CN108803601B - 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 - Google Patents
一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 Download PDFInfo
- Publication number
- CN108803601B CN108803601B CN201810548842.9A CN201810548842A CN108803601B CN 108803601 B CN108803601 B CN 108803601B CN 201810548842 A CN201810548842 A CN 201810548842A CN 108803601 B CN108803601 B CN 108803601B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- tracking
- quantization
- control
- content
- 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 26
- 230000006854 communication Effects 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 title claims abstract description 17
- 238000013139 quantization Methods 0.000 claims abstract description 29
- 239000000126 substance Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种具有通信约束的移动机器人鲁棒预测跟踪控制方法,包括以下步骤:1)考虑数据丢包和信息量化的影响,将移动机器人路径跟踪问题建模为一类具有随机变量和参数不确定的跟踪误差状态空间模型;2)设计鲁棒预测控制性能指标函数;3)基于鲁棒预测控制算法设计路径跟踪控制器。本发明提供了一种可以有效解决具有数据丢包和信息量化的移动机器人路径跟踪系统的鲁棒预测跟踪控制方法。
Description
技术领域
本发明涉及网络移动机器人路径跟踪控制系统和鲁棒预测控制,尤其涉及的是有数据丢包和量化的网络移动机器人路径跟踪控制系统以及具有通信约束的鲁棒预测控制方法。
背景技术
随着科学技术和控制技术的发展,移动机器人由于其结构灵巧、环境适应能力强等优点,已被广泛应用于科研、军事、工业、民用以及物流等领域。路径跟踪作为移动机器人运动控制中的三大基本问题之一,一直备受广泛关注。对路径跟踪控制的研究,不仅限于移动机器人领域,还涉及数控机床跟踪磨削、飞机和轮船的航迹控制等领域。因此,针对移动机器人路径跟踪控制技术的研究,不仅可以丰富移动机器人运动控制的理论成果,还可以满足多领域对运动控制技术越来越高的要求,具有重大的理论和工程意义。此外,通过引入网络遥操作技术,延展了移动机器人的能力范围,可以有效满足人类无法直接进入特定场合作业的需求。
然而网络环境下,特别是无线网络,不可避免地存在的数据丢包和量化等问题,给移动机器人路径跟踪控制带来了新的挑战。
预测控制方法主要采用了多步预测、滚动优化和反馈校正的控制策略。相较于其他控制方法,预测控制可以显式的处理约束,近年来在移动机器人路径跟踪控制领域受到了普遍的关注。武星等在论文(基于视野状态分析的机器人路径跟踪智能预测控制)中,针对自动导引车的路径跟踪问题,提出了一种基于视野状态分析的智能预测控制模型。González等在论文(Robust tube-based predictive control for mobile robots in off-road conditions)中,提出了一种基于Tube的鲁棒模型预测控制器,并将其应用于移动机器人的路径跟踪控制。Yu等在论文(Nonlinear model predictive control for pathfollowing problems)中,将路径跟踪问题转化为一类参数依赖的调节问题,提出了一种非线性预测控制方法。Li等在论文(Trajectory-tracking control of mobile robotsystems incorporating neural-dynamic optimized model predictive approach)中,针对系统约束,提出了基于神经动力学优化的预测控制方法解决路径跟踪问题。Sun等在论文(Receding horizon tracking control of unicycle-type robots based on virtualstructure)中,基于虚拟结构,采用预测控制方法解决具有输入耦合约束的独轮机器人跟踪控制问题。然而,这些结果都没有考虑网络环境下存在数据丢包和量化等问题影响的控制系统。随着电子、通信技术的发展,通过网络远程控制机器人成为了可能,并使得机器人的应用变为更广泛,如编队控制、遥操作等。因此,针对网络通信约束下机器人路径跟踪控制的研究很有必要。
发明内容
为了克服现有移动机器人在通信约束(丢包、量化等)影响下的路径跟踪控制问题,本发明通过将该问题建模为一类具有随机变量和参数不确定的跟踪误差预测空间模型,基于该预测模型给出了二次性能指标中具有随机参数和参数不确定约束的优化问题,同时提供了具有参数依赖的预测控制输入序列以及控制器参数的求解方法。
本发明解决其技术问题所采用的技术方案是:
一种具有通信约束的移动机器人鲁棒预测跟踪控制方法,包括以下步骤:
1)建立具有通信约束的移动机器人模型,定义xe和ye为移动机器人位置跟踪误差状态量,αe为方位角跟踪误差状态量,v和ω分别为移动机器人的线速度和角速度,vr和ωr分别为移动机器人的参考线速度和角速度,则移动机器人路径跟踪系统的线性误差模型为:
考虑移动机器人与服务器端通信过程中存在数据丢包和信息量化的问题,采用伯努利随机过程来描述数据丢包,
测量输出信息采用对数量化器进行量化,定义如下,
且该对数量化器具有以下性质:
q(ξ)-ξ=Δqξ (5)
||Δq||≤γ (6)
其中,Δq为量化误差;
以T为采样周期对式(1)进行离散化,并结合以上丢包和量化模型可知,同时具有丢包和量化的移动机器人跟踪误差系统描述为如下的离散时间模型:
x(k)=Ax(k)+θ(k)B(I+Δq)u(k) (7)
2)定义鲁棒预测控制性能指标函数
其中,μ和s表示权重参数,P和N分别表示预测时域和控制时域,x(k+i|k)和u(k+i|k)分别表示x(k+i)和u(k+i)在第k步的对应预测值;
由式(7)得预测方程为:
x(k+1+i|k)=Ax(k+i|k)+θ(k+i|k)B(I+Δq)u(k+i|k) (9)
将该预测方程代入性能指标得:
J(k)=μ||Fx(k)+Θ(k)(G+ΔG)U(k)||2+s||U(k)||2 (10)
ΔG=GΔq,Θ(k)=diag{θ(k)I,θ(k+1)I,…,θ(k+N-1)I},
U(k)=[uT(k),uT(k+1),…,uT(k+N-1)]T;
令y(k)=ΔGU(k),g=γ||G||,则有:
||y(k)||=||ΔGU(k)||≤g||U(k)|| (11)
令φ(U(k))=g||U(k)||,从而得到以下性能指标优化问题:
其中,E{}表示求数学期望;
uo(k)=ΓUo(k) (13)
进一步,所述步骤3)中,控制器的设计步骤如下:
3.2:迭代开始:令l=0,选取λ的初始值λl;
3.3:计算:根据λl求Ul(k),并根据λl和Ul(k)求取C(l),其中,
Ul(k)=-[(s+λlg2)Q-1(λl)+GTG]-1GTFx(k),
3.4:判断:利用约束线性搜索方法,如果C(l-1)-C(l)<ε时(ε为足够小的非负数),则Ul(k)为优化问题(12)的解,跳转至3.6;否则执行3.5;
3.6:反馈:将当前控制量Ul(k)的第一个分量作为控制输入作用于移动机器人;
3.7:状态更新:测量移动机器人的更新状态量x(k+1),令k=k+1,跳转至3.2。
本发明的技术构思为:首先,考虑网络丢包和数据量化的影响,将移动机器人路径跟踪问题建模为一类具有随机变量和参数不确定的跟踪误差状态空间预测模型。然后,基于该预测模型给出了二次性能指标中具有随机参数和参数不确定约束的优化问题。最后,采用鲁棒最小二乘调节方法求解预测优化问题,给出了具有参数依赖的预测控制输入序列以及控制器参数的求解步骤。
本发明的有益效果主要表现在:通过将网络丢包和数据量化问题建模为一类具有随机变量和参数不确定的跟踪误差模型,易于分析丢包和量化等通信约束的影响;设计了最优控制输入求解过程的性能指标函数,通过对性能指标求期望有效消除了随机变量因子的影响,便于求解计算;结合鲁棒最小二乘调节方法求解预测控制器参数,有效地减小了控制系统的计算量;给出了预测控制器的最优控制输入序列,有效解决了通信约束下移动机器人的路径跟踪控制问题。
附图说明
图1是移动机器人路径跟踪误差模型示意图。
图2是具有通信约束条件下所设计的移动机器人鲁棒预测跟踪控制算法的原理图。
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,分别介绍了通信约束条件下移动机器人路径跟踪误差模型的建立以及移动机器人鲁棒预测跟踪控制算法的设计。
1)建立具有通信约束的移动机器人路径跟踪误差运动学模型
为了方便起见,移动机器人路径跟踪参考轨迹取为圆形轨迹。则在平衡点处(x=0,u=0)线性化该系统,可得移动机器人路径跟踪连续状态空间模型如下,
考虑移动机器人与服务器端通信过程中存在数据丢包和信息量化的问题,采用伯努利随机过程来描述数据丢包,
测量输出信息采用对数量化器进行量化,定义如下,
且该对数量化器具有以下性质:
q(ξ)-ξ=Δqξ (5)
||Δq||≤γ (6)
其中,Δq为量化误差;
以T为采样周期对式(1)进行离散化,并结合以上丢包和量化模型可知,同时具有丢包和量化的移动机器人跟踪误差系统描述为如下的离散时间模型:
x(k)=Ax(k)+θ(k)B(I+Δq)u(k) (7)
2)定义鲁棒预测控制性能指标函数
其中,μ和s表示权重参数,P和N分别表示预测时域和控制时域,x(k+i|k)和u(k+i|k)分别表示x(k+i)和u(k+i)在第k步的对应预测值;
由式(7)得预测方程为:
x(k+1+i|k)=Ax(k+i|k)+θ(k+i|k)B(I+Δq)u(k+i|k) (9)
将该预测方程代入性能指标得:
J(k)=μ||Fx(k)+Θ(k)(G+ΔG)U(k)||2+s||U(k)||2 (10)
ΔG=GΔq,Θ(k)=diag{θ(k)I,θ(k+1)I,…,θ(k+N-1)I},
U(k)=[uT(k),uT(k+1),…,uT(k+N-1)]T;
令y(k)=ΔGU(k),g=γ||G||,则有:
||y(k)||=||ΔGU(k)||≤g||U(k)|| (11)
令φ(U(k))=g||U(k)||,从而得到以下性能指标优化问题:
其中,E{}表示求数学期望;
uo(k)=ΓUo(k) (13)
根据以上结果,控制器的设计步骤如下:
3.2:迭代开始:令l=0,选取λ的初始值λl;
3.3:计算:根据λl求Ul(k),并根据λl和Ul(k)求取C(l),其中,
Ul(k)=-[(s+λlg2)Q-1(λl)+GTG]-1GTFx(k),
3.4:判断:利用约束线性搜索方法,如果C(l-1)-C(l)<ε时(ε为足够小的非负数),则Ul(k)为优化问题(12)的解,跳转至3.6;否则执行3.5;
3.6:反馈:将当前控制量Ul(k)的第一个分量作为控制输入作用于移动机器人;
3.7:状态更新:测量移动机器人的更新状态量x(k+1),令k=k+1,跳转至3.2。
Claims (2)
1.一种具有通信约束的移动机器人鲁棒预测跟踪控制方法,其特征在于:所述方法包括以下步骤
1)建立具有通信约束的移动机器人模型,定义xe和ye为移动机器人位置跟踪误差状态量,αe为方位角跟踪误差状态量,v和ω分别为移动机器人的线速度和角速度,vr和ωr分别为移动机器人的参考线速度和角速度,则移动机器人路径跟踪系统的线性误差模型为:
考虑移动机器人与服务器端通信过程中存在数据丢包和信息量化的问题,采用伯努利随机过程来描述数据丢包,
测量输出信息采用对数量化器进行量化,定义如下,
且该对数量化器具有以下性质:
q(ξ)-ξ=Δqξ (5)
||Δq||≤γ (6)
其中,Δq为量化误差;
以T为采样周期对式(1)进行离散化,并结合以上丢包和量化模型可知,同时具有丢包和量化的移动机器人跟踪误差系统描述为如下的离散时间模型:
x(k+1)=Ax(k)+θ(k)B(I+Δq)u(k) (7)
2)定义鲁棒预测控制性能指标函数
其中,μ和s表示1维权重参数,P和N分别表示预测时域和控制时域,x(k+i|k)和u(k+i|k)分别表示x(k+i)和u(k+i)在第k步的对应预测值;
由式(7)得预测方程为:
x(k+1+i|k)=Ax(k+i|k)+θ(k+i|k)B(I+Δq)u(k+i|k) (9)
将该预测方程代入性能指标得:
J(k)=μ||Fx(k)+Θ(k)(G+ΔG)U(k)||2+s||U(k)||2 (10)
ΔG=GΔq,Θ(k)=diag{θ(k)I,θ(k+1)I,…,θ(k+N-1)I},
U(k)=[uT(k),uT(k+1),…,uT(k+N-1)]T;
令y(k)=ΔGU(k),g=γ||G||,则有:
||y(k)||=||ΔGU(k)||≤g||U(k)|| (11)
令φ(U(k))=g||U(k)||,从而得到以下性能指标优化问题:
其中,E{}表示求数学期望;
uo(k)=ΓUo(k) (13)
2.如权利要求1所述的一种具有通信约束的移动机器人鲁棒预测跟踪控制方法,其特征在于:所述步骤3)中,控制器的设计步骤如下:
3.2:迭代开始:令l=0,选取λ的初始值λl;
3.3:计算:根据λl求Ul(k),并根据λl和Ul(k)求取C(l),其中,
Ul(k)=-[(s+λlg2)Q-1(λl)+GTG]-1GTFx(k),
3.4:判断:利用约束线性搜索方法,如果C(l-1)-C(l)<ε时,ε为足够小的非负数,则Ul(k)为优化问题(12)的解,跳转至3.6;否则执行3.5;
3.6:反馈:将当前控制量Ul(k)的第一个分量作为控制输入作用于移动机器人;
3.7:状态更新:测量移动机器人的更新状态量x(k+1),令k=k+1,跳转至3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548842.9A CN108803601B (zh) | 2018-05-31 | 2018-05-31 | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548842.9A CN108803601B (zh) | 2018-05-31 | 2018-05-31 | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108803601A CN108803601A (zh) | 2018-11-13 |
CN108803601B true CN108803601B (zh) | 2021-06-18 |
Family
ID=64089763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810548842.9A Active CN108803601B (zh) | 2018-05-31 | 2018-05-31 | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803601B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110703692B (zh) * | 2019-07-30 | 2020-11-27 | 浙江工业大学 | 一种基于虚拟结构法的多移动机器人分布式预测控制方法 |
CN112684793B (zh) * | 2020-12-03 | 2022-06-28 | 南京理工大学 | 一种离散系统中的机器人零半径过弯的轨迹跟踪控制方法 |
CN112859853B (zh) * | 2021-01-08 | 2022-07-12 | 东南大学 | 考虑时延和环境约束的智能收获机器人路径控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116900A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于Nash迭代的分布式多移动机器人编队控制方法 |
CN105204341A (zh) * | 2015-09-25 | 2015-12-30 | 西安石油大学 | 一种基于切换控制理论的网络控制系统鲁棒跟踪控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8180464B2 (en) * | 2002-04-18 | 2012-05-15 | Cleveland State University | Extended active disturbance rejection controller |
-
2018
- 2018-05-31 CN CN201810548842.9A patent/CN108803601B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116900A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于Nash迭代的分布式多移动机器人编队控制方法 |
CN105204341A (zh) * | 2015-09-25 | 2015-12-30 | 西安石油大学 | 一种基于切换控制理论的网络控制系统鲁棒跟踪控制方法 |
Non-Patent Citations (4)
Title |
---|
Distributed robust predictive control for multiple mobile robots formation;Andong Liu et al.;《2017 CHINESE AUTOMATION CONGRESS (CAC) 》;20171231;第1281-1286页 * |
Optimal tracking cooperative control for multi-agent systems with periodic sampling via robust model predictive control approach;Bohui Wang et al.;《PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE (CCC 2017)》;20171231;第8385-8390页 * |
基于小车模型的二级控制;陈积金;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150215(第02期);正文第6-19、29-35页 * |
多移动机器人编队的鲁棒预测控制;刘安东 等;《控制工程》;20180228;第25卷(第2期);第267-272页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108803601A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803601B (zh) | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 | |
Yang et al. | Trajectory tracking for wheeled mobile robots via model predictive control with softening constraints | |
Elsisi et al. | Optimal design of low computational burden model predictive control based on SSDA towards autonomous vehicle under vision dynamics | |
EP3948440A1 (en) | Nonlinear optimization method for stochastic predictive control | |
CN110462531A (zh) | 用于控制机器操作的模型预测控制系统和方法 | |
CN114625151B (zh) | 一种基于强化学习的水下机器人避障路径规划方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
US20230022510A1 (en) | Stochastic Nonlinear Predictive Controller and Method based on Uncertainty Propagation by Gaussian-assumed Density Filters | |
Zhang et al. | Disturbance‐observer‐based antiswing control of underactuated crane systems via terminal sliding mode | |
Liu et al. | Path tracking control of a self‐driving wheel excavator via an enhanced data‐driven model‐free adaptive control approach | |
Tang et al. | Model predictive control of hypersonic vehicles accommodating constraints | |
Zhang et al. | Fractional order sliding mode control based on single parameter adaptive law for nano‐positioning of piezoelectric actuators | |
Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
Smith | Predictive lateral logic for numerical entry guidance algorithms | |
CN113110063B (zh) | 单轴进给系统的鲁棒单调收敛点对点迭代学习控制方法 | |
Khodaverdian et al. | Attitude stabilization of spacecraft simulator based on modified constrained feedback linearization model predictive control | |
Ricardo et al. | Robust collision avoidance for mobile robots in the presence of moving obstacles | |
Huang et al. | Learning koopman operators with control using bi-level optimization | |
CN114063458B (zh) | 一种非三角结构系统不依赖初始条件的预设性能控制方法 | |
Chen et al. | Finite‐time adaptive quantized control of stochastic nonstrict‐feedback constrained nonlinear systems with multiple unmodeled dynamics | |
CN108829133A (zh) | 一种存在扰动三维环境下的分布式编队控制系统和方法 | |
Zuo et al. | Fast nonlinear model predictive control parallel design using QPSO and its applications on trajectory tracking of autonomous vehicles | |
Zhou et al. | UAV based adaptive trajectory tracking control with input saturation and unknown time‐varying disturbances | |
Jiang et al. | Robust multistage nonlinear model predictive control on an autonomous marine surface vehicle | |
Chen et al. | Deep representation-based packetized predictive compensation for networked nonlinear systems |
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 |