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 PDF

Info

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
Application number
CN202210114877.8A
Other languages
English (en)
Other versions
CN114563953A (zh
Inventor
郭斌
佃松宜
赵涛
秦明皇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202210114877.8A priority Critical patent/CN114563953B/zh
Publication of CN114563953A publication Critical patent/CN114563953A/zh
Application granted granted Critical
Publication of CN114563953B publication Critical patent/CN114563953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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
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：
Figure BDA0003495863620000031
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，
Figure BDA0003495863620000032
和
Figure BDA0003495863620000033
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：
Figure BDA0003495863620000034
其中，
Figure BDA0003495863620000035
Figure BDA0003495863620000036
这里，
Figure BDA0003495863620000037
Figure BDA00034958636200000411
a3＝Iz1，
Figure BDA0003495863620000041
Figure BDA0003495863620000042
a7＝F2f2+F4f4，a8＝F1f1+F3f3，
Figure BDA0003495863620000043
和
Figure BDA0003495863620000044
分别表示w的一阶导数和二阶导数。
通过定义x1＝w＝[wl wr]T,
Figure BDA0003495863620000045
上述机器人系统可以化为：
Figure BDA0003495863620000046
其中
Figure BDA0003495863620000047
和
Figure BDA0003495863620000048
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
Figure BDA00034958636200000412
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：
Figure BDA0003495863620000049
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
Figure BDA00034958636200000410
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：
Figure BDA0003495863620000051
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
Figure BDA0003495863620000052
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
Figure BDA0003495863620000053
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：
Figure BDA0003495863620000061
其中
Figure BDA0003495863620000062
和
Figure BDA0003495863620000063
表示对x1(t),x2(t),y(t),γ以及ξ*的估计，Ld，Lm，Lζ和Ln表示观测器增益,y(tkh)表示在tkh时刻的机器人角度触发值，
Figure BDA0003495863620000064
表示基于记忆的补偿项，定义为：
Figure BDA0003495863620000065
Figure BDA0003495863620000066
Figure BDA0003495863620000067
其中
Figure BDA0003495863620000068
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。
Figure BDA0003495863620000069
eζ＝[e1,e2,yζ(t)]T，
Figure BDA00034958636200000610
Figure BDA00034958636200000611
I表示单位矩阵，Le＝[Lm Ln 0]T，
Figure BDA00034958636200000612
λ(ua)表示ua分量的对角矩阵，即λ(ua)＝diag[ua1,...,uap]。
上述公式(8)中的yζ(t)由积分器按照满足条件
Figure BDA00034958636200000613
得到。与其他文献不同，此处的yζ(t)可以增加观测器的自由度，即利用传感器输出的积分信息进行观测器设计，可提高观测器的自由度，进一步增加观测精度。
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
Figure BDA00034958636200000614
其中，
Figure BDA00034958636200000615
表示机器人系统的等效干扰，κ为一未知增益，
Figure BDA00034958636200000616
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：
Figure BDA00034958636200000617
其中
Figure BDA00034958636200000618
和
Figure BDA00034958636200000619
表示d1(t)，fe(X,t)和
Figure BDA00034958636200000620
的估计。
为估计机器人系统干扰信号
Figure BDA00034958636200000621
定义如下变量：
Figure BDA00034958636200000622
其中，Iζ＝[I 0 0]，X(t)的更新方式为：
Figure BDA0003495863620000071
其中，
Figure BDA0003495863620000072
δ表示一大于零的标量，
Figure BDA0003495863620000073
表示κ的估计，
Figure BDA0003495863620000074
的更新方式为：
Figure BDA0003495863620000075
αk＞0表示一正标量。
经上述分析，本发明中，机器人系统中集成干扰估计如下：
Figure BDA0003495863620000076
因此，基于本发明设计的观测器，可以对机器人实际状态和机器人系统干扰信号进行估计得到机器人实际状态估计结果(包括
Figure BDA0003495863620000077
)和机器人系统干扰信号估计结果
Figure BDA0003495863620000078
并将估计结果发送给控制器。
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：
Figure BDA0003495863620000079
其中
Figure BDA00034958636200000710
表示s0(t)的一阶导数，em(t)＝y(t)-yr(t)表示机器人角度与期望值的差值。ηs＞1为一选择参数,Ia＝[I 0 0],ρa表示自适应参数，设计为：
Figure BDA00034958636200000711
其中
Figure BDA00034958636200000712
||·||表示二范数，θa、βa、ωa、c分别表示待选参数，0＜θa＜1,ωa＞0,βa＞0,c＞0,
Figure BDA00034958636200000713
μ表示大于零的常数。
对跟踪性能的分析，主要体为滑模函数的有限时间可到达性，在此当中，为保证有限时间到达，本发明进一步引入了参数自适应更新
Figure BDA00034958636200000714
ks表示一正常数，
Figure BDA00034958636200000715
表示
Figure BDA00034958636200000716
的一阶导数。
证明可表达为：设计选择李亚普洛夫函数为：
Figure BDA00034958636200000717
其中，
Figure BDA0003495863620000081
Figure BDA0003495863620000082
表示τa的估计。经证明
Figure BDA0003495863620000083
即李亚普洛夫函数的导数小于零且求解出系统状态的收敛时间为有限，表明滑模函数是有限时间可到达的。
本发明中，第二触发器中控制器输出触发条件为：
Figure BDA0003495863620000084
其中πa、πb、πs、ka以及kb表示正常数，η＞1表示一待选参数，
Figure BDA0003495863620000085
表示一自适应参数，设计为
Figure BDA0003495863620000086
其中
Figure BDA0003495863620000087
{tq}为第二触发时间序列；
Figure BDA0003495863620000088
表示t时刻观测器得到的x2(t)的估计值，
Figure BDA0003495863620000089
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：
对于
Figure BDA00034958636200000810
可以得到：
Figure BDA00034958636200000811
进一步可以推断得到：
Figure BDA00034958636200000812
其中，
Figure BDA00034958636200000813
进而可以得到：
Figure BDA00034958636200000814
其中Tq＝tq+1-tq。表明相邻两个触发有下界，不会出现无限触发的情况，即没有芝诺现象。
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：
Figure BDA00034958636200000815
其中，ua(tq)表示满足控制器输出触发条件时刻tq的机器人实际输出控制，
Figure BDA0003495863620000091
σb表示一正标量，Ib＝[0 I 0]，
Figure BDA0003495863620000092
分别为yr(tq)的一阶导数和二阶导数。
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：
Figure BDA0003495863620000101
fe(X,t)＝B(y)β(t-tf)ubf(t)+θ*(X)+d2(t)
其中，
Figure BDA0003495863620000102
和
Figure BDA0003495863620000103
分别表示x1(t)和x2(t)的一阶导数，x1＝w＝[wl wr]T，
Figure BDA0003495863620000104
Figure BDA0003495863620000105
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
Figure BDA0003495863620000111
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：
Figure BDA0003495863620000112
其中，
Figure BDA0003495863620000113
和
Figure BDA0003495863620000114
表示对x1(t),x2(t),y(t),γ以及ξ*的估计，Ld，Lm，Lζ和Ln表示观测器增益,y(tkh)表示在tkh时刻对应的机器人角度触发值，
Figure BDA0003495863620000115
表示基于记忆的补偿项，定义为：
Figure BDA0003495863620000116
Figure BDA0003495863620000121
Figure BDA0003495863620000122
其中，
Figure BDA0003495863620000123
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。
Figure BDA0003495863620000124
eζ＝[e1,e2,yζ(t)]T，
Figure BDA0003495863620000125
Figure BDA0003495863620000126
I表示单位矩阵，Le＝[Lm Ln 0]T，
Figure BDA0003495863620000127
Figure BDA0003495863620000128
λ(ua)表示ua分量的对角矩阵，即λ(ua)＝diag[ua1,...,uap]。
机器人总干扰信息
Figure BDA0003495863620000129
估计为：
Figure BDA00034958636200001210
其中，
Figure BDA00034958636200001211
Iζ＝[I 0 0]，X(t)的更新方式为：
Figure BDA00034958636200001212
Figure BDA00034958636200001213
δ表示一大于零的标量，
Figure BDA00034958636200001214
的更新方式为：
Figure BDA00034958636200001215
αk＞0表示一正标量。
因此，基于本发明设计的观测器，可以对机器人实际状态和机器人系统干扰信号进行估计得到机器人实际状态估计结果(包括
Figure BDA00034958636200001216
)和机器人系统干扰信号估计结果
Figure BDA00034958636200001217
并将估计结果发送给控制器。
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：
Figure BDA00034958636200001218
其中，
Figure BDA00034958636200001219
表示s0(t)的一阶导数，em(t)＝y(t)-yr(t)表示表示机器人角度与期望值的差值。ηs＞1为一选择参数，Ia＝[I 0 0],ρa表示自适应参数，设计为：
Figure BDA0003495863620000131
其中，
Figure BDA0003495863620000132
||·||表示二范数，θa、βa、ωa、c分别表示待选参数，0＜θa＜1,ωa＞0,βa＞0,c＞0,
Figure BDA0003495863620000133
μ表示大于零的常数。
为保证滑模函数的有限时间到达，本发明进一步引入了参数自适应更新
Figure BDA0003495863620000134
ks表示一正常数，
Figure BDA0003495863620000135
表示
Figure BDA0003495863620000136
的一阶导数。
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：
Figure BDA0003495863620000137
其中πa、πb、πs、ka以及kb表示正常数，η＞1表示一待选参数，
Figure BDA0003495863620000138
表示一自适应参数，设计为
Figure BDA0003495863620000139
其中
Figure BDA00034958636200001310
{tq}为第二触发时间序列。
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：
Figure BDA00034958636200001311
其中，ua(tq)表示满足控制器输出触发条件时刻tq的机器人实际输出控制，
Figure BDA00034958636200001312
σb表示一正标量，Ib＝[0 I 0]，
Figure BDA00034958636200001313
分别为yr(tq)的一阶导数和二阶导数。
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：
Figure FDA0004106875990000011
fe(X,t)＝B(y)β(t-tf)ubf(t)+θ*(X)+d2(t)
其中，
Figure FDA0004106875990000012
和
Figure FDA0004106875990000013
分别表示x1(t)和x2(t)的一阶导数，x1＝w＝[wl wr]T，
Figure FDA0004106875990000014
Figure FDA0004106875990000015
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，
Figure FDA0004106875990000016
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
Figure FDA0004106875990000021
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：
Figure FDA0004106875990000022
其中，
Figure FDA0004106875990000023
和
Figure FDA0004106875990000024
表示对x1(t),x2(t),y(t),γ以及ξ*的估计，Ld，Lm，Lζ和Ln表示观测器增益，y(tkh)表示在tkh时刻对应的机器人角度触发值，
Figure FDA0004106875990000025
表示基于记忆的补偿项，定义为：
Figure FDA0004106875990000026
Figure FDA0004106875990000027
Figure FDA0004106875990000028
其中，
Figure FDA0004106875990000029
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，
Figure FDA00041068759900000210
eζ＝[e1,e2,yζ(t)]T，
Figure FDA00041068759900000211
Figure FDA00041068759900000212
I表示单位矩阵，
Figure FDA00041068759900000213
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。
2.根据权利要求1所述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，其特征在于，所述机器人总干扰信息估计为：
Figure FDA0004106875990000031
其中，
Figure FDA0004106875990000032
Iζ＝[I 0 0]，
Figure FDA0004106875990000033
的更新方式为：
Figure FDA0004106875990000034
Figure FDA0004106875990000035
δ表示一大于零的标量，
Figure FDA0004106875990000036
的更新方式为：
Figure FDA0004106875990000037
αk＞0表示一正标量。
3.根据权利要求2所述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，其特征在于，所述轮式机器人系统滑模函数设计为：
Figure FDA0004106875990000038
其中，s(t)表示滑模函数，
Figure FDA0004106875990000039
表示s0(t)的一阶导数，em(t)＝y(t)-yr(t)表示机器人角度与期望值的差值；ηs＞1为一选择参数，Ia＝[I 0 0],ρa表示自适应参数，设计为：
Figure FDA00041068759900000310
其中，
Figure FDA00041068759900000311
||·||表示二范数，θa、βa、ωa、c分别表示待选参数0＜θa＜1,ωa＞0,βa＞0,c＞0,ωa＞βa.
Figure FDA00041068759900000312
μ表示大于零的常数；
为保证滑模函数的有限时间到达，本发明进一步引入了参数自适应更新
Figure FDA00041068759900000313
ks表示一正常数，
Figure FDA00041068759900000314
表示
Figure FDA00041068759900000315
的一阶导数。
4.根据权利要求1至3任一项所述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，其特征在于，第二触发器中控制器输出触发条件为：
Figure FDA0004106875990000041
其中πa、πb、πs、ka以及kb表示正常数，η＞1表示一待选参数，
Figure FDA0004106875990000042
表示一自适应参数，设计为
Figure FDA0004106875990000043
其中
Figure FDA0004106875990000044
{tq}为第二触发时间序列。
5.根据权利要求4所述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，其特征在于，控制器设计为：
Figure FDA0004106875990000045
其中，ua(tq)表示满足控制器输出触发条件时刻tq的机器人实际输出控制，
Figure FDA0004106875990000046
σb表示一正标量，Ib＝[0 I 0]，
Figure FDA0004106875990000047
分别为yr(tq)的一阶导数和二阶导数。
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。
CN202210114877.8A 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 Active CN114563953B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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