基于RBF神经网络的机械臂轨迹跟踪控制优化及其Matlab仿真实现

基于RBF神经网络的机械臂轨迹跟踪控制matlab仿真

机械臂轨迹跟踪控制这事挺有意思的，特别是加上RBF神经网络之后。咱们先拿二自由度机械臂开刀，看看怎么在MATLAB里折腾这个仿真。先说个真实场景——当机械臂抓取物体时，关节摩擦力、负载变化这些不确定因素总来捣乱，传统PID这时候就有点力不从心了。

先撸个机械臂动力学模型：

% 二自由度机械臂动力学方程 function dydt = robot_arm(t,y) g = 9.8; m1=1; m2=1; l1=1; l2=1; q1 = y(1); q2 = y(2); dq1 = y(3); dq2 = y(4); M = [m1*l1^2 + m2*(l1^2 + 2*l1*l2*cos(q2) + l2^2), m2*(l1*l2*cos(q2) + l2^2); m2*(l1*l2*cos(q2) + l2^2), m2*l2^2]; C = [-m2*l1*l2*sin(q2)*(2*dq1*dq2 + dq2^2); m2*l1*l2*sin(q2)*dq1^2]; G = [ (m1+m2)*g*l1*cos(q1) + m2*g*l2*cos(q1+q2); m2*g*l2*cos(q1+q2) ]; tau = control_law(t,y); % 这里塞控制器 dydt = [dq1; dq2; inv(M)*(tau - C - G)]; end

这段代码把机械臂的惯性矩阵M、科氏力C、重力项G都包圆了。注意看M矩阵里的cos(q2)，这就是机械臂动力学的非线性来源。这时候如果直接上普通控制器，碰到参数变化准得跪。

上RBF神经网络的重点在于处理这些不确定项。咱们的网络结构简单粗暴——输入是关节位置误差和速度误差，隐藏层用高斯函数激活：

% RBF网络初始化 centers = linspace(-pi, pi, 7); % 7个隐藏节点 width = 1.2; % 高斯函数宽度 W = zeros(7,2); % 输出权值矩阵 learn_rate = 0.3; % 学习率 function h = rbf_hidden(x) h = exp(-(x - centers').^2 / (2*width^2)); end

这里有个小技巧：中心点均匀分布在[-π, π]区间，覆盖机械臂的可能运动范围。隐藏层输出其实就是用高斯函数计算输入与中心点的距离，离哪个中心近哪个节点就激活得猛。

基于RBF神经网络的机械臂轨迹跟踪控制matlab仿真

控制器的核心在于实时调整网络权值：

% 控制律中的RBF在线学习 function [tau, W] = adapt_rbf(e, de, W) x = [e; de]; h = rbf_hidden(x'*[1;1]); % 输入加权和 % 权值更新 dW = learn_rate * h * ([e; de]'*[0.5 0; 0 0.5]); W = W + dW'; % 控制量计算 tau_nn = W' * h; % 神经网络补偿项 tau_pd = 10*e + 3*de; % PD基础控制 tau = tau_pd + tau_nn; end

注意看权值更新那行，[e; de]'*[0.5 0; 0 0.5]这个操作其实是把误差信号投影到合适的维度。这里PD控制相当于给神经网络一个基础框架，神经网络负责补偿那些模型没考虑到的部分。

仿真结果跑起来，跟踪误差能收敛到0.02rad以内。不过得注意学习率别调太大，否则容易震荡。有一次我把learn_rate调到0.5，结果机械臂跟抽风似的疯狂抖动，活脱脱像得了帕金森。

最后上张效果图：

figure; subplot(2,1,1); plot(tout, q1_desired, '--', tout, q1_actual); legend('期望','实际'); subplot(2,1,2); plot(tout, q2_desired, '--', tout, q2_actual);

实际运行时会看到前0.5秒有些许抖动，之后神经网络适应了就稳稳贴住期望轨迹。这种看着算法从手忙脚乱到从容应对的过程，比看爽文还带劲。

搞控制的朋友应该能体会到，用RBF最大的好处是不用精确建模——机械臂的动力学参数就算有20%误差，网络也能在线给你补回来。不过要小心隐藏层节点数，太少逼近能力不足，太多容易过拟合，一般建议从5-7个开始试。