盛松梅

(苏州高博软件技术职业学院，江苏 苏州 215163)

伴随着机械臂的广泛普及，如何对机械臂进行自动控制已成为一个亟待解决的问题[1-3]。无论是生活还是生产，不同的环境有不同的影响因素，这对于机械臂自动控制的效果也存在一定的影响。因此如何对无人机机械臂进行高效的自动控制已经成为业界研究的热点，但是在机械臂自动控制过程中还存在一些不足之处，如董玉明等[4]提出的基于自适应滑模的移动机械臂跟踪控制系统，缺乏对非线性系统的考虑；于树友等[5]提出的基于三步法的机械臂轨迹跟踪控制系统，控制系统过于复杂，不切合实际应用，无法满足行业对无人机机械臂的自动控制需求。因此需在这些研究的基础上不断完善，创建出新的控制系统。

目前，人工智能是最具应用前景的控制手段之一[6]，其具备成本低、操作简单、功耗小等优势，且控制稳定性高，能降低环境因素对控制效果造成的影响[7-8]，因此本文提出基于人工智能技术的无人机机械臂自动控制系统。

1 基于人工智能技术的无人机机械臂自动控制系统

1.1 系统整体结构

机械臂自动控制系统的设计目的是对机械臂的运动轨迹进行有效追踪。系统主要由4个关键部分构成：STM32控制核心板、驱动器、机械臂本体、采集模块，其中采集模块由光电编码器和采样电阻构成。系统整体结构如图1所示。从系统整体结构可见，从机械臂本体收集到的位置、转速和电枢电流等信息通过采集模块的光电编码器和采样电阻转化为编码脉冲和电压[9]。STM32控制核心板通过编码器模式和ADC/DMA收集各种信息，利用模糊神经网络控制算法获得期望轨迹偏差信息，并通过驱动器对误差量减小的PWM波进行输出，驱动机械臂完成机械臂协调控制。

图1 系统整体结构

1.2 驱动器

系统中的驱动器由主机、接口、ROM盘、RAM4个关键部分组成，驱动器结构如图2所示。

图2 驱动器结构框图

1)光头是该驱动器的核心部分[10]，其主要作用是将投射到光盘上的激光，利用光电编码器转换成电信号。

2)聚焦、道跟踪和定位伺服的主要作用是让激光束上的聚点落在光盘上。

3)CLV控制。由于ROM盘的旋转具有固定的线性速度，因此对驱动电机的速度要求极高，需根据光头的位置进行调节。

4)EFM解调。EFM数字信号有多种称呼，如HP(highfrequency)信号、RF(radio-frequency)信号和EFM信号。恢复数字信号主要利用HF信号，因为此信号恢复操作相对简单。

1.3 定时器

图3为定时器模块结构图。该模块主要工作原理是利用数字处理器的应用特性接收控制命令，在内部控制下产生符合控制命令要求的数据信息，并产生数字中频和频率源，通过发射机、接收通道、天线控制器进行控制命令定时输出，完成对机械臂运动控制命令的准确实时传输。

图3 定时器模块结构图

1.4 光电编码器

光电编码器整体结构如图4所示。如图所示，该光电编码器的核心部分是2812芯片，主要用于接收运动信息并实时存储；当A/D转换器需要运动信息时，提取接收信息，A/D转换器提取信息这一步骤对整个运动信息的输入输出控制至关重要。编码器的关键部分是光栅[11]，光栅主要由多条码道组合而成，类似光盘。串行输出器接口选用规定格式接口422A，利用差分模式进行输出。外采样主要提供所需的输入脉冲模式。模拟信号通过A/D转换器转换为数字信号。

图4 光电编码器整体结构图

1.5 基于模糊神经网络的机械臂控制方法

模糊神经网络将模糊理论特点和神经网络的优势结合起来，可以更好地控制无人机机械臂的运行轨迹[12]。由于无人机机械臂设计系统具有关联度高、非线性属性等特点[13]，因此本文综合神经网络特点和动力学模型优势，设计系统的模糊神经网络控制结构，如图5所示。图中：z0d和z2d分别为关节1和关节2的模糊子集的基本论域，h0为误差变量的基本论域，h1为控制量的基本论域，e1、e2、e3分别为关节1、关节2、关节3的模糊量，ke1和ke3分别为关节1和关节3的误差量化因子，kec1和kec3分别为关节1和关节3的误差变化的量化因子，kn1和kn3分别为关节1和关节3的比例因子，1x1和1x2分别为关节1和关节2的误差的基本论域，3x1为关节1的误差变化的基本论域，3x2为关节2的误差变化的基本论域。

图5 模糊神经网络控制结构

设z1为关节1的转角角度，z2为关节2的转角角度。在对无人机机械臂进行自动控制时，由于系统参数不固定影响运动轨迹的追踪控制，因此通过控制无人机机械臂的参数，有助于对机械臂的运动过程进行稳定追踪[14]。模糊神经网络控制中，将无人机机械臂的载体姿态角n和机械臂关节角m的期望运动角度，与其对机械臂的影响因素相乘，最终获取的论域作为模糊神经网络的输入论域，经过以上运算可得输入信息为kxi(k=1,2,3;i=1,2)。模糊神经网络的输出信号为yi(i=1,2,3)，根据机械臂本身的计算获得比例因素，并计算控制力矩hi(i=0,1,2)。

本文利用无人机机械臂自身的特性，结合动力学知识对机械臂进行控制。系统中对运动位置的控制主要通过安装的3个控制器实现，每个关节的控制器用神经网络中3个子网进行表达。无人机机械臂运动轨迹跟踪控制的具体结构用5层子网进行表达，并对具体子网进行参数化设计。

第1层是神经网络的输入层，其中的每一个交接点都与之前的输入值存在关联。6个输入构成1个输入层，每2个输入组成1组，共组成3组，每1组对应1个子网，因此每个子网都有2个输入，具体表达式如下：

(1)

第2层的每个交接点都有其固定的模糊语言表现形式，如大于、小于、零等。通过模糊语言计算得到每个输入分量的隶属度函数ukAij(kxi)，利用小数目函数的形式可以将其表示为：

(2)

式中：ψ(x)为模糊集合；x为模糊要素。

第2层网络的输入输出关系为：

(3)

第3层是通过有固定规律的每个交接点计算该层各交接点的适用性。其计算公式为：

(4)

第4层是去模糊化，主要计算各子网的输出：

(5)

第5层是整个系统的输出层，可以表示为机械臂和其中的关节耦合，数学表达式为：

(6)

对于无人机机械臂的控制，主要是计算无人机机械臂载体姿态、机械臂关节角的角度误差和角速度误差[15]，并对所得误差的结果进行输入。然后设计无人机机械臂参数，获取其期望值与实际输出值。结合上述计算结果和参数化设计得出误差的规律，确定无人机机械臂的运动轨迹期望位置为：

(7)

式中：q为运动期望位置；qend和qbegin分别为运动的结束位置和开始位置；t1和t2分别为开始和结束的延时时间；t为运动时间。

2 实验结果与分析

为验证基于人工智能技术的无人机机械臂自动控制系统(简称本文系统)的有效性，通过模拟实验进行仿真分析，将本文系统与基于自适应滑模的移动机械臂跟踪控制系统(文献[4]系统)和基于三步法的机械臂轨迹跟踪控制系统(文献[5]系统)对无人机机械臂的控制效果进行对比分析。

首先，选取机械臂关节角m1和m2作为实验对象，统计3种系统控制下关节角运动轨迹，结果如图6所示。从图6中可以看出，在不同关节角的偏差角度对比测试中，本文系统控制下的关节角偏差角度相比于其他两种系统偏差角度小。关节角m1的偏差角度最大不超过1.0 rad，关节角m2的偏差角度最大不超过2.5 rad。证明本文系统的无人机机械臂关节角自动控制的效果较好，偏差较小。

图6 关节角偏差对比图

本文系统主要对运动过程进行稳定追踪并实施控制，根据神经网络和隶属度函数对机械臂运动过程中的姿态角n进行计算，并与实际运动过程中的姿态角n进行计算对比，结果如图7所示。从图7中可以看出，本文系统控制下的姿态角轨迹与期望轨迹相差不大，原因在于本文系统基于神经网络的控制特性能够避免系统外部环境的干扰及未确定因素的影响，实现对期望姿态轨迹稳定控制跟踪，使其控制效果与理想控制效果相差不大，保证其跟踪控制准确性。

图7 机械臂姿态角轨迹跟踪控制结果

其次，对3种系统控制下无人机机械臂的振动幅度、时间及超调量指标进行估计比较，结果见表1。由表可知，在前3阶振动模态幅值中可以看出,本文系统的振动模态幅值低于其他两种系统，且差距不大；本文系统上升时间为0.523 s，与其他两种系统相比，上升时间较短；稳定时间上，本文系统为0.898 s，由此证明本文系统稳定时间长，稳定效果较好；在超调量方面，文献[4]系统和文献[5]系统的超调量均远大于本文系统。根据理论知识可知，当超调量大于2%时，机械臂的控制效果将很不稳定，证明采用本文系统控制机械臂更具优势。

表1 振动幅度和时域控制指标对比

再次，在不同的测试参数下，观察本文系统的响应情况，以验证本文系统的无人机机械臂自动控制效果。实验主要对模型参数子网面积增加和减少的情况进行比较，结果如图8所示。当纵坐标的数值超过0.1时，系统为超调状态。由图8可以看出，当子网面积减少50%时，3种系统都没有超调，但本文系统比其他两种系统提前达到稳定状态，证明本文系统控制效果更好。当子网面积增加50%时，文献[4]系统和文献[5]系统均产生超调，调节过程的波动较大，本文系统未产生控制量超调现象，并且相比于其他两种系统达到稳定状态所消耗的时间更少。此实验证明本文系统的应用效果较好，受参数变动影响小，对无人机机械臂能起到更好的自动控制效果。

图8 不同参数情况下的响应曲线

3 结束语

伴随人工智能技术的迅速发展，机械的自动控制迎来黄金发展期。本文针对无人机机械臂自动控制效果不理想的情况，设计了基于人工智能技术的无人机机械臂自动控制系统。本文设计的系统解决了传统系统对于机械臂控制无法实现自动控制的问题，并且在很大程度上提高了机械臂的自动控制效果，为使用者自动控制机械臂提供了便利。实验表明，采用该系统对机械臂进行自动控制时不仅操作简单、跟踪准确、受环境影响小，有良好的运动轨迹控制能力，且控制器具有较强的学习能力。由于人工智能在无人机机械臂自动控制系统的应用刚刚起步，如何在此基础上结合具体应用从多角度、多方位丰富控制系统，解决因自动控制效果不理想影响使用效果的问题，值得进一步研究。