در این مقاله، همگرائی مقاوم کنترل یادگیر تکرار شونده (ILC) در ربات توانبخشی خطی دارای عدم قطعیت پارامتری، بدست آمده است. امروزه رباتهای توانبخشی وظیفه مهمی را در کمک به فیزیوتراپها در ترمیم آسیبهای حرکتی بر عهده دارند. از آن جهت که عدم قطعیت در رباتهای توانبخشی در ع چکیده کامل
در این مقاله، همگرائی مقاوم کنترل یادگیر تکرار شونده (ILC) در ربات توانبخشی خطی دارای عدم قطعیت پارامتری، بدست آمده است. امروزه رباتهای توانبخشی وظیفه مهمی را در کمک به فیزیوتراپها در ترمیم آسیبهای حرکتی بر عهده دارند. از آن جهت که عدم قطعیت در رباتهای توانبخشی در عمل با تکرار تغییر میکنند، حذف اثر عدم قطعیت پارامتری متغیر با تکرار امری بسیار ضروری است. همچنین عدم قطعیت پارامتری در ماتریسهای ورودی و خروجی مدل یک ربات توانبخشی، تاثیر مستقیمی بر همگرائی الگوریتم ILC داشته و یک تاثیر کوچک در هر یک از این ماتریسها، ممکن است به واگرائی الگوریتم منجر شود. در این مقاله، ابتدا قانون الگوریتم ILC بدون حضور عدم قطعیت بدست آمده و سپس همگرائی مقاوم این الگوریتم با یک بهره یادگیری ثابت در حضور عدم قطعیت پارامتری، اثبات شده است. در پایان صحتسنجی نتایج بدست آمده روی یک مدل ربات توانبخشی مورد تحلیل و ارزیابی قرار گرفته است.
پرونده مقاله