Stability Properties of Artificial Neural Network Based Robotic Controllers
M. K. Cılız, Boğaziçi Üniversitesi, Türkiye.
Abstract
Robotic manipulator control with unknown or uncertain dynamics has been an important research topic in the last decade, Without a parametric model of robot dynamics, learning control techniques are still the most effective methods for repeated trajectory following tasks. In this class of controllers, neurologically inspired algorithms have been gaining much attention in recent years. Although these techniques were shown to work effectively in simulation experiments, coupled and nonlinear nature of parameter update dynamics makes an effective mathematical analysis difficult. This paper investigates the convergence properties of an artificial neural network based learning controller. The results obtained reflect the local stability properties of the closed loop nonlinear system dynamics.
Özet
Bilinmeyen veya belirsiz dinamikleri olan robot manipülatör kontrolü, son on yılda önemli bir araştırma konusu olmuştur, Parametrik bir robot dinamiği modeli olmadan, öğrenme kontrol teknikleri hala görevleri takip eden tekrarlanan yörünge için en etkili yöntemlerdir. Bu kontrolör sınıfında, nörolojik olarak ilham veren algoritmalar son yıllarda çok dikkat çekmektedir. Her ne kadar bu tekniklerin simülasyon deneylerinde etkin bir şekilde çalıştığı gösterilmiş olmasına rağmen, parametre güncelleme dinamiklerinin birleşik ve doğrusal olmayan doğası etkili bir matematiksel analizi zorlaştırır. Bu makale yapay sinir ağları temelli öğrenme denetleyicisinin yakınsama özelliklerini incelemektedir. Elde edilen sonuçlar, kapalı devre doğrusal olmayan sistem dinamiğinin yerel stabilite özelliklerini yansıtmaktadır.
Tam Metin
Bildirinin tamamını görüntülemek için aşağıdaki dosyayı indiriniz.
Last updated