尽管滑模控制响应快,对系统参数和外部扰动呈不变性,但在保证系统的渐进稳定性上却存在很强的抖动缺点。因此,在一般滑模控制的基础上,引入了径向基函数神经网络(RBFNN)。利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,滑模控制量作为其输出。利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性。对两连杆机械手进行了仿真研究,其结果表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能消除滑模控制的抖动问题。
机器人系统是一个十分复杂的多输入多输出非线性系统,具有时变、强耦合和非线性动力学特性,其控制十分复杂。要实现其高精度快速跟踪控制,必须采用高级控制策略。滑模控制因其在滑动模态对系统的干扰和摄动具有完全适应性而得到控制界的重视,并被广泛应用于机器人控制中。滑模控制方法具有控制简单、易于实现、降阶、解耦作用等优点,但却有存在很强的抖动的缺点。
径向基函数神经网络(RBFNN)的基本思想是:用径向基(RBF)作为隐单元的“基”,构成隐含层空间,隐含层对输入矢量进行变换,将低维模式输入数据变换到高维空间内,使得在低维空间内线性不可分问题在高维空间内线性可分。RBFNN结构简单、训练简洁而且收敛速度快,能够逼近任意非线性函数。因此, RBF网络有较为广泛的应用前景。