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 PDF

Info

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
Application number
CN201811422370.9A
Other languages
English (en)
Other versions
CN109434835A (zh
Inventor
郑淳馨
孔亚广
潘亮
孔君睿
陈张平
王春达
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.)
Huizhuan Machine Tool Co ltd
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201811422370.9A priority Critical patent/CN109434835B/zh
Publication of CN109434835A publication Critical patent/CN109434835A/zh
Application granted granted Critical
Publication of CN109434835B publication Critical patent/CN109434835B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于低延迟输出反馈模型的机器人预测控制方法
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)
k表示时间，
Figure BDA0001880795610000021
表示系统状态值，
Figure BDA0001880795610000022
表示输入值，
Figure BDA0001880795610000023
表示未知的过程噪声；
Figure BDA0001880795610000024
表示被外物干扰的可用测量值，
Figure BDA0001880795610000025
表示未知的测量噪声，A，B，C为可调节系数；系统状态值x和输入值u需要满足以下条件：
Figure BDA0001880795610000026
Figure BDA0001880795610000027
是系统状态值x的集合，
Figure BDA0001880795610000028
是系统状态值u的集合，
Figure BDA0001880795610000029
和
Figure BDA00018807956100000210
都是凸集；
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
一个观测器根据测量噪声值yk，输入值uk，初始预测值
Figure BDA00018807956100000211
来预测时间系统的状态值x；
离散时间观测器由两个交替的步骤组成：预测步骤使用后验估计值
Figure BDA0001880795610000031
去预测下一个状态值
Figure BDA0001880795610000032
Figure BDA0001880795610000033
由此产生的先验估计值
Figure BDA0001880795610000034
在校正步骤中得到了改进，校正步骤使用yk并以
Figure BDA0001880795610000035
为结果；
Figure BDA0001880795610000036
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：
Figure BDA0001880795610000037
1.3预测控制律的融入
预测控制通过解决基于一个状态预测值
Figure BDA0001880795610000038
或
Figure BDA0001880795610000039
的凸二次规划QP来计算输入值uk；QP送出一个最优的输入序列
Figure BDA00018807956100000310
和一个状态预测序列
Figure BDA00018807956100000311
两数列长度均在N以内，以便于他们与标准方程(1)和预测状态值
Figure BDA00018807956100000312
相一致；即满足：
Figure BDA0001880795610000041
此外，
Figure BDA0001880795610000042
和
Figure BDA0001880795610000043
应该满足以下两个条件：
Figure BDA0001880795610000044
和最小化一个凸二次代价函数
Figure BDA0001880795610000045
其中Q是半正定的，P和R是正定的；为了简化表达，我们使用标准方程(5)消除了状态序列
Figure BDA0001880795610000046
考虑一个只使用输入序列Uk作为最优变量的精简问题：
Figure BDA0001880795610000047
这允许将QP以公式的形式表达：
Figure BDA0001880795610000048
精简问题中的代价函数
Figure BDA0001880795610000049
来自于：
Figure BDA00018807956100000410
这里的H是正定的，因为R是正定的；消除状态序列
Figure BDA00018807956100000411
改变对输入序列uk的约束Nc中的约束，即条件(6)；
Figure BDA00018807956100000412
作为结果的最优输入序列
Figure BDA0001880795610000051
中的第一部分
Figure BDA0001880795610000052
被用来输入，即，
Figure BDA0001880795610000053
将代价函数Jk和约束Ck进行整合，构成全体控制律是：
Figure BDA0001880795610000054
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
为了预测控制律
Figure BDA0001880795610000055
的计算，利用观测结构，即公式(4)，反馈到全体控制律，即公式(11)；将在k-1时的状态估计值
Figure BDA0001880795610000056
和在k时输出yk映射到输入值uk上；即
Figure BDA0001880795610000057
即对于
Figure BDA0001880795610000058
只有yk在k之前是未知的，估计值
Figure BDA0001880795610000059
在k-1时为已知的；这促使将yk到
Figure BDA00018807956100000510
的映射分成两个步骤；在k-1和k之间，基于
Figure BDA00018807956100000511
去计算yk，一种分段仿射映射
Figure BDA00018807956100000512
的形式：
Figure BDA0001880795610000061
Figure BDA0001880795610000062
代表yk的集合，yk为适用于控制律
Figure BDA0001880795610000063
的参数；
Figure BDA0001880795610000064
和
Figure BDA0001880795610000065
通过利用公式(8)解决方案中的分段仿射结构来计算；
在k时，用公式(12)来计算uk：集合
Figure BDA0001880795610000066
使
Figure BDA0001880795610000067
被确定，并且uk通过使用这个集合的控制律被计算出；
2.2利用标准方法计算全体控制律
实现预测控制律
Figure BDA0001880795610000068
的方法为使用后验估计值
Figure BDA0001880795610000069
去计算
Figure BDA00018807956100000610
使用显式预测控制，即explicit MPC；
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：
Figure BDA0001880795610000071
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：
Figure BDA0001880795610000072
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)
k表示时间，
Figure BDA0001880795610000081
表示系统状态值，
Figure BDA0001880795610000082
表示输入值，
Figure BDA0001880795610000083
表示未知的过程噪声；
Figure BDA0001880795610000084
表示被外物干扰的可用测量值，
Figure BDA0001880795610000085
表示未知的测量噪声，A，B，C为可调节系数；系统状态值x和输入值u需要满足以下条件：
Figure BDA0001880795610000086
Figure BDA0001880795610000087
是系统状态值x的集合，
Figure BDA0001880795610000088
是系统状态值u的集合，
Figure BDA0001880795610000089
和
Figure BDA00018807956100000810
都是凸集；
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
一个观测器根据测量噪声值yk，输入值uk，初始预测值
Figure BDA00018807956100000811
来预测时间系统的状态值x；
离散时间观测器由两个交替的步骤组成：预测步骤使用后验估计值
Figure BDA00018807956100000812
去预测下一个状态值
Figure BDA00018807956100000813
Figure BDA00018807956100000814
由此产生的先验估计值
Figure BDA0001880795610000091
在校正步骤中得到了改进，校正步骤使用yk并以
Figure BDA0001880795610000092
为结果；
Figure BDA0001880795610000093
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：
Figure BDA0001880795610000094
1.3预测控制律的融入
预测控制通过解决基于一个状态预测值
Figure BDA0001880795610000095
或
Figure BDA0001880795610000096
的凸二次规划QP来计算输入值uk；QP送出一个最优的输入序列
Figure BDA0001880795610000097
和一个状态预测序列
Figure BDA0001880795610000098
两数列长度均在N以内，以便于他们与标准方程(1)和预测状态值
Figure BDA0001880795610000099
相一致；即满足：
Figure BDA00018807956100000910
此外，
Figure BDA00018807956100000911
和
Figure BDA00018807956100000912
应该满足以下两个条件：
Figure BDA00018807956100000913
和最小化一个凸二次代价函数
Figure BDA0001880795610000101
其中Q是半正定的，P和R是正定的；为了简化表达，我们使用标准方程(5)消除了状态序列
Figure BDA0001880795610000102
考虑一个只使用输入序列Uk作为最优变量的精简问题：
Figure BDA0001880795610000103
这允许将QP以公式的形式表达：
Figure BDA0001880795610000104
精简问题中的代价函数
Figure BDA0001880795610000105
来自于：
Figure BDA0001880795610000106
这里的H是正定的，因为R是正定的；消除状态序列
Figure BDA0001880795610000107
改变对输入序列uk的约束Nc中的约束，即条件(6)；
Figure BDA0001880795610000108
作为结果的最优输入序列
Figure BDA0001880795610000109
中的第一部分
Figure BDA00018807956100001010
被用来输入，即，
Figure BDA00018807956100001011
将代价函数Jk和约束Ck进行整合，构成全体控制律是：
Figure BDA0001880795610000111
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
为了预测控制律
Figure BDA0001880795610000112
的计算，利用观测结构，即公式(4)，反馈到全体控制律，即公式(11)；将在k-1时的状态估计值
Figure BDA0001880795610000113
和在k时输出yk映射到输入值uk上；即
Figure BDA0001880795610000114
即对于
Figure BDA0001880795610000115
只有yk在k之前是未知的，估计值
Figure BDA0001880795610000116
在k-1时为已知的；这促使将yk到
Figure BDA0001880795610000117
的映射分成两个步骤；在k-1和k之间，基于
Figure BDA0001880795610000118
去计算yk，一种分段仿射映射
Figure BDA0001880795610000119
的形式：
Figure BDA00018807956100001110
Figure BDA0001880795610000121
代表yk的集合，yk为适用于控制律
Figure BDA0001880795610000122
的参数；
Figure BDA0001880795610000123
和
Figure BDA0001880795610000124
通过利用公式(8)解决方案中的分段仿射结构来计算；
在k时，用公式(12)来计算uk：集合
Figure BDA0001880795610000125
使
Figure BDA0001880795610000126
被确定，并且uk通过使用这个集合的控制律被计算出；
2.2利用标准方法计算全体控制律
实现预测控制律
Figure BDA0001880795610000127
的方法为使用后验估计值
Figure BDA0001880795610000128
去计算
Figure BDA0001880795610000129
使用显式预测控制，即explicit MPC；
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：
Figure BDA00018807956100001210
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：
Figure BDA0001880795610000131

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)
k表示时间，
Figure FDA0002626660190000011
表示系统状态值，
Figure FDA0002626660190000012
表示输入值，
Figure FDA0002626660190000013
表示未知的过程噪声；
Figure FDA0002626660190000014
表示被外物干扰的可用测量值，
Figure FDA0002626660190000015
表示未知的测量噪声，A，B，C为可调节系数；系统状态值x和输入值u需要满足以下条件：
Figure FDA0002626660190000016
Figure FDA0002626660190000017
是系统状态值x的集合，
Figure FDA0002626660190000018
是输入值u的集合，
Figure FDA0002626660190000019
和
Figure FDA00026266601900000110
都是凸集；
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
一个观测器根据测量噪声值yk，输入值uk，初始预测值
Figure FDA0002626660190000021
来预测时间系统的状态值x；
离散时间观测器由两个交替的步骤组成：预测步骤使用后验估计值
Figure FDA0002626660190000022
去预测下一个状态值
Figure FDA0002626660190000023
Figure FDA0002626660190000024
由此产生的先验估计值
Figure FDA0002626660190000025
在校正步骤中得到了改进，校正步骤使用yk并以
Figure FDA0002626660190000026
为结果；
Figure FDA0002626660190000027
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：
Figure FDA0002626660190000028
1.3预测控制律的融入
预测控制通过解决基于一个状态预测值
Figure FDA0002626660190000029
或
Figure FDA00026266601900000210
的凸二次规划QP来计算输入值uk；QP送出一个最优的输入序列
Figure FDA0002626660190000031
和一个状态预测序列
Figure FDA0002626660190000032
两数列长度均在N以内，以便于与公式(3)和预测状态值
Figure FDA0002626660190000033
相一致；即满足：
Figure FDA0002626660190000034
此外，
Figure FDA0002626660190000035
和
Figure FDA0002626660190000036
应该满足以下两个条件：
Figure FDA0002626660190000037
和最小化一个凸二次代价函数
Figure FDA0002626660190000038
其中Q是半正定的，P和R是正定的；为了简化表达，使用标准方程(5)消除了状态序列
Figure FDA0002626660190000039
考虑一个只使用输入序列Uk作为最优变量的精简问题：
Figure FDA00026266601900000310
这允许将QP以公式的形式表达：
Figure FDA00026266601900000311
使得uk满足
Figure FDA00026266601900000312
精简问题中的代价函数
Figure FDA00026266601900000313
来自于：
Figure FDA00026266601900000314
这里的H是正定的，因为R是正定的；消除状态序列
Figure FDA0002626660190000041
改变对输入序列uk的约束Nc中的约束，即条件(6)；
Figure FDA0002626660190000042
作为结果的最优输入序列
Figure FDA0002626660190000043
中的第一部分
Figure FDA0002626660190000044
被用来输入，即，
Figure FDA0002626660190000045
将代价函数Jk和约束Ck进行整合，构成全体控制律是：
Figure FDA0002626660190000046
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
为了预测控制律
Figure FDA0002626660190000047
的计算，利用观测结构，即公式(4)，反馈到全体控制律，即公式(11)；将在k-1时的状态估计值
Figure FDA0002626660190000048
和在k时输出yk映射到输入值uk上；即
Figure FDA0002626660190000049
即对于
Figure FDA00026266601900000410
只有yk在k之前是未知的，估计值
Figure FDA00026266601900000411
在k-1时为已知的；这促使将yk到
Figure FDA0002626660190000051
的映射分成两个步骤；在k-1和k之间，基于
Figure FDA0002626660190000052
去计算yk，一种分段仿射映射
Figure FDA0002626660190000053
的形式：
Figure FDA0002626660190000054
Figure FDA0002626660190000055
代表yk的集合，yk为适用于控制律
Figure FDA0002626660190000056
的参数；
Figure FDA0002626660190000057
和
Figure FDA0002626660190000058
通过利用公式(8)解决方案中的分段仿射结构来计算；
在k时，用公式(12)来计算uk：集合
Figure FDA0002626660190000059
使
Figure FDA00026266601900000510
被确定，并且uk通过使用这个集合的控制律被计算出；
2.2利用标准方法计算全体控制律
实现预测控制律
Figure FDA00026266601900000511
的方法为使用后验估计值
Figure FDA00026266601900000512
去计算
Figure FDA00026266601900000513
使用显式预测控制，即explicit MPC；
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：
Figure FDA0002626660190000061
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：
Figure FDA0002626660190000062
CN201811422370.9A 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 Expired - Fee Related CN109434835B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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