o 机器人的优化方法控制 优化方法在一般的固定结构控制器，预测控制器，滑模控制器，自适应控制器，鲁棒控制 器等其他类型的控制器优化设计中存在广泛应用。除此之外，优化方法还常用于解决复杂 系统控制中涉及的各种资源规划、分配、调度等优化问题。 l 武星等采用基于精英导向机制的多目标遗传算法优化自动导引车伺服系统的 PID 控制 器参数。 l 李中华等提出一种采用精英学习机制的人工免疫网络算法, 其中, 精英学习机制主要借 鉴了 PSO 的社会学习思想, 混合算法用于解决 PID 控制器的设计。 l Lacca 等提出一种三阶段优化的 MA 用于调节 PID 控制器的参数来实现移动机器人的 实时路径跟随. l Huang 为配有 3 个独立驱动全向轮的移动机器人设计了运动控制器, 其中, 采用 ACO 优化控制器参数, 较好地实现了机器人的轨迹跟踪和镇定。 l 柯文德等利用了 GA 求解机器人前向倒地最优控制的一组参数逼近解, 使其触地瞬间 的角动量尽可能最小, 从而使得机器人触地时的地面冲击较小, 并体现出较好的触地位 置与倒地稳定性。 l 曹志强等针对多移动机器人的队形优化控制任务, 采用 GA 优化多机器人行为合成所 需的控制参数。
  • 18.5.3 智能控制的主要应用 o 机器人智能控制技术的融合 l 模糊控制与变结构控制的融合 在模糊变结构控制器(FVSC)中，许多学者把变结构框架中的每个参数或是细节采用模糊 系统来逼近或推理，仿真实验证明该方法比PID控制或滑模控制更有效。 l 神经网络和变结构控制的融合 神经网络和变结构控制的融合一般称为NNVSC。实现融合的途径一般是利用神经网络 来近似模拟非线性系统的滑动运动，采用变结构的思想对神经网络的控制律进行增强鲁 棒性的设计，这样就可避开学习达到一定的精度后神经网络收敛速度变慢的不利影响。 经过仿真实验证明该方法有很好的控制效果。 l 模糊控制和神经网络控制的融合 利用模糊控制的思维推理功能来补充神经网络的神经元之间连接结构的相对任意性;以神 经网络强有力的学习功能来对模糊控制的各有关环节进行训练。可利用神经网络在线学 习模糊集的隶属度函数，实现其推理过程以及模糊决策等。在整个控制过程中，两种控 制动态地发生作用，相互依赖。
  • 19.谢谢大家！