CN109434835B - 一种基于低延迟输出反馈模型的机器人预测控制方法 - Google Patents
一种基于低延迟输出反馈模型的机器人预测控制方法 Download PDFInfo
- Publication number
- CN109434835B CN109434835B CN201811422370.9A CN201811422370A CN109434835B CN 109434835 B CN109434835 B CN 109434835B CN 201811422370 A CN201811422370 A CN 201811422370A CN 109434835 B CN109434835 B CN 109434835B
- Authority
- CN
- China
- Prior art keywords
- value
- state
- input
- control
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 3
- 238000005056 compaction Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于低延迟输出反馈模型的机器人预测控制方法,本发明先通过观测器获得干扰机器人控制的噪声值,再结合传感器获得的输入值,预测出机器人的下一个系统状态值;对全体控制律的计算方法进行判断,在两种计算方式中选出最优方式,最后计算多模型加权系数;发明有更强的实时性,较大的降低了输出的延迟。并且通过对现有状态的分析,降低了噪声对系统的影响,对系统的预测控制更加稳定且有效。
Description
技术领域
本发明属于自动控制领域,涉及一种线性约束系统的低延迟输出反馈模型预测控制。
背景技术
目前的人形机器人领域中,机器人机械肢体的控制技术已经趋于成熟,可以完成一些复杂的动作,如挥臂,行走,下蹲等。但是,常见的机器人控制是人类给定指令去控制机器人,鲜有机器人自主跟随的方式。得益于机器视觉技术的发展,新一代机器人可以通过摄像头捕捉信息。人形机器人的预测控制跟随,便是机器人控制技术与机器视觉技术交叉所产生的新兴领域。预测控制跟随,是指利用机器视觉技术捕捉并分析被跟随者的动作,在此基础上,运用预测控制技术推测出被跟随者下一步将要进行的动作,人形机器人根据判断结果做出相应的预期动作。目前此领域内的一大难点便是预测,预测的准确性、实时性将直接影响机器人的跟随效果。本算法提及的“模型预测控制”便是解决此难点的关键算法。
发明内容
本发明针对现有技术的不足,提出了一种基于低延迟输出反馈模型的机器人预测控制方法。
本发明方法的步骤包括:
步骤1、模型预测控制
通过观测器获得干扰机器人控制的噪声值,再结合传感器获得的输入值,预测出机器人的下一个系统状态值;
1.1通过观测器和传感器获得数据,计算最初的预测值
考虑到线性和离散形式的时间系统;
xk+1=Axk+Buk+wk (1a)
yk=Cxk+vk (1b)
假设在时间k=0时,一个初始状态x0的预测值是已知的;此外,测量值y0已经获取并且输入值u0被应用至时间系统;
1.2进行状态预测
L是观察增益;根据这些步骤的执行顺序,观测器也被称为实时观测器;或者称为计算先验估计值的预测观测器;增益L需要使(I-LC)A,逐渐稳定来保证动态误差估计稳定,其中A,C为时间系统(1)中定义的可调节系数,L为观测增益,I为可调节系数;其中状态预测值为:
1.3预测控制律的融入
和最小化一个凸二次代价函数
这允许将QP以公式的形式表达:
将代价函数Jk和约束Ck进行整合,构成全体控制律是:
步骤2、降低输出反馈的操作延迟
对全体控制律的计算方法进行判断,在两种计算方式中选出最优方式
2.1选择最优的计算方式
2.2利用标准方法计算全体控制律
显示预测控制只适用于约束Nc,,状态值n,输入值p,长度范围N的数量足够少的情况,并且当代价函数J,即公式(9),约束C,即公式(10);
步骤3、多模型加权系数
局部模型不匹配实现如下:
ej(t)=|yout(t)-yj(t)|,j=1,2,…,i (17)
根据局部模型的误差,计算各部分的加权系数:
其中,wj为第j个局部区域控制变量的权重;计算权重wj的简要方法是基于机器人跟随不匹配的误差来实现的;wj的取值范围为(0,1),所有权重的总和等于1;使用残差的历史值,并给每个模型分配1个推测值来计算权重wj;
通过常规方法重构整体控制变量,计算出各线性模型控制变量的权重;因此,目标控制变量写成:
本发明相对于现有技术所具有的有益效果:
本发明对于非线性控制系统,相较于现有技术,有更强的实时性,较大的降低了输出的延迟。并且通过对现有状态的分析,降低了噪声对系统的影响,对系统的预测控制更加稳定且有效。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示,本发明一种基于低延迟输出反馈模型的机器人预测控制方法,该方法具体包括以下步骤:
步骤1、模型预测控制
通过观测器获得干扰机器人控制的噪声值,再结合传感器获得的输入值,预测出机器人的下一个系统状态值;
1.1通过观测器和传感器获得数据,计算最初的预测值
考虑到线性和离散形式的时间系统;
xk+1=Axk+Buk+wk (1a)
yk=Cxk+vk (1b)
假设在时间k=0时,一个初始状态x0的预测值是已知的;此外,测量值y0已经获取并且输入值u0被应用至时间系统;
1.2进行状态预测
L是观察增益;根据这些步骤的执行顺序,观测器也被称为实时观测器;或者称为计算先验估计值的预测观测器;增益L需要使(I-LC)A,逐渐稳定来保证动态误差估计稳定,其中A,C为时间系统(1)中定义的可调节系数,L为观测增益,I为可调节系数;其中状态预测值为:
1.3预测控制律的融入
和最小化一个凸二次代价函数
这允许将QP以公式的形式表达:
将代价函数Jk和约束Ck进行整合,构成全体控制律是:
步骤2、降低输出反馈的操作延迟
对全体控制律的计算方法进行判断,在两种计算方式中选出最优方式
2.1选择最优的计算方式
2.2利用标准方法计算全体控制律
显示预测控制只适用于约束Nc,,状态值n,输入值p,长度范围N的数量足够少的情况,并且当代价函数J,即公式(9),约束C,即公式(10);
步骤3、多模型加权系数
局部模型不匹配实现如下:
ej(t)=|yout(t)-yj(t)|,j=1,2,…,i (17)
根据局部模型的误差,计算各部分的加权系数:
其中,wj为第j个局部区域控制变量的权重;计算权重wj的简要方法是基于机器人跟随不匹配的误差来实现的;wj的取值范围为(0,1),所有权重的总和等于1;使用残差的历史值,并给每个模型分配1个推测值来计算权重wj;
通过常规方法重构整体控制变量,计算出各线性模型控制变量的权重;因此,目标控制变量写成:
Claims (1)
1.一种基于低延迟输出反馈模型的机器人预测控制方法,其特征在于,该方法具体包括以下步骤:
步骤1、模型预测控制
通过观测器获得干扰机器人控制的噪声值,再结合传感器获得的输入值,预测出机器人的下一个系统状态值;
1.1通过观测器和传感器获得数据,计算最初的预测值
考虑到线性和离散形式的时间系统;
xk+1=Axk+Buk+wk (1a)
yk=Cxk+vk (1b)
假设在时间k=0时,一个初始状态x0的预测值是已知的;此外,测量值y0已经获取并且输入值u0被应用至时间系统;
1.2进行状态预测
L是观察增益;根据这些步骤的执行顺序,观测器也被称为实时观测器;或者称为计算先验估计值的预测观测器;增益L需要使(I-LC)A,逐渐稳定来保证动态误差估计稳定,其中A,C为时间系统(1)中定义的可调节系数,L为观测增益,I为可调节系数;其中状态预测值为:
1.3预测控制律的融入
和最小化一个凸二次代价函数
这允许将QP以公式的形式表达:
将代价函数Jk和约束Ck进行整合,构成全体控制律是:
步骤2、降低输出反馈的操作延迟
对全体控制律的计算方法进行判断,在两种计算方式中选出最优方式
2.1选择最优的计算方式
2.2利用标准方法计算全体控制律
显示预测控制只适用于约束Nc,状态值n,输入值p,长度范围N的数量足够少的情况,并且当代价函数J,即公式(9),约束C,即公式(10);
步骤3、多模型加权系数
局部模型不匹配实现如下:
ej(t)=|yout(t)-yj(t)|,j=1,2,…,i (17)
根据局部模型的误差,计算各部分的加权系数:
其中,wj为第j个局部区域控制变量的权重;计算权重wj的简要方法是基于机器人跟随不匹配的误差来实现的;wj的取值范围为(0,1),所有权重的总和等于1;使用残差的历史值,并给每个模型分配1个推测值来计算权重wj;
通过常规方法重构整体控制变量,计算出各线性模型控制变量的权重;因此,目标控制变量写成:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422370.9A CN109434835B (zh) | 2018-11-23 | 2018-11-23 | 一种基于低延迟输出反馈模型的机器人预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811422370.9A CN109434835B (zh) | 2018-11-23 | 2018-11-23 | 一种基于低延迟输出反馈模型的机器人预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109434835A CN109434835A (zh) | 2019-03-08 |
CN109434835B true CN109434835B (zh) | 2020-10-09 |
Family
ID=65554287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811422370.9A Expired - Fee Related CN109434835B (zh) | 2018-11-23 | 2018-11-23 | 一种基于低延迟输出反馈模型的机器人预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109434835B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0587897B1 (en) * | 1992-03-31 | 1999-07-14 | Kabushiki Kaisha Yaskawa Denki | Predictive control apparatus |
CN101639665A (zh) * | 2009-09-01 | 2010-02-03 | 浙江大学宁波理工学院 | 仿人机器人的控制方法 |
CN106597844A (zh) * | 2015-10-20 | 2017-04-26 | 沈阳新松机器人自动化股份有限公司 | 一种机器人防摔倒控制方法及系统 |
CN106814610A (zh) * | 2017-01-23 | 2017-06-09 | 长春工业大学 | 基于非线性模型预测控制的双足机器人步态优化的信赖域‑sqp方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9630318B2 (en) * | 2014-10-02 | 2017-04-25 | Brain Corporation | Feature detection apparatus and methods for training of robotic navigation |
CN108491564B (zh) * | 2018-01-30 | 2022-08-02 | 广东工业大学 | 基于预测模型和扰动快速消除的机械控制一体化设计方法 |
-
2018
- 2018-11-23 CN CN201811422370.9A patent/CN109434835B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0587897B1 (en) * | 1992-03-31 | 1999-07-14 | Kabushiki Kaisha Yaskawa Denki | Predictive control apparatus |
CN101639665A (zh) * | 2009-09-01 | 2010-02-03 | 浙江大学宁波理工学院 | 仿人机器人的控制方法 |
CN106597844A (zh) * | 2015-10-20 | 2017-04-26 | 沈阳新松机器人自动化股份有限公司 | 一种机器人防摔倒控制方法及系统 |
CN106814610A (zh) * | 2017-01-23 | 2017-06-09 | 长春工业大学 | 基于非线性模型预测控制的双足机器人步态优化的信赖域‑sqp方法 |
Non-Patent Citations (1)
Title |
---|
一种分数阶预测函数控制的多模型设计;陈张平、徐卫德、曹思远、蔡海波;《杭州电子科技大学学报(自然科学版)》;20180331;第38卷(第2期);62-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN109434835A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
Soto | Self adaptive particle filter | |
CN108255791B (zh) | 基于分布式传感器一致性的机动目标跟踪方法 | |
CN111433689B (zh) | 用于目标系统的控制系统的生成 | |
KR102225370B1 (ko) | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 | |
CN104462015B (zh) | 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法 | |
CN110309481B (zh) | 农田土壤反应动力学过程模型建模方法 | |
Truong et al. | Design of an advanced time delay measurement and a smart adaptive unequal interval grey predictor for real-time nonlinear control systems | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
Escamilla-Ambrosio et al. | A hybrid Kalman filter-fuzzy logic architecture for multisensor data fusion | |
Yassin et al. | Recent advancements & methodologies in system identification: A review | |
Li et al. | Monte Carlo localization for mobile robot using adaptive particle merging and splitting technique | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN104298650B (zh) | 基于多方法融合的量化卡尔曼滤波方法 | |
CN112571420A (zh) | 一种未知参数下的双功能模型预测控制方法 | |
CN113031002B (zh) | 基于Kinect3和激光雷达的SLAM陪跑小车 | |
CN114739391A (zh) | 跟踪目标的定位优化方法 | |
CN111095133B (zh) | 一种用于在目标现场设备上部署和执行自适应自学习控制程序的方法和系统 | |
CN109434835B (zh) | 一种基于低延迟输出反馈模型的机器人预测控制方法 | |
Liu et al. | Asynchronous optimisation for event-based visual odometry | |
Palm | Multiple-step-ahead prediction in control systems with Gaussian process models and TS-fuzzy models | |
CN113799137A (zh) | 一种基于神经网络的移动加工机器人快速视觉定位方法 | |
CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
CN106033189A (zh) | 飞行机器人位姿神经网络预测控制器 | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210720 Address after: 510663 No.6, Nanyun 2nd Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Huizhuan Machine Tool Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201009 |
|
CF01 | Termination of patent right due to non-payment of annual fee |