机械手的组成与原理

机械手由多个通过关节连接的连杆组成。每个关节都有一个致动器，驱动关节旋转或滑动。驱动扭矩由控制器给出。机械手是非线性、多/输入、多/输出系统。移动一个关节会影响另一个关节的动力学，因此机械手也是耦合的多/输入、多/输出系统。

即使在工业用途的结构良好的环境中，机械手也会受到结构化和/或非结构化不确定性的影响。结构不确定性主要是由于机械臂连杆特性不精确、载荷未知等造成的。非结构化的不确定性是由未建模的动力学引起的，例如非线性摩擦、扰动和动力学的高频部分。

尽管存在这些复杂性和不确定性，但机械手（n 个关节）可以以一般形式建模为

(5.1)H(q)q¨+C(q,q˙)q˙+G¯(q)+F(q,q˙)=τ(q,q˙,q¨),

其中q是关节位移的n × 1 向量，τ 是施加的关节扭矩的n × l 向量， H ( q ) 是n × n对称正定操纵器惯性矩阵， C(q,q˙)q˙是向心力矩和科里奥利力矩的n× 1 向量，G¯(q)是重力力矩的n× 1 向量，并且F(q,q˙)是动力学的非结构化不确定性，包括摩擦和其他干扰。C不是的，但可以这样选择H˙=C+C吨将举行。

为此类系统设计理想控制器是当今控制理论中挑战性的任务之一，尤其是当要求机械手快速移动同时保持良好的动态性能时。传统的控制方法已经使用了大约 20 年，试图解决这个问题。PID 已成为用于工业机械手控制器的主要方法。PID 控制器 [ 11 , 16 , 23 ] 简单且易于实施。如果重力转矩得到补偿，虽然静态精度很好，但 PID 控制器的动态性能还有很多不足之处。

计算扭矩方法 (CTM) [ 4 , 13 , 17 ] 如果其假设有效，即机械手动力学是*已知的，则可以提供非常好的性能。如果我们知道如何计算H,C,G¯, 非结构化不确定性, F , 不存在, 并且q,q˙可访问，CTM 表示为

(5.2)τ=H(q)[q¨d+Λ(q˙d-q˙)+(qd-q)]+C(q,q˙)q˙+G¯(q),

在哪里qd,q˙d,q¨d是期望的关节位移、速度和加速度，Λ 是一个常数矩阵，选择它使得s 2 I + Λs+I = 0 在复平面的左侧具有所有解。CTM 与神经控制领域中的逆模型方法非常相似。尽管如果知道精确模型，CTM 会提供非常好的性能，但由于无法获得精确模型，因此在实际应用中它的价值非常低。非结构化和结构化的不确定性是不可避免的。

自适应控制方法( ACM) [ 3 , 5 , 19-21 ] 已被提出来应对结构化的不确定性，其中直接自适应控制是一种典型的方法。在不考虑式（5.1）的机械臂动力学的非结构化不确定性（F ）的情况下，直接自适应控制方法需要将机械臂动力学重写为

(5.3)H(q)q¨+C(q,q˙)q˙+G(q)=[是(q¨,q˙,q)]吨一种.

尽管参数向量 a的确切值不需要先验，但在大多数实际机械手中，要获得方程 (5.3)的动态形式仍然非常困难。此外，ACM 并没有解决非结构化不确定性的问题。

操纵器控制的常规方法可以总结如下。PID 的动态性能非常差。CTM 和 ACM 可以解决这个问题。然而，他们面临三个困难。首先，我们必须对单个操纵器有详细的显式先验知识，例如，我们必须知道H、C和G¯在 CTM 中，或者我们必须知道如何以方程（5.3）的形式表达机械臂动力学，以及如何计算自适应控制中的Y。这种先验知识在大多数机械手中很难获得。其次，真实机械手中存在的不确定性严重贬低了这两种方法的性能。ACM虽然具有应对结构化不确定性的能力，但并不能解决非结构化不确定性的问题。第三，这两种方法的计算量都非常高。由于控制采样周期必须在毫秒级，这种高计算负载需要非常强大的计算平台，导致实现成本高。

神经网络有可能克服传统控制方法遇到的所有困难。由于它们的通用逼近特性，它们可以用作适用于任何机械手的通用控制器。凭借其学习能力，神经网络可以通过离线和/或在线学习来提高其性能并最终获得令人满意的结果，而无需明确了解机械臂动力学。它们的并行计算结构可以帮助解决高计算负载问题。

许多研究工作已经投入到用于机械手控制的神经网络应用程序的设计中。Albus [1]在 1975 年使用小脑模型关节控制器 (CMAC) 来控制机械手。虽然当时他没有声称，但 CMAC 现在是一种流行的神经网络类别。米勒等人。[ 14 , 15 ] 和卡夫等人。 [12]扩展了 Albus 的结果并开发了神经网络学习算法。饭古尼等人。 [7]将机械手线性控制技术与用于补偿非线性不确定性的反向传播(BP) 神经网络相结合。川藤等人。 [10]在原始机械手控制系统中添加了BP 网络作为前馈补偿器。尽管所有作者都声称模拟甚至实验结果非常好，但缺乏理论分析和稳定性保证使得工业家对在实际工业环境中使用结果持谨慎态度。