气动人工肌肉模糊迭代学习控制与手势识别的多模态融合策略研究

### 气动人工肌肉模糊迭代学习控制与手势识别的多模态融合策略研究 #### 气动人工肌肉控制方法 气动人工肌肉具有非线性和滞后等特性，在对其进行控制时，需要采用合适的方法来实现精确的轨迹跟踪。下面将介绍几种相关的控制方法。 ##### 迭代学习控制 迭代学习控制方法主要用于跟踪具有重复运动特性的被控对象，无需被控对象的精确数学模型。其输入信号通过迭代学习控制的学习律不断修改，使期望曲线和输出曲线逐渐收敛并最终达到稳定。本文采用的组合学习律参考了Arimoto等人提出的PID型学习律： \[u_{k + 1}(t) = u_{k}(t) + \Gamma\dot{e}_{k}(t) + Le_{k}(t) + \psi\int_{0}^{t}e_{k}(\tau)d\tau\] \[e_{k}(t) = y_{d}(t) - y_{k}(t)\] 其中，\(\Gamma\)、\(L\)和\(\psi\)是学习增益矩阵，\(u_{k}(t)\)是上一次迭代的结果，\(e_{k}(t)\)是误差，\(y_{d}(t)\)是期望输出，\(y_{k}(t)\)是实际输出。从上述公式可简化得到： \[u_{k + 1}(t) = u_{k}(t) + U(e_{k}(t), t)\] 在每次迭代运行中，输入信号\(u_{k + 1}(t)\)是上一次输出\(u_{k}(t)\)加上学习律。\(u_{k}(t)\)是迭代学习中的先前操作经验，每次迭代都是在现有基础上的修正。 考虑到气动传动的实际情况，在PID控制中D不起作用，Simulink模型中PID控制器的参数分别设置为\(k_{p} = 1000\)，\(k_{i} = 100\)，\(k_{d} = 0\)。其迭代学习控制的流程如下： 1. 初始化控制信号\(u_{0}(t)\)。 2. 运行系统，得到实际输出\(y_{k}(t)\)。 3. 计算误差\(e_{k}(t) = y_{d}(t) - y_{k}(t)\)。 4. 根据学习律更新输入信号\(u_{k + 1}(t) = u_{k}(t) + U(e_{k}(t), t)\)。 5. 重复步骤2 - 4，直到输出曲线与期望曲线收敛。 ##### 模糊控制器 为了提高系统的动态性能，引入了模糊控制器。模糊控制器基于模糊数学知识，使用模糊集表示模糊规则。通过基于知识的专家系统利用模糊集和规则，根据响应情况进行模糊推理。随后进行去模糊化和模糊逆变换，利用知识库中的模糊规则优化PID控制器参数，从而得到最适合设备的PID参数，实现更好的控制效果。 模糊参数调整模型中，选择误差\(E\)和误差变化率\(EC\)作为输入项，\(\Delta K_{p}\)、\(\Delta K_{i}\)和\(\Delta K_{d}\)作为输出项。输入和输出项采用七个模糊值，分别是负大（NB）、负中（NM）、负小（NS）、零（Z）、正小（PS）、正中（PM）和正大（PB）。其中，NB采用zmf（z形）函数，PB采用smf（s形）函数，其他使用trimf（三角形）函数。输入论域为\([-3, 3]\)，\(\Delta K_{p}\)、\(\Delta K_{i}\)和\(\Delta K_{d}\)的论域分别为\([-0.3, 0.3]\)、\([-0.06, 0.06]\)和\([-3, 3]\)。 控制规则如下： 1. 当\(E\)大且\(EC\)小时，增大\(K_{p}\)可减小误差。为避免误差\(E\)瞬间增大导致微分饱和并超出控制范围，\(K_{d}\)设置为适中水平。为防止大超调和积分饱和，\(K_{i}\)不起作用，即\(K_{i} = 0\)。 2. 当\(E\)和\(EC\)为中等大小时，为减少超调，\(K_{p}\)应小，\(K_{i}\)应适当，\(K_{d}\)应适中设置以影响系统响应速度。 3. 当误差\(E\)小时，为保持系统稳定，应增大\(K_{p}\)和\(K_{i}\)。为避免在设定点附近振荡，对于小的\(EC\)使用大的\(K_{d}\)，对于大的\(EC\)使用小的\(K_{d}\)。 4. 当误差变化率\(EC\)大时，为避免系统振荡，应减小\(K_{i}\)和\(K_{d}\)。 5. 当\(E \times EC\)为正时，意味着实际输出偏离期望轨迹。如果\(E\)大，增大\(K_{p}\)并减小\(K_{i}\)可减小误差。如果\(E\)小，减小\(K_{p}\)并增大\(K_