简介:为nonholonomic的一个柔韧的适应控制器有未知运动学、动态的参数的活动机器人被建议。其产量是相关动态控制器的输入的一个运动学的控制器被使用背走的概念提供。一个适应算法在运动学的控制器被开发接近未知运动学的参数,和一个简单单个层的神经网络被用来表示高度非线性的机器人动力学以知道并且未知参数。以便在追踪性能上稀释不确定性和骚乱的效果,一个滑动模式控制术语被加到动态控制器。在为不明确的动态系统的反馈控制器的确定的设计,不确定性的标准上的上面的界限是重要线索保证靠近环的系统的稳定性。然而,因为不确定性的结构的复杂性,有时,这些上面的界限不能容易被获得。从而,简单改编法律在不确定性的标准上被建议到近似上面的界限处理这个问题。建议控制系统的稳定性通过Lyapunov方法被显示出。最后,为有二个激活的车轮的一个活动机器人的一个设计例子被提供,控制器的可行性被数字模拟表明。
简介:当察觉到环境时,一个类人动物机器人被察觉到的信息总是充满,;计算通常需要重要时间;处理察觉到的信息。在这篇论文,一条选择基于注意的上下文的感觉途径被建议让类人动物机器人与高效率察觉到环境。首先,注意窗户(AW)的涵义被扩大做一个更多的将军;AW的抽象定义,;它的四种操作;声明转变也被讨论。第二,注意控制政策被描述,它集成指导目的的感性的对象选择;错误答案抑制,;能处理突现的问题。错误答案抑制被用来过滤无关的信息。最后,注意政策被看作机器人的感性的模式,罐头控制它;调整感觉效率。试验性的结果证明介绍途径能显著地支持感性的效率,;感性的费用能有效地通过采用不同注意政策被控制。
简介:Basedonacontinuouspiecewise-differentiableincreasingfunctionsvector,aclassofrobustnonlinearPID(RN-PID)controllersisproposedforsetpointcontrolwithuncertainJacobianmatrix.Globallyasymptoticstabilityisguaranteedandonlypositionandjointvelocitymeasurementsarerequired.Andstabilityproblemarisingfromintegralactionandintegratorwindup,areconsequendyresolved.Furthermore,RN-PIDcontrollerscanbeofeffectivealternativeforanti-integrator-wind-up,thecontrolperformancewouldnotbeverybadinthepresenceofroughparametertuning.
简介:这份报纸基于模型引用论述一个新奇提高的人机器人的相互作用系统适应控制。介绍方法交付保证稳定性和任务性能并且让二控制环。一个机器人特定的内部环,是一个neuroadaptive控制器,在网上学习机器人动力学并且让机器人象一个规定阻抗模型一样反应。这个环不使用任务信息,包括没有规定轨道。一个任务特定的外部环考虑人的操作符动力学并且使规定机器人阻抗模特儿适应以便联合人机器人的系统为任务性能有理想的特征。这个图案基于模型参考适应控制,但是一种非标准的形式。网络结果是有扩充人的操作符提供人机器人的队的改进任务性能的两个适应阻抗特征和assistive输入的一个控制器。模拟在一项重复点对点的运动任务验证建议控制器的表演。一个PR2机器人上的实际试验性的实现进一步支持途径的有效性。
简介:这份报纸论述OCPA(发生作用之人或物调节概率的自动机)仿生的自治学习系统基于为解决一个二车轮的灵活机器人的平衡控制问题的Skinners发生作用之人或物调节理论。学习系统的OCPA由二个阶段组成:在第一个阶段,一个发生作用之人或物行动从一套发生作用之人或物行动随机地被选择然后用作控制系统的输入;在第二个阶段,学习系统收集系统的取向信息并且为优化使用它直到完成控制目标。同时,发生作用之人或物行动集合的尺寸能自动地为避免小概率事件在学习过程期间被减少。理论分析为在纸学习系统的设计OCPA被做,它理论上证明在学习系统的OCPA学习机制的发生作用之人或物调节的集中,也就是,发生作用之人或物行动熵将与学习进程收敛到最小。然后OCPA学习系统被用于姿势二车轮的灵活自我平衡的机器人的平衡控制。机器人不把posutre平衡处于起始的状态和在发生作用之人或物集合的每发生作用之人或物的选择概率的技巧是相等的。与学习继续,最佳的发生作用之人或物的选择可能性逐渐地逐渐地趋于到一个和发生作用之人或物行动熵趋于到最小,并且机器人逐渐地因此学习了姿势平衡技巧。
简介:在这份报纸,适应backstepping模糊cerebellar-model-articulation-control为活动操纵者的机器人(MMR)的运动/力量控制的神经网络的控制(ABFCNC)系统被建议。由在轨道位置控制器使用ABFCNC,MMR控制系统的未知动力学和参数变化问题被放松。另外,一个适应柔韧的赔偿者被建议消除由近似错误组成的无常,不明确的骚乱。基于追踪的position-ABFCNC设计,适应柔韧的控制策略也为MMR的nonholonomicconstraint力量被开发。适应联机的学习算法的设计被使用Lyapunov稳定性定理获得。因此,建议方法证明那是它能不仅保证稳定性和坚韧性而且MMR的追踪的表演控制系统。建议控制系统的有效性和坚韧性被比较模拟结果验证。