文档介绍：该【机器人运动控制方法综述 】是由【1772186****】上传分享，文档一共【9】页，该文档可以免费在线阅读，需要了解更多关于【机器人运动控制方法综述 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。机器人运动控制方法综述
摘要：随着工业的不断发展，机器人的应用领域日益广泛，如汽车、飞机、发电 机等零部件的焊接、磨抛、装配等。在这些任务中，机器人的运动精度对提高产 品质量至关重要。然而，机器人强耦合、非线性、性能依赖位形，且实际运动过 程中存在摩擦、扰动等多种不确性复杂因素，因此对机器人运动控制方法进行分 析整理具有重要意义和应用价值。本文对现有主流机器人（主要针对机械臂）运 动控制算法进行了综述，分析了这些算法的特点以及存在的不足，最后给出了机 器人运动控制研究展望。该工作可以为机器人运动控制方法的选择提供依据，具 有一定的实用价值。
关键词：机器人，运动控制，综述
1引言
随着多传感和人工智能等技术的进步，机器人正日益广泛应用于焊接、磨抛、 装配等智能制造领域，显著提升了生产效率，降低了生产成本。因此，机器人是 我国制造技术领域的主攻方向之一阿，也是助力我国从制造大国向制造强国快速 迈进的战略高技术之一。当前，高精度运动是机器人领域发展的主要趋势之一， 对形成高质量的操作品质至关重要，而高精度运动的实现要求控制方法具有高动
态响应和强鲁棒性。然而，机器人齿轮和连杆结构受载后均存在不同程度的变形, 且整个系统本身强耦合、非线性、动态特性时变、操作工况不确定性复杂多样， 导致高动态响应和强鲁棒性的运动控制方法设计尤为困难，从而产生较大控制偏 差，影响机器人运动精度，造成操作质量下降。
基于上述分析，本文对机器人(主要针对机械臂)的主流运动控制方法进行 了综述，分析了这些方法中存在的不足，并给出了机器人运动控制方法未来发展 趋势的一些思考。
2机器人运动控制方法
作为一种复杂自动化系统，机器人具有非线性、强耦合、多变量时变特性。 高速运动时各关节惯量变化较大，耦合强烈，低速时摩擦、饱和等非线性效应明 显，这些极大地增加了控制难度。为了使机器人系统稳定运行，要求控制系统能 实时提供与机器人动力学特征和多源扰动特征相匹配的控制特性，这给予了运动 控制方法极大的挑战。
依据是否考虑机器人的动态特性，控制算法分为了无模型控制和基于模型的 控制两类。PID (proportional-integral-derivative)算法是无模型控制的典 型代表，因为它控制简单，硬件实现方便。PID是在目前机器人实际应用中最为 广泛采用的控制方案，但是PID控制性能不佳，又因为其通常针对线性定常系统, 控制参数保守，限制了增益带宽以至于导致存在较大时滞误差，难以满足机器人 系统的非线性时变特征。在这种情况下，基于PID的先进控制算法相继被提了出 来，包括非线性PID")]、模糊PID[S、滑模PID印、神经网络PID巴力、模糊神 经网络PID叼等。尽管上述方法通过设计优化的PID结构，改善了 PID性能，但 由于其仍属于无模型控制算法，设计原则和参数调整依赖工程经验，扰动鲁棒性 差，因此在应用上存在诸多限制也。
为了找出更加精确的非线性控制算法，研究人员提出了自抗扰控制、鲁棒控 制和自适应控制等。自抗扰控制(active disturbance rejection control, ADRC)是由我国学者韩京清叼提出，并在随后获得了不断完善吗”，-叼，其核心思
想在于：如果扰动可以被精确地估计及补偿，则被控对象理论上可看成是无扰动 模型，可以使用简单得多的控制工具轻松对其进行控制。自抗扰控制包括跟踪微 分器（TD）
、扩张状态观测器（ESO）和非线性反馈三部分组成。由于自抗扰控 制器结构简单、计算效率高、抵抗不确定外界扰动能力强，因此自抗扰控制是一 种实用性很强的控制算法。
自适应控制通过测量被控对象状态和轨迹跟踪误差等信息，实时掌握受控对 象的不确定性，用来更新主控制结构参数，以提高控制性能吗叼，换而言之是对 机器人系统的带参在线实时评估系统。当机器人系统惯量变化时，自适应控制可 以预判轨迹跟踪。自适应控制算法结构多样且复杂，包括了自适应迭代控制
（adaptive iterative learning control, AILC ）力、自适应神经网络控制 巴力、全状态模糊自适应反馈控制迤，力、切换学习PI控制（adaptive switch learning PI control, ASL-PI）②，刃、基于多层神经网络的自适应控制叼等方 法。
自适应控制方法本质上是从闭环误差反馈模型中提取系统状态信息，通过自 适应算法调节控制器参数，以实现对系统的时变补偿。缺点在于系统参数在线辨 识计算量大，难以保证高速应用中的控制实时性。止匕外，受控模型参数突变或外 界扰动较大时，预估系统参数无法收敛于真实值，系统稳定性保障困难。近年来, 基于动力学模型的控制方法越来越受到重视，并被认为是能提高机器人动态特性 和跟踪精度最为有效的方法。总体上基于模型控制通常有两种方案，一种是机器 人模型动态补偿控制，另一种是机器人动力学模型前馈控制。
模型动态补偿控制器引入了一个内控制回路，目的是根据机器人动力学的实 际特性对动态变化进行补偿，使得经内控制回路作用后的机器人系统可以简化为 一个易控系统，具体方法有：连续有限时间控制叼、自适应鲁棒控制®I、解耦为 线性定常系统叼、滑模变结构控制吗t一叼等。如果动力学模型足够精确，通过反 馈补偿这种方式，着实能较好解决机器人非线性时变的问题，同时提高控制器的 动态响应和对轨迹跟踪的控制性能。但这种方式存在以下难点：（1）三自由度以 上机器人动力学模型十分复杂，参数随位形变化，且存在耦合现象，导致精确获 取动力学参数困难；（2）该控制方法需要实时计算机器人动力学参数，存在计算 复杂等问题，且复杂计算恐难以满足高带宽力矩环的控制要求；（3）该控制方法 计算控制律时，需要实时获取关节的加速度信息，而加速度一般由速度差分而来, 使得加速度信号带有大量噪声，严重影响控制性能。鉴于上述难点，基于模型的 动态控制策略实际上实现较为困难。
尽管如此，模型动态补偿控制器中的方法还是获得了大量研究。以有限时间 控制方法为例，由于其可以提供快速的收敛速度和强健的鲁棒性，同时还能提高 被控系统的抗扰能力，因此有限时间控制设计方法获得了研究人员的广泛关注。 目前常见方法有：有限时间齐次系统法叼、有限时间李雅普诺夫构造法⑶]和终端 滑模控制法叼等。除此之外，还有具有动态输出反馈的有限时间控制叼、鲁棒反 演有限时间控制叼、非奇异终端滑模控制叼、新型连续非奇异终端滑模控制叼等 方法。
基于动力学前馈的控制方法主要由前馈通道和反馈通道组成，前馈通道用于 对机器人动力学特性的补偿，反馈通道用于解决系统不确定性扰动的问题。与模 型动态补偿控制方法不同的是，前馈动力学模型输入为关节的期望运动指令，其 品质比实际采样值好。另外，虽然动力学计算复杂度高，但可以通过预存储来解 决动力学前馈实时性的问题。因此，机器人动力学前馈控制技术成为当前实现机 器人高精度运动控制的核心技术之一。然而，机器人动力学前馈控制的研究还存 在以下难点：（1）机器人动力学计算复杂，且关节和负载惯量均会发生变化，难 以实现动力学参数精确在线计算；（2）控制方法虽能不同程度实现高精度、高响 应目标，但大多数仍在理论仿真阶段，实际应用较为困难。因此，目前仅有少数 公司/企业拥有这一技术，如奥地利贝加莱公司的前馈控制软件Automation Studio-] o由于机器人动力学前馈控制技术有望解决机器人非线性时变问题，而 应用困难，因此还需对动力学前馈控制进行深入研究。
3研究展望
基于上述分析，笔者对未来机器人运动控制方法的研究有一些思考，具体列 举如下：
（1）由于机器人所要解决的任务越来越复杂，单一运动控制方法恐难以满足 任务对机器人运动精度的要求。此外，尽管不同的控制算法在解决的机器人不同 运动控制问题上均存在一些优势，但也都存在一定程度的不足。因此通过将多种 运动控制算法结合起来，可以有效整合各自算法的优势，弥补各自缺点，从而为 机器人运动控制精度提供重要保障。
(2)控制本身与人工智能就较为接近，随着如强化学习、生成式对抗网络等 人工智能技术的蓬勃发展，借助人工智能技术，开发更为先进的智能控制算法也 成为了机器人运动控制发展的一大趋势之一。
(3)影响机器人运动精度的因素很多，如机器人本体结构精度、轨迹规划算 法精度等。虽然通过开发高精度的运动控制算法可以有效提升机器人运动跟踪精 度，但仅仅考虑控制器的设计恐难以实现机器人高精度运动。因此，需要整体分 析机器人本体、轨迹规划、运动控制等误差对运动精度的影响，从而实现本体结 构优化设计-高精度轨迹规划-高精度运动控制一体化发展。
4结论
由于可以显著提升生产效率、降低生产成本，因此机器人正日益广泛应用于 如焊接、磨抛、装配等复杂工业领域。由此，本文对现有机器人运动控制主流方 法进行了综述，分析了这些控制方法所存在的优缺点，并基于这些分析，给出了 未来机器人运动控制发展趋势的一些思考。
参考文献
1[?“中国制造2025”的主攻方向[J].中国机械工程, 2015, 26(17): 2273-2284.
2E?]肖永利，[J].电气
自动化,2000, 22(1): 20-22.
3[?] Sun D, Hu S, Shao X, et al. Global stability of a saturated nonlinear PID controller for robot manipulators[J]. IEEE Transactions On Control Systems Technology, 2009, 17 (4): 892-899.
4[?J王述彦，师宇，[J].机 械科学与技术，2011, 30(1): 166-172.
5[?] Anavatti S G, Salman S A, Choi J Y. Fuzzy + PID controller for robot manipulator[C]. IEEE International Conference on Computational Inteligence for Modelling Control and Automation (CIMCA), 2006: 75-75.
6[?] Parra-Vega V, Arimoto S, Liu Y H, et al. Dynamic sliding PID control for tracking of robot manipulators: Theory and experiments[J]. IEEE Transactions on Robotics and Automation, 2003, 19(6): 967-976.
7[?J廖芳芳，[J].系统仿 真学报，2005, 17(7) : 1711-1713.
8[?] Yu W, Rosen J. Neural PID control of robot manipulators with application to an upper limb exoskeleton[J]. IEEE Transactions on cybernetics, 2013, 43(2): 673-684.
9[?]李楠，李文鑫，[J]. 控制工程，2013, 20(6) : 1052-1054.
10[?1赫建立，朱龙英，成磊， PID算法的误差修正[J].电子技术应用，2015, 41 (1): 60-63.
11[?]“自抗扰控制”技术[J].控制工程，2002, 9(3) : 13-18.
12[?] Han J. From PID to active disturbance rejection control[J]. IEEE transactions on Industrial Electronics, 2009, 56(3): 900-906.
13[?] Zheng Q, Gao Z. On practical applications of active disturbance rejection control[C]. IEEE Proceedings of the 29 1 Chinese Control Conference, 2010: 6095-6100.
14[?] Huang Y, Xue W. Active disturbance rejection control: methodology and theoretical analysis[J]. ISA transactions, 2014, 53 (4): 963-976.
15[?]刘延芳，刘宏， EJL哈尔滨工业大学学报,2017, 49(7): 12-19.
16[?]王三秀，俞立，徐建明，[D], 2015.
17[?]于志刚，沈永良，[J].控制理 论与应用，2011, 28(7) : 1021-1024.
18[?] Lee R, Sun L, Wang Z, et al. Adaptive Iterative Learning Control of Robot Manipulators for Friction Compensation[J]. IFAC- PapersOnLine, 2019, 52 (15): 175-180.
19[?]朱海燕， [J].机械工程与自动化,2012 (5): 158-160.
20[?] He W, David A 0, Yin Z, et aL Neural network control of a robotic manipulator with input deadzone and output constraint[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015, 46(6): 759-770.
21[?]吴玉香，张景，[J].机 械工程学报，2013, 49(15) : 42-48.
22[?]张化光，[J].自
动化学报，2002, 28(6) : 969-973.
23[?] Golea N, Golea A, Barra K, et al. Observer-based adaptive control of robot manipulators: Fuzzy systems approach [J]. Applied soft computing, 2008, 8(1) : 778-787.
24[?]陈永会，谭功全，谭飞， [J].化工自动化及仪表,2011 (1): 27-30.
25[?] Ouyang P R, Zhang W J, Gupta M M. An adaptive switching learning control method for trajectory tracking of robot manipulators[J]. Mechatronics, 2006, 16(1): 51-61.
26[?] Chen W, Jiao L. Adaptive tracking for periodically time varying and nonlinearly parameterized systems using multilayer neural networks[J]. IEEE Transactions on Neural Networks, 2010, 21 (2): 345- 351.
27 [?] Zhang L, Liu L, Wang Z, et al. Continuous finite-time control for uncertain robot manipulators with integral sliding mode[J]. IET Control Theory & Applications, 2018, 12(11): 1621-1627.
28[?1焦晓红，李运锋，方一鸣，[J]. 机器人技术与应用，2002 (3): 40-43.
29[?1顾大可，[JL控 制工程，2019 (8) : 23.
30[?] Zhihong M, O'day M, Yu X. A robust adaptive terminal sliding mode control for rigid robotic manipulators[J]. Journal of Intelligent and Robotic systems, 1999, 24(1): 23-41.
31 [?] Tran M D, Kang H J. Adaptive terminal sliding mode control of uncertain robotic manipulators based on local approximation of a dynamic system [J]. Neurocomputing, 2017, 228: 231-240.
32[?]葛媛媛， EJL电子测量与仪器学报,2017, 31(5): 746-755.
33[?] Braidiz Y, Perruquetti W, Polyakov A, et al. On finite-time stability of homogeneous systems with multiplicative bounded function[C]. IEEE European Control Conference (ECC), 2019: 645-649.
34[?] Fu J, Ma R, Chai T. Adaptive finite-time stabilization of a class of uncertain nonlinear systems via logic-based switchings[J]. IEEE Transactions on Automatic Control, 2017, 62(11): 5998-6003.
35[?1朱道宏，[J].重庆工 商大学学报：自然科学版,2011, 28(5): 514-519.
36[?] Hong Y. Finite-time stabilization and stabilizability of a class of controllable systems[J]. Systems & control letters, 2002, 46 (4) : 231-236.
37[?] Zhao D, Li S, Zhu Q, et al. Robust finite-time control approach for robotic manipulators [J]. IET control theory & applications, 2010, 4 (1): 1~15.
38[?] Vo A T, Kang H J. An adaptive terminal sliding mode control for robot manipulators with non-singular terminal sliding surface variables[J]. IEEE Access, 2018, 7: 8701-8712.
39[?] Yu S, Yu X, Shirinzadeh B, et al. Continuous finite-time control for robotic manipulators with terminal sliding mode[J]. Automatica, 2005, 41(11): 1957-1964.
40[?]：打造开放式机器人控制系统[J].自动化博览， 2016 (9) : 34-35.