面向运动学机器人控制中时变二次规划问题的严格预定义时收敛且抗噪声的分数阶零化神经网络
系统与控制
2025-03-05 v1 神经与进化计算
机器人学
系统与控制
摘要
本文提出一种严格预定义时收敛且抗噪声的分数阶零化神经网络（SPTC-AN-FOZNN）模型，专为解决运动学机器人控制中的时变二次规划问题（TVQP）而设计。该模型是首个在综合体现严格预定义时收敛性与鲁棒性方面且专为运动学运动控制而设计的可变增益ZNN。SPTC-AN-FOZNN通过引入符合莱布尼茨规则的符合性分数阶导数，推进了传统ZNN，该性质在其他分数阶导数定义中较少见。它还具备一种新型激活函数，以确保收敛性独立于模型阶数。与五个近期发表的循环神经网络（RNN）相比，配置于的SPTC-AN-FOZNN在TVQP应用方面展现出更佳的位置精度和对加性噪声的鲁棒性。广泛的实证评估，包括两种机器人机械臂的仿真以及Flexiv Rizon机器人的实验，均验证了SPTC-AN-FOZNN在精确跟踪和计算效率方面的有效性，确立了其在稳健运动学控制中的实用性。
引用
@article{arxiv.2503.01857,
title = {A strictly predefined-time convergent and anti-noise fractional-order zeroing neural network for solving time-variant quadratic programming in kinematic robot control},
author = {Yi Yang and Xiao Li and Xuchen Wang and Mei Liu and Junwei Yin and Weibing Li and Richard M. Voyles and Xin Ma},
journal= {arXiv preprint arXiv:2503.01857},
year = {2025}
}
备注
13 pages, 10 figures; as accepted for publication