CN114563953B - 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 - Google Patents
兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 Download PDFInfo
- Publication number
- CN114563953B CN114563953B CN202210114877.8A CN202210114877A CN114563953B CN 114563953 B CN114563953 B CN 114563953B CN 202210114877 A CN202210114877 A CN 202210114877A CN 114563953 B CN114563953 B CN 114563953B
- Authority
- CN
- China
- Prior art keywords
- robot
- trigger
- representing
- observer
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims description 15
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 15
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241000273146 Siobla dian Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法,包括机器人系统模型构建模块、接收模块、第一触发器、观测器、滑模控制模块、第二触发器和控制器,利用观测器对机器人状态进行估计,利用第一触发器和第二触发器确定传感器输出通道触发值和控制器触发值,进而得到机器人实际输出控制,并将其发送给执行器。本发明同时考虑到了轮式机器人系统受到执行器故障、通讯攻击以及外界干扰因素的影响,并引入输出输入双重触发机制,能够在一定程度上增强控制系统可靠性,并且减少了系统信息传输量以及控制成本。
Description
技术领域
本发明属于轮式机器人控制技术领域,涉及轮式机器人容错可靠控制技术,尤其涉及兼顾执行器故障、通讯攻击以及外部扰动等多因素影响的轮式机器人容错可靠控制方法;更为具体地讲,涉及包括受到执行器故障,外界扰动以及通讯攻击下一类轮式机器人系统的建模、系统基于事件机制的观测器设计、容错可靠制器设计、执行器-传感器通道事件触发机制的设计,进而实现轮式机器人容错可靠控制,并对该方法下的跟踪性能进行论证。
背景技术
随着工业自动化程度不断提高,现代工业系统中充满了各种机器人系统,用以满足人们的不同需求。在诸多机器人中,轮式机器人以其高灵活性得到了诸多应用。然而,在实际工作中,机器人构成复杂,诸多传感器以及执行器同时包含在一个系统中。这导致了诸多控制问题。一方面,由于系统部件较多,干扰进入系统渠道增多,使得系统容易受到外界干扰的影响;另一方面,机器人通讯系统容易遭受攻击,如拒绝服务攻击(DoS)等,同样影响系统的工作性能。此外,系统执行器还可能会遭受诸多故障等。
最近,为了节约系统的传输资源,研究者设计了基于事件的轮式机器人容错控制方法,该方法在非线性系统的应用成为了新的技术研究方向。S.Dian等研究了轮式机器人的轨迹控制方法,设计了速度以及转矩控制量[“S.Dian,H.Fang,T.Zhao,Q.Wu,Y.Hu,R.Guo,S.Li,Modeling andtrajectory tracking control for magnetic wheeledmobile robots based onimproved dual-heuristic dynamic programming,IEEETransactions on dustrial Informatics 17(2)(2021)1470-1482.”]。Huang等探讨轮式机器人系统在受到外界干扰情况下系统的速度控制问题,为了解决系统的干扰问题,设计了一种干扰观测器[“Huang,Dawei,Zhai,Junyong,Weiqing,Fei,Shumin,Disturbanceobserver based robust control for trajectory tracking of wheeled mobilerobots,Neurocomputing.”]。K.Nath等则针对两轮机器人系统设计了其轨迹跟踪方法,为了节约系统的传输量,构建了系统的事件机制[“K.Nath,A.Yesmin,A.Nanda,M.K.Bera,Event-triggered sliding-modecontrol of two wheeled mobile robot:Anexperimental validation,IEEEJournal of Emerging and Selected Topics inIndustrial Electronics 2(3)(2021)218-226.”]。
上述针对机器人系统干扰问题进行的控制研究,在进行系统触发条件设计时,往往基于输入值设定,少有基于系统的控制性能的触发条件的研究。且在已有文献中,少有研究将机器人系统执行器故障、通讯攻击以及外界干扰进行综合研究。此外,在设计系统控制器时,往往假设系统的状态是可测的,该假设增强了系统保守性。
发明内容
目前现有轮式机器人容错控制技术存在的难以有效兼顾执行器故障、通讯攻击及外界干扰,以及基于输入设定、假设条件导致的系统信息传输量大、控制成本高和控制精度低等问题,本发明目的旨在提供一种兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法,兼顾执行器故障、通讯攻击以及外界干扰对系统的影响,在实现轮式机器人系统的轨迹跟踪控制能力的同时节约系统的通讯资源。
为了达到上述目的,本发明采取以下技术方案来实现。
本发明所针对的轮式机器人,如图1所示,其包括机器人本体1、安装于机器人本体上部的飞盘2和安装于机器人本体四周的四个车轮3,轮式机器人通过观测器、控制器和执行器来实现控制,轮式机器人通过传感器实时采集轮式机器人角度信息,观测器依据机器人采集的左右轮角度确定机器人状态,控制器根据机器人状态和期望轨迹向执行器发送控制信号。本发明的发明构思包括:
(1)建立了轮式机器人系统在受到执行器故障,外界干扰以及通讯攻击影响时的轨迹跟踪控制模型。
(2)设计一种新的基于输出触发信息的积分集成观测器,可以实现对该类机器人系统的状态以及总干扰信息的估计,在针对干扰信息估计的过程中,无需干扰信息的上界值。在针对干扰信息估计的过程中,引入了输出积分项,增加观测精度。
(3)构建一种滑模控制模块,设计一种新的自适应容错可靠控制方法,在该方法中,包含了自适应参数以及故障-干扰补偿部分。
(4)设计一种新的事件触发机制,即在传感器以及控制器两个通道分别设计了事件触发机制;其中,传感器通道设计为自适应触发机制,控制器通道以观测信息为基础设计触发机制,主要用于减少控制器的信息传输值,并对芝诺现象作出说明。
(5)设计一种基于事件触发的容错可靠控制方法,在保证机器人系统跟踪能力的同时,有效减少了系统传输负载,并尽量减少故障干扰对系统的影响。
基于上述发明构思,本发明提供的兼顾多因素影响的轮式机器人自适应容错可靠控制系统包括机机器人系统模型构建模块、接收模块、第一触发器、观测器、滑模控制模块、第二触发器和控制器:
机器人系统模型构建模块,用于构建兼顾执行器故障、通讯攻击以及外界干扰的机器人轨迹跟踪控制模型;
接收模块,用于实时接收机器人传感器输出的数据;
第一触发器,用于判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的机器人角度触发值作为传感器输出通道触发值发送给观测器;
观测器,用于基于构建的机器人轨迹跟踪控制模型,并依据传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计;
滑模控制模块,用于基于轮式机器人系统滑模函数得到机器人控制自适应参数;
第二触发器,用于判断控制器输出触发条件是否满足;
控制器,用于依据观测器得到的机器人实际状态及总干扰信息估计结果及滑模控制模块得到的机器人控制自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
本发明中,利用机器人系统模型构建模块对机器人轨迹跟踪控制模型构建过程中,考虑轮式机器人系统受到执行器故障、通讯攻击以及外界干扰因素的影响,建模时将上述因素考虑进去,得到了轮式机器人系统的综合控制模型。
针对轮式机器人系统,其满足的动力学模型为:
其中,r表示轮胎半径,mi(i=1,2,3,4)表示四个轮的质量(m1=m2=m3=m4),mf表示中间飞盘质量,β表示车轮偏转角度,la和lb分别表示轮式机器人一半的长度和宽度,wl和wr分别表示左右轮角度,和分别表示左右轮角度的一阶导数和二阶导数,也即角速度和角加速度,Iz1和Izf分别表示机器人本体和飞盘的惯性质量,Fi(i=1,2,3,4)和fi(i=1,2,3,4)表示支撑力和摩擦力,h1=la/r,g表示重力常数因子,ul和ur分别表示左右轮的驱动力。
进一步的,上述系统可化为:
其中和分别表示x1(t)和x2(t)的一阶导数,B(x1)=M(w)-1,g(X)=B(x1)(-C(x1,x2)x2-G(x1)-J(x1,x2,t)),uf=[uf1,...,ufp]T表示输入的执行器故障,p表示执行器维数,d1(t)和d2(t)分别表示外界的噪声以及干扰,y(t)表示机器人当前t时刻的机器人角度输出信息。
执行器故障考虑为:
uf(t)=γua(t)+β(t-tf)ubf(t) (4)
其中ua(t)∈Rp表示机器人实际的输出控制,γ表示系统执行器失效因子,γ∈[γ1,γ2],γ1和γ2表示γ的上下界,假设此处γn表示一正数,ubf(t)表示偏置故障,β(t-tf)表示偏置故障的指示因子,当β(t-tf)=1时表示偏置故障发生,tf则表示偏置故障的发生时间。
当进一步将通讯攻击考虑在内时,通讯攻击考虑为:
其中,n=0,1,2,...,{σn}和{Ln}分别表示第n次攻击的结束时间点以及两次攻击间隔时间。
在(3)中,由于函数g(X)难以从实际机器人系统中获得,因此再次使用神经网络方式进行处理。本发明中,以x1、x2作为输入,通过神经网络获取g(X)。由神经网络逼近机制,针对某非线性函数g(X)有g(X)=ξ*Tψ(X)+θ*(X),||θ*(X)||<θc,其中X表示输入向量,X=[x1x2]T,ξ*表示权重向量,θ*(X)表示趋近误差,θc表示θ*(X)的上界,ψ(X)=[ψ1(X),...,ψj(X),...,ψl(X)]T表示径向基向量,且ψj(X)选择为其中Cj和υi分别表示神经网络第j神经元的中心和宽度,j=1,2,…,l,l表示神经元个数。
综上可得,在具有执行器故障,通讯攻击以及外界干扰下的机器人轨迹跟踪控制模型可以写为:
其中,fe(X,t)=B(y)β(t-tf)ubf(t)+θ*(X)+d2(t),Ξn,1表示没有被攻击时间段的总和,Ξn,1=∪[σn,σn+Ln)(n=0,1,2,...),B(y)=B(x1)=M(w)-1。
上述接收模块,用于实时接收机器人传感器输出的数据,主要包括传感器测量的机器人左右轮角度数据。
上述第一触发器,其设计为自适应触发机制,传感器输出通道触发条件为:
ey(tkh+λh)TΩkey(tkh+λh)≤μm(tkh+λh)y(tkh)TΩky(tkh) (7)
其中Ωk表示一权重矩阵,ey(tkh+λh)=y(tkh+λh)-y(tkh),y(tkh)表示触发时刻tkh对应的机器人角度触发值(即触发时刻tkh对应的机器人角度输出信息),y(tkh+λh)表示触发时刻tkh+λh对应的机器人角度触发值,{tk}表示第一触发序列,h表示采样周期,λ∈N,N表示正整数,μm(tkh+λh)∈[μm1,μm2]为一待选择参数,0≤μm1≤μm2<1。μm(tkh+λh)设计为其中ma和mb表示两个阈值参数且满足ma>0,mb>1。
本发明设计的观测器是一种新的基于输出触发信息(即满足触发条件时刻的触发值)的积分集成观测器,其建立在机器人轨迹跟踪控制模型基础上,可以实现对机器人系统状态、故障以及集成总干扰信息的估计,能够保证机械人系统可靠的轨迹跟踪性能。在针对干扰信息估计的过程中,无需干扰信息的上界值;本发明通过设置的积分器引入了输出积分项yζ(t),增加观测精度。其中,为减少变量观测时系统的传输量,采用第一触发器满足触发条件的触发值代替原有信号进行设计。此外,为补偿观测误差以及采用触发值为观测器设计造成的影响,本发明中观测器设计了观测误差补偿器
基于上述分析,该观测器以传感器输出通道触发值作为输入,并在机器人轨迹跟踪控制模型基础上引入由观测器输出值和传感器输出通道触发值构建的积分项;具体设计如下:
其中也可以视为γ的输出,P表示适宜维数的正定对称矩阵,Lz表示一待选对称矩阵。εa和εb表示两个待选对角矩阵。eζ=[e1,e2,yζ(t)]T, I表示单位矩阵,Le=[Lm Ln 0]T,λ(ua)表示ua分量的对角矩阵,即λ(ua)=diag[ua1,...,uap]。
对于轮式机器人系统,其负载外界干扰总是有界的,而对应的上界值往往不易确定,在此假设其满足其中,表示机器人系统的等效干扰,κ为一未知增益,表示与系统干扰相关的新的变量,将在后续进行定义,则可得:其中和表示d1(t),fe(X,t)和的估计。
其中,Iζ=[I 0 0],X(t)的更新方式为:
经上述分析,本发明中,机器人系统中集成干扰估计如下:
上述自适应补充模块,设计目的在于提供一种可实现自适应容错可靠控制策略,提供自适应参数实现对机器人故障-干扰补偿。
针对该类轮式机器人系统,本发明中的自适应补充模块是一种二阶积分滑模面,设计过程考虑了跟踪误差与控制效果的关系。具体的,轮式机器人系统滑模函数s(t)设计为:
本发明中,第二触发器中控制器输出触发条件为:
其中πa、πb、πs、ka以及kb表示正常数,η>1表示一待选参数,表示一自适应参数,设计为其中{tq}为第二触发时间序列;表示t时刻观测器得到的x2(t)的估计值,表示第二触发器触发时刻tq观测器得到的x2(t)的估计值。
对于机器人系统触发条件的芝诺现象分析:
进一步可以推断得到:
本发明设计的控制器为基于事件触发的控制器,引入输出触发值代替传统观测器设计中的输出值,在保证观测器稳定的条件下同时减少了观测器稳定需要的信息传输量,即用相对较少的输出量实现了有效的变量观测,从而在保证机器人系统跟踪能力的同时,有效减少了系统传输负载,并尽量减少故障干扰对系统的影响。控制器具体设计为:
其中,将总干扰的估计引入控制器作为补偿部分,目的在于补偿由触发值代替连续值对系统的影响。
最后由执行器按照实际输出控制来进行操作,控制轮式机器人按照期望轨迹运行。
本发明进一步提供了一种兼顾多因素影响的轮式机器人自适应容错可靠控制方法,其利用上述轮式机器人自适应容错可靠控制系统按照以下步骤进行:
S1利用接收模块实时接收轮式机器人传感器输出的数据;
S2利用第一触发器判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的机器人角度触发值作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据机器人传感器输出的数据和满足第一触发器触发条件时刻的传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计;
S4利用滑模控制模块基于轮式机器人系统滑模函数得到机器人控制自适应参数;
S5利用第二触发器判断控制器输出触发条件是否满足;
S6利用控制器依据观测器得到的机器人实际状态及总干扰信息估计结果及滑模控制模块得到的机器人控制自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
本发明提供的兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法具有以下有益效果:
(1)本发明引入位于传感器输出通道的输出触发机制和位于控制器端的输入触发机制,利用触发值代替传统设计中的连续值,一方面在保证观测器稳定的条件下同时减少了观测器稳定需要的信息传输量(即用相对较少的输出量实现了有效的变量观测),另一方面有效减少了控制器传输负载,从而极大减少了系统信息传输量以及控制成本;
(2)本发明构建的机器人轨迹跟踪控制模型,同时考虑到了轮式机器人系统受到执行器故障、通讯攻击以及外界干扰因素的影响,能够在一定程度上增强控制系统可靠性;
(3)本发明进一步通过在观测器中引入输出积分项和补偿项,能够在增加观测器自由度的同时,提高观测器的观测精度,并尽量减少故障干扰对系统的影响。
附图说明
图1轮式机器人结构示意图。
图2为兼顾多因素影响的轮式机器人自适应容错可靠控制系统原理示意图。
图3为机器人仿真控制结果;其中,(a)机器人角度跟踪图,(b)机器人角速度跟踪图。
具体实施方式
结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明。
实施例1
本实施例针对轮式机器人系统,提供一种控制系统,以获得可靠优化控制率。首先建立具有执行器故障、通讯攻击以及外界干扰的轮式机器人系统控制模型;其次对系统中得故障,干扰以及状态等因素进行估计;紧接着设计了一种滑模函数,并构建了控制器;为了节约系统的传输资源,进一步设计了系统输入输出的事件触发机制,其中输出触发机制为自适应调节,作用于观测器设计环节,输入触发机制以系统观测信息为基础,作用于控制器设计环节;最后,根据观测器输出、滑模函数设计以及触发机制,获得了系统的容错可靠控制系统。
本实施例提供的兼顾多因素影响的轮式机器人自适应容错可靠控制系统,如图2所示,其包括机器人系统模型构建模块、接收模块、第一触发器、观测器、滑模控制模块、第二触发器和控制器。
上述机器人系统模型构建模块,用于构建兼顾执行器故障、通讯攻击以及外界干扰的机器人轨迹跟踪控制模型。
本实施例中,基于前面分析,所构建的机器人轨迹跟踪控制模型如下所示:
fe(X,t)=B(y)β(t-tf)ubf(t)+θ*(X)+d2(t)
其中,和分别表示x1(t)和x2(t)的一阶导数,x1=w=[wl wr]T, 分别表示左右轮角度的一阶导数,d1(t)和d2(t)分别表示外界的噪声以及干扰,B(y)=M(w)-1,ua(t)表示机器人实际的输出控制,γ表示系统执行器失效因子,ξ*表示权重向量,ψ(X)表示径向基向量,ξ*、ψ(X)和θ*(X)通过前面给出的神经网络确定,y(t)表示机器人轨迹,Ξn,1表示没有被攻击时间段的总和,Ξn,1=∪[σn,σn+Ln)(n=0,1,2,...)。
上述接收模块,用于实时接收机器人传感器输出的数据,主要包括传感器测量的机器人左右轮角度数据。
根据前面的分析,依据机器人的左右轮角度,便可得到机器人轨迹y(t)。
上述第一触发器,判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的第一触发器触发值作为传感器输出通道触发值发送给观测器。
本实施例中,所设计的传感器输出通道触发条件为:
ey(tkh+λh)TΩkey(tkh+λh)≤μm(tkh+λh)y(tkh)TΩky(tkh)
其中,Ωk表示一权重矩阵,ey(tkh+λh)=y(tkh+λh)-y(tkh),y(tkh)表示触发时刻tkh对应的机器人角度触发值(即触发时刻tkh对应的机器人角度输出信息),y(tkh+λh)表示触发时刻tkh+λh对应的机器人角度触发值,{tk}表示第一触发序列,h表示采样周期,λ∈N,N表示正整数,μm(tkh+λh)∈[μm1,μm2]为一待选择参数,0≤μm1≤μm2<1,μm(tkh+λh)设计为其中ma和mb表示两个阈值参数且满足ma>0,mb>1。
当第一触发器tkh时刻满足触发条件时,第一触发器将tkh时刻的机器人角度触发值y(tkh)作为传感器输出通道触发值发送给观测器。
上述观测器,用于基于构建的机器人轨迹跟踪控制模型,并依据传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计。
本实施例中,观测器以传感器输出通道触发值作为输入,并在机器人轨迹跟踪控制模型基础上结合机器人其它信息,同时积分器引入由观测器输出值和传感器输出通道触发值构建的积分项,将观测器具体设计为:
其中,也可以视为γ的输出,P表示适宜维数的正定对称矩阵,Lz表示一待选对称矩阵。εa和εb表示两个待选对角矩阵。eζ=[e1,e2,yζ(t)]T, I表示单位矩阵,Le=[Lm Ln 0]T, λ(ua)表示ua分量的对角矩阵,即λ(ua)=diag[ua1,...,uap]。
上述滑模控制模块,用于基于轮式机器人系统滑模函数得到机器人控制自适应参数。
本实施例中,轮式机器人系统滑模函数s(t)设计为:
上述第二触发器,用于判断控制器输出触发条件是否满足。
第二触发器中控制器输出触发条件为:
当第二触发器tq时刻满足触发条件时,控制器将tq时刻的机器人实际输出控制发送给执行器。最后由执行器按照实际输出控制来进行操作,控制轮式机器人按照期望轨迹运行。
上述控制器,用于依据观测器得到的机器人状态及总干扰信息估计结果及滑模控制模块得到的自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
控制器具体设计为:
实施例2
本实施例提供了一种兼顾多因素影响的轮式机器人自适应容错可靠控制方法,利用实施例1给出的轮式机器人自适应容错可靠控制系统,按照以下步骤进行:
S1利用接收模块实时接收轮式机器人传感器输出的数据;
S2利用第一触发器判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的机器人角度触发值作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据机器人传感器输出的数据和满足第一触发器触发条件时刻的传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计;
S4利用滑模控制模块基于轮式机器人系统滑模函数得到机器人控制自适应参数;
S5利用第二触发器判断控制器输出触发条件是否满足;
S6利用控制器依据观测器得到的机器人实际状态及总干扰信息估计结果及滑模控制模块得到的机器人控制自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
本实施例设定机器人初始输出控制,使用上述步骤S1-S6依据期望轨迹(包括机器人期望车轮角度(设定左右轮角度相等)、车轮角速度),通过仿真得到机器人跟踪轨迹,仿真结果如图3所示。从图3可以看出,使用本发明提供的轮式机器人自适应容错可靠控制方法能够实现对轮式机器人的精准控制,使机器人按照预定轨迹运行。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种兼顾多因素影响的轮式机器人自适应容错可靠控制系统,其特征在于,包括机器人系统模型构建模块、接收模块、第一触发器、观测器、滑模控制模块、第二触发器和控制器:
机器人系统模型构建模块,用于构建兼顾执行器故障、通讯攻击以及外界干扰的机器人轨迹跟踪控制模型;所述机器人轨迹跟踪控制模型如下:
fe(X,t)=B(y)β(t-tf)ubf(t)+θ*(X)+d2(t)
其中,和分别表示x1(t)和x2(t)的一阶导数,x1=w=[wl wr]T, 分别表示左右轮角度的一阶导数,d1(t)和d2(t)分别表示外界的噪声以及干扰,B(y)=M(w)-1,a3=Iz1,m1表示轮子的质量,mf表示中间飞盘质量,la和lb分别表示轮式机器人一半的长度和宽度,Iz1和Izf分别表示机器人本体和飞盘的惯性质量,β(t-tf)表示偏置故障的指示因子,ubf(t)表示偏置故障,ua(t)表示机器人实际的输出控制,γ表示系统执行器失效因子,ξ*表示权重向量,ψ(X)表示径向基向量,ξ*、ψ(X)和θ*(X)通过神经网络确定,y(t)表示机器人当前t时刻的机器人角度输出信息,Ξn,1表示没有被攻击时间段的总和,Ξn,1=∪[σn,σn+Ln),n=0,1,2,...,{σn}和{Ln}分别表示第n次攻击的结束时间点以及两次攻击间隔时间;
接收模块,用于实时接收机器人传感器输出的数据;
第一触发器,用于判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的机器人角度触发值作为传感器输出通道触发值发送给观测器;所述传感器输出通道触发条件为:
ey(tkh+λh)TΩkey(tkh+λh)≤μm(tkh+λh)y(tkh)TΩky(tkh)
其中,Ωk表示一权重矩阵,ey(tkh+λh)=y(tkh+λh)-y(tkh),y(tkh)表示触发时刻tkh对应的机器人角度触发值,y(tkh+λh)表示触发时刻tkh+λh对应的机器人角度触发值,{tk}表示第一触发序列,h表示采样周期,λ∈N,N表示正整数,μm(tkh+λh)∈[μm1,μm2]为一待选择参数,0≤μm1≤μm2<1,μm(tkh+λh)设计为其中ma和mb表示两个阈值参数且满足ma>0,mb>1;
观测器,用于基于构建的机器人轨迹跟踪控制模型,并依据传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计;所述观测器以传感器输出通道触发值作为输入,并在机器人轨迹跟踪控制模型基础上利用积分器引入由观测器输出值和传感器输出通道触发值构建的积分项;
所述观测器设计为:
其中,视为γ的输出,P表示适宜维数的正定对称矩阵,Lz表示一待选对称矩阵,εa和εb表示两个待选对角矩阵,eζ=[e1,e2,yζ(t)]T, I表示单位矩阵,λ(ua)表示ua分量的对角矩阵,即λ(ua)=diag[ua1,...,uap];
滑模控制模块,用于基于轮式机器人系统滑模函数得到机器人控制自适应参数;
第二触发器,用于判断控制器输出触发条件是否满足;
控制器,用于依据观测器得到的机器人实际状态及总干扰信息估计结果及滑模控制模块得到的机器人控制自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
6.一种兼顾多因素影响的轮式机器人自适应容错可靠控制方法,其特征在于,利用权利要求1至5任一项所述的轮式机器人自适应容错可靠控制系统,按照以下步骤进行:
S1利用接收模块实时接收轮式机器人传感器输出的数据;
S2利用第一触发器判断传感器输出通道触发条件是否满足,并以满足触发条件时刻的机器人轨迹触发值作为传感器输出通道触发值,发送给观测器;
S3利用观测器依据机器人传感器输出的数据和满足第一触发器触发条件时刻的传感器输出通道触发值,对机器人实际状态及总干扰信息进行估计;
S4利用滑模控制模块基于轮式机器人系统滑模函数得到机器人控制自适应参数;
S5利用第二触发器判断控制器输出触发条件是否满足;
S6利用控制器依据观测器得到的机器人实际状态及总干扰信息估计结果及滑模控制模块得到的机器人控制自适应参数,得到满足控制器输出触发条件时刻的机器人实际输出控制,并将其发送给执行器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114877.8A CN114563953B (zh) | 2022-01-31 | 2022-01-31 | 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114877.8A CN114563953B (zh) | 2022-01-31 | 2022-01-31 | 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114563953A CN114563953A (zh) | 2022-05-31 |
CN114563953B true CN114563953B (zh) | 2023-05-09 |
Family
ID=81714305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114877.8A Active CN114563953B (zh) | 2022-01-31 | 2022-01-31 | 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563953B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125550A (zh) * | 2016-07-20 | 2016-11-16 | 南京航空航天大学 | 一种高铁牵引整流器的复合故障估计与容错控制方法 |
CN113110059A (zh) * | 2021-04-26 | 2021-07-13 | 杭州电子科技大学 | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 |
CN113543139A (zh) * | 2021-07-12 | 2021-10-22 | 哈尔滨工业大学 | 一种基于可信度的无线传感器网络分布式安全控制方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100522388B1 (ko) * | 2001-04-26 | 2005-10-18 | 더 보잉 캄파니 | 네트워크 버스에 의해 이벤트 트리거를 생성하기 위한시스템, 방법, 및 제어기 |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
US7904182B2 (en) * | 2005-06-08 | 2011-03-08 | Brooks Automation, Inc. | Scalable motion control system |
CN109782595A (zh) * | 2019-01-14 | 2019-05-21 | 山东大学 | 基于事件触发机制的球杆系统的网络预测控制方法及系统 |
CN109976161B (zh) * | 2019-04-23 | 2022-04-08 | 哈尔滨工业大学 | 一种不确定非线性系统的有限时间优化跟踪控制方法 |
CN110673474B (zh) * | 2019-09-17 | 2022-10-28 | 浙江工业大学 | 一种基于事件触发的网络化运动控制系统容侵控制方法 |
CN110568765A (zh) * | 2019-10-16 | 2019-12-13 | 西北工业大学 | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 |
CN110658724B (zh) * | 2019-11-20 | 2021-12-10 | 电子科技大学 | 一类非线性系统自适应模糊容错控制方法 |
CN110789350A (zh) * | 2019-11-20 | 2020-02-14 | 电子科技大学 | 一种四驱电动汽车容错控制方法 |
CN111007727A (zh) * | 2019-12-30 | 2020-04-14 | 杭州电子科技大学 | 基于自触发采样的化工工业过程故障诊断与容错控制方法 |
CN112558476B (zh) * | 2020-12-04 | 2022-06-14 | 广东工业大学 | 基于攻击补偿的非线性多智体系统无领导者一致控制方法 |
CN112589799B (zh) * | 2020-12-10 | 2022-07-26 | 西北工业大学 | 一种面向集群的微型桌面机器人 |
CN112711190B (zh) * | 2020-12-25 | 2022-03-08 | 四川大学 | 一种自适应容错控制器、控制设备及控制系统 |
CN112882391B (zh) * | 2021-01-26 | 2022-05-27 | 四川大学 | 一种双端事件触发的非线性控制方法 |
CN112995154B (zh) * | 2021-02-09 | 2023-05-02 | 南京理工大学 | 一种受非周期性DoS攻击的复杂网络同步控制方法 |
CN113885499B (zh) * | 2021-10-08 | 2023-06-06 | 四川大学 | 腔体内检测用机器人轨迹容错控制方法 |
-
2022
- 2022-01-31 CN CN202210114877.8A patent/CN114563953B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125550A (zh) * | 2016-07-20 | 2016-11-16 | 南京航空航天大学 | 一种高铁牵引整流器的复合故障估计与容错控制方法 |
CN113110059A (zh) * | 2021-04-26 | 2021-07-13 | 杭州电子科技大学 | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 |
CN113543139A (zh) * | 2021-07-12 | 2021-10-22 | 哈尔滨工业大学 | 一种基于可信度的无线传感器网络分布式安全控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114563953A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diao et al. | Adaptive fuzzy event-triggered control for single-link flexible-joint robots with actuator failures | |
Jing et al. | Fuzzy adaptive fault-tolerant control for uncertain nonlinear systems with unknown dead-zone and unmodeled dynamics | |
CN110119087B (zh) | 一种有向通信下二阶多智能体系统固定时一致性跟踪方法 | |
CN112558468B (zh) | 基于双观测器的发射平台自适应鲁棒输出反馈控制方法 | |
Zhao et al. | Adaptive event-based robust passive fault tolerant control for nonlinear lateral stability of autonomous electric vehicles with asynchronous constraints | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
CN113110059A (zh) | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 | |
CN112711190B (zh) | 一种自适应容错控制器、控制设备及控制系统 | |
Xia et al. | Adaptive output feedback dynamic surface control of stochastic nonlinear systems with state and input unmodeled dynamics | |
Ma et al. | L 1 adaptive output‐feedback control of multivariable nonlinear systems subject to constraints using online optimization | |
Guo et al. | Distributed adaptive control for vehicular platoon with unknown dead‐zone inputs and velocity/acceleration disturbances | |
CN113359469A (zh) | 一种基于事件触发的非线性系统的固定时间容错控制方法 | |
Ye et al. | Adaptive neural-based control for non-strict feedback systems with full-state constraints and unmodeled dynamics | |
CN113406886A (zh) | 单连杆机械臂的模糊自适应控制方法、系统及存储介质 | |
Sakr et al. | Improving the performance of networked control systems with time delay and data dropouts based on fuzzy model predictive control | |
CN114563953B (zh) | 兼顾多因素影响的轮式机器人自适应容错可靠控制系统及方法 | |
Luo et al. | Event-triggered adaptive fuzzy control for automated vehicle steer-by-wire system with prescribed performance: Theoretical design and experiment implementation | |
Guo et al. | Dynamic event-driven neural network-based adaptive fault-attack-tolerant control for wheeled mobile robot system | |
Wang et al. | Event‐based adaptive sliding mode control for Euler–Lagrange systems with parameter uncertainties and external disturbances | |
Guzey et al. | Neural network‐based finite horizon optimal adaptive consensus control of mobile robot formations | |
CN112821826B (zh) | 一种多维一体的车载磁悬浮飞轮电池控制系统 | |
CN111427264B (zh) | 一种复杂遥操作技术的神经自适应固定时间控制方法 | |
Hwang et al. | Adaptive recurrent neural network enhanced variable structure control for nonlinear discrete MIMO systems | |
CN114859847B (zh) | 一种适用于互联非线性系统的可靠优化控制系统及方法 | |
CN115963819A (zh) | 一种非完整移动机器人编队控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |