基于自适应运动学模型的镜像型迭代学习控制

刘作军，胡 冬，庞 爽，张 燕

（河北工业大学 人工智能与数据科学学院，天津 300130）

0 引言

对于工业生产中具有重复性轨迹跟踪的运动控制，迭代学习控制（Iterative Learning Control，ILC）通过利用前一次或前几次迭代时的系统跟踪误差和控制量，不断优化调整下一次运行时的控制量，最终实现系统期望轨迹的完全跟踪[1,2]。在很多生产过程中广泛存在的搬运、喷涂或者分拣等具有重复性的工作，工业机器人被广泛应用。由于工业机器人属于高度非线性、强耦合、时变的动力学系统[3]，这使得鲁棒控制、模糊控制等方法都难以达到理想的轨迹跟踪精度[4～6]，而ILC这种基于数据驱动的控制方法则较好地解决了这一问题。

ILC从提出至今取得了丰富的理论与实践应用成果[7,8]，成为了控制理论中的一个重要分支[9,10]。文献[11]提出一种PD反馈控制和迭代学习前馈控制相结合的方法来提高机器人轨迹跟踪的精度。文献[12]采用了一种非线性迭代学习控制在康复机器人系统中来提高其轨迹跟踪性能。文献[13]使用低增益反馈来解决动态系统的复杂性和不确定性，采用了分散的迭代学习控制做前馈来控制机器人的轨迹跟踪。文献[14]提出一种基于神经网络的自适应ILC方法，分析了不确定机器人轨迹规划的收敛性和稳定性，同时提高了跟踪精度。以上文献均是从算法本身所做的研究，忽视了对所跟踪轨迹特征的有效利用。此外，对于强耦合的多控制量系统，存在着迭代学习收敛过程缓慢的问题。……