基于对运动神经元智能探索的新型自适应学习控制研究

This proposal introduces and analyzes the novel adaptive learning control approaches based on the motor intelligence. Firstly, the motor action principles will be exploited by some experimental techniques and a proper human-like motor control model will be constructed as well. Then based on this model, the adaptive optimal learning control problems will be investigated via Neural Networks (NNs) techniques and will be further compared with the experimental data to test the model and improve it. Finally, the proposed results will be applied to the adaptive optimal control of several robot systems, e.g., the movements planning and motion balance for the Mobile Wheeled Inverted Pendulum (MWIP) Vehicle Models (e.g. Segway), the optimal trajectory planning and kinetic balance control for football robots, and the variable impedance self-tuning and stochastic disturbance rejection for multi degrees of freedom (DOFs).

本项目研究基于对运动神经元智能探索的新型自适应学习控制问题，首先利用实验手段探索运动神经元的作用机理并给出合适的类人运动神经元控制模型，在此模型基础上探讨其基于人工神经网络的自适应最优学习控制问题，并与实验数据进行比对，进而对模型加以改进；最后将所得到的研究结果应用于几类机器人系统的自适应最优控制，如移动轮式车载倒立摆(MWIP)交通工具(如Segway)的路径规划和运动平衡问题、足球机器人运动平衡控制和最优路径规划、多自由度机械臂的变阻抗自调节及随机噪声抑制问题等。

众所周知，人类拥有一个复杂的身体，具有比完成特定任务所需要的更多的自由度。这些冗余的自由度提供了灵活多变的运动神经行为，保障所有的自由度可以相互协作以实现相应的性能指标。探究其协作问题近几十年来一直是运动神经元控制领域的中心问题。然而，目前尚没有学者建立包含所有这些复杂性在内的类人运动神经元控制模型。特别地，近期关于运动神经元控制的发现已经表明共同收缩（或者人类改变内在的肌肉-骨骼柔顺性的能力）在处理不确定性和不可预测性方面起到了关键性作用。. 本课题首先从认知角度建立了包含更多复杂性在内的类人运动神经元控制模型，进而应用最优控制技术和人工神经网络，解决了存在不确定性及随机噪声情况下多自由度机器人的运动控制问题，并将研究结果应用到具有二级欠驱动倒立摆系统的自适应学习控制及噪声抑制问题、移动轮式倒立摆承载工具的运动平衡和路径规划问题、轮式移动机器人的跟踪控制问题等。探索研究了自适应神经网络学习控制设计过程中遇到的半全局稳定和不能事先确定跟踪精度的问题，设计了确保全局跟踪和明确跟踪精度的自适应神经网络控制方法；研究了高阶非线性系统的有限时间控制方法。. 通过对运动神经元控制机理的探索，科技工作者可以更多的了解和掌握人类运动神经元的活动特性，并利用这些特性研发出相应的智能机器人为人类服务，如人造假肢，康复机器人等，推动科学和社会发展。