基于仪器变量的DREM的机器人复合自适应扰动抑制

本文考虑受未知外部扰动影响的机器人系统的轨迹跟踪问题。考虑可能的解决方案，我们将注意力限制在复合自适应方法上，这种方法特别确保参数误差收敛，这有利于增强闭环系统的整体稳定性和鲁棒性。同时，现有的复合方法无法同时放宽严格的激发保持要求并保证参数误差在扰动情形下收敛到零。因此，提出了一种新的复合自适应方案，该方案成功地克服了已知方案所面临的上述问题，并具有若干突出特点。首先，它包括一种针对一般n自由度Euler-Lagrange形式动力学模型的新型自适应扰动抑制控制律。该控制律在未实现参数估计目标的情况下，通过应用高增益外部扰动观测器 augmented with some adaptation law 来确保全局稳定性。其次，该控制律通过最近提出的基于仪器变量的Dynamic Regressor Extension and Mixing（DREM）程序推导出的复合分量进行扩展，该程序放宽了激发条件，并在某些非严苛假设下确保外部扰动下的参数估计和参考跟踪收敛。一个说明性例子展示了该方法在与现有解决方案比较时的有效性和优势。