CN103926839A - 一种轮式移动机器人的运动分段控制方法 - Google Patents
一种轮式移动机器人的运动分段控制方法 Download PDFInfo
- Publication number
- CN103926839A CN103926839A CN201410176909.2A CN201410176909A CN103926839A CN 103926839 A CN103926839 A CN 103926839A CN 201410176909 A CN201410176909 A CN 201410176909A CN 103926839 A CN103926839 A CN 103926839A
- Authority
- CN
- China
- Prior art keywords
- control
- mobile robot
- model
- tau
- wheeled mobile
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种轮式移动机器人的运动分段控制方法,其步骤为:(1)集成基于生物激励神经动力学模型、基于能量优化模型和基于模型预测控制模型三种轨迹跟踪运动控制策略;(2)根据反馈得到的当前实际位姿和由路径规划算法给定的参考位姿计算出当前的位姿误差矢量;(3)根据当前移动机器人运动所处的阶段选择控制策略:如果处在跟踪初期,则选用基于生物激励神经动力学模型的轨迹跟踪控制策略;如果处在跟踪中段,则选用基于能量优化模型的轨迹跟踪控制策略;如果处在跟踪后期,则选用基于模型预测控制模型的轨迹跟踪控制策略。本发明能够实现轮式移动机器人整个过程的最佳控制,使它在进行精确轨迹跟踪的同时实现鲁棒性、节能性以及稳定性。
Description
技术领域
本发明主要涉及一种机器人自动控制领域,尤其涉及一种适用于轮式移动机器人的轨迹跟踪控制方法。
背景技术
运动控制是轮式移动机器人系统研究中最基本的问题,精确的运动控制能力不仅是多轮式移动机器人系统协调工作的基础,也是轮式移动机器人在各个领域中成功应用的关键。
移动式机器人与固定基座的机器人相比,具有更大、更灵活的工作空间,但同时轮式运动引入了非完整约束。作为一类典型的非完整系统和复杂的非线性系统,移动机器人的镇定和跟踪问题引起了人们的广泛关注,对非完整约束移动机器人的控制策略的研究成为机器人研究的一个热点。近年来针对轮式移动机器人的轨迹跟踪和镇定问题,相关领域的很多学者已作了大量的研究工作,采用了许多控制理论和方法来设计轨迹跟踪控制器。现有的轮式移动机器人跟踪控制技术大致可以如下几类:基于反馈线性化方法;基于滑模变结构方法;基于积分后退技术的方法;基于模糊控制、神经网络控制和遗传算法等智能控制的跟踪控制方法;基于自适应鲁棒控制的跟踪控制方法;基于模型预测的跟踪控制方法等。上述分类也并不具有绝对意义,很多学者已经采用了多种方法的交叉设计,并正在尝试提出新的理论和方法来解决现有方法中存在的各种问题。
虽然目前已有不少关于轮式移动机器人运动控制方法,但其中大部分方法都是考虑在整个跟踪过程中使用同一种控制方法来控制轮式移动机器人或其它类型的移动机器人,这样就显得缺乏针对性。轮式移动机器人在行驶的不同的阶段会出现一些不同的问题(如行驶初期出现速度跳变现象、行驶途中出现能耗过多现象、行驶后期出现不稳定现象等),如果只用一种控制方法去控制整个运动过程,就不能很好地解决各阶段出现的各种问题。
发明内容
本发明要解决的技术问题在于:针对现有技术存在的不足之处,本发明提供一种面向轮式移动机器人的分段运动控制方法,把整个控制过程分成不同阶段,针对不同阶段出现的某些问题,分别用不同的控制模块进行控制,在实现轨迹跟踪的同时,解决各个阶段出现的问题。
本发明采用以下技术方案:
一种轮式移动机器人的运动分段控制方法,其步骤为:
(1)集成基于生物激励神经动力学模型的初始运动轨迹跟踪、基于能量优化模型的轨迹跟踪和基于模型预测控制模型的终端跟踪控制三种运动控制策略;
(2)由路径规划算法给出轮式移动机器人系统的参考位姿pr(t)=[xr(t) yr(t) θr(t)]T和参考速度qr(t)=[vr(t) ωr(t)]T;由轮式移动机器人的定位模块反馈得到轮式移动机器人当前实际位姿pc(t)=[x(t) y(t) θ(t)]T;pr(t)与pc(t)进行比较可以得到轮式移动机器人全局位姿误差矢量,再经过坐标变换矩阵T转换得到局部位姿误差矢量Xe(t)=[xe(t) ye(t) θe(t)]T;
(3)根据当前轮式移动机器人运动所处的阶段选择控制策略:如果轮式移动机器人运动处在跟踪初期,则选用基于生物激励神经动力学模型的轨迹跟踪策略;如果轮式移动机器人运动处在跟踪中段,则选用基于能量优化模型的轨迹跟踪策略;如果轮式移动机器人运动处在跟踪后期,则选用基于模型预测控制模型的轨迹跟踪策。
作为本发明的进一步改进:
所述基于生物激励神经动力学模型的轨迹跟踪策略的步骤为:
(1.1)考虑到Xe中的θe对速度跳变影响较小,暂不对其做处理,仅将X与Y轴方向的误差xe与ye通过生物激励神经动力学模型进行改进,输出相应的两个虚拟控制量σx和σy;
以σx为例,所述生物激励神经动力学模型为下式:
其中,A、B、D、α、β和γ均为正常数;非线性超阈值函数[xe]+=max{xe,0},[xe]-=max{-xe,0}。
同理,可获得σy。
(1.2)σx、σy、θe和参考速度[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T。
所述基于能量优化模型的轨迹跟踪策略的步骤为:
(2.1)误差矢量Xe=[xe ye θe]T和参考速度qr=[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T;
(2.2)进入一个基于能量优化模型的控制器进行优化处理。该优化控制器将驱动电机的能量效率函数作为目标函数;将轮式移动机器人能准确跟踪参考轨迹的条件作为状态约束,将电机电枢等效电路电压平衡方程式和转矩方程式组成的方程组作为系统状态方程,最后加上一个控制约束,构成优化问题的三个约束;
所述能量优化模型为下式:
式中,Ra为电机的电枢电阻,Kb为反电势常数,Kt为扭矩常数,fv为磁滞摩擦系数,i为电机齿轮减速比,Vs为电池电压,电机输入电压为Ua,控制输入为u且u=Ua/Vs。
(2.3)此能量优化器考虑驱动电机的节能性,将期望驱动速度vd优化成vd *控制器的输出为能量最优速度qd *=[vd * ωd]T。
所述基于模型预测控制模型的轨迹跟踪策略的步骤为:
(3.1)误差矢量Xe=[xe ye θe]T通过一个模型预测控制模型,得到轮式移动机器人系统控制的输入矢量Ue,具体过程如下:
(a)重新定义系统控制输入为
(b)开环最优问题的描述方程式为:
式中,式中F(·)为阶段惩罚项V(·)为终端惩罚项;Tp和Tc分别表示预测时域和控制时域,且满足Tp≥Tc;χ和ζ为包含原点在内的密集;Ω为终端域。
终端控制器的描述方程式为:
式中,为正常数;XeT=[xeT yeT θeT]T代表终端状态下的位姿误差。
(c)在某一时刻t,基于轮式移动机器人系统的跟踪误差矢量Xe(t)=[xe ye θe]T,解上述的开环最优控制问题,可以获得一个最优控制输入序列,取序列的第一项Ue *(t,Xe(t))应用于被控系统(此步仅对t≤τ≤t+Tp有效);
(d)设δ为采样时间,在下一采样周期的t+δ时刻,根据反馈得到的此刻系统实际状态信息Xe(t+δ)重新求解上述的开环最优控制问题,获得最新最优控制输入Ue *(t+δ,Xe(t+δ))。如果t+δ≤τ≤t+Tp,即此刻还在预测时域Tp内,则直接取该最优控制输入Ue *作为系统控制输入;否则,如果t+Tp≤τ≤t+Tp+δ,即此刻已经超过预测时域Tp,则上述终端控制器启用,取终端控制器的输出Ue L作为系统控制输入。即系统的控制输入矢量为:
(e)重复上述步骤直至获得满意的控制效果。
(3.2)将上述得到的系统输入Ue *和给定的参考速度qr=[vr ωr]T代入式子 求得轮式移动机器人系统的最优速度控制信号[v* ω*]T。
与现有技术相比,本发明的有益效果在于:
(1)本发明的控制方法集成了三种不同的运动控制策略:基于生物激励神经动力学模型的轨迹跟踪策略、基于能量优化模型的轨迹跟踪策略和基于模型预测控制模型的轨迹跟踪策,可根据轮式移动机器人的当前运动时刻选择不同的控制策略,以实现轮式移动机器人整个过程的最佳控制;
(2)本发明具有模块化程度高和兼容性强等特点,能够很好地满足当前轮式移动机器人的各类应用需求。
附图说明
图1为本发明实施例中所应用的轮式移动机器人跟踪误差示意图;
图2为本发明实施例中所应用的轮式移动机器人控制系统结构框图;
图3为本发明实施例中所应用的轮式移动机器人控制策略流程图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明作进一步详细说明。
如图1所示,本发明实施例中轮式移动机器人的跟踪误差示意图中,x、y表示轮式移动机器人位置坐标,θ表示车体方位角;轮式移动机器人的当前实际位姿表示为pc(t)=[x(t) y(t)θ(t)]T,任意给定的参考位姿表示为pr(t)=[xr(t) yr(t) θr(t)]T;位姿误差为Xe(t)=[xe(t) ye(t) θe(t)]T;当前驱动轮实际驱动速度为qc(t)=[v(t) ω(t)]T,参考驱动速度为qr(t)=[vr(t) ωr(t)]T,其中vr为参考线速度,ωr为参考角速度。
如图2所示,本发明实施例中所应用的轮式移动机器人系统由车载控制系统和上位控制系统组成,其中车载控制系统又包括了主控制模块、定位模块、安全防撞模块、通讯模块以及电机驱动转向模块。
如图3所示,本发明的轮式移动机器人运动分段控制方法,其步骤为:
(1)由路径规划算法给出轮式移动机器人系统的期望位姿pr(t)=[xr(t) yr(t) θr(t)]T和期望速度qr(t)=[vr(t) ωr(t)]T;
(2)由轮式移动机器人的定位模块反馈得到轮式移动机器人当前实际位姿pc(t)=[x(t) y(t)θ(t)]T;
(3)比较轮式移动机器人的期望位姿pr(t)与实际位姿pc(t),得到轮式移动机器人全局坐标系{XOY}下的位姿误差矢量,再经过坐标转换矩阵T转换得到局部坐标系{X0CY0}下的位姿误差矢量Xe(t)=[xe(t) ye(t) θe(t)]T;
(4)根据轮式移动机器人运动所处的不同阶段,分别转换到如下三种不同的控制器:如果轮式移动机器人运动处在跟踪初期,则选用基于生物激励神经动力学模型的轨迹跟踪策略;如果轮式移动机器人运动处在跟踪中段,则选用基于能量优化模型的轨迹跟踪策略;如果轮式移动机器人运动处在跟踪后期,则选用基于模型预测控制模型的轨迹跟踪策。
在本实施例中,基于生物激励神经动力学模型的轨迹跟踪策略的步骤为:
(1.1)考虑到Xe中的θe对速度跳变影响较小,暂不对其做处理,仅将X/Y轴方向的误差xe、ye通过生物激励神经动力学模型进行改进,输出相应的两个虚拟控制量σx和σy;
以σx为例,所述生物激励神经动力学模型为下式:
其中,A、B、D、α、β和γ均为正常数;非线性超阈值函数[xe]+=max{xe,0},[xe]-=max{-xe,0}。
同理,可获得σy。
(1.2)σx、σy、θe和参考速度[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T。
在本实施例中,基于能量优化模型的轨迹跟踪策略的步骤为:
(2.1)误差矢量Xe=[xe ye θe]T和参考速度qr=[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T;
(2.2)进入一个基于能量优化模型的控制器进行优化处理。该优化控制器将驱动电机的能量效率函数作为目标函数;将轮式移动机器人能准确跟踪参考轨迹的条件作为状态约束,将电机电枢等效电路电压平衡方程式和转矩方程式组成的方程组作为系统状态方程,最后加上一个控制约束,构成优化问题的三个约束;
所述能量优化模型为下式:
式中,Ra为电机的电枢电阻,Kb为反电势常数,Kt为扭矩常数,fv为磁滞摩擦系数,i为电机齿轮减速比,Vs为电池电压,电机输入电压为Ua,控制输入为u且u=Ua/Vs。
(2.3)此能量优化器考虑驱动电机的节能性,将期望驱动速度vd优化成vd *控制器的输出为能量最优速度qd *=[vd * ωd]T。
在本实施例中,基于模型预测控制模型的轨迹跟踪策略的步骤为:
(3.1)误差矢量Xe=[xe ye θe]T通过一个模型预测控制模型,得到轮式移动机器人系统控制的输入矢量Ue,具体过程如下:
(a)重新定义系统控制输入为
(b)开环最优问题的描述方程式为:
式中,F(·)为阶段惩罚项V(·)为终端惩罚项;Tp和Tc分别表示预测时域和控制时域,且满足Tp≥Tc;χ和ζ为包含原点在内的密集;Ω为终端域。
终端控制器的描述方程式为:
式中,为正常数;XeT=[xeT yeT θeT]T代表终端状态下的位姿误差。
(c)在某一时刻t,基于轮式移动机器人系统的跟踪误差矢量Xe(t)=[xe ye θe]T,解上述的开环最优控制问题,可以获得一个最优控制输入序列,取序列的第一项Ue *(t,Xe(t))应用于被控系统(此步仅对t≤τ≤t+Tp有效);
(d)设δ为采样时间,在下一采样周期的t+δ时刻,根据反馈得到的此刻系统实际状态信息Xe(t+δ)重新求解上述的开环最优控制问题,获得最新最优控制输入Ue *(t+δ,Xe(t+δ))。如果t+δ≤τ≤t+Tp,即此刻还在预测时域Tp内,则直接取该最优控制输入Ue *作为系统控制输入;否则,如果t+Tp≤τ≤t+Tp+δ,即此刻已经超过预测时域Tp,则上述终端控制器启用,取终端控制器的输出Ue L作为系统控制输入。即系统的控制输入矢量为:
(e)重复上述步骤直至获得满意的控制效果。
(3.2)将上述得到的系统输入Ue *和给定的参考速度qr=[vr ωr]T代入式子 求得轮式移动机器人系统的最优速度控制信号[v* ω*]T。
以上所述的实施例仅为本发明的最佳实施例,但并非用以限制本发明。在不背离本发明原理的情况下,熟悉本领域的技术人员可根据本发明做出各种相应的改进和润饰,但这些相应的改进和润饰都应属于本发明所属的权利要求范围之内。
Claims (4)
1.一种轮式移动机器人的运动分段控制方法,其特征在于,步骤为:
(1)集成基于生物激励神经动力学模型、基于能量优化模型和基于模型预测控制模型三种轨迹跟踪运动控制策略;
(2)根据反馈得到的当前实际位姿和由路径规划算法给定的参考位姿计算出当前的位姿误差矢量;
(3)根据当前轮式移动机器人运动所处的阶段选择控制策略:如果处在跟踪初期,则选用基于生物激励神经动力学模型的轨迹跟踪控制策略;如果处在跟踪中段,则选用基于能量优化模型的轨迹跟踪控制策略;如果处在跟踪后期,则选用基于模型预测控制模型的轨迹跟踪控制策略。
2.根据权利要求1所述的轮式移动机器人的运动分段控制方法,其特征在于,所述基于生物激励神经动力学模型的轨迹跟踪策略的步骤为:
(1.1)考虑到误差矢量Xe中的姿态角误差θe对速度跳变影响较小,暂不对其做处理,仅将X与Y轴方向的位置误差xe与ye通过生物激励神经动力学模型进行改进,输出两个对应的虚拟控制量σx和σy;
以σx为例,所述生物激励神经动力学模型为下式:
其中,A、B、D、α、β和γ均为正常数;非线性超阈值函数[xe]+=max{xe,0},[xe]-=max{-xe,0}。
同理,可获得σy;
(1.2)改进后的位置误差σx、σy和原来的姿态角误差θe,以及给定的参考速度[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T。
3.根据权利要求1所述的轮式移动机器人的运动分段控制方法,其特征在于,所述基于能量优化模型的轨迹跟踪策略的步骤为:
(2.1)误差矢量Xe=[xe ye θe]T和参考速度qr=[vr ωr]T一起作为路径跟踪运动学控制器的输入,输出轮式移动机器人的期望速度qd=[vd ωd]T;
(2.2)进入一个基于能量优化模型的控制器进行优化处理。该优化控制器将驱动电机的能量效率函数作为目标函数;将轮式移动机器人能准确跟踪参考轨迹的条件作为状态约束,将电机电枢等效电路电压平衡方程式和转矩方程式组成的方程组作为系统状态方程,最后加上一个控制约束,构成优化问题的三个约束;
所述能量优化模型为下式:
式中,Ra为电机的电枢电阻,Kb为反电势常数,Kt为扭矩常数,fv为磁滞摩擦系数,i为电机齿轮减速比,Vs为电池电压,电机输入电压为Ua,控制输入为u且u=Ua/Vs;
(2.3)此能量优化器考虑驱动电机的节能性,将期望驱动速度vd优化成vd *控制器的输出为能量最优速度qd *=[vd * ωd]T。
4.根据权利要求1所述的轮式移动机器人的运动分段控制方法,其特征在于,所述基于模型预测控制模型的轨迹跟踪策略的步骤为:
(3.1)误差矢量Xe=[xe ye θe]T通过一个模型预测控制模型,得到轮式移动机器人系统控制的输入矢量Ue,具体过程如下:
(a)重新定义系统控制输入为
(b)开环最优问题的描述方程式为:
式中,式中F(·)为阶段惩罚项V(·)为终端惩罚项;Tp和Tc分别表示预测时域和控制时域,且满足TP≥Tc;χ和ζ为包含原点在内的密集;Ω为终端域;
终端控制器的描述方程式为:
式中,为正常数;XeT=[xeT yeT θeT]T代表终端状态下的位姿误差;
(c)在某一时刻t,基于轮式移动机器人系统的跟踪误差矢量Xe(t)=[xe ye θe]T,解上述的开环最优控制问题,可以获得一个最优控制输入序列,取序列的第一项Ue *(t,Xe(t))应用于被控系统(此步仅对t≤τ≤t+Tp有效);
(d)设δ为采样时间,在下一采样周期的t+δ时刻,根据反馈得到的此刻系统实际状态信息Xe(t+δ)重新求解上述的开环最优控制问题,获得最新最优控制输入Ue *(t+δ,Xe(t+δ))。如果t+δ≤τ≤t+Tp,即此刻还在预测时域Tp内,则直接取该最优控制输入Ue *作为系统控制输入;否则,如果t+Tp≤τ≤t+Tp+δ,即此刻已经超过预测时域Tp,则上述终端控制器启用,取终端控制器的输出Ue L作为系统控制输入。即系统的控制输入矢量为:
(e)重复上述步骤直至获得满意的控制效果;
(3.2)将上述得到的系统输入Ue *和给定的参考速度qr=[vr ωr]T代入式子 求得轮式移动机器人系统的最优速度控制信号[v* ω*]T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176909.2A CN103926839A (zh) | 2014-04-23 | 2014-04-23 | 一种轮式移动机器人的运动分段控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176909.2A CN103926839A (zh) | 2014-04-23 | 2014-04-23 | 一种轮式移动机器人的运动分段控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103926839A true CN103926839A (zh) | 2014-07-16 |
Family
ID=51145099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410176909.2A Pending CN103926839A (zh) | 2014-04-23 | 2014-04-23 | 一种轮式移动机器人的运动分段控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103926839A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635738A (zh) * | 2014-11-21 | 2015-05-20 | 沈阳工业大学 | 不确定康复步行训练机器人的精确轨迹跟踪最优控制方法 |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
CN105320129A (zh) * | 2015-10-22 | 2016-02-10 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
CN106080941A (zh) * | 2016-08-04 | 2016-11-09 | 清华大学 | 一种实现变速平衡控制的无人驾驶自行车 |
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
CN107943056A (zh) * | 2017-12-25 | 2018-04-20 | 成都信息工程大学 | 基于查表法的不完整约束轮式机器人轨迹跟踪控制方法 |
CN108762247A (zh) * | 2018-04-21 | 2018-11-06 | 广东宝乐机器人股份有限公司 | 自移动设备的避障控制方法及自移动设备 |
CN108897224A (zh) * | 2018-08-03 | 2018-11-27 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制方法 |
CN109031947A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨理工大学 | 基于径向基神经网络的轨迹跟踪控制及方法 |
CN109062208A (zh) * | 2018-08-03 | 2018-12-21 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制电路 |
CN109067288A (zh) * | 2018-08-15 | 2018-12-21 | 江门市蒙德电气股份有限公司 | 一种基于电流环的电机控制方法及装置 |
CN109067284A (zh) * | 2018-08-15 | 2018-12-21 | 江门市蒙德电气股份有限公司 | 一种基于滤波误差的电机控制方法及装置 |
CN109283927A (zh) * | 2018-09-05 | 2019-01-29 | 华南智能机器人创新研究院 | 一种基于网络控制的多移动机器人协同控制方法及系统 |
CN110045598A (zh) * | 2019-04-10 | 2019-07-23 | 中国矿业大学(北京) | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
WO2020062002A1 (en) * | 2018-09-28 | 2020-04-02 | Intel Corporation | Robot movement apparatus and related methods |
CN112034706A (zh) * | 2020-08-17 | 2020-12-04 | 华中科技大学 | 一种基于多模式切换的移动机器人容错控制方法及设备 |
CN113515044A (zh) * | 2021-07-02 | 2021-10-19 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN116382101A (zh) * | 2023-06-05 | 2023-07-04 | 成都信息工程大学 | 考虑不确定性的轮式移动机器人自适应控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6601051B1 (en) * | 1993-08-09 | 2003-07-29 | Maryland Technology Corporation | Neural systems with range reducers and/or extenders |
CN103116354A (zh) * | 2013-01-30 | 2013-05-22 | 同济大学 | 一种双足机器人实时步态轨迹生成方法 |
-
2014
- 2014-04-23 CN CN201410176909.2A patent/CN103926839A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6601051B1 (en) * | 1993-08-09 | 2003-07-29 | Maryland Technology Corporation | Neural systems with range reducers and/or extenders |
CN103116354A (zh) * | 2013-01-30 | 2013-05-22 | 同济大学 | 一种双足机器人实时步态轨迹生成方法 |
Non-Patent Citations (6)
Title |
---|
RONG-JONG WAI, ETC: "Adaptive Moving-Target Tracking Control of a Vision-Based Robot via a Dynamic Petri Recurrent Fuzzy Neural Network", 《IEEE TRANSACTIONS ONFUZZY SYSTEMS》 * |
刘成良,等: "神经网络在机器人运动控制中的应用研究", 《机械科学与技术》 * |
尹晓红,等: "基于神经动力学的轮式移动机器人跟踪与稳定统一控制", 《光学精密工程》 * |
尹晓红,等: "基于能量优化的无人驾驶车轨迹跟踪控制", 《轻工机械》 * |
曹政才,等: "基于Backstepping和神经动力学的非完整移动机器人点镇定", 《电子学报》 * |
贺红林,等: "神经网络与计算力矩复合的机器人运动轨迹跟踪控制", 《农业机械学报》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635738A (zh) * | 2014-11-21 | 2015-05-20 | 沈阳工业大学 | 不确定康复步行训练机器人的精确轨迹跟踪最优控制方法 |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
CN105116899B (zh) * | 2015-08-28 | 2017-07-28 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
CN105320129A (zh) * | 2015-10-22 | 2016-02-10 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
CN105320129B (zh) * | 2015-10-22 | 2018-05-29 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
CN106080941B (zh) * | 2016-08-04 | 2018-12-18 | 清华大学 | 一种实现变速平衡控制的无人驾驶自行车 |
CN106080941A (zh) * | 2016-08-04 | 2016-11-09 | 清华大学 | 一种实现变速平衡控制的无人驾驶自行车 |
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
CN107943056A (zh) * | 2017-12-25 | 2018-04-20 | 成都信息工程大学 | 基于查表法的不完整约束轮式机器人轨迹跟踪控制方法 |
CN108762247A (zh) * | 2018-04-21 | 2018-11-06 | 广东宝乐机器人股份有限公司 | 自移动设备的避障控制方法及自移动设备 |
CN109031947A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨理工大学 | 基于径向基神经网络的轨迹跟踪控制及方法 |
CN108897224A (zh) * | 2018-08-03 | 2018-11-27 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制方法 |
CN109062208A (zh) * | 2018-08-03 | 2018-12-21 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制电路 |
CN108897224B (zh) * | 2018-08-03 | 2021-09-24 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制方法 |
CN109062208B (zh) * | 2018-08-03 | 2021-08-10 | 合肥工业大学 | 一种不确定轮式移动机器人的自适应轨迹跟踪控制电路 |
CN109067284A (zh) * | 2018-08-15 | 2018-12-21 | 江门市蒙德电气股份有限公司 | 一种基于滤波误差的电机控制方法及装置 |
CN109067284B (zh) * | 2018-08-15 | 2021-01-15 | 江门市蒙德电气股份有限公司 | 一种基于滤波误差的电机控制方法及装置 |
CN109067288B (zh) * | 2018-08-15 | 2021-03-26 | 江门市蒙德电气股份有限公司 | 一种基于电流环的电机控制方法及装置 |
CN109067288A (zh) * | 2018-08-15 | 2018-12-21 | 江门市蒙德电气股份有限公司 | 一种基于电流环的电机控制方法及装置 |
CN109283927A (zh) * | 2018-09-05 | 2019-01-29 | 华南智能机器人创新研究院 | 一种基于网络控制的多移动机器人协同控制方法及系统 |
WO2020062002A1 (en) * | 2018-09-28 | 2020-04-02 | Intel Corporation | Robot movement apparatus and related methods |
US11850752B2 (en) | 2018-09-28 | 2023-12-26 | Intel Corporation | Robot movement apparatus and related methods |
CN110045598A (zh) * | 2019-04-10 | 2019-07-23 | 中国矿业大学(北京) | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
CN110095983B (zh) * | 2019-04-22 | 2021-11-23 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
CN112034706B (zh) * | 2020-08-17 | 2021-07-27 | 华中科技大学 | 一种基于多模式切换的移动机器人容错控制方法及设备 |
CN112034706A (zh) * | 2020-08-17 | 2020-12-04 | 华中科技大学 | 一种基于多模式切换的移动机器人容错控制方法及设备 |
CN113515044A (zh) * | 2021-07-02 | 2021-10-19 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN113515044B (zh) * | 2021-07-02 | 2022-08-26 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN116382101A (zh) * | 2023-06-05 | 2023-07-04 | 成都信息工程大学 | 考虑不确定性的轮式移动机器人自适应控制方法及系统 |
CN116382101B (zh) * | 2023-06-05 | 2023-09-01 | 成都信息工程大学 | 考虑不确定性的轮式移动机器人自适应控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103926839A (zh) | 一种轮式移动机器人的运动分段控制方法 | |
Zuo et al. | MPC-based cooperative control strategy of path planning and trajectory tracking for intelligent vehicles | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
Hu et al. | An efficient RRT-based framework for planning short and smooth wheeled robot motion under kinodynamic constraints | |
Li et al. | Autonomous fuzzy parking control of a car-like mobile robot | |
Guo et al. | Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms | |
Hashemi et al. | Model-based PI–fuzzy control of four-wheeled omni-directional mobile robots | |
Lefevre et al. | Autonomous car following: A learning-based approach | |
CN108594639B (zh) | 一种基于强化学习的全垫升气垫船航迹跟踪控制方法 | |
CN108181914A (zh) | 一种中性浮力机器人姿态与轨迹自抗扰控制方法 | |
CN104942809A (zh) | 基于视觉伺服系统的机械臂动态模糊逼近器 | |
Chatchanayuenyong et al. | Neural network based-time optimal sliding mode control for an autonomous underwater robot | |
Wang et al. | Research on logistics autonomous mobile robot system | |
CN102023569B (zh) | 两轮轮式机器人点镇定增量式智能控制方法 | |
CN103863578B (zh) | 火星着陆器喷气推力器和控制力矩陀螺复合控制系统 | |
Gün | Attitude control of a quadrotor using PID controller based on differential evolution algorithm | |
CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 | |
Li | A hierarchical autonomous driving framework combining reinforcement learning and imitation learning | |
Rodriguez et al. | Modeling, design and control of low-cost differential-drive robotic ground vehicles: Part I—Single vehicle study | |
Liu et al. | FPGA implementation of family service robot based on neural network PID motion control system | |
CN112477880B (zh) | 一种无人驾驶汽车纵向控制方法 | |
Guo et al. | Global trajectory generation for nonholonomic robots in dynamic environments | |
Hu et al. | Navigation and guidance of an intelligent mobile robot | |
Yuan et al. | An unmanned vehicle trajectory tracking method based on improved model-free adaptive control algorithm | |
Shahmaleki et al. | Designing a hierarchical fuzzy controller for backing-up a four wheel autonomous robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |
|
WD01 | Invention patent application deemed withdrawn after publication |