仿人智能PID控制器设计

仿人智能PID控制器设计（共6篇）

仿人智能PID控制器设计 篇1

随着当今工业和科学技术的飞速发展,智能控制理论的研究也经历了由简单到复杂的过程。近十几年来,仿人智能控制在工业中也得到了广泛的应用。对于一个复杂的控制对象,用传统的控制理论和方法很难对其进行控制,但人可以对它实现有效的控制。本课题主要目标是研究仿人控制器,对操作者的控制行为进行模拟。仿人控制器的主要任务之一是获取仿人控制规则。粗糙集理论是一种从数据中提取规则的数学算法,利用该算法可以从人的控制行为数据中,提取人的控制行为规则。将粗糙集理论的优点和控制理论相结合,便产生了基于粗糙集的控制理论和控制方法。国内外在此领域取得了一些研究成果[1],但还只是处于起步阶段,应用的实例并不多,值得进一步研究,研究成果可促进仿人智能控制的发展,对实际复杂对象的控制有指导意义。

1 基于粗糙集的仿人智能控制器的设计方法

粗糙集是一种软计算方法,利用它可以从数据中获取有用的知识或规则。在粗糙集中,知识是以信息表的形式表示的,如果信息表中的属性集合被分为条件属性集和决策属性集,则信息表就变成了决策表[2]。

1.1 决策信息表和仿人智能控制器之间的关系

设一个具有单一决策属性的决策表为:

式中,U={u1,u2,…,un},C={c1,c2,…,cm},VC=∪c缀CVc,fc:U×C→VC,fd:U×{d}→Vd;决策规则集为DR={r1,r2,…,rn}。

由该决策表知,fcij(ui,cj)=vcij缀Vc,i=1,…,n,j=1,…,m,fid(ui,d)=vid缀Vd,i=1,…,n。

由此,可以建立决策表和仿人智能控制器之间的关系:

设系统的特征基元集为决策表中的条件属性集,即

系统的特征状态可以用系统的特征模型来描述,即

于是有准i={vci1∩vci2∩…∩vcim},i=1,…,n

可见,决策表中第i个对象下的所有条件属性的值域可以表述系统的第i个特征状态,所以用决策表中条件属性的所有值域可以表示被控系统的特征模型。

另外,设决策表中的决策属性集{d}为仿人智能控制器的输出特征集,则输出信息可以用控制(决策)模态来描述,即ψ={ψ1,ψ2,…,ψl}。

在决策表的定义下,有ψi:vid=fid(vci1,vci2,…,vcim),决策表中的第i个对象下的所有条件属性的值域均满足时,则对应决策表中决策属性下的第i个决策值vid。对于仿人智能控制器而言,如果控制器的输入信息系统的第i个特征状态为准i,则vid就是该特征状态下控制器的输出。

可以将一些相应的特征记忆量加入到决策表的条件属性的值域中,让它们共同构成仿人智能控制器的输出依据。

由以上分析知,决策表中的决策规则集和仿人智能控制中的两种映射(Ω:准→ψ,ψ:R→U)相对应。

1.2 粗糙集仿人智能控制器的设计方法

设计仿人智能控制器的主要目的就是从人的控制行为数据中提取有效的控制规则[3]。根据RST的思想给出仿人智能控制器的设计方法和步骤(设被控系统为单入单出系统)。

(1)建立原始的决策信息表。

首先设系统的特征基元集为决策表的条件属性集C,再设仿人智能控制器的输出特征集{y};然后根据C和{y}对人(熟练的操作者或专家)的控制行为进行采样。图1是一个操作者控制系统的控制框图。

图1中,g是给定,y(k)是系统的输出,e(k)=g-y(k)是误差,操作者可以根据误差的大小决定自己的控制行为x(k)。

可以设原始决策信息表的条件属性集(系统的特征基元集)为:

仿人智能控制器的输出特征集为D={y(k)}。可见只要对操作者的控制输出信号和系统的输出信号进行采样即可。于是根据采样数据得到仿人控制器的原始决策信息表为:

其中,U={x1,x2,…,xn},VC和VD分别为条件属性集C和决策属性D的值域,f:U×(C∪D)→(VC∪VD)是赋值函数。

(2)原始的决策信息表K的离散化。

第一步得出的是一个连续量的决策信息表,为了提高所获规则的分类质量、减少规则数量和规则的适应性,必须对其进行离散化处理。

如果考虑决策表属性值之间的不可分关系,对由同一个实际系统的不同数据样本所建立的决策信息表而言,将会得出不同的离散化结果,所以采用人为经验的离散化方法,即在条件属性的值域VC集合和决策属性的值域VY集合内人为地设定断点集合。根据属性x(k)、Δx(k)和y(k)的值域范围,人为地在VC上确定k个断点值(c1a,c2a,…,cka),利用这些断点可以将VC划分为k+1个连续的子区间,即Pc={[c0a,c1a],[c1a,c2a],…,[cka,cak+1]}。然后用k+1个不同的码(离散值)来代替这k+1个子区间,如离散码i就代表区间[cia,cai+1],这样属性c的值域就被离散化完毕。如果所有属性的值域都被离散化,则决策信息表就变成一个离散的决策信息表。

对K进行离散化处理,得到离散化的决策信息表为:

式中,d VC和d VD分别为条件属性集C和决策属性D的值域离散化后的离散码的码域;df:U×(C∪D)→(d VC∪d VD),是赋值函数。

(3)离散的决策信息表的约简。

由于条件属性太多,有些条件属性对决策而言可能是多余的或者是不重要的。为了得到决策表必须对原始决策表进行约简。

求出条件属性集C中的每一个属性相对于决策属性y(k)的重要性度量,然后根据各条件属性的重要性度量系数去掉那些对决策属性而言不必要和次要的条件属性,于是就将决策信息表约简成决策表,即

在构成原始决策信息表的过程中,决策属性和系统的输出一一对应,而条件属性通常是根据经验所选定的,初步认为条件属性集合中的各属性对决策属性有影响,即认为系统的输出(对应决策属性)是由那些和输入有关的因素(对应条件属性)所决定的。通过约简运算,在条件属性集中可以去掉那些对决策属性没有影响或相对影响较小的属性,实际上是去掉了在选取条件属性时一些不正确或依据较小的假设。

(4)从约简的决策信息表中获取原始的决策规则。

从离散的决策信息表KS中,可以得出一些决策规则,用这些决策规则就构成了原始的决策表。从KS中首先计算出U/C'和U/y中的所有等价类所对应的决策因子,然后给出一个决策因子的阈值,将大于该阈值所对应的规则确定为可信的决策规则,小于该阈值所对应的规则就是不可信的决策规则,舍去这些不可信的规则。最终,便获取了一个原始的决策规则集,用该规则集构成一个原始的连续量决策表。

如果取决策因子的阈值大于0.5,原始决策规则集中的所有规则都是一致的,去掉了那些可信度低的规则,实际上是对规则集进行了一致性处理。

(5)原始决策表的完备化。

增加原始数据不可能完全消除原始决策表中空的和不可信的规则项,即得到的原始决策表是不完备的。对于一个连续量的决策系统,一个不完备的决策表是不可能用来决策的,所以必须进行完备化处理。

(6)控制规则的检验。

因为原始决策表中规则的决策因子的阈值取为0.5,所以其中必然包含着不确定的规则,另外在原始决策表完备化的过程中有人为补入的规则,所以完备化决策表中的规则必须进行实际系统的检验。最后得到仿人智能控制器的控制规则集为:

(7)设计仿人智能控制器的其它模块。

基于RST的仿人智能控制器的结构框图如图2所示。

在图2中,CI是特征辨识器,它根据系统给定信号g和经过滤波FM处理后的系统输出信号y以及系统输出误差e,判断系统的当前运行状态;DB是数据库,主要存放系统以前的运行状态;RB是规则库,存放根据RST所设计的控制规则集;IE是推理机,它根据系统当前或以前的运行状态将规则集映射到控制模态集,则给出相应的规则输出;OT是输出转换单元,它将推理机的输出转换成实际的控制输出信号。

2 结语

提出把粗糙集理论应用于仿人智能控制的新方法,采用粗糙集理论对人的控制行为数据的条件属性进行约简,删除了冗余信息,提出了关键信息,最终抽取出控制规则。这种方法完全是由数据驱动,不需要任何先验知识和理论公式,因此具有独特的优点,是解决诸如时变、大范围非线性、耦合、不确定性等对象控制的有效方法之一。

参考文献

[1]谢克明,扬静.粗糙集理论及其在智能控制领域的应用前景[J].太原理工大学学报,1999,30(4):338-342

[2]张文修,吴伟志,等.粗糙集理论与方法[M].北京:科学出版社,2001

移动机器人仿人智能控制的研究 篇2

摘 要：机器人的研究涉及很多方面，例如传感器技术、人工智能技术、控制理论和计算机技术等，并且制造出的机器人需要具备高准确性和高灵活性的移动能力，才能更好地为人们服务。现代的机器人的设计中普遍会运用到仿人智能控制算法，其通过开闭环控制和定量与定性结合的控制方式来实现机器人移动更快、更准确的特性。虽然我国近年来在移动机器人的研究方面已经取得了一定的成果，但是还不够完善，仍然存在着许多需要解决的问题。

关键词：移动机器人；仿人技术；智能控制；思考研究

研究移动机器人，就需要解决其在移动过程中的定位、导航、控制和路径规划这一系列的问题。在这之中传感器的功能就被体现了出来，通过传感器可以让机器人实时把握环境信息，并在之后通过信息的整合，找到一条最合理的路径规划。所以移动机器人不仅可以被看作是一种自主式智能系统，也是一种高度智能化的自动化机器。移动机器人的仿人智能控制研究目前已成为了一项热门研究。

一、研究的目的和意义

实现移动机器人的全智能化可以说是现在我们每个人所期待的事情。而就而目前的技术和科技发展水平来看，距实现移动机器人的全智能化仍需要一段时间。但是随着现今科技发展水平的不断提高，移动机器人的研究已经逐渐进入到了一个新阶段。移动机器人的智能化、信息处理技术和适应性已经越来越强，而且我们已经开始追求更高层次的机器人的研究。当然，机器人的研究过程中仍旧有着一系列的问题，其会很容易受到环境因素的影响，也存在例如参数误差和未建模动态等问题。所以我们目前亟待解决机器人系统的不确定问题和自主的决策路径问题，使它们变成高度智能化的智能机器人。

然而，虽然我们目前在机器人的研究过程中取得了一系列的成就，但是也越来越受到来自符号处理的压力，符号处理工作做不好，机器人就会遇到在知识表示和信息处理方面的问题，这就要求我们研究出一套智能的算法使得机器人能够有组织的进行自主学习。算法在早期主要体现为符号主义、进化算法和模拟退火算法等，随着研究的发展，目前已经发展成为了结合多门学科、信息和技术的智能算法，并已经被普遍的应用。

智能算法目前被分为三大趋势：首先是改进经典算法并对其进行进一步的理论和实验研究；其次是通过开发新型的智能工具，在扩宽其应用领域的同时寻找到其理论基础，使得新型的智能工具能够在这个瞬息万变的社会中立稳脚跟。最后就是一种混合智能算法，是通过传统算法和智能算法的结合得到的。面对当今不断涌现新算法的现象，我们需要尽快的进行理论研究并开发新型的智能工具。

二、移动机器人的系统架构

（一）移动机器人硬件系统架构

移动机器人的硬件系统主要由路径识别系统模块、电源模块、直流电机驱动模块、无线通讯模块和测速模块这六大模块所组成。其中路径识别系统模块是移动机器人路径跟踪控制中至关重要的一部分，它可以控制移动机器人行走的速度，就像我们人类离不开眼睛一样，移动机器人也离不开路径识别系统模块。其主要是通过红外检测的方法来帮助机器人进行道路规划，红外接收管会通过区分不同程度的红外光来区分白天与黑夜，移动机器人的路径姿态和稳定性可以通过双排红外传感器来进一步确定。电源模块中每个模块需要的电压是不同的，例如单片机系统和传感器电路5V就够用，而舵机需要6V，针对这一特点，就需要利用开关电源调节器，它可以控制开关的导通和截止时间，从而不仅可以使工作中的热损失降低、提高了电源的利用率，还可以抗干扰、增强设备的稳定性。绝大多数的直流电机驱动都采用控制半导体功率器件工作在开关状态的开关驱动方式，再通过桥式驱动器可以实现多种输出控制、通讯功能和电平控制这些功能。无线通讯模块则主要负责的是移动机器人的行动状况的了解和反馈，及时的采集其在移动过程中的各种信息。而测速模块就是计算机器人的行驶速度，主要是通过检测红外收发对管在一定时间内输出高电平或者低电平的脉冲数来计算。

（二）移动机器人软件系统架构

移动机器人的软件系统主要经历初始化过程、数据采集和处理以及控制器设计这三种阶段。其中在初始化过程中，主要包括时钟初始化、PWM初始化、SCI串行口通信初始化、AD模块初始化和定时器模块这五部分。而采集的数据主要是两组AD转换之后的数据，但是这些数据很可能在传输的过程中受到外界环境的干扰而造成每个传感器的电压值显示不同，所以就需要我们对这些数据进行处理来排除偏离的数据使得数据能够一致。最后就可以进行控制器设计这一部分了，控制器在设计的时候要考虑到整理过后的数据，并且找到最适合移动机器人的速度和转角控制策略进而正确的控制机器人的自主移动。

三、 移动机器人在机械生产中的应用

（一）移动机器人在机械生产过程中的智能监控

在进行机械生产过程中，需要对各个环节的生产进行智能监督，例如炼油、轧钢、材料加工、核反应等，在其机械生产过程中经常会出现一系列的问题，影响了生产的正常运行，加强对机械生产过程的监控以确保机械性能的可靠性。为了提高机械性能的精度，以提高产品的稳定性和质量，以保证机械生产流程的顺利进行。例如轧钢机的神经控制、旋转水泥窑的模糊控制、分级智能材料处理、分布式材料加工系统、工业锅炉的递阶智能控制、智能pH值过程控制以及基于知识的核反器控制等，这样一来可以保证机械生产的整体效率。

（二）移动机器人在飞行器中的智能控制

移动机器人的智能控制在飞行过程得到了广泛的应用。大部分商用飞机都配备了可供选择的自动降落系统。基于神经网络的飞行器可以对紊流和其他非线性流进行有效的控制。此外，神经网络还可以对未识别线性或非线性关系进行有效的处理，而这些关系均是驾驶员能够运用的。在原则上移动机器人智能控制能够从一个大的变量集合转化为另一个变量集合，如从传感器参量转化到控制动作或操作模式的映射。上世纪80年代以来， 移动机器人智能控制在飞行器中得到了广泛的应用，大大提高了飞行器的安全性和运行效率。

参考文献：

[1] 陈情，薛方正.工业机器人的仿人智能控制[J].重庆理工大学学报：自然科学，2012，26（7）：42-49.

[2]李楠，陈韶飞，薛方正，等.用 IGA 优化的直流电机的仿人智能控制[J].计算机工程与应用，2011，47（14）：226-229.

仿人智能PID控制器设计 篇3

关键词：倒立摆,自摆起及稳定控制,模糊仿人智能控制,仿真

在控制理论发展的过程中,某一理论的正确性及实际应用中的可行性不仅需要仿真来验证,也需要一个按其理论设计的控制器去控制一个典型对象来验证,倒立摆就是这样一个常用的被控对象。

对于倒立摆系统而言,自摆起倒立平衡问题的研究更加具有挑战性。要解决这个问题,就要设计一个控制器,使它能够将倒立摆的摆杆从竖直向下的自然状态摆动到竖直向上的位置,并在尽可能短的时间内使摆杆稳定至平衡位置附近。目前国内外针对此问题的研究已经很多,许多学者都从不同角度提出了解决方法。

仿人智能控制具有良好的响应速度,能妥善地解决控制过程中的稳定性和准确性、快速性之间的矛盾,但是由于频繁的模态切换易受外界的干扰,而模糊控制器由于对误差和误差变化率的模糊化,具有良好的抗随机干扰能力[1,2]。因此,把仿人智能控制与模糊控制相结合,应用于倒立摆系统的自摆起倒立平衡的控制中,保证了倒立摆系统的自摆起倒立平衡过程的快速性,提高了倒立摆系统在模态切换中的抗干扰性,取得了令人满意的效果。

1倒立摆系统的数学模型

一级倒立摆系统是由滑动小车、摆杆、导轨和驱动电机组成。在忽略了空气阻力和各种摩擦之后,系统可以抽象成由小车和匀质杆组成,如图1所示。

通过对系统的力学与运动学分析,建立系统的数学模型

$\{\begin{array}{l}({\rm M}+m)\ddot{x}+ml(\ddot{\theta }\cos \theta -\dot{\theta }{}^2\sin \theta )=u\\ ml\ddot{x}\text{c}\text{o}\text{s}\theta +ml\ddot{\theta }=mg\text{s}\text{i}\text{n}\theta \end{array}(1)$

为建立倒立摆的状态方程,将系统模型作如下变换

$\{\begin{array}{l}\ddot{\theta }=\frac{g\text{s}\text{i}\text{n}\theta +\cos \theta (-u-ml\dot{\theta }{}^2\sin \theta )}{l\left(\frac{4}{3}-\frac{m\text{c}\text{o}\text{s}{}^2\theta }{{\rm M}+m}\right)}\\ \ddot{x}=\frac{u+ml(\dot{\theta }{}^2\sin \theta -\ddot{\theta }\cos \theta )}{{\rm M}+m}\end{array}(2)$

式(2)中,u为加在小车上的控制作用,θ为摆与垂线的夹角(以竖直向下为0°,竖直向上为180°),$\dot{\theta }$为摆的旋转角速度,$\ddot{\theta }$为摆的旋转角加速度,$\dot{x}$为小车水平方向速度,$\ddot{x}$为小车水平方向加速度[3,4]。φ是摆杆自起摆至竖直位置所摆动的角度范围,φ=π-Q。

2一级倒立摆系统模糊仿人智能控制器的设计

一级倒立摆系统是典型的单输入多输出的非线性多变量系统,系统内各变量间存在着很强的耦合作用,且这种耦合作用将随系统的运动而不断变化。考虑实际的可能情况,本文将一级倒立摆系统的自摆起倒立平衡分为两个阶段:自摆起控制阶段和稳定控制阶段。

2.1 自摆起控制阶段

自摆起是倒立摆从一个稳定的平衡状态在程序外力的作用下转移到另外一个平衡状态。在这个过程中,要求摆起快速,但又不能过于超调。仿人智能控制具有开、闭环控制相结合以及定性决策与定量控制相结合的多模态控制的特点,

为此本阶段以仿人智能控制为主。摆起阶段的控制规则如下:

if$e\dot{e}>0$且$\dot{e}>w{}_0$then u=U

if$e\dot{e}<0$且$\dot{e}>w{}_0$then u=-(U+b)

if$\dot{e}<w{}_0$then u=0

其中,e表示摆角偏差,$\dot{e}$表示摆角的变化速度。U为一正作用,b为一正常数。w0表示偏角变化速度的阈值。给小车施加控制作用u,称为激振起摆。在激振起摆的过程中,控制作用不断地增加单摆的摆动动能来达到起摆的目的。当控制误差趋于增加时,仿人智能控制器发出强烈的控制作用,抑制误差的增加;而当误差有回零趋势或开始下降时,由于摆杆左右摆动时间不均,再加上惯性、摩擦等因素的影响,小车左右运动的幅度会不一样,进而导致小车在摆动过程中逐渐移向一侧,以至于发生撞墙,所以采用不对称的控制作用。同时,为防止摆杆速度过大,使摆杆到达倒立点时速度为零,不产生过调,可在适当的时刻令u=0,以避免起摆过量。

2.2 稳定控制阶段

设偏差e=π-θ,e0为偏差阈值,当e≥e0时为自摆起控制阶段,而当摆杆距离目标倒立点的偏差e<e0时,系统进入稳摆阶段。为了提高系统的抗干扰能力,此阶段以模糊控制为主。

倒立摆的稳定控制不仅要考虑到摆杆的倒立和平衡,而且还要使小车稳定在期望的位置。本文把小车的位置和速度作为输入量,组成一个位置模糊控制器,把模糊控制器的输出看作摆杆的一个虚拟角度,乘以一定的虚拟系数后与摆杆的实际角度一起作为角度模糊控制器的输入量[5],其结构示意图如图2所示。

位置模糊控制器和角度模糊控制器都是两输入单输出模糊控制器。位置模糊控制器是以小车位移误差e1和小车速度误差$\dot{e}$1为输入,以u1为输出量。角度模糊控制器是以摆角偏差e和偏差变化率$\dot{e}$为该模糊控制器的输入,u为控制输出量。变量的论域都取[-3,3],均采用七级分割,表示为[NB,NM,NS,ZO,PS,PM,PB]。

为了实现模糊系统的反模糊化,本文选择重心法,它是取模糊隶属度函数曲线与横坐标围成面积的中心为模糊推理最终输出值。

2.3 切换控制

切换控制器用来完成仿人智能控制器和模糊控制器之间的切换。一旦摆杆到达了合适的位置并具有适当的角速度,即当e<w0就应该切换到稳定控制器。稳定控制器有效的范围大概在正上方位置的±20°附近(以摆杆竖直向上为0°),在此范围内模糊控制器对倒立摆的控制作用是有效的。设定阈值为20°,仿人智能控制器具有在线特征辨识功能,会通过模式识别当前的角度来确定系统当前处于什么样的特征状态,决定是接受起摆控制器的控制还是稳摆控制器的控制。如果当前摆杆角度距离正上方大于或等于20°,接受起摆控制器的控制,需要通过几次摆动积蓄一定能量,摆杆摆动的幅度越来越大,直至当前角度小于20°,切换至稳定控制器的控制,使摆杆稳定在倒立平衡位置附近,完成自摆起稳定控制。切换控制仿真实现时可由switch开关来完成,为了避免可能出现的小车的剧烈摆动或摆杆的抖振现象,可以在20°左右取一个区间[15°,30°],在这个区间内的控制器的输出量取全值的80%,当摆杆偏角大于30°或小于15°时,输出量恢复全值。这种切换式的结合方式,可以保证无扰切换,实现平滑过渡。

3 仿真及分析

根据以上讨论过的一级倒立摆系统的状态方程和输出方程,在Matlab环境下利用Simulink仿真工具构造一级倒立摆对象的非线性模型,运用文中介绍的模糊仿人智能控制方法来建立控制器的模型,测试控制效果。仿真曲线如图3所示。

从仿真曲线可以看出,小车经过7个来回的运动将倒立摆摆起,之后系统稳定在平衡位置附近,整个过程不超过9 s。即在9 s的时间内,摆杆由竖直向下位置摆动到竖直向上的位置,φ的弧度是0 rad→π rad。同时,摆杆摆起至离正上方0.27 rad(15.5°)附近由仿人智能控制器切换至模糊控制器,摆杆到达平衡位置附近时快速平稳而没有出现角度剧烈变化的现象。文献[6]中倒立摆系统在起摆过程中摆杆要经过8次往返摆动,到达稳摆控制区域大概需要12 s的时间。相比之下,本文的控制算法能够更加快速完成起摆及稳摆过程,有效地抑制了系统的抖振,改善了控制效果。

4 结论

运用模糊仿人智能控制对一级倒立摆系统进行自摆起倒立平衡控制,在自摆起阶段采用仿人智能控制,完成快速起摆的过程,平稳切换至稳定控制阶段后控制策略变换为模糊控制,将倒立摆稳定控制在平衡位置附近,实现了对倒立摆系统的自摆起倒立平衡控制。设计思路简单易行,具有较好的控制效果。

参考文献

[1]刘琛,周军.倒立摆变结构控制系统的设计与实验.科学技术与工程,2007;7:1351—1354

[2]苏玉刚,张邦礼.仿人智能模糊控制器及其仿真分析.重庆大学学报(自然科学版),2002;25(4):55—60

[3] Yi Jianqiang,Naoyoshi Yubazaki,Kaoru Hirota.Anewfuzzy controllerfor stabilization of parallel-type double inverted pendulum system.Fuzzy Sets and Systems,2002;126:105—119

[4]么健石,龙德,徐心和.基于动觉图式的平面倒立摆摆起控制.东北大学学报,2005;26(6):531—534

[5] Suriya Thongchet,Suwat Kuntanapreeda.A Fuzzy-neural bang-bangcontroller for satellite attitude control.The Journal of KMITNB,2001;11(4):11—17

仿人智能PID控制器设计 篇4

仿人机器人是近年来发展起来的综合学科.它集中了机械工程、电子工程、计算机工程、自动控制工程以及人工智能等多种学科的最新科研成果, 代表了机电一体化的最高成就, 是目前科技发展最活跃的领域之一[1]。

可变形是仿人机器人改变自身尺寸、高低和大小的一种重要能力[2]。由中国科学院沈阳自动化研究所信息服务与智能控制实验室研制的可变形仿人机器人SIAHMR-I上身躯干由分布在不同平面的微型电动推杆群组成, 在对上身躯干某一尺寸进行控制时, 所控制的电动推杆位置量与该尺寸存在非常严重的非线性关系, 而且与其他关节尺寸存在较严重的耦合关系, 本文选择较简单的BP神经网络, 不仅其训练简单和技术成熟, 而且实际实现时较为简单;由于人体躯干关节尺寸的不规则和随意性, 对某一关节尺寸进行运动规划分解时, 本文采用了基于专家经验的模糊控制策略可以解决该问题且在进行具体实际实施时较为容易, 对于仿人机器人的仿人尺寸变化国内目前没有此类研究, 因此本文所作的研究工作意义重大。

1 可变形仿人机器人SIAHMR-I末端执行机构

SIAHMR-I的上身躯干末端执行机构统一采用的是微型电动推杆系统。每个微型电动推杆由N20减速电机、减速机构、M4丝杆和位置电位计等组合而成, 实际的中央控制器采用Atmel公司的AVR mega16。通过Matlab/Simulink中的Sim Mechanics工具包将Solidworks机械模型图导入Simulink中进行建模仿真, 经过简化相关参数、线性化处理等[3]可得微型电动推杆的传递函数为:

对微电推杆的控制采用传统的PID控制器, 利用工程凑试法[4]对PID控制器参数进行凑试, 得当Kp=12, Ki=0.1, Kd=3.2时, 可以取得较好的控制效果, 微电推杆的控制阶跃响应曲线如图1所示。

在电推杆的实际控制中, 由于电位计输出电压信号和电推杆输出呈现较严重的非线性正比关系, 因此在实际的位置控制中采用通过控制电位计输出电压的方式来达到控制电推杆位置的效果。利用微型单片机实现控制算法时, 采用增量式数字PID算法较宜。

SIAHMR-I的微电推杆实际控制结构如图2所示。

2 BP神经网络设计

SIAHMR-I上身躯干末端执行机构由12对自制微型电动推杆分布在空间的三个不同方向通过中心固定机械轴从上到下固定到不同的平面上, 对称的一对微型电动推杆放置在同一个平面上, 被设计为一个CAN智能节点, 挂接在CAN总线上与PC机进行通信, 由PC机经过控制器运算后发送相应的位置指令至每一对微电推杆, 从而实现SIAHMR-I上身躯干各关节的尺寸变形。SIAHMR-I上身躯干机械结构图如图3所示。

在此以腰关节为例进行叙述, 没有特别说明下文中所提及的都是针对腰关节, 上身躯干的其他关节与腰关节类似。

虽然搭建腰关节的机械结构较为简单, 但是想通过传统的状态空间或是通过简单曲线拟合想找出腰关节的尺寸与组成腰关节的三对微电推杆位置量的关系过于复杂且不利于实际工程应用。经过分析, 在腰关节的尺寸与组成腰关节三对微电推杆位置量之间, 存在一个数学几何意义上的复杂的非线性函数关系, 神经网络优异的函数拟合能力使它成为对具体形式来知的函数进行模拟的最佳选择之一[5]。BP神经网络利用样本点输入输出的对应关系训练网络, 使其达到在容忍范围内良好的模拟效果, 从而可以利用该网络模拟事物的响应特性。理论上已经证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理函数[6]。

首先, 确定BP网络的结构。由于正常的人体腰围关节和每层的微型电动推杆具有对称性, 因此可以由3对电动推杆的不同对的3个来确定人体尺寸。网络的结构采用具有2个隐含层 (采用带有偏差的双曲正切S型激活函数) 和1个输出层 (采用线性激活函数) 的BP神经网络来进行拟合, 隐含层有3个输入L1、L2、L3和一个腰围关节尺寸参数输出C, 如图4所示。

其次, 采样得到样本输入和输出。经过在SIAHMR-I上进行运行测试, 选取样本输入输出测试数据如表1所示。

最后, 进行仿真训练。本文中选用的BP神经网络采用的是4-2-1的结构, 即两个隐含层, 第一个隐含层4个神经元, 第二个隐含层2个神经元, 一个输出层。在Matlab中进行训练, 训练的参数选择为:

1) 仿真步长:50

2) 学习速率:0.4

3) 训练代数:4000

4) 训练误差mec:1e-3

5) 仿真结果:

C=0.6638 0.6919 0.7373 0.8016 0.86170.8937。

为避免实验存在的偶然性, 经过多次仿真均得到了较好的函数拟合效果, 证明了方案的可行性。神经网络的编程实现就是一系列的加法和乘法运算, PC机实现神经网络运算的速度较快, 经过适当的处理效率很高。为正确反映人体腰关节特征, 本文在实际应用时对神经网络的输入端进行了不同程度的限幅, 相对提高了网络的速度和效率。

3 模糊控制器设计

对于SIAHMR-I上身躯干来讲, 最终输入的是与人体相关的关键尺寸如胸围、体宽和腰围等, 而不是直接输入各个微电推杆的位置量, 因此需要将SIAHMR-I的尺寸向三对微电推杆尺寸分解。由于此过程的建模相对过于复杂, 且实现难度过大, 同时又为了保证微型推杆变化可以真实、正确的表征人体, 因此选择采用模糊推理的方式进行匹配分解, 同时与神经网络形成闭环控制策略, 从而得到理想的控制效果。

3.1 定义隶属度函数

模糊控制器的输入量有两个, 即误差e和误差变化率ec;输出量有三个, 即前侧微电推杆位置量L1、两侧微电推杆位置量L2和后侧微电推杆位置量L3。

为了使运算速度快, 对输入变量采用最简单的三角形/梯形隶属度函数, 对输出变量采用单点的隶属度函数[7]。

系统的输入输出隶属度函数如图5所示。

3.2 模糊控制规则集

模糊控制设计的核心是总结工程设计人员的技术知识和实际操作经验, 建立合适的模糊规则集[8]。

通过一系列的实验发现:在SIAHMR-I腰关节尺寸变化时, 起主要作用的是L1 (前侧推杆) 和L2 (侧推杆) , L3 (后推杆) 仅仅起到一个辅助的作用。

对于正常的人体腰关节来说, 无论胖瘦, 就变化范围而言:L1>L2>L3。L1、L2、L3对于不同的腰关节尺寸而言变化趋势大致相同, 得到L1, L2, L3的3x5模糊控制规则集是一样的, 模糊论语不同, 如表2所示。

3.3 解模糊

由于输出隶属函数为单点, 解模糊运算非常简单[7], 有:

式中, win为各规则的激活强度, fin为输出隶属度函数中各单点值。

4 仿真分析

SIAHMR-I腰围关节尺寸的整体控制结构框图如图6所示。

在Matlab/Simulink中进行仿真整个腰围关节控制系统的响应曲线如图7所示。

可变形仿人机器人SIAHMR-I的初始腰围关节初始尺寸为0.65m, 最大尺寸为0.90m, 给定尺寸需要在这两者之间。从图中可以看出。控制响应曲线较好, 系统存在一定的静差, 是由模糊控制器本身存在的零点静差所导致, 在实际的变形过程中, 这种误差是可以容忍的, 证明了控制方案的正确性。

5 结束语

本文提出了一种基于神经网络、模糊控制和传统控制相结合的仿人变形机器人的控制方案。该方法避免了难以测量的变形机器人的圆周尺寸, 且不依赖系统精确模型。在正常的人体尺寸输入情况下, 取得了较好的控制效果, 相比较于传统和现代的控制方法, 基于神经网络和模糊控制的变形控制避免了开发周期长、调试困难等问题, 使整个仿人变形机器人能够可靠高速的运行, 证明了此种控制方案的可靠性。

摘要：针对可变形仿人机器人建模难, 本文提出了一种基于传统PID控制、通过神经网络进行函数拟合和利用模糊控制进行尺寸分解的可变形仿人机器人的尺寸变形控制策略。在Simulink/SimMechanics环境下, 调试末端执行机构PID控制器, 训练BP神经网络进行函数拟合和设计模糊控制器, 实现了对可变形机器人腰部关节的尺寸变形控制。通过实验证明了本文所提出的控制策略的正确性和可靠性, 为进一步的实际应用提供了可靠的理论依据。

关键词：PID,神经网络,模糊控制,仿人机器人

参考文献

[1]谢涛, 徐建峰, 张永学, 强文义.仿人机器人的研究历史、现状及展望[J].机器人, 200224 (4) :367-377.

[2]李允明.国外仿人机器人发展概况[J].机器人, 2005 27 (6) :561-571.

[3]阮毅, 陈伯时.电力拖动自动控制系统-运动控制系统[M].北京:机械工业出版社, 2009:25-33.

[4]WuYun feng, Zhu Ming, Fu Ke-chang.Feedforward and Feedback Control of an Inverted Pendulum[C].Advanced Materials Research Vols.328-3302011:2194-2197.

[5]邵良杉, 王军, 孙绍光.神经网络拟合函数方式的研究[C]管理科学与系统科学研究新进展.江苏省:河海大学出版社, 2005:924-931.

[6]丛爽.神经网络、模糊系统及其在运动控制中的应用[M].安徽:中国科学技术大学出版社, 2001:13-19.

[7]张乃尧.倒立摆的双闭环模糊控制[J].控制与决策, 1996 11 (1) :85-89.

仿人智能PID控制器设计 篇5

关键词：仿人型机器人,STM32,舵机抖动,光耦隔离

1 引言

仿人型机器人由于具有类人的基本外形,在实际的生活中,能够代替人完成很多工作,因此对仿人型机器人的研究具有实用价值,各国都在投入巨大的人力物力进行研发[1]。仿人型机器人具有多自由度的机械结构要求,因此需要对机器人的各个关节通过电机来完成转动动作。这对于电机驱动控制提出了很高的性能要求。本文提出了一种基于STM32单片机的仿人型机器人控制系统方案,可以同时对机器人关节所需的1 6路舵机进行驱动控制。

2 硬件解决方案

本控制系统的硬件部分共分为5个模块,其硬件系统模块图如图1所示。

主控制器采用ST M3 2 F 1 0 3 x B增强型系列单片机,该系列单片机使用了高性能的ARM Co r t ex TM-M 3 3 2位的R I S C内核,工作频率为7 2 M H z,内置高速存储器(128K字节的闪存和20K字节的SRAM),增强型I/O端口[2]。这些性能使得STM32F103系列微控制器非常适合应用于小型仿人型机器人的控制系统。由于仿人型机器人的体型限定,因此我们在设计舵机控制板时采用了STM32F103系列的小型贴片封装型号STM32F103CBT6。以得到体积较小的舵机控制电路板,如图2所示。

为了实现对多自由度复杂结构的仿人型机器人进行动作控制,需要较多控制路数的舵机控制板。由于舵机的角度控制是采用PWM波形输出,当单片机IO口的输出脉冲宽度变化时,舵机舵盘角度发生改变,如图3所示[3],因此在舵机控制板电路设计中,充分利用了STM32单片机的IO口数量多且具有PWM输出的技术优势[4]。共设计了16路舵机控制口,可以保证16个机器人关节同时动作。舵机驱动IO接口分布在PCB板的两侧,便于插拔。

在舵机的控制中,有一个容易出现的问题就是舵机抖舵问题。这种问题一般发生在采用普通电池做为机器人系统的主电源的情况下,如采用多节AA型镍镉或镍氢电池串联组成机器人供电主电源。原因是这些电池由于容量和放电能力的局限,无法在其额定电压下提供长时间稳定持续的大电流。在仿人型机器人的多路舵机同时工作时,采用普通电源输出的电压会迅速降低,从而导致舵机的供电不足,最终出现舵盘异常抖动造成机器人在执行动作时的抖舵现象。

因此我们设计的仿人型机器人控制电路中采用了型号为格氏25C放电倍率,容量为2200mAh,额定电压为11.1V的锂聚合物航模电池作为主电源。分为5V控制信号电源和6V舵机驱动电源,如图4所示。为了保证多路舵机同时工作时所需要的大电流,利用锂聚合物电池具有很强的持续放电能力,选用了型号为1 2 0 W1 2 A大功率降压模块[5],将机器人的供电电源稳压在+6V,放电电流峰值为12A,如图5所示。利用光电耦合器隔离单片机IO口控制信号和舵机驱动信号,提高控制信号的抗干扰能力。舵机的IO口电路设计原理图如图6所示。这样解决了多路舵机由于同时工作时,电源电源被拉低引起的舵盘异常抖动问题。

舵机控制板在初始上电时,所有IO口会同时通入无序的PWM信号,造成瞬间出现巨大的电流消耗。经实验测得舵机控制板上电时,单个IO口的峰值电流可以达到1.5A以上。因此在16个舵机同时初始上电通入PWM信号时,其总电流将达到24A以上,这就大大超出了大容量直流降压模块的极限供电电流,导致电源电路进入过流保护,整个舵机控制电路将无法进入正常的工作状态。为了解决这个问题,我们在STM32单片机上电初始化时,首先只让IO口1和2输出PWM信号,然后同时再让IO口3和4输出初始化PWM信号,以此顺序最后让IO口15和16输出PWM信号。这样就保证IO口初始化时,最多只有两路PWM信号同时通入。在机器人正常动作时,同时动作的舵机数量不超过6个,即6个IO同时输出的峰值电流为9A,低于大功率降压模块的最大输出电流12A,因此整个电路在工作期间的极限电流均小于12A。最终达到了舵机控制板稳定工作的硬件要求。

3 软件部分的设计

仿人型机器人控制系统的软件分为两种模式:调试模式和正常模式。

调试模式:机器人上电默认静止,以响应上位机信号为主。在该模式下,上位机通过RS232串口对机器人进行在线控制,可以对单个舵机的角度进行精确调整,编排好的流程动作单次执行,流程动作的全部执行等,并显示当前机器人对代码解析值。调试模式的工作界面如图7所示。

正常模式:机器人上电即开始执行调试完毕的全套程序动作。

为了实行软件控制,采用了多任务模块的定时轮换机制[6]。共建立了3个模块任务:任务0用来解析送入该任务的软件代码值到PWM输出的转换。任务1用来调用每套动作编码,连续的将得到的软件值发送给任务0。任务2为串口处理任务,通过分析串口发来的数据进行模式的转换和响应。其程序流程图如图8所示。

4 系统调试效果

设计该仿人型机器人的走步步态时,主要考虑了机器人的自重为2.53Kg,身高为42cm,因此机器人的脚和手臂的舵机输出幅度不能太大,否则会导致机器人走步时的重心偏移太大,造成机器人翻倒。因此在设计机器人的脚掌时,适当增大了与地面的接触面积,脚掌的尺寸为8.5×15cm,同时加快了脚步移动的频率,并在脚部增加了额外的配重,以增强机器人在走步过程中的稳定性,其走步的步态如图9所示。该型机器人的走步步态协调一致,在2012年中国机器人大赛仿人竞速比赛项目中获得二等奖。

5 结束语

文中基于STM32微控制器的仿人型机器人控制系统,能够灵活地控制16路大扭力舵机,通过大功率降压电源模块,可以得到1 6路舵机同时动作时所需要的直流电压,实现了仿人型机器人的走步动作,可作为高校学生进行机器人技术创新时的参考。

参考文献

[1]张涛,机器人引论[M].北京:机械工业出版社,2010.

[2]彭刚,秦志强.基于ARM Cortex-M3的STM32系列嵌入式微控制器应用实践[M].北京:电子工业出版社,2011.

[3]王立权,机器人创新设计与制作[M].北京:清华大学出版社,2007.

[4]王永虹,徐炜,郝立平.STM32系列ARM Cortex-M3微控制器原理及实践[M].北京:北京航空航天大学出版社,2008.

[5]超小型120W12A大功率降压模块.h ttp://item.taobao.com/item.htm?spm=0.0.0.0.hkpcV8&id=2915378925

仿人智能PID控制器设计 篇6

机器人作为一个各学科交叉的复杂系统, 越来越多的科研者采用机器人作为实验平台, 因为它包括机械结构的设计, 控制系统的构建, 信息的采集与处理, 运动学和动力学分析, 人工智能等多方面知识的融合。仿人机器人从最初简单模拟人的外形、动作、行走等, 逐渐向人的思维、视觉、触觉、智能等方面转变, 这就对机器人整个系统提出了更高的要求, 不但要进一步完善机器人的机械结构和安装, 而且要增强控制系统的功能和处理能力。

对于控制系统而言, 目前在仿人机器人上常用的控制芯片有DSP, ARM或其他一些单片机等, 为了进一步增强机器人的可扩展性, 这里采用嵌入式系统PC/104作为机器人的主控制计算机, 它具有实时性好, 成本低, 小型化的优点, 克服了传统的基于单片机控制系统功能不足和基于PC控制系统非实时性的缺点, 在仿人机器人应用中具有广泛前景。

1 仿人机器人结构及控制系统

该机器人共有21个自由度, 其中头部2个自由度, 可以实现头部的俯仰和左右偏转, 在头上装有一个CCD摄像机, 并且带有视觉采集卡以及视觉处理计算机, 能够实现目标的识别和定位, 为主控计算机直接提供目标信息。每个手臂3个自由度, 能够完成伸展和弯曲等动作, 在机器人摔倒后可以提供支撑力, 让机器人可以自行起立。腰上1个自由度, 实现仿人机器人躯干的前倾和后仰, 便于机器人在行走或执行手上动作时重心的调节, 增强机器人的可控性和稳定性。下肢6个自由度, 其中踝关节处2个自由度, 髋关节处3个自由度, 与人的腿部结构相似, 能够灵活的完成下肢的各种动作。仿人机器人的整个结构采用框架式结构, 有利于减轻机器人结构上的重量, 提高机器人的承载能力, 为机器人控制系统的改进提供了更大的空间。如图1所示为仿人机器人实物图。

仿人机器人控制系统以ACS-4051VEPC/104主板模块作为主控制器, 通过USB直接连接摄像头, 一个RS 232串行口与关节控制器相连, 实现主控制计算机与关节控制器的通信。驱动模块和关节控制器集成在一个PC板上, 主要实现PWM波的产生, 驱动电机转动。 ACS-4051VE主板集成了Intel 82559ER10/100 Mb/s以太网卡, 外接一个无线网卡可以实现与外部无线网络的通信。仿人机器人控制系统总体上主要分为2个部分:主控制器模块和关节控制器模块。它的总体结构实物图如图2所示。

2 关节控制器的设计

如图3所示关节控制器主要集成了C8051F310器件, 它是完全集成的混合信号片上系统型MCU芯片。主要特性有:

(1) 高速、流水线结构的8051兼容的CIP-51内核 (可达25 MIPS) , 70%的指令的执行时间为1个或2个系统时钟周期, 能满足关节控制器的需要。

(2) 有4个通用16位计数器/定时器, 以及16位

可编程计数器/定时器阵列, 5个捕捉/比较模块, 29个端口I/O。通过对片内进行编程, 以及合理地分配比较器与I/O口, 实现在C8051F310芯片上产生21路PWM波。由于单片机输出的是数字形式的控制量, 必须经过D/A转换变成模拟控制量, 经伺服放大器驱动电机。

在此采用MAXIIM的12位串行D/A芯片MAX531作为数/模转换芯片, 将MAX531工作在双极性电压方式下, 其输出模拟量的范围在-2.048～+2.048 V, 精度为1 mV。输出的模拟量经过运算放大器进行放大, 进入伺服放大器驱动电机。

C8051F310作为关节控制器控制核心, 它主要负责21路PWM的产生, 在C8051F310芯片中集成了4个通用的16位计数器/定时器, 5个捕捉/比较模块, 运用1个计数器/定时器和1个比较模块控制6路I/O端口, 其他3个计数器/定时器和3个比较器控制15路I/O口, 来实现21路PWM波的产生。这里以6路PWM波的产生来说明运用C8051F310实现电路, 其电路图如图4所示:CEXn引脚产生脉宽调制PWM输出, PWM输出的频率取决于PCA计数器/定时器的时基, 使用模块的捕捉/比较寄存器PCA0CPLn改变PWM输出信号的占空比。当关节控制器接收给定的6个电机转动角度序列数据后, 由软件将6个数据从小到大排列, 并依次求出相邻2个数的差值, 按照最小的数、前2个数的差值到最后两个数的差值排列好, 并将从小到大的数据对映的交叉开关的地址依次对映。

程序将第一个最小角度数放入比较寄存器的低8位PCA0CPLn中, 当PCA计数器/定时器的低字节 (PCA0L) 与PCA0CPLn中的值相等时, CEXn引脚上的输出被置“1”;同时程序将第二个数据即差值放入比较寄存器的PCA0CPLn中, PCA计数器/定时器清零, 并将交叉开关置位到相应的输出脚, 当PCA计数器/定时器的低字节 (PCA0L) 与PCA0CPLn中的值再次相等时, CEXn引脚上的输出被置“1”, 直到这组数据完毕。PCA0L中的计数值溢出, CEXn输出被复位, 准备第二轮的PWM波的产生。

3 实 验

3.1 图像采集处理

为了使机器人能够达到预定目标, 必须对软件系统进行设计规划。主控计算机上安装了WIN98系统, 图像采集与处理采用VC进行编程, 下面是图像采集处理的程序运行界面如图5所示。

3.2 仿人机器人稳定步行

运用这种控制系统来实现DF-1仿人机器人行走的控制, 通过实验表明, 此系统能够完成仿人机器的动态稳定行走, 图6是一系列行走连续行走的截图。

4 结 语

基于PC/104嵌入式计算机和 C8051F310 芯片设计了仿人机器人的控制系统, 实现了机器人的图像采集和处理, 以及机器人的稳定步行。 PC/104 嵌入式计算机功能齐备, 运算能力强, 可扩展性好, 作为仿人机器人控制系统有它独特的优点。单片机实现仿人机器人的关节控制, 由于其计算能力有限, 难以实现复杂的控制, 因此这种控制系统可以用来作为实验用和教学用机器人。

摘要：为了简化仿人机器人控制系统结构, 增强机器人系统的功能。采用PC/104嵌入式系统作为仿人机器的主控计算机, 完成图像处理, 做出控制决策, 计算并生成运动序列。关节控制器选用C8051F310单片机, 采用串口与主控计算机通信, 接收来自主控计算机的运动序列指令, 产生PWM波, 经过放大电路, 实现21路电机的控制。经过实验, 得到图像采集分析结果和仿人机器人稳态步行。实验表明, 这种控制系统能够实现仿人机器人的控制。

关键词：仿人机器人,主控制计算机,关节控制器,PWM波

参考文献

[1]Giacomo Spampinato, Giovanni Muscato.A Bio-inspiredNeumatic Platform for Human Locomotion Analysis andStiffness Control[J].IEEE, 2006:478-483.

[2]Okuda T.A New Metrology of Usability Test for New Com-munication Media-Humanoid Robot System[A].Interna-tional Professional Communication Conference[C].2006IEEE, 2006:250-255.

[3]Fumio Kanehiro, Yoichi Ishiwata.Distributed Control Sys-tem of Humanoid Robots based on Real-time Ethernet[A].Intelligent Robots and Systems, 2006 IEEE/RSJ Inter-national Conference on[C].2006:2 471-2 477.

[4]Thomas Wosch, Wendelin Feiten.Reactive Motion Controlfor Human-Robot Tactile Interaction[J].IEEE, 2002:3807-3 812.

[5]付宜利, 潘博, 杨宗鹏, 等.腹腔镜机器人控制系统的设计及实现[J].机器人, 2008, 4 (30) :340-345.

[6]陈贺, 杨鹏, 杨毅.仿人机器人控制系统研究及其关节控制器设计[J].微计算机信息, 2005, 21 (7) :70-72.

[7]钟华, 吴镇炜, 卜春光.仿人机器人系统的研究与实现[J].仪器仪表学报, 2005, 26 (8) :70-72.