前言:我最近在玩神经网络，我看到有些东西接近神经网络中未建模的运动，有些东西接近神经网络中的整个模型。 后者是无模型控制。 没有模型进行控制不需要知道系统的名义模型，直接用神经网络逼近整个系统，我觉得这种方法很厉害。 于是，我把这个方法用在了六关节机械臂的模型上，最后的控制效果还不错。
1 .机器人动力学方程mqnqgfd=m(ddot(q ) n ) dot ) q ) gfd=(tauMQNQ(gfd=
其中f f f为摩擦力，d d d为扰动，(tau为关节力矩，动力学建模方法采用导师凯恩方法。 省略具体代码。
2 .控制器设计在实际工程中，M M M、N N N、g g g g矩阵和摩擦力f f f是未知的，这里用三个神经网络分别逼近M M M、N N N、g g g g矩阵，同时在控制律的基础上增加鲁棒性以抵抗干扰RBF神经网络的控制器结构选择为6-7-1结构，神经网络的输入为角度和角速度，输出为矩阵估计值M ^ hat{M} M^，N ^ hat{N} N^，g ^hat { n }
3 .仿真框图和结果Simulink仿真框图如下：
仿真结果
6个关节角度跟踪：
6个关节角速度跟踪：
4 .结论由于给定轨迹的初始值和系统状态的初始值不同，跟踪指定轨迹需要一点时间。 6个关节的角度和角速度可在约0.5s内跟踪cos轨迹。 稳定后，角度误差约为10的负3次方，角速度误差为10的负2次方。 我倾向于能够快速跟踪角度，所以角速度一开始会变大，但很快角速度就会快速跟踪并指定轨迹。
5 .在增大后续改进符号函数的系数时，这可以加快收敛速度，但同时由于符号函数的不连续性，系统的控制输入迅速前后切换，产生较大的干扰，因此力矩输入的干扰较大。
后续的改进与模糊控制相结合，通过模糊控制来调整编码函数的增益系数，从而在远离平衡点时能够确保较大的增益系数并迅速接近，在接近滑动面时减小增益系数并使其接近滑动面也就是说，由于增益系数是自适应的，所以系统可以快速跟踪轨迹，也可以在跟踪后减小增益，可以减少控制输入的混乱。