买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利输入饱和的柔性双连杆机械臂强化学习控制方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119526396B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411695232.3，技术领域涉及：B25J9/16；该发明授权输入饱和的柔性双连杆机械臂强化学习控制方法及装置是由高赫佳;刘江旭;洪涛;孙长银设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本输入饱和的柔性双连杆机械臂强化学习控制方法及装置在说明书摘要公布了：本发明提供一种输入饱和的柔性双连杆机械臂强化学习控制方法及装置，涉及机器人智能控制技术领域。该方法包括：使用假设模态法，构建柔性双连杆机械臂系统的动力学模型；设计带输入饱和的强化学习自适应振动控制器；根据带输入饱和的强化学习自适应振动控制器，对柔性双连杆机械臂系统进行控制，得到最优控制策略。本发明面向柔性双连杆机械臂提出了一种带辅助系统的强化学习算法，利用辅助系统消除饱和非线性函数对机械臂轨迹跟踪的影响。此外，设计了一种强化学习算法逼近柔性双连杆机械臂系统的不确定信息，使柔性机械臂在实现轨迹跟踪的同时抑制弹性振动。

本发明授权输入饱和的柔性双连杆机械臂强化学习控制方法及装置在权利要求书中公布了：1.一种输入饱和的柔性双连杆机械臂强化学习控制方法，其特征在于，所述方法包括： S1、使用假设模态法，通过分析柔性双连杆机械臂的转动惯量、角速度、线速度、弹性振动构建输入饱和下柔性双连杆机械臂系统的动力学模型； S2、设计带输入饱和的强化学习自适应振动控制器，包括： S21、根据由预设的参考轨迹与经过柔性双连杆机械臂系统得到的输入状态计算得到的误差，设计评价神经网络，用于评估当前输入饱和下机械臂控制策略的性能； S22、构建用于抵消饱和输入对振动抑制影响的辅助系统；设计执行神经网络，用来近似新控制力矩中的未知动力学信息，执行神经网络根据系统振动误差、跟踪误差、前一刻的控制力矩以及评价网络的反馈，实时调整控制策略； S23、将系统信息作为输入数据，送入评价神经网络进行处理，得到评价神经网络输出，将评价神经网络输出作为执行神经网络的输入，以指导执行神经网络进行训练； S24、构建新的李雅普诺夫函数，证实由所述柔性双连杆机械臂系统的动力学模型以及带输入饱和的强化学习自适应振动控制器构成的闭环控制系统具有半全局一致的最终有界性； S3、根据所述带输入饱和的强化学习自适应振动控制器，对所述柔性双连杆机械臂系统进行控制，得到最优控制策略； 所述S1中的输入饱和下柔性双连杆机械臂系统的动力学模型，如下式1所示： 式中，JQ表示惯性矩阵，Q＝[θ,l]T表示柔性双连杆机械臂系统的状态变量，表示随时间变化的广义坐标，n1表示第一个连杆的自由度，n2表示第二个连杆的自由度，θ＝[θ1,θ2]T表示柔性连杆的旋转角度，θ1表示第一个连杆转动的角度，θ2表示第二个连杆转动的角度，表示状态变量Q的二阶导数，表示科里奥利矩阵和向心效应，表示状态变量Q的一阶导数，表示刚度矩阵， 表示转矩τ的饱和非线性函数，表示实数集合，N表示系统的总自由度，T表示矩阵转置，τ表示转矩； 所述S21中的设计评价神经网络，包括： S211、设计长期成本函数，用于定量衡量预设时间段内输入饱和下机械臂的控制策略表现； 其中，长期成本函数，如下式2所示： 式中， 表示评价神经网络的最优权重，T表示矩阵转置，Zc表示神经网络的高斯基函数，Sc＝f1＝Q1-Qr，f1表示由预设的参考轨迹与经过柔性双连杆机械臂系统得到的输入状态计算得到的误差，Q1表示当前系统的状态，Qr表示系统的期望状态，∈c表示评价神经网络的逼近误差，t表示积分的下界，n表示积分变量，ζ表示未来成本的折现系数，Υn表示瞬时成本函数； S212、设计评价神经网络的权重更新率，如下式3所示： 式中，表示下一时刻评价神经网络实际的权重值，σc0表示评价神经网络的学习率，表示当前时刻评价神经网络实际的权重值， 表示Sc的导数，表示对Sc的梯度，Υt表示瞬时成本函数； 所述S22中的辅助系统，如下式4所示： 式中，表示下一时刻的辅助变量的值，Kξ＞0，ξ表示辅助变量，f2表示跟踪误差，T表示矩阵转置，Δτ＝Sτ-τ，Sτ表示转矩τ的饱和非线性函数，

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230000 安徽省合肥市肥西路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。