基于离线和在线融合学习的开放式变化场景中操纵器的进化模糊控制

《IEEE Transactions on Neural Networks and Learning Systems》：Evolving Fuzzy Control of Manipulator in Open Changing Scenarios Based on Offline and Online Fusion Learning

　　机械臂自适应控制框架融合深度模糊网络与动态模糊系统，通过离线预训练和在线增量学习实现参数优化，专家知识库支持间接指导与直接修正，实验验证在PUMA560仿真和真实六自由度机械臂上显著提升轨迹跟踪精度（误差降低18.7%）、减少反馈扭矩（均值下降32.5%）并增强环境适应性（切换频率提升至120Hz）。

　　

摘要：

高性能且符合要求的机械臂控制需要精确的动力学模型。然而，实际的机械臂处于不断变化的开放环境中，采用固定结构和参数的控制器往往无法有效控制机械臂。在本文中，提出了一种新的进化控制框架，该框架结合了离线和在线学习方法，以提高机械臂在开放变化环境中的控制精度和适应性。该框架包括基于深度模糊神经网络（DFNN）的离线学习和基于进化模糊系统（EFS）的在线学习，其中在线学习结合了基于专家知识库的间接学习和直接学习方法。为了评估所提出方法的有效性，分别在PUMA560机械臂上进行了跟踪控制仿真，并在真实世界的六自由度机械臂上进行了实验。结果表明，所提出的方法能够有效提高跟踪控制精度，显著降低反馈控制扭矩，并增强对变化环境的适应能力。