Journal of the Korea Institute of Information and Communication Engineering (한국정보통신학회논문지)

The Korea Institute of Information and Commucation Engineering (한국정보통신학회)
권호 표지

A Fuzzy-Neural Control for Uncertainty Compensation of Robot Manipulator

로봇 매니퓰레이터의 불확실성 보상을 위한 퍼지­-뉴로 제어

  • 박세준 (목원대학교 IT공학과) ;
  • 양승혁 (도담시스템즈㈜ 서브시스템 H/W 엔지니어) ;
  • 황문구 (목원대학교 IT공학과) ;
  • 양태규 (목원대학교 IT공학과)
  • Published : 2003.12.01
Download PDF
⟨ Previous Next ⟩

Abstract

This paper proposes a neuro­fuzzy controllers for trajectory tracking control of robot manipulators. The computed torque method is an effective means for trajectory tracking control. However, the tracking performance of this method is severely affected by the uncertainties of robot manipulators. Therefore, the proposed controller is used to compensate the uncertainties of robot manipulators. In the neuro­fuzzy controllers, the number of fuzzy rules used forty­nine. The effectiveness of the proposed controllers is demonstrated by computer simulations using two­link robot manipulator, As a result, it is confirmed that the output of the proposed neuro­fuzzy controllers can efficiently decrease the uncertainties of robot manipulator.

본 논문에서는 로봇 매니퓰레이터의 궤적 추종 제어에 관한 연구를 위하여 뉴로­퍼지 제어기를 제안하였다. 궤적 추종 제어기를 설계할 경우, 주로 이용되는 효과적인 방법은 토크 계산 제어 방식이다. 그러나, 로봇 매니퓰레이터에 의한 불확실성 문제로 인하여 토크 계산 제어 방식만으로는 좋은 제적 추종 성능을 얻을 수가 없다. 그러므로, 본 논문에서는 로봇 매니퓰레이터에서 발생한 불확실성을 보상하기 위하여 제안된 뉴로­퍼지 제어기를 이용하였다. 뉴로­퍼지 제어기에서의 퍼지 규칙의 수를 49개로 설정하였으며, 2관절 로봇 매니퓰레이터를 이용한 컴퓨터 시뮬레이션을 통해 제어기의 효율성을 입증하였다. 그 결과. 제안된 뉴로­퍼지 제어기의 출력이 로봇 매니퓰레이터에서 발생한 불확실성을 효과적으로 감소시킬 수 있음을 확인할 수 있었다.

Keywords

References

  1. A. Ishiguro, T. Furuhashi, S. Okuma, and Y. Unchikawa, 'A neural network compensator for uncertainties of robotics manipulators', IEEE Trans. Industrial Electronics, vol. 39, no.6 , pp.565-570, 1992 https://doi.org/10.1109/41.170976
  2. J. J. Craig, P. H. su and S. S. Sadtry, 'Adaptive control of machancal manipulators', Int. J. Robotics Research, vol. 6, no. 22, pp.16-28, 1987 https://doi.org/10.1177/027836498700600202
  3. J. J. E. Soltion and W. Li ,'Adaptive manipulator control : A case study', IEEE Trans. Automatic Control , vol. 33, no.11, pp.995-1003, 1998 https://doi.org/10.1109/9.14411
  4. C. C. LEE. 'Fuzzy Logic in Control System : Fuzzy Logic in Controller Part I', IEEE Trans. On System, Man and Cyber, vol.20, pp404-418, 1990 https://doi.org/10.1109/21.52551
  5. C. C. LEE. 'Fuzzy Logic in Control System Fuzzy Logic in Controller Part II,' IEEE Trans. On System, Man and Cyber, vol.20, pp.419-435, 1990 https://doi.org/10.1109/21.52552
  6. D. Psaltis, A. Siders, and A. A. Yamamura, 'A multilayered neural network controller', IEEE Control Systems Magazine, pp.17-21, Apr. 1988
  7. H. Miyamoto, M. Kawato, T. Setoyama, and R. Suzuki, 'Feedback-Error-Learning neural network for trajectory control of robotic manipulator',Neural Networks, vol. 1, pp.251-265, 1988
  8. M. Mizumoto, 'Realization of PID controls by fuzzy control methods', Fuzzy Sets and System, vol.80, pp.I71-182 , 1995
  9. Y. Lin and G. A Cunningham, 'A New Approach to Fuzzy Neural System Modeling', IEEE Trans. On Fuzzy Systems, vol.3 , no.2 , pp.190-198, 1995 https://doi.org/10.1109/91.388173
  10. C. j. Lin and C. T. Lin, 'An ART-Based Fuzzy Adaptive Learning Control Network', IEEE Trans. On Fuzzy Systems, vol.5 , no.4 , pp.477-496, 1997 https://doi.org/10.1109/91.649900
  11. J. Godjevac, and N. Steele 'Neuro-fuzzy control of a mobile robot', Elsevier Science B.V, 1999
  12. L. X. Wang, Adaptive Fuzzy Systems and Control, Prentice Hall, 1994