王躍靈，沈書坤，王洪斌
燕山大學工業計算機控制工程河北省重點實驗室，河北秦皇島

摘　　　要：針對不確定機器人系統軌跡跟蹤問題，并更好地消除系統不確定性對控制性能的影響，提出一種基于低通濾波器的迭代學習控制方法。采用滑模變結構控制（ＳＭＣ）以提高控制器對系統干擾和攝動的魯棒性，并在控制器輸出端引入低通濾波器（ＬＰＦ）來消除滑模控制中出現的抖振現象。將系統的不確定項描述為周期性和非周期性兩部分，通過采用迭代學習算法對周期性不確定部分進行迭代學習，采用ＲＢＦ神經網絡對非周期性不確定部分的未知上界進行自適應學習。該控制方法不僅對系統的不確定性和有界外部擾動具有魯棒性，而且使得整個系統在迭代域中是全局漸近穩定的。嚴格的理論推導和仿真結果表明了該控制策略的有效性。

關　鍵　詞：低通濾波；機器人；迭代學習控制；ＲＢＦ神經網絡；滑模變結構控制

１　引　言
針對機器人的重復性動作，考慮其不確定性和非線性特點，提出一種基于濾波器的不確定機器人迭代學習控制方法。將系統的不確定項描述為周期性和非周期性兩部分［１�玻玻荨５�代學習控制方法自提出以來就一直受到控制界廣泛關注，現已有大量關于迭代學習控制算法的研究成果［３�玻担荨５�代學習控制適合于具有某種重復運動性質的被控制對象［６］，且具有魯棒性，能實現完全跟蹤，控制器形式簡單，只需較少的先驗知識。徑向基（ＲＢＦ）神經網絡［７］可以以任意精度逼近任意的非線性函數，且具有全局逼近能力。因此，采用迭代學習控制學習周期性不確定部分，采用ＲＢＦ神經網絡自適應學習非周期性不確定部分的未知上界，并利用魯棒控制補償網絡學習的誤差，并在控制器輸出端加入低通濾波器，以有效地濾除高頻抖振控制信號。該控制方法不僅提高了系統對參數變化和外界干擾的魯棒性，而且保證了系統的全局穩定性。

登錄網站后可下載文件