CN105116899B - 基于eso的分布式多移动机器人编队控制方法 - Google Patents
基于eso的分布式多移动机器人编队控制方法 Download PDFInfo
- Publication number
- CN105116899B CN105116899B CN201510536241.2A CN201510536241A CN105116899B CN 105116899 B CN105116899 B CN 105116899B CN 201510536241 A CN201510536241 A CN 201510536241A CN 105116899 B CN105116899 B CN 105116899B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- state
- eso
- mobile
- robot
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003449 preventive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 description 31
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于ESO的分布式多移动机器人编队控制方法,包括以下步骤:1)对多移动机器人进行建模,得到多移动机器人的分布式离散状态空间偏差模型;2)根据多移动机器人的离散状态空间偏差模型,设计子系统的性能指标,并计算子系统的预测控制量;3)设计移动机器人的扩张状态观测器,得到移动机器人受到的扰动估计值;4)最后,利用得到的扰动估计值设计基于扩张状态观测器的组合控制器。本发明提供一种较为简明、易于实现并且具有良好抗干扰能力的分布式多移动机器人编队控制方法。
Description
技术领域
本发明涉及移动机器人控制,尤其涉及的是多移动机器人分布式编队控制方法。
背景技术
随着多移动机器人的应用领域的不断扩展,人们希望多移动机器人能够更出色的完成更艰巨的任务;利用多移动机器人可以相互协作,每个机器人都可以根据其他机器人的运行状态调整自身的状态等,以达到协同控制的效果。在对移动机器人协同控制中,实现多移动机器人的编队控制是其最基本也是最重要的目标。所谓编队控制指的是多个移动机器人在前进的过程中保持某种队形,同时又需要满足环境约束(如避开障碍)的控制问题。
多移动机器人编队控制的主要问题是如下:1)难以建立易于处理的移动机器人模型;2)多移动机器人的集中控制计算量大、通信量大,难以保证实时性,分布式控制却难以解决移动机器人间的耦合性。
近些年来国内外也有很多的学者对多移动机器人编队控制问题做出了很多研究成果。Dunbar W B和Murray R M在论文(Model predictive control of coordinatedmulti-vehicle formations)中提出利用集中式模型预测控制方法来处理多移动机器人的控制问题,通过最小化性能指标来保证多移动机器人按照指定队形移动。Chen X P、Serrani A和Ozbay H在文献(Control of leader-follower formations of terrestrialUAVs)中提出利用集中式领航跟随法来解决多移动机器人编队问题,通过保证领航者按照指定路线运行,各个跟随者努力跟随领航者来对多移动机器人进行编队控制,当领航者运行路线偏离轨道时,多移动机器人依然能够保持一定队形,以此提高系统鲁棒性。Khatib等在1986年在论文(Real-time obstacle avoidance for manipulators and mobilerobots)首次提出利用人工势场法来解决多移动机器人的编队控制问题。集中式的编队控制问题虽然解决了移动机器人间的耦合问题,但是复杂的控制器设计和巨大的计算量和通信量给系统的控制问题带来了难度。贾秋玲、闫建国和王新民在论文(基于势函数的多机器人系统的编队控制)中提出一种基于人工势场法的分布式控制方法,用于处理多移动机器人的编队问题,同时利用李雅普诺夫稳定性原理来保证多移动机器人能够有效的跟踪目标,但是该方法不能很好地解决多移动机器人编队控制问题中的耦合问题,且系统的抗干扰能力差。Dunbar等在文献(Distributed receding horizon control for multi-vehicle formation stabilization)中,利用基于RSBK方法的分布式模型预测控制来解决编队控制问题,通过为每个机器人添加约束条件来解决多移动机器人间的耦合问题,但是其无法处理强耦合的情况,同时算法过于复杂。Kiattisin K和Andreas Z在文献(Distributed Model Predictive Control for Coordinated Path Following Controlof Omnidirectional Mobile Robots)中提出,利用分布式模型预测控制解决多移动机器人编队控制问题,文中给出了非线性的移动机器人模型,但是文中没有考虑在受外界环境干扰的情况下如何解决多移动机器人的编队控制问题。
发明内容
为了解决多移动机器人编队控制中控制控制器设计复杂、计算量大、通信量大、受外界干扰和耦合问题难以解决等问题,本发明提供了一种较为简明、易于实现并且具有较好控制效果的分布式控制方法,用于解决多移动机器人编队控制问题。
本发明解决其技术问题所采用的技术方案是:
一种基于ESO的分布式多移动机器人编队控制方法,包括以下步骤:
1)对移动机器人进行建模,以三轮移动机器人为对象,单个移动机器人i的连续系统偏差模型:
其中,(xe,i,ye,i,αe,i)表示移动机器人i相对于虚拟移动机器人i的方位偏差,包括x,y轴上的偏差xe,i,ye,i和运行线速度的角度偏差αe,i,虚拟移动机器人是在参考轨迹上按照设定运行状态运行的假想移动机器人,假设虚拟移动机器人i在跟踪点P附近,P点处的曲率为kP,i,k(si)为移动机器人i实际运行路线的曲率,vr,i为虚拟移动机器人i的线速度,si为移动机器人i的运行路程,为si关于时间的倒数,ri虚拟移动机器人i的角速度;根据式(1)(2)得到移动机器人i的离散线性状态空间偏差模型如下所示:
xi(k+1)=Aixi(k)+Biui(k) (3)
其中:xi=[xe,i,ye,i,αe,i]T,ui=[us,i,uk,i]T, τ为采样周期;
其中,Ai和Bi分别是移动机器人i的状态矩阵和输入矩阵,xi(k)和ui(k)分别是移动机器人i的状态量和控制量;
考虑运行过程中受到外界环境的干扰,根据系统(3)得到实际环境中移动机器人i的离散线性状态空间偏差模型如下:
xi,m(k+1)=Aixi,m(k)+Biui,m(k)+di(k) (4)
其中,xi,m,ui,m是实际环境中移动机器人的状态量和控制量,di(k)是移动机器人i在k时刻受到的有界外界环境干扰;
2)定义移动机器人i的性能指标函数Ji(k):
其中,xi(k+j|k),ui(k+j|k)分别为k时刻预测k+j时刻的状态量和控制量,P,M分别为预测时域和控制时域,Qi,Si,Wi为移动机器人i的权重矩阵,R,Ri为全局参考轨迹的半径和移动机器人i的期望轨迹半径,si,j为si,sj的间距,η为具有耦合关系的移动机器人集合,进一步得到移动机器人i的控制目标为:
利用Nash迭代,通过求解最小化性能指标得到预测模型的最优预测控制量N为移动机器人个数;
3)设计扩张状态观测器ESO(Extend State Observer,缩写为ESO):通过ESO观测得到移动机器人i受到扰动的观测值得到移动机器人i的扩张状态方程如下:
其中, I为三维单位阵,Δdi(k)=di(k+1)-di(k),其中di(k+1)表示下一时刻移动机器人i受到的扰动值,且Δdi有界,进一步得到移动机器人i的扩张状态观测方程:
其中,是移动机器人i的扩张状态的观测值,其中是ESO对xi,m的估计值,Li是扩状态方程的观测器增益,Ci=[I 0];
4)设计组合控制器:
其中,ki,c=-(Ci,m(Ai+Biki,1)-1Bi)-1Ci,m(Ai+Biki,1)-1,表示利用误差的观测值对移动机器人的状态量中的ye,i,αe,i进行补偿,利用基于ESO的分布式模型预测控制实现对多移动机器人编队控制的过程如下:
步骤4.1:初始化;当k=0时刻,迭代次数p=0,初始化移动机器人i,i∈(1,...,N)的状态量和位置量其中和表示在第p次迭代中的xi(k)和si(k+1|k)的值,扰动估计值
步骤4.2:通信;移动机器人i获取相耦合的移动机器人的位置信息(i,j)∈η,并发送自身的位置信息
步骤4.3:计算本地预测控制量;利用得到的信息根据式(4)(5)(6)计算最优本地控制量其中表示在第p+1次迭代中的ui(k)的值,,同时更新自身状态和位置信息
步骤4.4:检查收敛;对于给定的收敛误差εi,如果存在则证明算法已经收敛,得到最优预测控制量跳至步骤4.5,否则p=p+1,跳至步骤4.2;
步骤4.5:计算组合控制量;利用和最优预测控制量根据式(5)计算组合控制量
步骤4.6:扰动估计;通过选取合适的观测器增益矩阵Li,使得矩阵Ae,i的特征值均在单位圆内,由式(8)得k+1时移动机器人的扰动的估计值
步骤4.7:滚动时域;p=0,k=k+1,进入下一个时域的迭代计算,跳至步骤4.2。
本发明的技术构思为:首先给出了一个易于处理的移动机器人的线性系统模型,然后给出了分布式编队控制的性能指标,然后提出了利用基于ESO得到移动机器人收到的然后估计值,最后利用得到的扰动估计值设计基于ESO的分布式模型预测控制算法来解决多移动机器人编队控制问题。
本发明的有益效果主要表现在:给出了简单的控制器设计方法,利用分布式控制方法解决多移动机器人编队控制问题,降低了控制器的计算量和通信量,并且设计的控制器具有良好的抗扰动能力。
附图说明
图1是移动机器人轨迹跟踪示意图。
图2是基于ESO的本地移动机器人控制器的原理框图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于ESO的分布式多移动机器人编队控制方法,包括以下步骤:
1)对移动机器人进行建模:参照图1,以三轮移动机器人为对象,单个移动机器人i的连续系统偏差模型:
其中,(xe,i,ye,i,αe,i)表示移动机器人i相对于虚拟移动机器人i的方位偏差,包括x,y轴上的偏差xe,i,ye,i和运行线速度的角度偏差αe,i,虚拟移动机器人是在参考轨迹上按照设定运行状态运行的假想移动机器人,假设虚拟移动机器人i在跟踪点P附近,P点处的曲率为kP,i,k(si)为移动机器人i实际运行路线的曲率,vr,i为虚拟移动机器人i的线速度,si为移动机器人i的运行路程,为si关于时间的倒数,ri虚拟移动机器人i的角速度;根据式(1)(2)得到移动机器人i的离散线性状态空间偏差模型如下所示:
xi(k+1)=Aixi(k)+Biui(k) (3)
其中:xi=[xe,i,ye,i,αe,i]T,ui=[us,i,uk,i]T, τ为采样周期;
其中,Ai和Bi分别是移动机器人i的状态矩阵和输入矩阵,xi(k)和ui(k)分别是移动机器人i的状态量和控制量;
考虑运行过程中受到外界环境的干扰,根据系统(3)得到实际环境中移动机器人i的离散线性状态空间偏差模型如下:
xi,m(k+1)=Aixi,m(k)+Biui,m(k)+di(k) (4)
其中,xi,m,ui,m是实际环境中移动机器人的状态量和控制量,di(k)是移动机器人i在k时刻受到的有界外界环境干扰;
3)定义移动机器人i的性能指标函数Ji(k):
其中,xi(k+j|k),ui(k+j|k)分别为k时刻预测k+j时刻的状态量和控制量,P,M分别为预测时域和控制时域,Qi,Si,Wi为移动机器人i的权重矩阵,R,Ri为全局参考轨迹的半径和移动机器人i的期望轨迹半径,si,j为si,sj的间距,η为具有耦合关系的移动机器人集合,进一步可得移动机器人i的控制目标为:
利用Nash迭代,通过求解最小化性能指标得到预测模型的最优预测控制量N为移动机器人个数;
3)设计ESO:通过ESO观测得到移动机器人i受到扰动的观测值得到移动机器人i的扩张状态方程如下:
其中, I为三维单位阵,Δdi(k)=di(k+1)-di(k),其中di(k+1)表示下一时刻移动机器人i受到的扰动值,且Δdi有界,进一步得到移动机器人i的扩张状态观测方程:
其中,是移动机器人i的扩张状态的观测值,其中是ESO对xi,m的估计值,Li是扩状态方程的观测器增益,Ci=[I 0];
4)设计组合控制器,组合控制器的结构如图2所示;
其中,ki,c=-(Ci,m(Ai+Biki,1)-1Bi)-1Ci,m(Ai+Biki,1)-1,表示利用扰动的观测值对移动机器人的状态量中的ye,i,αe,i进行补偿,利用基于ESO的分布式模型预测控制实现对多移动机器人编队控制的过程如下:
步骤4.1:初始化;当k=0时刻,迭代次数p=0,初始化移动机器人i,i∈(1,...,N)的状态量和位置量其中和表示在第p次迭代中的xi(k)和si(k+1|k)的值,扰动估计值
步骤4.2:通信;移动机器人i获取相耦合的移动机器人的位置信息(i,j)∈η,并发送自身的位置信息
步骤4.3:计算本地预测控制量;利用得到的信息根据式(4)(5)(6)计算最优本地控制量其中表示在第p+1次迭代中的ui(k)的值,,同时更新自身状态和位置信息
步骤4.4:检查收敛;对于给定的收敛误差εi,如果存在则证明算法已经收敛,得到最优预测控制量跳至步骤4.5,否则p=p+1,跳至步骤4.2;
步骤4.5:计算组合控制量;利用和最优预测控制量根据式(5)计算组合控制量
步骤4.6:扰动估计;通过选取合适的观测器增益矩阵Li,使得矩阵Ae,i的特征值均在单位圆内,由式(8)得k+1时移动机器人的扰动的估计值
步骤4.7:滚动时域;p=0,k=k+1,进入下一个时域的迭代计算,跳至步骤4.2。
Claims (1)
1.一种基于ESO的分布式多移动机器人编队控制方法,其特征在于:包括以下步骤:
1)对移动机器人进行建模,以三轮移动机器人为对象,单个移动机器人i的连续系统偏差模型:
其中,(xe,i,ye,i,αe,i)表示移动机器人i相对于虚拟移动机器人i的方位偏差,包括x,y轴上的偏差xe,i,ye,i和运行线速度的角度偏差αe,i,虚拟移动机器人是在参考轨迹上按照设定运行状态运行的假想移动机器人,假设虚拟移动机器人i在跟踪点P附近,P点处的曲率为kP,i,k(si)为移动机器人i实际运行路线的曲率,vr,i为虚拟移动机器人i的线速度,si为移动机器人i的运行路程,为si关于时间的导数,ri为虚拟移动机器人i的角速度;根据式(1)(2)得到移动机器人i的离散线性状态空间偏差模型如下所示:
xi(k+1)=Aixi(k)+Biui(k) (3)
其中:xi=[xe,i,ye,i,αe,i]T,ui=[us,i,uk,i]T, τ为采样周期;
其中,Ai和Bi分别是移动机器人i的状态矩阵和输入矩阵,xi(k)和ui(k)分别是移动机器人i的状态量和控制量;
考虑运行过程中受到外界环境的干扰,根据离散线性状态空间偏差模型(3)得到实际环境中移动机器人i的离散线性状态空间偏差模型如下:
xi,m(k+1)=Aixi,m(k)+Biui,m(k)+di(k) (4)
其中,xi,m,ui,m是实际环境中移动机器人的状态量和控制量,di(k)是移动机器人i在k时刻受到的有界外界环境干扰;
2)定义移动机器人i的性能指标函数Ji(k):
其中,xi(k+j|k),ui(k+j|k)分别为k时刻预测k+j时刻的状态量和控制量,P,M分别为预测时域和控制时域,Qi,Si,Wi为移动机器人i的权重矩阵,R,Ri为全局参考轨迹的半径和移动机器人i的期望轨迹半径,si,j为si,sj的间距,η为具有耦合关系的移动机器人集合,进一步得到移动机器人i的控制目标为:
利用Nash迭代,通过求解最小化性能指标得到预测模型的最优预测控制量N为移动机器人个数;
3)设计ESO:通过ESO观测得到移动机器人i受到扰动的观测值得到移动机器人i的扩张状态方程如下:
其中,I为三维单位阵,Δdi(k)=di(k+1)-di(k),其中di(k+1)表示下一时刻移动机器人i受到的扰动值,且Δdi有界,进一步得到移动机器人i的扩张状态观测方程:
其中,是移动机器人i的扩张状态的观测值,其中是ESO对xi,m的估计值,Li是扩张状态方程的观测器增益,Ci=[I 0];
4)设计组合控制器:
其中,ki,c=-(Ci,m(Ai+Biki,1)-1Bi)-1Ci,m(Ai+Biki,1)-1,表示利用误差的观测值对移动机器人的状态量中的ye,i,αe,i进行补偿,利用基于ESO的分布式模型预测控制实现对多移动机器人编队控制的过程如下:
步骤4.1:初始化;当k=0时刻,迭代次数p=0,初始化移动机器人i,i∈(1,...,N)的状态量和位置量其中和表示在第p次迭代中的xi(k)和si(k+1|k)的值,扰动估计值
步骤4.2:通信;移动机器人i获取相耦合的移动机器人的位置信息并发送自身的位置信息
步骤4.3:计算本地预测控制量;利用得到的信息根据式(4)(5)(6)计算最优本地控制量其中表示在第p+1次迭代中的ui(k)的值,同时更新自身状态和位置信息
步骤4.4:检查收敛;对于给定的收敛误差εi,如果存在则证明算法已经收敛,得到最优预测控制量跳至步骤4.5,否则p=p+1,跳至步骤4.2;
步骤4.5:计算组合控制量;利用和最优预测控制量根据式(9)计算组合控制量
步骤4.6:扰动估计;通过选取合适的观测器增益矩阵Li,使得矩阵Ae,i的特征值均在单位圆内,由式(8)得k+1时移动机器人的扰动的估计值
步骤4.7:滚动时域;p=0,k=k+1,进入下一个时域的迭代计算,跳至步骤4.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536241.2A CN105116899B (zh) | 2015-08-28 | 2015-08-28 | 基于eso的分布式多移动机器人编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536241.2A CN105116899B (zh) | 2015-08-28 | 2015-08-28 | 基于eso的分布式多移动机器人编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105116899A CN105116899A (zh) | 2015-12-02 |
CN105116899B true CN105116899B (zh) | 2017-07-28 |
Family
ID=54664917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510536241.2A Active CN105116899B (zh) | 2015-08-28 | 2015-08-28 | 基于eso的分布式多移动机器人编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105116899B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607636B (zh) * | 2016-01-21 | 2018-03-02 | 浙江工业大学 | 一种基于积分滑模算法的轮式移动机器人主从式编队控制方法 |
CN106094524A (zh) * | 2016-07-07 | 2016-11-09 | 西北工业大学 | 基于输入趋势补偿的快速模型预测控制方法 |
CN109799811A (zh) * | 2017-11-17 | 2019-05-24 | 北京航空航天大学 | 一种多轮式机器人系统的动态分布式控制方法 |
CN108073173B (zh) * | 2017-12-21 | 2021-03-16 | 浙江工业大学 | 多移动机器人的二自由度分数阶协同控制方法 |
CN108181928B (zh) * | 2017-12-29 | 2021-04-30 | 山东大学 | 一种海面溢油的多机器人编队溯源控制方法 |
CN110045601A (zh) * | 2018-01-15 | 2019-07-23 | 北京航空航天大学 | 一种基于迭代学习控制的欠驱动移动机器人跟踪方法 |
CN110045600A (zh) * | 2018-01-15 | 2019-07-23 | 北京航空航天大学 | 一种欠驱动多移动机器人的编队迭代学习控制方法 |
CN110045602A (zh) * | 2018-01-15 | 2019-07-23 | 北京航空航天大学 | 一种欠驱动多移动机器人的交会迭代学习控制方法 |
CN108388247B (zh) * | 2018-01-30 | 2020-11-10 | 上海交通大学 | 一种基于有向通信网络的无人车编队驾驶方法 |
CN108519741B (zh) * | 2018-05-14 | 2021-01-26 | 中国人民解放军火箭军工程大学 | 一种具有通信容错功能的保性能编队控制方法 |
CN108762077B (zh) * | 2018-05-31 | 2021-02-26 | 浙江工业大学 | 一种具有通信约束的移动机器人滚动时域估计方法 |
CN108710373B (zh) * | 2018-05-31 | 2021-01-15 | 大连海事大学 | 一种网络化欠驱动无人艇分布式编队控制器及其设计方法 |
CN108614426B (zh) * | 2018-06-06 | 2021-03-16 | 黄山学院 | 一种基于干扰观测器的多移动机器人编队鲁棒控制方法 |
CN108829133A (zh) * | 2018-06-25 | 2018-11-16 | 北京仿真中心 | 一种存在扰动三维环境下的分布式编队控制系统和方法 |
CN108897215B (zh) * | 2018-06-25 | 2020-07-14 | 西北工业大学 | 基于分布式模型预测控制的多海洋机器人协同环形扫描方法 |
CN108897222B (zh) * | 2018-09-20 | 2021-06-22 | 南京邮电大学 | 多无人机策略攻击下输出反馈安全协同控制器及控制方法 |
CN109491381B (zh) * | 2018-11-06 | 2020-10-27 | 中国科学技术大学 | 基于观测器的多移动机器人自适应编队跟踪控制方法 |
CN110244703B (zh) * | 2019-03-28 | 2022-05-03 | 浙江工业大学 | 一种具有外部干扰和数据异常的移动机器人预测控制方法 |
CN110597061B (zh) * | 2019-09-18 | 2022-04-26 | 中国人民解放军火箭军工程大学 | 一种多智能体完全分布式自抗扰时变编队控制方法 |
CN111123971B (zh) * | 2019-12-02 | 2022-08-16 | 中国电子科技集团公司第二十八研究所 | 一种基于多智能体在有界陌生地域编队部署的方法 |
CN112327883B (zh) * | 2020-11-27 | 2023-01-03 | 哈尔滨工程大学 | 基于扩张状态观测器的欠驱动水面船路径跟踪控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
CN103926839A (zh) * | 2014-04-23 | 2014-07-16 | 浙江师范大学 | 一种轮式移动机器人的运动分段控制方法 |
-
2015
- 2015-08-28 CN CN201510536241.2A patent/CN105116899B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
CN103926839A (zh) * | 2014-04-23 | 2014-07-16 | 浙江师范大学 | 一种轮式移动机器人的运动分段控制方法 |
Non-Patent Citations (2)
Title |
---|
Distribute Model PredictIve Control for Large-scale Systems with Multi-Rate Sampling;Zhang Rongchao,etc.;《Proceedings of the 33rd Chinese Control Conference》;20140730;全文 * |
Distributed model predictive control of leader-follower systems using an interior point method with efficient computations;Ion Necoara,etc.;《2013 American Control Conference》;20130619;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105116899A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105116899B (zh) | 基于eso的分布式多移动机器人编队控制方法 | |
CN105116900B (zh) | 基于Nash迭代的分布式多移动机器人编队控制方法 | |
Lan et al. | Distributed control of cooperative target enclosing based on reachability and invariance analysis | |
CN102520718B (zh) | 一种基于物理建模的机器人避障路径规划方法 | |
CN107065564B (zh) | 一种基于自抗扰的中性浮力机器人姿态与轨迹控制方法 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
Xu et al. | Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems | |
CN110162035B (zh) | 一种集群机器人在有障碍物场景中的协同运动方法 | |
CN105320134A (zh) | 一种机器人自主构建室内地图的路径规划法 | |
CN112432648A (zh) | 一种移动型机器人安全运动轨迹的实时规划方法 | |
CN108762256B (zh) | 一种机器人规避相对高速障碍物的方法 | |
CN111506063B (zh) | 一种基于分层强化学习框架的移动机器人无图导航方法 | |
CN116182837A (zh) | 基于视觉激光雷达惯性紧耦合的定位建图方法 | |
CN109032137A (zh) | 多Euler-Lagrange系统分布式跟踪控制方法 | |
CN114442621A (zh) | 一种基于四足机器人的自主探索和建图系统 | |
CN113156954B (zh) | 一种基于增强学习的多智能体集群避障方法 | |
CN112235808A (zh) | 一种多智能体分布式协同动态覆盖方法及系统 | |
CN102073320B (zh) | 基于轨道扩展的多机器人的寻迹编队控制方法 | |
Chen et al. | Coordinated adaptive control for three‐dimensional formation tracking with a time‐varying orbital velocity | |
CN108897215A (zh) | 基于分布式模型预测控制的多海洋机器人协同环形扫描方法 | |
CN101373386A (zh) | 基于投影的多运动体协同路径跟踪控制方法 | |
CN116501056A (zh) | 车辆轨迹跟踪控制方法和装置、无人车和存储介质 | |
CN113674310A (zh) | 一种基于主动视觉感知的四旋翼无人机目标跟踪方法 | |
CN104865826A (zh) | 一种基于合作预测控制的多机器人环境监测方法 | |
CN111176324B (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |