کنترل ترمینال لغزشی - شبکه عصبی در حرکت بازو با به کارگیری الگوریتم بهینه سازی برخط برای تولید مسیرهای مطلوب مفاصل

به منظور کنترل حرکت مدل سه لینکه از بازوی انسان در صفحه و با هدف دستیابی به کنترل مقاوم در برابر اغتشاشات خارجی، دینامیک های مدل نشده و عدم قطعیت های مدل و ویژگی های تغییرپذیر با زمان آن، کنترلترمینال پیوسته لغزشی به عنوان کنترل کننده تطبیقی و مقاوم، بکار رفته است. این کنترل کننده دارای زمان همگرایی محدود جهت رسیدن به خطای ردیابی صفر است، اما پدیده چترینگ موجود در کنترل لغزشی را بطور مطلوبی کاهش نداده است. در این مقاله به منظور کاهش چترینگ، با تعریف لایه مرزی حول سطح لغزش، ترکیبی از شبکه عصبی بازگشتی با یک لایه پنهان و کنترل ترمینال لغزشی بکار رفته است. از طرفی به دلیل وجود افزونگی سینماتیکی در مدل بازو، مسیرهای واحدی در فضای مفصل وجود ندارند که به عنوان پیش فرض تعریف شوند. از این رو با هدف دستیابی برخط به مسیرهای مطلوب در حرکت هدفمند رسیدن دست به سمت شئ، الگوریتم مسیریابی برخطی را با کنترل ترکیبی بکار رفته همراه نموده ایم. نتایج نشان داده اند، همراه کردن کنترل ترکیبی با الگوریتم مسیریابی برخط، علاوه بر کاهش پدیده چترینگ، ردیابی مسیرهای مطلوب مفاصل و نیز مسیر تعریف شده در فضای کاری عملگر نهایی را با خطاهای بسیار کمی برآورده ساخته است.

NeuroTerminal Sliding Control in arm movement using online routing algorithm

To control 3DOF model of human arm movement in page and to reach robust control in external disturbance, unmodeled dynamics and uncertainties of model with timevarying properties, continues terminal sliding mode control as an adaptiverobust control was used. This controller have exponential convergence to zero tracing error, but chattering phenomenon in sliding control isnamp;rsquo;t decrease desirable. In this paper, to decrease chattering, we coupled a recurrent neural network by a single hidden layer into the terminal sliding control (TSM). Moreover, because of systematic redundancy in the model of arm, donamp;rsquo;t exist unique joint trajectories to considering as a default, so to reach online desired trajectories in reaching, online routing algorithm was used with NeuroTSM control. For testing the robustness in control, we applied disturbance signals of torque. The results have shown,NeuroTSM along with online routing algorithm, in addition to reducing chattering, could track joint trajectories and end effector path with very low errors.