کنترل یادگیر تکرار شونده مقاوم برای ربات توانبخشی در حضور عدم قطعیت پارامتری

در این مقاله، همگرایی مقاوم کنترل یادگیر تکرار شونده (ILC) در ربات توانبخشی خطی دارای عدم قطعیت پارامتری، بدست آمده است. امروزه ربات های توانبخشی وظیفه مهمی را در کمک به فیزیوتراپ ها در ترمیم آسیب های حرکتی بر عهده دارند. از آن جهت که عدم قطعیت در ربات های توانبخشی در عمل با تکرار تغییر می کنند، حذف اثر عدم قطعیت پارامتری متغیر با تکرار امری بسیار ضروری است. همچنین عدم قطعیت پارامتری در ماتریس های ورودی و خروجی مدل یک ربات توانبخشی، تاثیر مستقیمی بر همگرایی الگوریتم ILC داشته و یک تاثیر کوچک در هر یک از این ماتریس ها، ممکن است به واگرایی الگوریتم منجر شود. در این مقاله، ابتدا قانون الگوریتم ILC بدون حضور عدم قطعیت بدست آمده و سپس همگرایی مقاوم این الگوریتم با یک بهره یادگیری ثابت در حضور عدم قطعیت پارامتری، اثبات شده است. در پایان صحت سنجی نتایج بدست آمده روی یک مدل ربات توانبخشی مورد تحلیل و ارزیابی قرار گرفته است.