基于RBF神经网络补偿的自适应滑模机械手控制

针对机械臂在实际工作中无法完全建立精确的数学模型以及系统具有较大的不确定性,提出一种基于RBF神经网络补偿的自适应滑模鲁棒控制器.首先,利用计算力矩控制方法,结合基于RBF神经网络实现的补偿控制器使系统获得较好的跟踪效果;其次,引入滑模鲁棒控制,将建模误差以及外部干扰通过在线训练和调整参数对机械臂的未知不确定量部分进行实时估计和补偿,提高了跟踪精度以及提升了逼近的速度,同时,引入饱和函数降低了滑模控制中的抖振现象.仿真结果表明,改进后的控制器,对比文中传统控制器2 和3 在跟踪机械臂关节位置的响应速度上分别有约4s和2s的提升,同时,改进后的控制器在对于系统不确定性的补偿速度上有提升,约在1s内做出响应.