机器人多指灵巧手的神经控制的原理：控制系统硬件,控制系统软件,复合控制方法

多指灵巧手又称多指多关节机械手，是一种并联加串联形式的机器人， 一般由手掌和 3～5个手指组成，每个手指有3～4个关节。由于其具有多个关节(≥9),故可以对几乎任 意的物体进行抓持及操作。如果安装有指端力传感器和触觉传感器，对抓持力进行控制， 可以实现对易碎物体(如鸡蛋等)进行抓持及操作。多指灵巧手的机械本体一般较小，自由 度又较多，故多采用伺服电机通过有套管的钢丝或尼龙绳进行远距离驱动，控制伺服电机 进行有序的转动，可使多指灵巧手完成各种抓持及操作。由于绳子的变形及绳子与套管间 的摩擦，关节之间的耦合，使得多指灵巧手比一般的机器人具有更强的非线性。目前，对 多指灵巧手的智能抓持的研究和位置/力协调控制的研究是机器人学研究的热点之一。

下面介绍用经过训练的多层前馈网络作为控制器，控制多指灵巧手的关节跟踪给定的轨迹，以及对网络结构、学习算法、控制系统软硬件组成以及实验结果等。

1. 网络结构及学习算法

本系统采用一个3×20×1的三层前馈网络来学习原有的控制器的输入输出关系。神 经元采用S 形函数，即y=1/(1+e') 。 学习结束后，用此前馈网络当作控制器。作为网 络学习样板的控制器，是经实践验证成功的控制器。利用这个控制器产生的输入输出数据 对，供网络进行学习，训练好的网络可以很好地逼近原控制器的输入输出映射关系。

学习采用BP 算法与趋化算法相结合的混合学习算法，即先用 BP 算法对网络进行训 练，然后再用趋化算法训练。实践证明这种混合学习算法能够避免局部极小值且比单d用 两者中任一算法具有较快的收敛速度。 BP 算法是Z常见的学习算法，在此不多述。趋化 算法由 Bremermann 和 Anderson 提出，尤其适合于处理动态网络的训练问题，这里所用 的趋化算法如下：

1)把权重W 设为[- 0 . 1,0 . 1]上的随机初值，即W。;

2)把样本输入网络并计算网络输出；

3)求目标函数J 的值，并令 B₁=J;

4)产生与权重W 维数相同、零均值的[- 1,+1]上正态分布的随机向量W′;

5 ) 令W=W 。+a ×W′,a<1, 是一实系数；

6)求目标函数J 的值，令 B₂=J;

7 ) 如 果E₂由此算法学习得到的权重矩阵是W, 目标函数定义为： 是第i 个样本的学习误差， N 是样本的数量。

2. 基于神经网络的控制器设计

(1)控制系统硬件

本系统以北京航空航天大学机器人研究所的三指灵巧手作为实验床，其控制器采用分 J结构，上层主机是PC—386, 负责进行人机信息交换、任务规划和路径规划。下层是伺 服控制器，即对应每个电机有一个基于PC 总线的8031单片机的位置伺服控制器。图5-31 为控制器的硬件简图。图中的手指关节部位安装有电位计，用作角度传感器，其输出信号 作为伺服控制器的反馈信号。

(2)控制系统软件设计

控制软件分为两部分，上位机软件用C 语言编写，伺服控制器的软件用MCS-51 单片机汇编语言编写。图5-32是控制器的结构图。上位机软件负责根据误差信号，计算网 络输出并产生相应的控制信号。伺服控制器从主机得到控制指令，进行适当的处理后，产生相应的PWM 电机控制信号控制电机转动。对神经网络的计算全由上位机完成，这是因 为神经网络的计算包括大量的非线性函数.用汇编语言实现十分困难且速度很慢。图5-33 是主机软件流程图，其中定时器的作用是保证40ms 进行一次插值，利用上位机的 CMOS 定时来实现，可以准确到微秒J。

(3)复合控制方法

通过实验发现，单纯用神经网络控制器进行控制，系统 的响应在跟踪阶段可以很好地跟踪给定的轨迹，但稳态效果 不好，存在较大的稳态误差。这是因为神经网络能够学习原 来的控制器的输入输出映射关系，但并不能完全复现这种关 系，总有一定的误差，而且误差小到一定的范围后，再想进 一步减小就变得十分困难。由于时间限制，网络学习只能得 到一个近似的Z优解，而不可能得到真正的Z优解。为了使 系统具有良好的稳态响应，采用一个PID 控制器在稳态时对 系统进行控制，利用其积分作用来消除稳态误差，实验结果 表明这种复合控制器能保证系统具有良好的稳态响应。