This paper proposes a control scheme for a $N$-DoF robotic manipulator in a joint-regulation motion problem, dealing with disturbances (as e.g. exogenous forces, unmodelled dynamics) that hinder task fulfilment, and also considering that not all the required states are available online. Existing literature tackles this problem through Disturbance Observer (DO) strategies which imply complex analysis and design methods or introducing strong assumptions. Conversely, we propose to formulate the system as a Linear Parameter Varying (LPV) model, which allows a straightforward application of the existing linear control structures but without neglecting its non-linear behaviour. We make use of the Robust Unknown Input Observer (RUIO) to obtain (for not measurable states) a decoupled estimation from the unknown disturbance effects, and improve its noise reduction capabilities through the new optimal RUIO design. The robotic manipulator is controlled with a state-feedback control law that, making use of the LPV paradigm, has been designed to seamlessly avoid torque saturation on manipulator’s joints through a gain shifting strategy that modifies its compliant behaviour. Stability and performance requirements are imposed in both RUIO and state-feedback control synthesis problems stated using the LMI framework, applying Polya’s theorems on positive forms of the standard simplex to reduce its overall conservatism. Experiments, using a simulated head system of the TIAGo robot as a testbed in various realistic scenarios, show the benefits when compared to the existing joint-independent PD control strategy and state-of-art EKF disturbance estimation.

本文提出了一种控制方案 $N$-DoF 机器人操纵器在关节调节运动问题中，处理阻碍任务完成的干扰（例如外源力、未建模的动力学），并考虑到并非所有所需的状态都可以在线获得。现有文献通过干扰观察者 (DO) 策略来解决这个问题，这意味着复杂的分析和设计方法或引入了强有力的假设。相反，我们建议将系统表述为线性参数变化 (LPV) 模型，它允许直接应用现有的线性控制结构，但不会忽略其非线性行为。我们利用鲁棒未知输入观察器（RUIO）从未知干扰效应中获得（对于不可测量的状态）一个解耦估计，并通过全新优化的 RUIO 设计提高其降噪能力。机器人机械手由状态反馈控制律控制，该控制律利用 LPV 范式，旨在通过修改其顺应行为的增益转移策略来无缝避免机械手关节上的扭矩饱和。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。机器人机械手由状态反馈控制律控制，该控制律利用 LPV 范式，旨在通过修改其顺应行为的增益转移策略来无缝避免机械手关节上的扭矩饱和。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。机器人机械手由状态反馈控制律控制，该控制律利用 LPV 范式，旨在通过修改其顺应行为的增益转移策略来无缝避免机械手关节上的扭矩饱和。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。旨在通过修改其顺应行为的增益转移策略来无缝避免机械手关节上的扭矩饱和。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。旨在通过修改其顺应行为的增益转移策略来无缝避免机械手关节上的扭矩饱和。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。在使用 LMI 框架陈述的 RUIO 和状态反馈控制综合问题中都强加了稳定性和性能要求，将 Polya 定理应用于标准单纯形的正形式以降低其整体保守性。在各种现实场景中使用 TIAGo 机器人的模拟头部系统作为测试平台的实验显示了与现有的独立于关节的 PD 控制策略和最先进的 EKF 干扰估计相比的好处。