在线历史数据驱动复合学习控制及其外骨骼机器人应用

As a fundamental property of autonomous intelligent behavior, the ability to learn is reflected by parameter convergence in adaptive control. The significance of parameter convergence is that it can enhance the overall stability and robustness properties of adaptive control systems. Nevertheless, a stringent condition named persistent excitation (PE) is usually required to guarantee parameter convergence, which severely restricts the learning and control abilities of adaptive control. How to relax the condition for parameter convergence is a crucial and difficult problem of the current research. A feasible way to solve this problem is to make use of rich information in online historical data to improve parameter estimation. In this project, an online historical data-driven composite learning control strategy is firstly proposed, such that exponential parameter convergence is achieved under a weak condition named interval excitation; secondly, an immersion and invariance technique is applied to robustify composite learning control such that the performance and robustness of the closed-loop system is guaranteed at the initial running stage; finally, the composite learning is applied to the adaptive impedance control design of physical human-robot interaction (pHRI) in exoskeleton robots, such that the robots are able to provide a safe and comfortable assist-as-needed function for users. Expected results are able to provide high-performance and low-cost solutions for a wide range of engineering control problems such as exoskeleton robot control, thereby consolidating the position of adaptive control in the industry.

作为自主智能行为的基本属性之一，学习能力在自适应控制中反映为参数收敛性。参数收敛的重要意义在于能够全面提高自适应控制系统的稳定性和鲁棒性。然而为了保证参数收敛，通常要求系统满足称为持续激励的严厉条件，这严重限制了自适应控制的学习和控制能力。如何放宽参数收敛条件是该领域当前研究的重点和难点。利用在线历史数据所蕴含的丰富信息改善参数估计，是解决这个问题的一个可行途径。首先，本课题提出一种在线历史数据驱动的复合学习控制策略，在称为区间激励的弱条件下实现参数指数收敛；其次，用浸入与不变技术鲁棒化复合学习控制，保证闭环系统在初始运行阶段的控制性能和鲁棒性；最后，将复合学习应用于人-外骨骼机器人物理交互的自适应阻抗控制设计，确保机器人为使用者提供安全舒适的按需辅助。预期成果将为外骨骼机器人控制为代表的一大类工程控制问题提供高性能低成本的解决方案，从而巩固自适应控制在工业界的地位。

自适应控制中参数收敛的重要意义在于能够全面提高闭环系统的稳定性和鲁棒性。然而为了保证参数收敛，通常要求满足称为持续激励的严厉条件，这严重限制了自适应控制的学习和控制能力。如何放宽参数收敛条件是当前该研究领域中极具挑战性的关键问题。利用在线输入-输出数据所蕴含的丰富信息改善参数估计，是解决上述问题的一个可行途径。本项目首先针对一类参数不确定欧拉-拉格朗日系统，提出一种高性能且低实现成本的复合学习控制方法，其中利用在线记忆数据实现无持续激励情况下的参数收敛，并基于神经网络逼近将此方法推广到一类非参数不确定非线性系统的控制问题。其次针对一类存在状态约束的不确定非线性系统，提出一种适合于复合学习的鲁棒自适应控制方法，并针对不同被控对象和控制条件设计了多种复合学习控制方案。最后基于奇异摄动理论分析了柔顺驱动机器人的控制问题，并将复合学习应用于机器人跟踪和阻抗控制设计。仿真和实验均验证了所提方法的有效性和优越性。基于上述研究结果，共发表SCI检索期刊论文22篇，其中第一或通信作者论文19篇，中科院分区1-2区期刊论文17篇，IEEE Transactions系列和Automatica顶级期刊论文10篇，ESI高被引论文1篇。本项目所提方法已成功应用于柔顺驱动机械臂、Rethink柔顺驱动协作机器人、Denso工业机器人等实际机器人系统，进一步强化了自适应控制在实际应用中的重要价值。