Decentralized Neural Control: Application to Robotics

ویرایش: 1 
نویسندگان: Ramon Garcia-Hernandez,  Michel Lopez-Franco,  Edgar N. Sanchez,  Alma y. Alanis,  Jose A. Ruz-Hernandez (auth.)  
سری: Studies in Systems, Decision and Control 96 
ISBN (شابک) : 9783319533117, 9783319533124 
ناشر: Springer International Publishing 
سال نشر: 2017 
تعداد صفحات: 121 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 60,000



این کتاب یک رویکرد غیرمتمرکز برای شناسایی و کنترل سیستم‌های رباتیک ارائه می‌کند. همچنین تحقیقات اخیر در کنترل عصبی غیرمتمرکز را ارائه می‌کند و شامل کاربردهایی در رباتیک است. کنترل غیرمتمرکز به دلیل پیچیدگی در طراحی، اشکال زدایی، جمع آوری داده ها و الزامات ذخیره سازی، عاری از مشکلات است و آن را برای سیستم های متصل به هم ترجیح می دهد. علاوه بر این، برخلاف رویکرد متمرکز، می‌توان آن را با پردازنده‌های موازی پیاده‌سازی کرد.

این رویکرد با چهار طرح کنترل غیرمتمرکز سروکار دارد که قادر به شناسایی پویایی ربات هستند. آموزش هر شبکه عصبی به صورت آنلاین با استفاده از یک فیلتر کالمن توسعه یافته (EKF) انجام می شود.

اولین طرح کنترل غیرمتمرکز غیرمستقیم، رویکرد کنترل بلوک گسسته زمان را برای فرمول بندی یک منیفولد کشویی غیرخطی اعمال می کند.< /p>دومین طرح کنترل عصبی غیرمتمرکز مستقیم مبتنی بر تکنیک پشت سر گذاشتن است که توسط یک شبکه عصبی مرتبه بالا تقریب شده است.

طرح کنترل سوم یک کنترل بهینه عصبی معکوس غیرمتمرکز را برای تثبیت اعمال می‌کند.

چهارمین کنترل بهینه معکوس عصبی غیرمتمرکز برای ردیابی مسیر طراحی شده است.

این کار جامع در مورد کنترل غیرمتمرکز دستکاری‌کننده‌های ربات و روبات‌های متحرک برای اساتید، دانشجویان و متخصصانی که می‌خواهند دانش پیشرفته را درک و به کار ببرند در نظر گرفته شده است. در زمینه کاری خود

This book provides a decentralized approach for the identification and control of robotics systems. It also presents recent research in decentralized neural control and includes applications to robotics. Decentralized control is free from difficulties due to complexity in design, debugging, data gathering and storage requirements, making it preferable for interconnected systems. Furthermore, as opposed to the centralized approach, it can be implemented with parallel processors.

This approach deals with four decentralized control schemes, which are able to identify the robot dynamics. The training of each neural network is performed on-line using an extended Kalman filter (EKF).

The first indirect decentralized control scheme applies the discrete-time block control approach, to formulate a nonlinear sliding manifold.

The second direct decentralized neural control scheme is based on the backstepping technique, approximated by a high order neural network.

The third control scheme applies a decentralized neural inverse optimal control for stabilization.

The fourth decentralized neural inverse optimal control is designed for trajectory tracking.

This comprehensive work on decentralized control of robot manipulators and mobile robots is intended for professors, students and professionals wanting to understand and apply advanced knowledge in their field of work.

Front Matter....Pages i-xv
Introduction....Pages 1-7
Foundations....Pages 9-18
Decentralized Neural Block Control....Pages 19-32
Decentralized Neural Backstepping Control....Pages 33-43
Decentralized Inverse Optimal Control for Stabilization: A CLF Approach....Pages 45-54
Decentralized Inverse Optimal Control for Trajectory Tracking....Pages 55-68
Robotics Application....Pages 69-109
Conclusions....Pages 111-111