This thesis considers neural network learning and control of uncertain robot systems. In robotics areas, nonlinear control schemes such as adaptive control and robust control have been proposed so far in order to overcome the structured and/or unstructured uncertainty of robot systems. However, such control schemes have a critical drawback that they can be applied only in the case of the known dynamic model. Therefore, the neural network control scheme, which is leading toward intelligent control, has been exploited in robot systems control.
The generalization and learning capability of the neural network have been widely applied in the areas of control systems and have accomplished outstanding research results. However, researches so far have been directed mainly to the empirical study rather than to the theoretical one. For example, there have been few results that guarantee the closed-loop system stability using the neural network controller with learning. Even though exist, they are for the restricted cases only.
Thus, this thesis presents control schemes and learning rules using neural networks that can guarantee the closed-loop stability. The closed-loop stability is proved using the Lyapunov analysis and learning rules are obtained by minimizing the cost function which are chosen for the neural network to learn the system uncertainty.
This thesis is organized with two main parts: Part I is on the trajectory tracking control of the robot manipulators and Part II is on the position and force control.
Based on the introduction on the neural network control schemes in Chapter 1, we present in Chapter 2 a neural network control scheme by learning the inverse dynamics of the robot systems. The neural network control structure and learning rule derivation are the main part of this chapter.
Chapter 3 deals how to guarantee the closed-loop system stability when the neural network is incorporated in control. Two kinds of stability- guaranteeing schemes are proposed via stability-guaranteeing controllers: sliding mode controller and robust adaptive controller. These controllers are introduced in order to guarantee the closed-loop system stability and thus neural network learning can be proceeded without fear of instability. Here also deals how to train the neural networks under the stability-guaranteeing controller.
Chapter 4 is on robust feedback error learning neural network control. After some modification of the neural network structure, it is shown that the learning rule of the network and the closed loop system stability are guaranteed in a unified manner through the Lyapunov analysis.
Chapter 5 applies the developed neural network control schemes so far to a general 6-DOF robot manipulator. Both simulation and experimental results are shown there in order to verify the proposed schemes.
Part II begins from Chapter 6.
Chapter 6 presents a hybrid position and force control scheme using neural networks. Following the force control framework, it is determined where to put the neural network and how to derive the learning rule. The incorporated network here is also to overcome the uncertainty of the robot system. It will be shown that the proposed control scheme is useful and efficient in the sense that both learning and control can be conducted on-line in real time.
Chapter 7 shows the simulation results when the proposed hybrid position and force control is applied to a general 6-DOF robot.
Finally, Chapter 8 concludes this thesis. Some discussion and further work will be listed.
In summary, the proposed neural network learning and control schemes have the following advantages:
● Control and learning are conducted simultaneously. Off-line learning of the neural network before starting control is not necessary.
● Desired outputs of neural networks are not necessary. Furthermore such a procedure as error back propagation through the plant using the plant Jacobian matrix or using the plant identifier is not necessary.
● The closed-loop system is guaranteed to be stable, so that the neural network can be trained without fear of instability.
● The conventional PD control scheme which are widely applied in the industry can be easily upgraded with the proposed neural network control.
Therefore, the proposed schemes will be very promising and useful for other nonlinear systems control as well as the robot system.
본 논문에서는 불확실한 로봇 시스템을 위한 신경회로망의 학습 및 제어에 관하여 다룬다. 로봇 시스템에는 구조화된 것은 물론 구조화되지 않은 여러 가지 불확실성 등이 존재하므로 이러한 불확실성을 극복하기 위하여 지금까지 적용제어, 강인제어등 여러 가지 제어기법들이 적용되어 왔다. 그러나 이들은 모두 시스템에 대한 모델을 알아야만 하는 단점이 있다. 따라서 이러한 단점을 극복하기 위하여 새로운 지능제어 기법인 신경회로망 제어가 도입되어 왔다.
신경회로망의 주된 특성인 학습 능력과 일반화 능력은 제어시스템 분야 전반에 걸쳐 폭넓게 이용되어 눈에 뛸 만한 연구 성과와 발전을 이룩하여 왔다. 그러나 지금까지의 연구는 주로 신경회로망의 응용에 관한 것들로서 그 이론적인 분석에 대한 연구는 그다지 진행되지 못하였다. 대표적인 예로서 신경회로망의 학습과 제어로써 전체 페루프 시스템의 안정성을 보장할 수 있는 연구는 아직까지 드물며, 있다고 하여도 그 성과는 한정된 몇몇의 경우에 국한된 것이었다.
이에 본 논문에서는 신경회로망을 이용한 제어로써 전체 페루프 시스템의 안성을 보장할 수 있는 새로운 제어기법 및 학습법칙을 불확실성이 있는 로봇 시스템에 대하여 제안한다. 이러한 시스템의 안정성은 Lyapunov관점에서 보여지게 되며, 학습법칙은 시스템의 불확실성을 학습하도록 고안된 비용함수로부터 유도하여 낸다.
본 논문은 크게 두 개의 파트로서 구성되어 있다. 첫 번째 파트에서는 로봇의 위치추적제어를 위한 신경회로망의 학습 및 제어법칙이, 두 번째 파트에서는 위치 및 힘제어를 위한 것이 각각 다루어진다.
먼저, 첫 번째 파트의 2장에서는 로봇 시스템의 특성을 살펴보고, 시스템의 어느 위치에 신경회로망 제어기를 놓을 것인가를 결정하는 신경회로망 제어 구조를 제안하고, 이렇게 제안된 구조에서 신경회로망을 어떻게 학습시킬 것인가를 다룬다. 그리고 이 과정에서 제안된 학습법칙은 시스템의 역모델 학습에 근거한 것임을 보인다.
3장에서는 1장에서 유도된 학습법칙에 안정성을 부여하기 위하여 ‘안정성을 보장하는 제어기(stability-guaranteeing controller)'를 설계한다. 두 가지 방식의 제어기 설계 기법이 제안되는데, 하나는 가변구조 제어기법을 이용한 것이고, 다른 하나는 강인한 적응 제어기법을 이용한 것이다. 그리고 학습신호들과 제어신호들과의 관계 및 안정성을 보장하는 제어기와 신경회로망 제어기와의 관계를 분석한다. 그 결과, 학습이 진행될수록 시스템의 제어는 안정성을 보장하는 제어기로부터 신경회로망 제어기로 옮겨지게 되며, 최종적으로는 신경희망제어기 하나만으로 제어가 이루어지게 되는 것임를 보인다.
5장에서는 2장에서 4장까지 제안된 여러 가지 신경회로망 제어기법들을 일반적인 6자유도 로봇에 적용한 경우의 시뮬레이션 및 실험결과를 보인다. 시뮬레이션에서는 6축 PUMA로봇이, 실험에서는 3축 로봇이 사용되며, 제안된 신경회로망 학습 및 제어기법들이 성공적으로 수행됨을 보인다.
다음 두 번째 파트에서는 로못의 위치제어뿐만 아니라 위치 및 힘제어를 동시에 수행하는 ‘신경희로망을 이용한 복합 위치/힘 제어(hybrid position/force control using neural networks)'기법들을 제안한다.
6장에서는 위치 및 힘 제어를 위하여 어떻게 신경희로망이 이용될 수 있는가를 보이고 7장에서는 6축 PUMA로봇에 대한 시뮬레이션 결과를 정리한다.
결론적으로 제안된 신경희로망의 학습 및 제어 방식의 장점을 요약하여 보면 다음과 같다.
· 신경희로망의 학습 및 제어가 온-라인으로 수행되어 진다. 제어를 위하여 신경희로망을 미리 오프-라인으로 학습시켜 놓을 필요가 없다.
· 학습을 위하여 신경희로망의 원하는 출력값(desired output)이 없어도 되며, 신경희로망 모사기 (identifier)나 플랜트를 통한 오차 역전달 등의 과정이 필요 없다.
· 페루프시스템의 안정성이 보장되므로 신경희로망의 학습 및 제어가 시스템이 불안정하게 될 염려 없이 진행될 수 있다.
이와 아울러 제안된 신경희로망 제어방식은 제어를 위하여 시스템에 대한 다아나믹 모델을 요구하지도 않으므로, 비단 로봇 매니퓰레이터의 제어뿐만 아니라 다를 비선형 시스템의 제어에도 효과적으로 응용될 수 있는 장점이 있다.
