智能控制在机器人领域中的应用

智能控制;机器人;模糊控制;神经网络控制;专家控制;遗传算法

智能控制在机器人领域中的应用

摘要：随着科技的进步，特别是机器人技术的发展，对当前的自动控制提出了更高的要求，本文对智能控制的产生背景和发展过程进行了简单的介绍，同时结合有关机器人的部分相关研究，探讨了智能控制在机器人领域中的应用，并提出了智能控制有待进一步研究的相关问题。

关键词：智能控制；机器人；模糊控制；神经网络控制；专家控制；遗传算法

机器人技术的发展从诞生到20世纪80年代初，经历了一个长期缓慢的发展过程。到了20世纪90年代，随着计算机技术、微电子技术、网络技术等的快速发展，机器人技术也得到了飞速发展。

一、智能控制及其发展

智能机器人的研究是目前机器人研究中的热门课题。作为一门新兴学科，它融合了神经生理学、运筹学、控制论和计算机技术等多学科思想和技术成果。智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究。智能机器人可以在非预先规定的环境中自行解决问题。智能机器人的技术关键就是自适应和自学习的能力，而模糊控制和神经网络控制等在其中的应用显示出诸多优势，成为当前研究的重要方向。

智能控制是指在无人干预的情况下能够自主地驱动智能机器实现控制目标的控制技术。控制理论学科发展至今经历了三个主要阶段：经典控制理论、现代控制理论、大系统理论和智能控制理论。经典控制理论以反馈理论为基础，是一种单回路线性控制理论，主要针对单输入单输出的设计；现代控制理论主要研究具有高性能、高精度的多变量参数系统的最优控制问题，可以解决多输入多输出的设计；智能控制主要为了解决难以用数学模型描述或者具有时变、非线性、不确定特性的复杂系统。

智能控制是人工智能和自动控制的重要的研究领域，并被认为是当前自主控制的顶峰。智能控制思潮第一次出现于20世纪60年代。1956年，著名的美籍华裔

科学家傅京孙首先把人工智能的启发式推理规则用于学习控制系统，随后，他又于1971年进一步论述了人工智能与自动控制的交接关系。模糊控制是智能控制的另一重要研究领域，扎德（Zadeh）于1965年发表他的著名论文“模糊集合”，随后，他又模糊控制的理论探索和实际应用中等方面进行了大量的研究，并取得了较多的成果。1967年，利昂兹（Leondes）等首先正式提出了“智能控制”一词。早期的智能控制采用一些比较初级的智能方法，发展也十分缓慢。

近十几年来，随着人工智能技术和机器人技术的发展，对智能控制的发展起到了很大的推动作用。各种智能决策、专家控制、学习控制、模糊控制、神经控制等技术被应用到工业系统和智能系统中。

智能控制系统一般具有以下特点：1、能对复杂系统（如非线性、多变量、时变、环境扰动等）进行有效的全局控制，并具有较强的容错能力；

2、具有以只是表示的非数学广义模型和以数学模型表示的混合控制过程，能根据被控对象的动态过程进行辨识，采用开闭环控制和定性与定量相结合的多模态控制方式；

3、能对获取的信息进行实时处理并给出控制决策，通过不断优化参数和寻找控制器的最佳结构形式，以获得整体最优控制性能；

4、具有自学习、自适应、自组织能力，能从系统的功能和整体优化的角度来分析和综合系统，以实现预期的控制目标。

智能控制;机器人;模糊控制;神经网络控制;专家控制;遗传算法

智能控制的技方法有分级递阶智能控制、神经网络控制、模糊控制、专家控制等，在实际的应用中个，通常将多种智能控制的方法融合在一起，以下是几种常用的控制方法的原理：

1、分层递阶智能控制。分层递阶智能控制是建立在“三元论”思想上的控制方法。系统由组织级、协调级、执行级共三级组成。组织级的作用是决策和规划任务。对于给定的外部任务设法找到能够完成该任务的子任务的组合，并将子任务送到协调级。这一级以人工智能为基础。协调级对要执行的任务进行识别，通过分派器为各个协调器分配相应的任务和选择合适的控制步骤，并为组织级产生相应的反馈信息。执行级是控制系统的硬件系统，是控制系统的执行机构，它控制对象直接相连。

2、模糊控制

模糊控制是以模糊集合论、模糊逻辑推理和模糊语言变量为基础的一种计算机数字控制。对于无法建立数学模型或难以建立数学模型的场合，可以用模糊控制技术来解决。模糊控制器由模糊化、规则库、模糊推理和清晰化四个功能模块组成。模糊控制的特点为：提供了一种实现基于自然语言描述规则的控制规律的新机制；提供了一种非线性控制器，这种控制器一般用于控制含有不确定性和难以用传统非线性理论处理的场合。

3、神经网络控制

神经网络控制是在控制系统中采用神经网络这一工具，对难以通过常规方法进行描述的复杂非线性对象进行建模，或充当控制器，或信息处理，或模式识别，或故障诊断等，或以上几种功能的组合，这种神经网络控制系统的控制方式即为神经网络控制。神经网络控制的特点为：能充分逼近任意非线性特性；分布式并行处理机制；自学习和自适应能力；数据融合能力；适合于多变量系统，可进行多变量处理。

二、智能控制在机器人领域的应用

下面对各种智能控制在机器人领域的

应用情况进行简单的介绍：

1、机器人领域中的模糊控制

英国学者E H Mamdani在1974年首次成功地将模糊集理论运用于工业锅炉的过程控制之中，并于20世纪80年代初又将模糊控制引进到机器人的控制中。被控对象是一个具有两个旋转关节的操作臂，每个关节由直流电动机驱动。关节的实际转角通过测速发电机由A/ D转换电路获得，其角速度通过SOC的记忆存储器编程来实现。其主要是对操作臂模糊控制系统，分别进行阶跃响应测试和跟踪控制试验。控制结果证明了模糊控制方案具有可行性和优越性。

由Lin C M等人提出了在模糊控制器结构的基础上，引入PI调节机制达到对阶跃输入的快速响应和达到消除隐态误差的效果。通过相平面上对两种不同区域的启发性分类，可得到一组简单的模糊规则，从而简化了模糊规则库和算法，使最终的控制器易于实现。该控制方案通过仿真实验得到验证。

2、机器人领域中的神经网络控制神经网络的研究20世纪60年代，并在20世纪80年代得到了快速的发展。近几年来，神经网络研究的目标是复杂的非线性系统的识别和控制等方面，神经网络在控制应用上具有以下特点:能够充分逼近任意复杂的非线性系统；能够学习与适应不确定系统的动态特性；有很强的鲁棒性和容错性等。因此，神经网络对机器人控制具有很大的吸引力。

由Albus提出了一种独特的基于人脑记忆和神经肌肉控制模型的小脑模型关节控制方法，即CMCA法。该方法以数学模块为基础，采用查表方式产生一个以离散状态输入为响应的输出矢量。在控制中，状态矢量输入来自机器人关节的位置与速度反馈，输出矢量为机器人驱动信号。

F．L．Lewis基于无源理论，提出了一类网络利用功能连接神经网络逼近机器人动力学模型，连接权在线调整方法，可保证神经网络自适应控制算法闭环稳定。

智能控制;机器人;模糊控制;神经网络控制;专家控制;遗传算法

3、机器人领域中智能控制技术的融合控制

在现代的机器人技术中，机器人在动力学方面常常是一个强耦合、时变、非线性的，在传感器信息方面是多信息的，在控制参数上是多变量的，在控制任务要求上是多任务的，这些特性都 …… 此处隐藏：3246字，全部文档内容请下载后查看。喜欢就下载吧 ……