一、基于自适应迭代学习算法的FNS肢体运动控制（论文文献综述）
欧阳文娟[1]（2021）在《面向机器人应用的仿生控制方法研究》文中研究表明经过亿万年的自然选择,动物进化出了非凡的运动能力以适应环境的变化,满足其自身捕食、脱逃、繁衍和迁徙的需要。与传统的人工机械运动系统如车辆、飞机和船舶等相比,动物的运动表现出了更强的环境适应性和运动稳定性。通过在机械系统上模仿动物的运动方式,构建具有类似动物灵活性的仿生机器人来满足在军事侦查、环境勘测、抗险救灾、航空航天以及医疗手术等诸多领域的应用需求,已经成为目前机器人领域研究的热点和重点。本论文重点研究仿生机器人的运动控制问题,通过模仿动物运动控制的生物机理,实现仿生机器人的精确运动控制。论文的研究工作分为两个层次:仿生机器人的模态控制和仿生机器人的整体控制。前者研究如何控制驱动装置使仿生机器人与环境相互作用进而产生期望的运动模态;后者在前者的研究基础上,研究如何控制具有多自由度的仿生机器人产生期望的整体运动。本文的主要研究内容与主要贡献有:1.针对仿生机器人与仿生动物对象在外观神态和运动形态上的相似性,提出了一种基于通用内部模型（GIM）的运动模态控制方法来实现机器人对动物运动模态的模仿学习。通过模仿动物运动模态的控制机理,GIM使用中枢模式发生器（CPG）作为激励,确保了仿生机器人运动模态的协调性和稳定性。同时,通过证明GIM具有时空可伸缩特性和相移特性,所提出的运动模态控制方法可以仅通过两个调整参数来实现运动模态从动物向仿生机器人的有效迁移。最后,在蛇形机器人样机上的仿真和实验证明了基于GIM的仿生学习框架在模态发生上的有效性。2.针对仿生机器人模态控制中存在的CPG参数难以确定等问题,提出了 一种基于强化学习的模态控制器自整定方法。以具有空间连杆结构的六足机器人为研究对象,首先设计了一个具有两层拓扑结构的CPG网络,并利用机器人耦合参数的对称性,缩小了 CPG网络参数的搜索空间。同时,通过分析机器人的机械和运动约束,针对性地设计了 一种带约束条件的奖励函数,并采用基于深度确定性策略梯度的强化学习方法来在线搜索机器人的最佳运动模态。通过机器人在四种不同环境中的实验,验证了所提出的CPG参数自整定方法的可行性。3.针对仿生机器人在已知环境中的精确整体运动控制问题,模仿动物运动系统的整体控制机理和动物小脑对脊柱CPG的调节控制机理,提出了 一种基于类小脑控制器的仿生分层控制框架。在低层的模态控制中,机器人利用CPG来产生期望的运动模态;在高层的整体控制中,构建了一个具有在线学习能力的类小脑控制器来实时补偿动力学模型的不确定性,保证了整体运动控制器具有一定的环境自适应性和鲁棒性。在动态环境下,进行了多关节蛇形机器人轨迹跟踪仿真和实验,结果表明所提出的整体运动控制器较传统控制器具有更好的控制性能。4.针对仿生机器人在未知环境中的整体运动控制问题,模仿动物运动规划过程中的迭代学习机制,提出了一种变轨迹自适应迭代学习控制（ILC）方案。通过重复迭代和轨迹调整的循环过程,机器人在每一次迭代过程中首先进行边界阈值条件检测,然后按照预定的轨迹调整规则将调整后的位置点加入到期望轨迹的可行解空间。经过足够次数的迭代,机器人能够找到一个从起点到终点的可行解空间并分段拟合出期望轨迹,最后迭代学习运动控制器可以完成精确的位置跟踪。通过蛇形机器人的穿管实验,证明了所提出的控制方案能够有效实现机器人在非结构化环境下的自主规划。
梁定坤,陈轶珩,孙宁,吴易鸣,刘连庆,方勇纯[2]（2021）在《气动人工肌肉驱动的机器人控制方法研究现状概述》文中认为随着机器人技术的飞速发展,传统执行器（如电机、液压驱动等）结构繁冗、体积庞大,越来越难以满足新一代智能机器人对轻质化与柔顺性的需求,具有更高柔顺性、更强安全性的气动人工肌肉日益受到广大学者的关注.气动人工肌肉结构简单、材料轻便、生物适应性好,在医疗康复、航空航天、水下作业、抢险救灾等领域均具有良好的适应性,可方便地用于驱动机器人完成多项复杂任务.然而,气动人工肌肉与生俱来的迟滞、高度非线性、蠕变等特性,为其驱动的柔性机器人精准智能控制带来了挑战.鉴于此,首先对气动人工肌肉的工作原理、优势缺陷、建模与应用现状等进行简要介绍;然后基于气动肌肉的主流模型,对近年来单、多气动人工肌肉驱动的机器人运动控制方法研究现状与最新进展进行重点阐述;最后根据当今研究现状与尚未解决的难题,简要分析气动人工肌肉驱动的机器人未来发展趋势.
陈志娟[3]（2020）在《基于模型预测控制方法的船舶路径跟踪控制》文中研究表明针对欠驱动船舶路径跟踪中所存在的外界环境干扰及舵机受约束等问题,将径向基函数神经网络（radial basis function,RBF）与模型预测控制（model predictive control,MPC）相结合,进而达到既能使船在外界干扰下准确地跟踪上参考路径,又能保证所设计出的控制舵角在舵机约束范围之内。本文主要创新点如下:1.结合MPC能在控制输入具有约束条件下求次优解的优点,以解决控制输入舵角饱和的问题。2.以具有高耦合性和非线性的船舶分离型模型（mathematical model group,MMG）作为MPC预测模型,更符合船舶航行的实际情况,以提高预测模型精度。并引入了欧拉迭代法以离散和预测船舶未来状态,进而简化对MMG模型的预测和MPC的运算。3.利用RBF神经网络的训练逼近特点,通过对船舶历史信息的训练实现对外界风流干扰的逼近,以补偿MPC控制器,提高控制器对外界环境干扰的鲁棒性。最终仿真实验结果表明,所设计的MPC控制器可以使船舶在风流干扰和舵角约束的情况下准确地跟踪上设定的路径,并且所设计的控制舵角光滑无抖振,减小了舵机能量损耗,这些验证了所提控制算法的有效性。
吴伟峰[4]（2020）在《面向非严格重复训练的脚踝康复机器人迭代学习控制研究》文中认为随着社会自动化水平的发展以及人们生活水平的不断提高,对于医疗康复训练的过程和手段,人们不断提出诸多更高的需求,如高效率、高精准度及低成本等。对于人口老龄化、慢性病患者和其他安全事故造成的运动功能障碍患者数量的增长,使用传统的依赖康复医疗师的康复疗法对患者进行康复辅助训练已经无法应对。具有轨迹跟踪控制精确、自动化水平高、人工成本低和训练模式多种多样等特点的康复机器人的出现能够很好的应对康复需求的增长。在康复训练过程中,由于脚踝康复机器人的气动肌肉驱动器的强非线性和负载的随机性等,使得系统并不能保证处于严格重复状态下,这对于控制气动肌肉驱动的脚踝康复机器人的传统迭代学习控制算法的设计具有困难。对此,本文的主要研究工作如下:（1）由于气动肌肉驱动的脚踝康复机器人在辅助患者进行康复训练的过程中,无法保证训练轨迹以及系统初始条件严格重复,针对这一问题研究仅依赖于系统输入/输出数据的高阶无模型自适应迭代学习控制方法,以实现系统在初始条件可随机变化的情况下精确跟踪非严格重复的训练轨迹。为了使算法具有更好的收敛性,提出基于参数优化的高阶无模型自适应迭代学习控制方法,以加速学习增益参数优化过程从而提高系统的收敛性能。（2）康复训练过程中,患者肢体负载的随机性以及康复机器人器件之间的摩擦等会造成负载扰动的随机性,会给系统施加非严格重复的扰动。针对这类存在非严格重复扰动的非线性系统,提出一种带有非严格重复扰动的迭代域紧格式动态线性化方法,在扰动有界的情况下,理论上证明基于紧格式动态线性化的无模型自适应迭代学习控制方法的鲁棒收敛性。采用统计方法分析扰动对算法的影响,并给出跟踪误差和扰动之间的关系,进一步表明扰动对系统输出的作用。（3）针对脚踝康复机器人的气动肌肉驱动器的强非线性以及难建模等特点,为实现对训练轨迹的渐进跟踪,研究无模型自适应迭代学习控制方法。在此基础上,针对康复训练过程中的非重复扰动,提出基于扰动补偿的无模型自适应迭代学习控制方法。扰动观测器可对系统扰动进行估计,并将估计值应用于控制器的设计,因此可在控制器中引入扰动补偿以抵消扰动的作用,从而实现对扰动进行抑制的目的。
李浩[5]（2020）在《索牵引康复机器人零位标定与运动控制》文中研究说明随着社会经济的发展,人们对康复治疗的追求日益提高,促使康复机器人迅速发展。康复机器人与索牵引技术的结合,简化了机器人结构、增强了柔顺性、且具有工作空间大以及人机交互安全等优点。本文通过对索牵引康复机器人的国内外发展现状与机器人零位标定技术和控制策略的研究,设计出一款用于下肢康复的索牵引康复机器人,对其进行零位标定分析与仿真控制分析,并设计实验对理论分析进行验证。主要研究工作如下:基于人体尺寸标准与下肢正常步态轨迹,设计索牵引康复机器人的本体结构。根据绳索张紧条件推导机器人所需的绳索数量及其分布,确定索牵引康复机器人的构型。使用拉格朗日法建立机器人动力学模型并依据虚功原理推导索力求解方法,根据索力要求采用零空间法分析索牵引康复机器人力旋量封闭工作空间,进一步计算力可行工作空间。最后,以工作空间为目标采用改进的遗传算法对索牵引康复机器人进行构型优化。为提高机器人运行精度,基于建模、测量、参数辨识、误差补偿的标定步骤对索牵引康复机器人进行零位误差标定。首先建立机器人零位误差模型;采用光学三维动作捕捉系统进行数据测量;运用matlab对测量数据进行计算获取零位参数;对比理论参数对索牵引康复机器人零位进行调整补偿。同时使用matlab对测量系统应用软件Cortex进行二次开发实现在线数据传输与零位参数辨识,并通过实验完成索牵引康复机器人的零位标定。最后,针对非线性、强耦合、高重复性的索牵引康复机器人,提出了迭代学习的控制策略。首先介绍其基本理论,分析不同迭代学习律的收敛性。在零初始误差的前提下,对索牵引康复机器人分别进行了开闭环D型迭代学习控制仿真实验,并且分析不同的控制器参数对控制算法的影响。基于开环D型迭代学习控制对索牵引康复机器人进行轨迹跟踪实验,对比实验结果证明了迭代学习控制的可行性。
李亚锋[6]（2020）在《基于迭代学习控制的上肢康复机器人轨迹跟踪研究》文中指出随着世界人口老龄化的加剧,脑卒中患者日益增多,使用康复机器人辅助脑卒中患者运动神经的康复成为了一种有效的手段。将康复机器人与现代医学相结合,利用康复机器人代替物理治疗师辅助患者患肢的康复已成为国内外研究的热点。本文针对人体上肢的结构,设计了一种三自由度（Three Degree of Freedom,3-DOF）上肢康复机器人。它能够辅助患者模拟上肢运动,对上肢运动功能有障碍的患者实现康复性治疗。考虑上肢康复机器人动态系统的复杂特性,本文以迭代学习控制（Iterative Learning Control,ILC）为控制理论基础,研究3-DOF上肢康复机器人在康复训练过程中的轨迹跟踪问题,最终实现上肢康复机器人稳定的、快速的、准确的跟踪康复训练轨迹。主要开展工作如下:1)首先介绍了上肢康复机器人在现实生活中的应用前景以及国内外研究现状。对当前应用于康复机器人的控制算法进行了详细的描述,并且分析各类控制算法的优缺点。2)利用Proe软件建立了3-DOF上肢康复机器人的虚拟样机,对上肢康复机器人的结构进行分析,采用D-H法得到了系统的正/逆运动学方程,然后通过Matlab建立了3-DOF上肢康复机器人的三维运动学模型。另外,为了实现对康复机器人的有效控制,采用拉格朗日方程法建立了上肢康复机器人的动力学模型。3)基于指数变增益ILC的上肢康复机器人轨迹跟踪控制研究。首先介绍了迭代学习控制的原理、开闭环控制以及基本的P型、D型、PID型控制律。考虑到固定增益的ILC学习速度较慢的问题,设计了一种闭环指数变增益D型ILC控制律并进行了详细的收敛性分析。以3-DOF上肢康复机器人为被控对象进行轨迹跟踪控制,Matlab仿真实验结果表明,与固定增益的ILC算法相比,闭环指数变增益D型ILC在上肢康复机器人轨迹跟踪过程中具有快速的学习速度。4)基于初态学习的上肢康复机器人指数变增益ILC轨迹跟踪研究。考虑到迭代学习控制每次运行需要系统的初始状态保持一致或为期望的初始状态。但是,在实际的康复训练过程中往往存在初态误差,很难保持系统的初始状态为期望值。所以将初态学习控制引入到迭代学习控制策略中,设计了一种基于初态学习的指数变增益ILC控制律。通过严格的算子理论证明被控系统的收敛性,然后利用Matlab对3-DOF上肢康复机器人进行轨迹跟踪控制仿真实验。实验结果表明,基于初态学习的指数变增益ILC解决了迭代学习控制严格要求初始状态固定的问题。同时采用指数项增益,康复机器人在轨迹跟踪过程中可以稳定的、快速的跟踪期望轨迹。5)基于不确定扰动的上肢康复机器人自适应迭代学习控制（Adaptive Iterative Learning Control,AILC）轨迹跟踪研究。在迭代学习控制策略中,可以有效的解决系统数学模型不精确、干扰为重复扰动的问题。但是当患者出现痉挛扰动以及外界不确定性扰动时,控制效果不够理想,所以设计了一种改进的AILC控制律。改进的AILC可以对系统的未知扰动进行在线-实时的估计与补偿,同时也可以对控制输入进行迭代学习。通过李雅普诺夫复合能量函数证明了系统的收敛性。将所提出的控制算法进行轨迹跟踪控制Matlab仿真实验。仿真实验结果表明,与传统的AILC算法相比,上肢康复机器人在改进的AILC控制律下不仅可以克服不确定性扰动,还可以快速的跟踪期望轨迹,提高了系统的控制品质。
郑晓[7]（2019）在《喂养机器人抓取系统轨迹规划与控制策略研究》文中研究指明随着医学科学的进步,作为临床实验对象的小白鼠需求量日益增大,导致人工饲养的劳动强度不断加重。为解决这一难题,本课题将机器人技术引入饲养过程中,在节省人力物力的同时确保无菌环境、保证饲养品质。本文以小白鼠喂养机器人的抓取系统为研究对象,对其抓取过程的轨迹规划和控制策略展开系统研究。论文基于标准D-H法的相关理论,对喂养机器人抓取系统的结构和运动学进行分析,建立其运动学模型,推导运动学正、逆解,并利用MATLAB验证模型的准确性。在此基础上,采用蒙特卡洛法完成了对抓取系统的工作空间分析,确定了机械臂的操作范围。在分析对比关节空间和笛卡尔空间轨迹规划的主要插值算法后,结合喂养机器人实际任务需求,在不同空间中进行轨迹规划。为实现轨迹的跟踪控制,本文对喂养机器人抓取系统进行了力学分析。采用微分变换法求解喂养机器人抓取系统的雅可比矩阵,利用虚位移定理对抓取系统进行了静力学分析,并根据拉格朗日力学法建立了系统的动力学方程。将在SolidWorks中建立的抓取系统三维模型导入ADAMS,建立抓取系统的虚拟样机,验证动力学方程的准确性。在研究分析多种控制算法的特点和适用范围后,本文选用滑模变结构控制策略实现系统的轨迹跟踪控制。由于传统滑模控制具有“不连续”的非线性问题,会引起控制器输出产生抖振现象,在考虑喂养机器人抓取系统特性的基础上,提出了一种基于ESO补偿的超螺旋滑模控制策略（STSMC-ESO）,保留滑模控制优越性的同时有效地抑制系统抖振,并实现了对系统干扰的自适应补偿。经仿真对比验证,该控制策略有效地提高了系统的跟踪精度,实现了机器人抓取系统准确平稳运行。最后,搭建了 ADAMS和MATLAB的联合仿真平台。将STSMC-ESO控制策略用于喂养机器人抓取系统的虚拟样机,验证了 STSMC-ESO控制策略在轨迹跟踪方面的可行性与实用性,对喂养机器人实现平滑精准抓取具有重要意义。
林佳裔[8]（2019）在《柔索驱动的平地行走下肢康复外骨骼机器人设计及研究》文中研究指明随着下肢运动功能障碍患者数量日益增多和临床康复治疗愈发迫切,近年来下肢康复机器人的研究与发展受到国内外学者的广泛关注,如何使下肢康复机器人具备自适应、人机协作和柔性控制等效果是当前亟待解决的难题。在此背景下,本文设计了一种基于套管式柔索驱动的平地行走下肢康复外骨骼机器人,并对其进行了理论分析和仿真研究,主要工作如下:（1）利用Xsens MVN惯性运动捕捉系统采集了正常人体行走步态信号,在对人体解剖学结构研究的基础上,建立了人体下肢的正运动学和逆动力学模型;考虑到地面力对下肢关节力矩的影响,推导并基于非保守Lagrange方程解算了行走下肢关节力矩;通过Simmechanics进行了逆动力学仿真,仿真结果验证了关节力矩解算的准确性,为理论分析和仿真研究提供了数据来源。（2）依据下肢运动机理,提出了套管式柔索驱动下肢康复外骨骼机器人的总体方案;根据关节运动范围与成年人身高尺寸比例,完成了可调节型外骨骼与移动型台架的结构设计、柔索驱动关节的模块化构型设计以及驱动机构设计,确定了套管式柔索的连接方式,为分析研究奠定了模型基础;借助ANSYS Workbench对关键零部件进行了静力学分析,校核结果表明结构设计能够满足强度要求。（3）分析了柔索驱动关节的理论模型,通过位置逆解分析得到了柔索长度与关节角之间的变化规律;在力学分析的基础上,研究了柔索拉力分配问题,并利用P-范数近似与正交补方法实现了柔索拉力的优化求解;采用微元法分析了定曲率与变曲率套管摩擦力对柔索驱动的影响;设计了一种结构简单紧凑的柱型变刚度模块,并通过刚度分析验证了设计预期,为仿真研究提供了理论支撑。（4）在ADAMS中搭建了下肢康复外骨骼机器人的虚拟样机,并分别基于柔索长度变化量与拉力进行了驱动仿真实验,通过比较关节角变化情况表明了模型设计的合理性与理论分析的正确性;根据患者被动行走康复训练特点,设计了自适应迭代学习控制系统,利用Simulink实现了联合仿真控制实验,结果验证了该控制方法对关节期望运动轨迹的跟踪性能与下肢康复外骨骼机器人的可控性。
柯达[9]（2018）在《气动肌肉驱动的康复机器人迭代学习控制研究》文中进行了进一步梳理近年来,随着科学水平的进步和生活品质的提高,人们对医疗康复手段提出了安全、精准、高效及低成本的要求。对于脑卒中和肢体损伤造成的偏瘫及运动功能障碍,传统的依赖经验的人工辅助康复手段已经无法满足上述需求。而伴随着轨迹精确可重复、辅助任务安全可调节、康复成本低廉可持续等特点,康复机器人的出现完美的契合了当今康复医疗领域的发展趋势。在康复机器人技术快速发展的同时,许多挑战也随之而来,如训练任务的安全特性,重复训练过程中患者的体验,以及不同康复阶段康复策略的设计,都对最终的康复效果有着重要的影响。针对康复机器人在患者不同康复阶段的训练任务需求,为实现康复机器人在被动康复过程中对训练轨迹的精确跟踪,以及主动康复过程中机器人柔顺度和训练任务的渐进调节,本文以气动肌肉驱动的并联康复机器人为对象,开展了如下研究工作:（1）针对气动肌肉自身非线性强、建模困难的特点,以训练轨迹精确跟踪为目的,研究基于I/O数据驱动的无模型自适应控制。在此基础上,针对训练过程中重复运动的特性,研究无模型自适应迭代学习控制方法,以实现期望轨迹的渐进跟踪。为了提高算法的收敛速度,提出高阶参数估计的无模型自适应迭代学习控制方法,加速参数迭代估计的速度从而提升算法的收敛性。（2）针对被动康复过程中,患者肢体负载、传感器接触摩擦对系统造成的负载扰动和测量扰动,采用统计方法分析扰动对于系统输出的影响。以抑制扰动为目的,研究具有扰动抑制功能的内模控制原理,在此基础上提出基于内模控制的无模型自适应迭代学习控制方法,对被动康复过程中的扰动具有较好的抑制效果。（3）针对主动康复过程中患者对于机器人理想柔顺程度的需求变化,研究基于迭代学习的康复机器人阻抗控制方法。在此基础上,研究对患侧踝关节运动能力的评估方法,根据不同的运动能力水平相应的调节任务难度,实现康复任务难度的自适应调节。
朱雪枫[10]（2017）在《康复机器人上肢运动系统控制策略研究》文中研究表明随着现代康复医学的发展,利用康复机器人对偏瘫患者进行上肢运动功能的康复已成为国内外研究的热点之一。本文以康复医学原理和先进控制理论为基础,将医师临床经验与人体工学设计相结合、随机估计理论方法与人机交互技术相结合、离线最优规划与在线智能学习相结合,旨在综合上肢康复机器人系统的人机交互信息、提高训练方案的康复价值、改善被动训练的抗干扰能力,同时兼顾主动训练的安全性和有效性,最终形成一套较为完整的机器人上肢运动系统的控制策略。本论文的主要研究工作包括:上肢痉挛特征研究与模型建立。针对康复训练过程中最大的安全隐患-痉挛,进行基于康复医学的相关研究。将患者的痉挛力矩作为一项不可避免的扰动考虑到整个系统建模中,在人体骨骼肌系统模型的基础上,建立了脑卒中偏瘫患者的上肢痉挛模型,并指出上肢痉挛力矩是具有不确定性的随机变量。将随机估计理论与康复医学知识相结合,采用无需先验信息的经验贝叶斯估计法,给出痉挛力矩模型中的随机参数的估计值,并证明了其收敛性。人机交互作用力矩的实时估计。考虑到现有的阻抗力矩模型仅能提供单关节末端的部分信息,本文采用具有高阶动态的阻抗模型来描述人机交互作用力矩,进而建立了主动训练阶段的非线性人机交互系统模型。提出基于积分变换的人机交互力矩估计算法,并给出了估计算法收敛性条件,确保了人机交互作用力矩的实时估计,并能够以指数率达到预先指定的精度。上肢康复运动轨迹智能优化算法设计。在康复医学理论与人体工学原理的基础上,本文提出由人体工学指标、患者疼痛度指标、平滑度指标和最小功准则指标构成的综合指标体系,作为上肢运动轨迹设计依据,将上肢康复机器人运动训练轨迹优化转化为带约束的多目标优化问题,以兼顾康复训练的有效性和舒适性。采用改进的人工免疫算法求解上肢康复运动轨迹的多目标优化问题,保证了种群的多样性,并有效的防止种群过早收敛。该算法可以快速搜索到全局最优解,并给出严格满足各项康复量化要求和符合人体上肢运动特征的训练轨迹。被动训练阶段非参数不确定自适应迭代学习控制策略。针对被动训练阶段人机交互系统中的未知扰动和肌张力不确定性,本文提出非参数不确定自适应迭代学习控制策略,以保证机器人平稳地牵引患肢沿预先规划的轨迹进行运动。通过对参考轨迹和迭代误差的修正策略,解决了上肢康复机器人系统存在的变参考轨迹和初始误差不确定等非参数不确定问题。自适应迭代学习机制能够对控制器参数进行实时更新,保证了人机交互系统的全局稳定性,并确保对康复训练轨迹的高精度可靠跟踪。仿真实验验证了所提出的控制策略的有效性。主动训练阶段自适应双迭代优化控制策略。针对主动训练阶段存在的患者主动力矩和痉挛力矩,本文提出双迭代优化控制策略,实现了对参考轨迹的平稳拟合以及对患肢牵引过程的柔性化。该控制策略采用双迭代的控制结构,学习控制器和优化控制器同时迭代的控制策略,不仅可以应对康复机器人系统潜在的执行器故障,避免患者受到二次伤害,还可以提供适当的助力以优化患肢主动力矩和痉挛力矩,以平衡有效性和安全性这两个主动康复训练的基本要求,保证主动阶段的康复效果及安全实现。仿真实验证明了所提出的控制方法的有效性和实用性。
二、基于自适应迭代学习算法的FNS肢体运动控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于自适应迭代学习算法的FNS肢体运动控制（论文提纲范文）
（1）面向机器人应用的仿生控制方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 仿生机器人的控制方法研究现状 |
| 1.2.1 模态运动控制的研究现状 |
| 1.2.2 整体运动控制的研究现状 |
| 1.2.3 研究挑战总结 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 主要贡献 |
| 1.3.3 组织结构 |
| 2 基于通用内部模型的模态发生控制 |
| 2.1 引言 |
| 2.2 基于GIM的模态学习 |
| 2.2.1 GIM结构 |
| 2.2.2 协调的复杂运动 |
| 2.3 GIM特性 |
| 2.3.1 理论证明 |
| 2.3.2 数值仿真 |
| 2.4 GIM应用 |
| 2.4.1 多关节连杆结构模型 |
| 2.4.2 运动模态学习 |
| 2.4.3 仿真和实验 |
| 2.5 本章小结 |
| 3 基于强化学习的模态优化控制 |
| 3.1 引言 |
| 3.2 六足机器人建模 |
| 3.2.1 六足机器人样机 |
| 3.2.2 数学模型 |
| 3.3 基于CPG的模态控制 |
| 3.3.1 两层CPG模型 |
| 3.3.2 模态产生的数值仿真 |
| 3.4 基于强化学习的模态优化控制 |
| 3.4.1 问题表示 |
| 3.4.2 深度确定性策略梯度(DDPG)算法 |
| 3.4.3 观测空间 |
| 3.4.4 动作空间 |
| 3.4.5 网络结构 |
| 3.4.6 奖励函数 |
| 3.4.7 引导约束条件 |
| 3.5 仿真与实验 |
| 3.5.1 仿真 |
| 3.5.2 实验 |
| 3.6 本章小结 |
| 4 基于小脑学习的已知轨迹整体控制 |
| 4.1 引言 |
| 4.2 多关节连杆蛇形机器人 |
| 4.3 转弯运动控制方案 |
| 4.3.1 关节控制器 |
| 4.3.2 基于CPG的模态发生器 |
| 4.3.3 高层运动控制器 |
| 4.3.4 运动控制器设计 |
| 4.4 数值仿真 |
| 4.5 实验结果 |
| 4.6 本章小结 |
| 5 基于迭代学习的未知轨迹整体控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.2.1 机器人动力学特性 |
| 5.2.2 问题表示 |
| 5.3 基于ILC的变轨迹自适应运动控制方案设计 |
| 5.3.1 轨迹调整 |
| 5.3.2 ILC运动控制器 |
| 5.4 蛇形机器人应用 |
| 5.4.1 蛇形机器人平台 |
| 5.4.2 轨迹跟踪仿真 |
| 5.4.3 未知管道实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A 六足机器人动力学模型推导 |
| 发表文章目录 |
（2）气动人工肌肉驱动的机器人控制方法研究现状概述（论文提纲范文）
| 0 引言 |
| 1 单气动肌肉驱动的机器人运动控制 |
| 1.1 气动人工肌肉主流模型 |
| 1.2 传统控制方法 |
| 1.3 高级控制方法 |
| 1.4 智能控制方法 |
| 2 多气动肌肉驱动的机器人运动控制 |
| 2.1 传统控制方法 |
| 2.2 高级控制方法 |
| 2.3 智能控制方法 |
| 3 总结与展望 |
| 3.1 总结 |
| 3.2 展望 |
| 科研团队简介 |
（3）基于模型预测控制方法的船舶路径跟踪控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题研究的目的与意义 |
| 1.3 欠驱动水面船舶路径跟踪控制的研究现状 |
| 1.3.1 模型预测控制算法简介 |
| 1.3.2 基于算法设计控制器的现状 |
| 1.4 本文的主要工作 |
| 2 建立欠驱动水面船舶的数学模型以及对其特性的研究 |
| 2.1 欠驱动船舶数学模型的建立 |
| 2.1.1 船舶的平面方程 |
| 2.1.2 建立船舶的运动模型 |
| 2.1.3 附加质量和附加惯性矩的计算 |
| 2.1.4 粘性流体动力和力矩模型及其计算 |
| 2.1.5 舵机特性及舵力的计算 |
| 2.1.6 外界干扰力 |
| 2.2 船舶路径控制仿真系统的建立 |
| 2.3 本章小结 |
| 3 基于模型预测控制算法的控制器设计 |
| 3.1 关于模型预测控制算法及其设计原理 |
| 3.1.1 预测控制原理 |
| 3.1.2 模型预测控制概述 |
| 3.2 基于模型预测控制算法的欠驱动水面船舶路径跟踪控制器的设计 |
| 3.2.1 MPC控制器 |
| 3.2.2 RBF神经网络 |
| 3.2.3 基于MPC算法的控制器的设计 |
| 3.3 基于模型预测控制算法的欠驱动船舶路径跟踪的仿真 |
| 3.3.1 控制系统方框图及仿真程序流程图 |
| 3.3.2 无RBF神经网络下无风静水情况下的仿真结果 |
| 3.3.3 RBF神经网络下有风流干扰情况下的仿真结果 |
| 3.4 本章小结 |
| 4 一阶滑模与模型预测算法级联的控制器的应用 |
| 4.1 一阶滑模与模型预测控制算法级联的控制器设计 |
| 4.1.1 关于滑模控制器的设计 |
| 4.1.2 基于滑模控制算法的控制器设计 |
| 4.1.3 基于模型预测控制算法的控制器设计 |
| 4.2 一阶滑模与预测控制算法级联控制器的仿真 |
| 4.2.1 无风静水情况下的仿真结果 |
| 4.2.2 风流干扰情况下的仿真结果 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（4）面向非严格重复训练的脚踝康复机器人迭代学习控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景、目的和意义 |
| 1.3 相关领域国内外研究现状 |
| 1.3.1 迭代学习控制的发展和现状分析 |
| 1.3.2 迭代学习控制中的非严格重复问题 |
| 1.3.3 康复机器人迭代学习控制研究现状分析 |
| 1.4 本文的主要研究内容与组织结构 |
| 第2章 基于参数优化的高阶无模型自适应迭代学习控制研究 |
| 2.1 基于紧格式动态线性化的无模型自适应控制 |
| 2.1.1 紧格式动态线性化方法 |
| 2.1.2 控制算法描述 |
| 2.1.3 伪偏导数估计算法描述 |
| 2.1.4 控制方案 |
| 2.2 高阶无模型自适应迭代学习控制 |
| 2.2.1 迭代域的紧格式动态线性化方法 |
| 2.2.2 控制系统设计 |
| 2.3 基于参数优化的高阶无模型自适应迭代学习控制 |
| 2.3.1 基于参数优化的控制方案设计 |
| 2.3.2 收敛性分析 |
| 2.3.3 仿真研究 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 康复训练过程中的非严格重复扰动作用分析 |
| 3.1 存在扰动的迭代域紧格式动态线性化方法 |
| 3.2 康复训练过程中非严格重复扰动作用分析 |
| 3.2.1 问题描述 |
| 3.2.2 鲁棒收敛性分析 |
| 3.2.3 非严格重复扰动作用分析 |
| 3.3 仿真研究 |
| 3.4 本章小结 |
| 第4章 存在非严格重复扰动的脚踝康复机器人迭代学习控制 |
| 4.1 扰动观测器设计 |
| 4.1.1 扰动观测器原理 |
| 4.1.2 基于数据模型的扰动观测器设计 |
| 4.2 基于扰动补偿的无模型自适应迭代学习控制 |
| 4.2.1 控制器设计 |
| 4.2.2 收敛性分析 |
| 4.2.3 仿真研究 |
| 4.3 实验结果与分析 |
| 4.3.1 无受试者参与的实验结果分析 |
| 4.3.2 有受试者参与的实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录 研究生期间的研究成果 |
（5）索牵引康复机器人零位标定与运动控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 索牵引康复机器人国内外发展概况 |
| 1.2.1 索牵引康复机器人国外发展概况 |
| 1.2.2 索牵引康复机器人国内发展概况 |
| 1.3 机器人参数标定国内外发展概况 |
| 1.3.1 机器人参数标定国外发展概况 |
| 1.3.2 机器人参数标定国内发展概况 |
| 1.4 索牵引康复机器人控制方法 |
| 1.4.1 索牵引机构控制方法 |
| 1.4.2 康复机器人控制方法 |
| 1.5 本文主要研究内容 |
| 第二章 索牵引康复机器人机构设计及优化 |
| 2.1 引言 |
| 2.2 机器人机构设计 |
| 2.2.1 机器人机构本体设计 |
| 2.2.2 机器人运动规划 |
| 2.2.3 机器人绳索数量及分布 |
| 2.3 工作空间分析 |
| 2.3.1 绳索拉力求解 |
| 2.3.2 工作空间 |
| 2.4 基于改进遗传算法的机器人结构优化 |
| 2.4.1 问题描述 |
| 2.4.2 改进的遗传算法优化 |
| 2.4.3 优化结果 |
| 2.5 本章小结 |
| 第三章 索牵引康复机器人零位标定 |
| 3.1 引言 |
| 3.2 零位误差标定 |
| 3.2.1 零位误差模型 |
| 3.2.2 测量方法 |
| 3.2.3 参数识别 |
| 3.2.4 误差补偿 |
| 3.3 软件设计 |
| 3.4 零位标定实验 |
| 3.4.1 系统描述 |
| 3.4.2 实验过程 |
| 3.4.3 实验结果 |
| 3.5 本章小结 |
| 第四章 索牵引康复机器人运动控制 |
| 4.1 引言 |
| 4.2 迭代学习控制方法 |
| 4.2.1 迭代学习控制基本原理 |
| 4.2.2 零初始误差下的迭代学习控制 |
| 4.2.3 迭代学习律 |
| 4.3 索牵引康复机器人开环迭代学习控制 |
| 4.3.1 开环迭代学习控制结构 |
| 4.3.2 开环迭代学习控制收敛性 |
| 4.3.3 仿真分析 |
| 4.4 索牵引康复机器人闭环迭代学习控制 |
| 4.4.1 闭环迭代学习控制结构 |
| 4.4.2 闭环迭代学习收敛性 |
| 4.4.3 仿真分析 |
| 4.5 索牵引康复机器人运动控制实验 |
| 4.5.1 控制系统描述 |
| 4.5.2 索牵引康复机器人轨迹跟踪实验 |
| 4.5.3 基于开环迭代学习的索牵引康复机器人控制实验 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于迭代学习控制的上肢康复机器人轨迹跟踪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 康复机器人国外研究现状 |
| 1.2.2 康复机器人国内研究现状 |
| 1.3 康复机器人运动控制策略 |
| 1.3.1 基于力的控制策略 |
| 1.3.2 基于力场的控制策略 |
| 1.3.3 基于生物信号的控制策略 |
| 1.4 本文主要研究的内容 |
| 第2章 三自由度上肢康复机器人模型的建立 |
| 2.1 上肢康复机器人理论基础与结构设计 |
| 2.1.1 人体上肢结构及运动机理 |
| 2.1.2 3-DOF上肢康复机器人结构设计 |
| 2.2 3-DOF上肢康复机器人运动学建模 |
| 2.2.1 刚体的姿态 |
| 2.2.2 齐次变换 |
| 2.2.3 机器人D-H坐标变换 |
| 2.3 3-DOF上肢康复机器人运动学分析 |
| 2.3.1 3-DOF上肢康复机器人正运动学分析 |
| 2.3.2 3-DOF上肢康复机器人正运动学仿真 |
| 2.3.3 3-DOF上肢康复机器人逆运动学分析 |
| 2.4 3-DOF上肢康复机器人动力学建模 |
| 2.5 本章小结 |
| 第3章 基于指数变增益ILC的上肢康复机器人轨迹跟踪控制 |
| 3.1 引言 |
| 3.2 迭代学习控制原理 |
| 3.2.1 开闭环迭代学习控制 |
| 3.3 迭代学习控制律 |
| 3.3.1 P型学习律 |
| 3.3.2 D型学习律 |
| 3.3.3 组合型学习律 |
| 3.4 基于闭环指数变增益D型的迭代学习控制 |
| 3.4.1 收敛性分析 |
| 3.4.2 建立仿真模型 |
| 3.4.3 仿真结果与分析 |
| 3.5 本章小结 |
| 第4章 基于初态学习的上肢康复机器人指数变增益ILC轨迹跟踪控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 控制器设计 |
| 4.4 稳定性分析 |
| 4.5 仿真分析 |
| 4.5.1 3-DOF上肢康复机器人模型分析 |
| 4.5.2 仿真结果与分析 |
| 4.6 本章小结 |
| 第5章 基于不确定扰动的上肢康复机器人自适应迭代学习轨迹跟踪控制 |
| 5.1 引言 |
| 5.2 自适应迭代学习控制 |
| 5.2.1 问题描述 |
| 5.2.2 自适应迭代学习控制器设计 |
| 5.2.3 稳定性分析 |
| 5.3 仿真分析 |
| 5.3.1 3-DOF上肢康复机器人仿真模型分析 |
| 5.3.2 控制算法 |
| 5.3.3 仿真结果与控制系统分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（7）喂养机器人抓取系统轨迹规划与控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 喂养机器人抓取系统运动学分析 |
| 2.1 喂养机器人抓取系统介绍 |
| 2.2 抓取系统运动学分析与建模 |
| 2.3 抓取系统工作空间仿真分析 |
| 2.4 本章小结 |
| 3 喂养机器人抓取系统轨迹规划 |
| 3.1 轨迹规划概述 |
| 3.2 关节空间的轨迹规划与仿真 |
| 3.3 笛卡尔空间的轨迹规划与仿真 |
| 3.4 本章小结 |
| 4 喂养机器人抓取系统的力学分析 |
| 4.1 雅可比矩阵与静力学 |
| 4.2 抓取系统动力学分析 |
| 4.3 抓取系统动力学仿真与建模 |
| 4.4 本章小结 |
| 5 喂养机器人抓取系统轨迹跟踪控制研究 |
| 5.1 滑模变结构控制策略 |
| 5.2 基于ESO补偿的超螺旋滑模轨迹跟踪控制 |
| 5.3 联合仿真分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）柔索驱动的平地行走下肢康复外骨骼机器人设计及研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 下肢康复机器人国内外研究现状 |
| 1.2.1 电机驱动的下肢康复机器人研究现状 |
| 1.2.2 气压驱动的下肢康复机器人研究现状 |
| 1.2.3 液压驱动的下肢康复机器人研究现状 |
| 1.2.4 柔索驱动的下肢康复机器人研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 非保守人体下肢系统关节力矩解算 |
| 2.1 引言 |
| 2.2人体行走步态实验 |
| 2.2.1 下肢解剖学描述 |
| 2.2.2 实验设备与原理 |
| 2.2.3 运动信息采集与分析 |
| 2.3 下肢系统运动学与动力学分析 |
| 2.3.1 下肢简化模型建立 |
| 2.3.2 正运动学分析 |
| 2.3.3 逆动力学分析 |
| 2.4 关节力矩解算与仿真验证 |
| 2.4.1 基于非保守Lagrange方程的关节力矩解算 |
| 2.4.2 基于Simmechanics的人体下肢建模 |
| 2.4.3 逆动力学仿真验证 |
| 2.5 本章小结 |
| 第三章 柔索驱动下肢康复机器人结构设计 |
| 3.1 引言 |
| 3.2 下肢康复机器人总体方案设计 |
| 3.2.1 人体下肢运动机理 |
| 3.2.2 下肢康复机器人设计要求 |
| 3.2.3 总体方案设计 |
| 3.3 下肢康复机器人结构设计 |
| 3.3.1 外骨骼与台架的结构设计 |
| 3.3.2 柔索驱动关节设计 |
| 3.3.3 驱动机构设计 |
| 3.4 下肢康复机器人有限元分析 |
| 3.4.1 机械结构与柔索的材料选择 |
| 3.4.2 关键零部件静力学分析 |
| 3.4.3 关键零部件强度校核 |
| 3.5 本章小结 |
| 第四章 柔索驱动变刚度关节理论模型分析 |
| 4.1 引言 |
| 4.2 柔索驱动关节运动学分析 |
| 4.2.1 位置逆解分析 |
| 4.2.2 运动雅可比矩阵 |
| 4.2.3 柔索长度计算 |
| 4.3 柔索驱动关节力学分析 |
| 4.3.1 静力学与动力学分析 |
| 4.3.2 柔索拉力分配分析 |
| 4.3.3 柔索拉力求解 |
| 4.4 套管式柔索驱动模型分析 |
| 4.4.1 套管式柔索驱动模型 |
| 4.4.2 摩擦力对套管式柔索驱动的影响 |
| 4.5 柔索驱动关节刚度分析 |
| 4.5.1 变刚度模块设计 |
| 4.5.2 变刚度模块刚度分析 |
| 4.5.3 柔索驱动变刚度关节刚度分析 |
| 4.6 本章小结 |
| 第五章 柔索驱动下肢康复机器人仿真研究 |
| 5.1 引言 |
| 5.2 下肢康复机器人虚拟样机建模与仿真 |
| 5.2.1 虚拟样机建模 |
| 5.2.2 基于柔索长度驱动的运动仿真 |
| 5.2.3 基于柔索拉力驱动的运动仿真 |
| 5.3 下肢康复机器人控制系统设计与仿真 |
| 5.3.1 被动康复训练下的控制器设计 |
| 5.3.2 自适应迭代学习控制联合仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）气动肌肉驱动的康复机器人迭代学习控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景、目的和意义 |
| 1.3 相关领域国内外研究现状 |
| 1.3.1 迭代学习控制研究现状分析 |
| 1.3.2 无模型自适应控制研究现状分析 |
| 1.3.3 康复机器人迭代学习控制研究现状分析 |
| 1.4 本文的主要研究内容与组织结构 |
| 第2章 高阶参数估计的无模型自适应迭代学习控制研究 |
| 2.1 无模型自适应控制 |
| 2.1.1 SISO系统非参数动态线性化 |
| 2.1.2 控制器设计 |
| 2.1.3 伪偏导数估计 |
| 2.1.4 无模型自适应控制方案 |
| 2.2 无模型自适应迭代学习控制 |
| 2.2.1 SISO系统迭代轴非参数动态线性化 |
| 2.2.2 控制方案设计 |
| 2.3 高阶参数估计的无模型自适应迭代学习控制 |
| 2.3.1 高阶参数估计算法 |
| 2.3.2 基于高阶参数估计的控制方案设计 |
| 2.3.3 收敛性分析 |
| 2.3.4 仿真研究 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 被动康复过程中的扰动抑制研究 |
| 3.1 被动康复过程中外部扰动作用分析 |
| 3.1.1 鲁棒收敛性分析 |
| 3.1.2 扰动作用分析 |
| 3.2 基于内模控制的无模型自适应迭代学习控制 |
| 3.2.1 内模控制原理 |
| 3.2.2 迭代域内模控制器 |
| 3.2.3 基于内模控制的扰动抑制控制方案设计 |
| 3.2.4 收敛性分析 |
| 3.2.5 仿真研究 |
| 3.3 实验结果与分析 |
| 3.3.1 实验平台介绍 |
| 3.3.2 空载实验 |
| 3.3.3 带负载实验 |
| 3.4 本章小结 |
| 第4章 主动康复过程中迭代学习控制研究 |
| 4.1 基于迭代学习的阻抗控制 |
| 4.1.1 机器人阻抗控制 |
| 4.1.2 迭代学习阻抗控制 |
| 4.2 基于迭代学习的康复任务设计 |
| 4.2.1 踝关节运动能力评估指标设计 |
| 4.2.2 基于运动能力评估的康复任务设计 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录 研究生期间的研究成果 |
（10）康复机器人上肢运动系统控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外上肢康复训练机器人发展综述 |
| 1.2.2 国内上肢康复训练机器人发展综述 |
| 1.3 外骨骼式上肢康复机器人系统的现状分析 |
| 1.4 论文的主要研究内容 |
| 第二章 脑卒中康复训练的医学基础 |
| 2.1 脑卒中及康复训练的医学理论 |
| 2.1.1 脑卒中 |
| 2.1.2 脑卒中的神经学基础 |
| 2.1.3 脑卒中的运动康复机理 |
| 2.2 脑卒中偏瘫的运动康复训练 |
| 2.2.1 上肢偏瘫的康复过程 |
| 2.2.2 上肢偏瘫的训练模式 |
| 2.2.3 上肢运动功能康复标准及训练要求 |
| 2.3 本章小结 |
| 第三章 上肢康复机器人系统及模型分析 |
| 3.1 五自由度外骨骼上肢机器人系统 |
| 3.1.1 机械结构组成 |
| 3.1.2 驱动设备及控制结构 |
| 3.2 上肢康复机器人运动学分析 |
| 3.2.1 正运动学分析 |
| 3.2.2 逆运动学分析 |
| 3.3 上肢康复机器人动力学分析与建模 |
| 3.3.1 拉格朗日力学函数 |
| 3.3.2 上肢康复机器人系统动能和势能推导 |
| 3.3.3 上肢康复机器人系统动力学模型 |
| 3.4 本章小结 |
| 第四章 上肢痉挛力矩建模及参数估计 |
| 4.1 引言 |
| 4.2 随机估计理论 |
| 4.2.1 随机系统 |
| 4.2.2 参数估计 |
| 4.3 人体骨骼肌肉系统 |
| 4.3.1 人体骨骼肌的解剖学特性 |
| 4.3.2 上肢肌肉痉挛的解剖学特性 |
| 4.4 上肢痉挛模式评定 |
| 4.5 人体上肢痉挛力矩建模 |
| 4.5.1 人体肘部主要肌肉及其生理参数 |
| 4.5.2 肌肉力与肌肉长度-速度的关系 |
| 4.5.3 肌肉力与神经中枢刺激的关系 |
| 4.5.4 上肢肘部痉挛力矩建模 |
| 4.6 经验Bayes参数估计 |
| 4.7 仿真验证 |
| 4.8 本章小结 |
| 第五章 基于综合康复指标的智能轨迹优化研究 |
| 5.1 引言 |
| 5.2 人工免疫算法 |
| 5.2.1 生物免疫机理 |
| 5.2.2 人工免疫优化算法 |
| 5.3 综合康复指标设计 |
| 5.3.1 人体工学指标设计 |
| 5.3.2 疼痛度指标设计 |
| 5.3.3 平滑度指标设计 |
| 5.3.4 基于最小功准则的能量消耗指标设计 |
| 5.4 基于人工免疫算法的康复轨迹优化策略 |
| 5.4.1 约束多目标优化问题的一般描述 |
| 5.4.2 基于五次多项式插值的连续轨迹构造 |
| 5.4.3 改进的人工免疫算法求解多目标轨迹优化问题 |
| 5.5 仿真验证 |
| 5.6 本章小结 |
| 第六章 被动训练非参数不确定自适应迭代优化控制策略 |
| 6.1 引言 |
| 6.2 自适应迭代学习控制基本理论 |
| 6.2.1 迭代学习控制基本原理 |
| 6.2.2 自适应迭代学习控制基本原理 |
| 6.2.3 非参数迭代学习控制系统描述 |
| 6.2.4 上肢康复机器人系统非参数不确定性问题 |
| 6.3 上肢康复机器人非参数不确定迭代学习控制策略 |
| 6.3.1 问题描述 |
| 6.3.2 系统约束条件 |
| 6.3.3 变参考轨迹修正策略 |
| 6.3.4 迭代误差修正策略 |
| 6.3.5 自适应迭代学习控制器设计 |
| 6.3.6 稳定性分析 |
| 6.4 仿真验证 |
| 6.5 本章小结 |
| 第七章 主动训练双迭代自适应优化控制策略 |
| 7.1 引言 |
| 7.2 主动康复运动控制系统总体结构 |
| 7.3 主动训练人机交互系统建模 |
| 7.3.1 系统模型 |
| 7.3.2 上肢肘部痉挛力矩模型 |
| 7.3.3 人机交互力矩模型 |
| 7.4 非线性自适应双迭代优化控制策略 |
| 7.4.1 双迭代控制器设计 |
| 7.4.2 非线性自适应迭代学习控制器稳定性分析 |
| 7.4.3 非线性迭代优化控制器稳定性分析 |
| 7.5 仿真验证 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间所做的主要工作 |
四、基于自适应迭代学习算法的FNS肢体运动控制（论文参考文献）
- [1]面向机器人应用的仿生控制方法研究[D]. 欧阳文娟. 浙江大学, 2021(01)
- [2]气动人工肌肉驱动的机器人控制方法研究现状概述[J]. 梁定坤,陈轶珩,孙宁,吴易鸣,刘连庆,方勇纯. 控制与决策, 2021(01)
- [3]基于模型预测控制方法的船舶路径跟踪控制[D]. 陈志娟. 大连海事大学, 2020(01)
- [4]面向非严格重复训练的脚踝康复机器人迭代学习控制研究[D]. 吴伟峰. 武汉理工大学, 2020
- [5]索牵引康复机器人零位标定与运动控制[D]. 李浩. 西安电子科技大学, 2020
- [6]基于迭代学习控制的上肢康复机器人轨迹跟踪研究[D]. 李亚锋. 兰州理工大学, 2020(12)
- [7]喂养机器人抓取系统轨迹规划与控制策略研究[D]. 郑晓. 山东科技大学, 2019(05)
- [8]柔索驱动的平地行走下肢康复外骨骼机器人设计及研究[D]. 林佳裔. 合肥工业大学, 2019(01)
- [9]气动肌肉驱动的康复机器人迭代学习控制研究[D]. 柯达. 武汉理工大学, 2018(07)
- [10]康复机器人上肢运动系统控制策略研究[D]. 朱雪枫. 东北大学, 2017(06)