具有在线学习的柔性关节机器人自适应神经轨迹跟踪控制

协作机器人与空间机械臂存在显著的关节柔性。这使控制设计复杂化，降低了控制带宽，并限制了跟踪精度。对柔性关节动力学认知的不精确进一步加剧了这一挑战。本文提出了一种用于控制柔性关节机器人的新控制架构。我们的方法使用多层神经网络来逼近前馈控制所需的未知动力学。该网络可视为机器人动力学的参数线性表示，其中机器人动力学的非线性基连接到线性输出层。输出层权重根据跟踪误差和非线性基进行更新。非线性基的内部权重通过在线反向传播进行更新，以进一步减小跟踪误差。利用时间尺度分离来降低这两个步骤的耦合——内部权重的更新速率低于输出层权重的更新速率。通过输出层权重的更新，我们的控制器能够快速适应未知动力学变化与扰动（如挂载负载）。内部权重的更新将持续改善非线性基函数的收敛性。我们展示了所提方案在“外环”控制下的稳定性，其中指令关节位置被视为控制输入。通过仿真与物理实验，在 Baxter 机器人上验证了所提控制器的性能，该机器人因串联弹性关节驱动器而表现出显著的关节柔性。