自適應機器人

自適應機器人的主要特點是具有自我調整功能，可適應本身或是環境變化。與傳統機器人相比，這一關鍵性的進步就是設計的機器人在完全不需要控制輔助的情況下進行自我調整。

基本介紹

• 中文名：自適應機器人
• 外文名：Adaptive robot
• 特點：具有自我調整功能
• 技術難處：在無控制輔助時仍能進行自我調整
• 重要性：自適應局限是推廣機器人主要障礙
• 套用學科：控制科學、計算機科學、機械工程

簡介

定義

機器人自適應能力的局限性是進一步推廣現代工業機器人的主要障礙。自適應機器人的主要特點是具有自我調整功能，可適應本身或是環境變化。與傳統機器人相比，這一關鍵性的進步就是設計的機器人在完全不需要控制輔助的情況下進行自我調整。

在一段示範中，拆下自適應機器人四條腿中的一條，機器人會來回搖擺，並激活兩個傾斜感測器，“覺察到”突變的情況。隨後機器人自己利用仿真軟體，建立一個虛擬模型，並採用該模型來測試在“殘廢”情況下新的漫步方式。一旦虛擬的測試獲得成功，機器人就會採用同樣方式進行真正的行走。

研究背景

隨著自動化技術的迅速發展，機器人愈來愈廣泛地套用於工業生產過程中，尤其是在柔性製造系統(FMS)和工廠白動化(FA)中，機器人的作用得到了充分的認識，成為現代化生產不可缺少的工具。而生產套用的進一步深入又對機器人在精度、速度以及效率等方面提出了更高的要求。目前，工業中大多數機器人都採用常規的PID算法，因是建立在對機器人的動態模型確切了解的基礎上，故在速度和精度要求不太高的情況下是完全可行的。

但是，實際中的機器人動態模型不可能精確知道，它是具有較強禍合的非線性系統，作為簡單的線性系統來處理，在許多情況下不能獲得理想的控制性能。為此，許多專家積極尋求新的機器人控制方法，一些控制理論的最新成果也被套用到這一領域，機器人的控制系統向智慧型化、精確化方向發展。

另一方面，計算機技術的發展也為這種套用創造了條件，從而促進了機器人的控制技術的進一步發展。針對機器人模型參數不確定的特點，自適應控制是公認的一種比較有效的辦法。近年來，國際上已有許多這方面有益的嘗試，提出了一些控制方案，如Dubowsky，Kiovo，Lee和Chun等人提出的幾種自適應或自校正方案。但是，他們的方案往往忽略了各關節之間的禍合性或沒有保證充分收斂性，因而僅限於一些較特殊的場合。

一般說來，自適應控制可以分為三類:模型參考自適應控制(MRAC);自校正控制(STAC);線性攝動自適應控制(LPAC)。這三種方法從不同角度去考察系統的不同方面，具有不同的特點，適用於不同的場合。

自適應控制方法

在模型參數不確切的情況下，控制將產生伺服誤差。為了克服這種現象，我們在常規控制的基礎上套用自適應控制，即施以兩種控制，一是用常規控制將機器人的實際軌跡控制在期望軌跡的某一鄰域內，另一是基於攝動模型的Lyapunov直接方法的自適應控制，由它進一步調節，使運動軌跡以漸近方式趨於望期軌跡。

n關節機器人的動力學模型可以表達成下列的狀態空間方程的形式

其中

T(t)是施加力矩;I是參數向量。設Z_d(t)是在T_d(t)作用下的期望狀態，I_d是期望的參數向量。根據上面的討論，假定經過常規的調節之後，實際軌跡在期望軌跡的某一5鄰域內，因此，可以對式套用Taylor級數展式，以得到下列方程

其中，dZ=Z-Z_d，dT=T-T_d，dI=I-I_d

令X=dZ，U=dT，，，

A(t)，B(t)和d(t)是決定於各關節的速度、位置的時變矩陣，若動態模型參數以一定的速度更新修正，則在一定的時間間隔內，可將攝動系統視為一個時不變系統，即

選擇自適應調節器的結構形式為

F(t)，G(t)和h(t)是具有相同維數的矩陣，將由下而的自適應律來調整，閉環的攝動動態系統則成為

對給定的正定對稱矩陣Q，選擇對稱正定矩陣P以滿足下列Ricati方程

並且選擇自適應增益矩陣T_1，T_2，T₃是對稱正定的，這時，自適應律即為

在上述自適應律的作用下, 攝動系統是漸近穩定的, 系統的結構如圖所示。

自適應機器人運動

研究背景

隨著機器人的工作速度和精度越來越高，所面臨的工作環境也越來越複雜，促使各國學者把現代控制理論套用到機器人運動控制領域，以解決高度非線性的控制問題。這些控制技術主要包括最優控制、隨機控制、自適應控制、模糊控制和神經網路控制等。機器人運動過程中，所面對的環境對象非常複雜，往往不能建立起精確的數學模型來具體地描述它。實踐證明，最優控制和隨機控制往往不能保證機器人運動控制的最佳特性，顯得效果不十分明顯。但自適應控制、模糊控制和人工神經網路控制有適應系統變化的能力，尤其是後兩種方法，在本質上可以實現非線性控制。

具體方案

是否能實時、靈活地避開障礙物是衡量機器人運動性能的一條關鍵指標。對於機器人來說，在運動過程中是否能快速、準確地對周圍環境作出反應，比如避開前進中的障礙物並且不間斷的移動到目的地，是非常重要的。在過去數年中有許多人提出各種各樣的方法來解決這個難題。最近幾年，有許多障礙規避的算法是建立在人工神經網路和模糊邏輯控制上的，並且有了相當大的成果。但考慮到神經網路的學習收斂性差以及模糊邏輯控制的控制規則過多的缺點，套用模糊神經控制技術，提出了一種新型的控制算法來實現機器人運動控制的實時、準確的規避障礙。這種方法主要通過套用一定量的模糊規則與神經聚類網路的結合，設計了一種啟發式的模糊神經控制網路，並且通過對該模糊神經網路進行離線的非監督式訓練，從而建立起感測器輸入信號和機器人運動速度之間的模式映射關係。相對於一般的運動環境，該算法提供給機器人較為迅速的反應能力，從而實現機器人連續、快速的規避障礙。

為了使機器人在運動過程中，對障礙物具有迅速的反應能力，必須在感測器輸入數據與控制輸出之間建立良好的映射關係。但是考慮到這種關係是非常複雜與非線性的，如果只用到平常的控制方法去解決這個問題將有一定的難度。然而人工神經網路卻具有驚人的處理非線性關係的能力，利用人工神經網路的這種優點來完成映射關係的成功建立。運動控制系統的結構，如圖所示。它主要包含兩個部分：左邊這部分是神經聚類網路；右邊這部分主要負責速度輸出的計算。設計的運動控制系統共有五個輸入感測器。

基於神經網路的機器人運動控制系統

向量參數的確定

神經聚類網路結構具有模式識別的功能，它含有三層，依次為輸入層、距離層和隸屬函式層。作為一種模式聚類的網路，通過訓練，每一種聚類就可對映一種原型模式。在此網路中，所有的原型模式對映於距離層中相應的權值向量W_j（1≤j≤c）。採用自組織特徵映射的算法來確定權值向量W_j以及原型模式的個數c。

首先需要建立訓練樣本資料庫，為了得出該模式聚類網路的權值參數，即得到各種類型的聚類形式，從而得出每一種障礙物的類型，必須通過建立合理的樣本訓練庫對該網路進行訓練。訓練庫中的數據雖然可以是無規則的，但是為了使訓練過程更清晰和有效，將反映機器人運動時，當前感知環境的期望類別分為9類。

分別用序號代表不同的感知環境：（1）為前方有障礙物；（2）為前方與右前方有障礙物；（3）為前方與左前方有障礙物；（4）為無障礙物；（5）為右方有障礙物；（6）為左方有障礙物；（7）為左方、左前方與前方有障礙物；（8）為右方、右前方與前方有障礙物；（9）為左方與右方有障礙物。根據實際設計中機器人感測器的測距範圍（5cm~150cm）和機器人自身的結構尺寸，得出反映機器人當前感知環境期望類別的期望特徵向量（輸入向量），該期望特徵向量組成用於訓練神經網路的訓練樣本資料庫。