PID智能补偿控制在外骨骼机器人上的应用

本书阐释了如何采用神经网络PD和PID控制来消除积分增益，提出了如何采用半-全局渐近稳定性和局部渐近稳定性选择线性PID增益的显式条件。本书针对具有高增益速度观测器PD控制，给出了采用李雅普诺夫稳定性设计神经网络和模糊补偿器的前沿方法。PID控制中的积分器会降低闭环系统的带宽，导致暂态性能低效，甚至会破坏系统的稳定性，本书在这些系统中引入智能控制将极大地改变生物医学和工业控制工程的现状。

1. 预备知识 11.1. 外骨骼机器人11.2. 外骨骼机器人的控制问题 31.3. 神经网络与模糊系统 41.4. PD和PID控制51.4.1. PID参数整定51.4.2. 任务空间的PID控制61.4.3. 基于速度观测器的PID控制71.5. 基于补偿的PD和PID控制71.6. 机器人导纳控制91.7. 外骨骼机器人的路径规划102. 稳定PID控制与PID增益的系统整定132.1. 外骨骼机器人的稳定PD和PID控制132.1.1. 稳定PD控制142.1.2. 稳定PID控制172.2. PID参数的闭环整定222.2.1. 闭环系统的线性化252.2.2. PDPID 整定262.2.3. PID增益微调282.2.4. PID增益的稳定条件282.3. 应用于外骨骼机器人292.4. 结论333. 任务空间的PID控制353.1. 任务空间的线性PID控制353.2. 基于速度观测器的线性PID控制443.3. 实验结果 483.4. 结论534. 神经网络补偿PD控制554.1. 高增益观测器的PD控制554.1.1. 奇异摄动法564.1.2. 李雅普诺夫法634.2. 神经网络补偿PD控制654.2.1. 单层神经网络补偿PD控制654.2.2. 多层前馈神经网络补偿PD控制664.3. 基于速度估计和神经网络补偿的PD控制714.4. 仿真754.5. 结论805. 神经网络补偿PID控制815.1. 稳定神经网络PID控制815.2. 基于不速度可测的神经网络PID控制915.3. 神经网络PID跟踪控制965.4. 神经网络PID的实验结果1015.5. 结论1066. 模糊补偿PD控制1096.1. 基于模糊补偿的PD控制1096.2. 隶属度函数学习与稳定性分析1146.3. 实验比较 1206.4. 结论1247. 滑模补偿PD控制1257.1. 基于并行神经网络和滑模的PD控制1257.2. 基于串行神经网络和滑模的PD控制1297.3. 仿真1337.4. 结论1388. 任务空间的PID导纳控制1398.1. 通过导纳控制的人-机器人合作1398.2. 任务空间的PID导纳控制 1418.3. 任务空间基于神经网络补偿的PID导纳控制1458.4. 基于雅可比近似的导纳PD控制 1498.5. 基于自适应补偿的导纳控制1548.6. 实验结果 1568.6.1. 云台机器人1568.6.2. 四自由度机器人1568.7. 结论1589. 关节空间的PID导纳控制1599.1. PD导纳控制1599.2. 基于自适应补偿的PD导纳控制1649.3. 基于滑模补偿的PD导纳控制1679.4. PID 导纳控制1689.5. 实验结果 1709.5.1. 云台机器人1709.5.2. 四自由度机器人1709.6. 结论17410. 关节空间的机器人轨迹生成17510.1. 码本和关键点生成17510.2. 基于改进隐马尔可夫模型的关节空间轨迹生成17910.3. 学习轨迹实验18510.3.1. 双连杆平面肘部机械手18610.3.2. 四自由度上肢外骨骼18910.4. 结论192附件A. 上肢外骨骼机器人设计195A.1. 重型外骨骼机器人195A.2. 便携式外骨骼机器人200