针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明:神经网络对

运用牛顿—欧拉方法建立3-RPS并联机器人机构的逆动力学模型。通过使用Simmechanics将并联机器人物理模型导入Matlab/Simulink中,利用Simulink对机构进行动力学仿真以及验证机构的逆动力学模型。针对并联机器人的建模不确定性,提出一种基于不确定性系统的鲁棒控制方案,即分别通过基于标称模型设计系统的计算力矩控制器,来镇定标称系统;通过构建Lyapunov函数来构建系统的鲁棒补偿控制器,来消除由于建模不确定性引起的跟踪误差。通过将控制模型导入Simulink中对其控制效果进行验证,其具有较低的稳态误差精度,效果优于计算力矩控制策略。

以三自由度Delta并联机械手作为研究对象,在Simulink环境下建立基于虚功原理法得到的并联机构系统动力学求解模型,并在Simmechanics中建立系统物理模型。在系统动力学方程的基础上设计了基于动力学的模糊解耦控制器,综合考虑了机构的运动学和动力学特性。给出平台运动的期望轨迹,分别在Simulink和Simmechanics中进行逆动力学仿真分析,验证逆动力学方程的准确性,之后进行模糊解耦控制Simulink/Simmechanics联合仿真分析。运行结果表明,Delta机械手的响应符合预期期望,精度高于计算力矩控制,跟踪效果较好。