用于肌腱-鞘驱动机器人的离散时间自适应神经网络控制

《IEEE Transactions on Industrial Electronics》：Discrete-Time Adaptive Neural Network Control for Tendon–Sheath Actuated Robots

　　针对肌腱-鞘驱动机器人非线性控制难题，提出离散时间自适应神经网络控制器。基于欧拉近似建立多关节机器人离散数学模型，考虑摩擦、形变及末端负载影响，利用RBF神经网络逼近未知非线性函数，结合双自适应律实现动态参数调整，李雅普诺夫稳定性证明后通过仿真实验验证有效性。

　　

摘要：

肌腱-鞘机构因其高柔韧性和远距离传递动力的能力，在康复、外科手术和救援机器人领域得到广泛应用。然而，鞘配置依赖的非线性特性使得对肌腱-鞘驱动机器人的精确控制变得颇具挑战性。在本文中，我们研究了离散时间域内肌腱-鞘驱动机器人的跟踪控制问题。首先，利用欧拉近似方法建立了一类多关节肌腱-鞘驱动机器人的离散数学模型。该模型全面考虑了肌腱与鞘之间的摩擦、肌腱变形以及末端负载对机器人动力学的影响。随后，通过反步技术为肌腱-鞘驱动机器人提出了一种离散时间自适应神经网络（NN）控制器。该控制器采用径向基函数神经网络（RBFNN）来逼近未知的非线性函数，并通过两种自适应更新律来调整动态参数，从而有效应对系统的非线性特性并适应鞘配置的变化。与现有研究不同，所提出的控制器是在离散时间域中构建的，并考虑了关节之间的动态耦合关系。因此，它更适用于数字设备的实现，并可应用于多关节肌腱-鞘驱动机器人。利用李雅普诺夫方法严格证明了闭环系统的稳定性。最后，通过对肌腱-鞘驱动康复机器人的仿真和实验验证了所提出控制策略的有效性。