CN109491381B - 基于观测器的多移动机器人自适应编队跟踪控制方法 - Google Patents
基于观测器的多移动机器人自适应编队跟踪控制方法 Download PDFInfo
- Publication number
- CN109491381B CN109491381B CN201811314441.3A CN201811314441A CN109491381B CN 109491381 B CN109491381 B CN 109491381B CN 201811314441 A CN201811314441 A CN 201811314441A CN 109491381 B CN109491381 B CN 109491381B
- Authority
- CN
- China
- Prior art keywords
- robot
- formation
- mobile
- observer
- matrix
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003044 adaptive effect Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 description 76
- 238000010586 diagram Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于观测器的多移动机器人自适应编队跟踪控制方法,用于控制机器人系统中的多个移动机器人完全分布式自适应编队,所述多移动机器人自适应编队跟踪控制方法,包括:步骤A:创建移动机器人的动力学方程模型;步骤B:创建机器人的系统观测器模型;步骤C:设定要实现的多移动机器人编队向量;步骤D:确定多移动机器人编队控制的控制器;步骤E:用步骤D所确定的控制器实现多移动机器人自适应编队跟踪控制,以缓解当前多机器人系统运行中可能受某些物理条件限制,机器人系统状态信息不完全可测,以及领航机器人控制输入信息未知的情况,现有的集中式的控制方法具有很大的局限性,不适用于机器人数目较多的情况等技术问题。
Description
技术领域
本公开涉及机器人及其控制领域,尤其涉及一种基于观测器的多移动机器人自适应编队跟踪控制方法。
背景技术
多机器人系统相较于单机器人具有更高效、更灵活、更好的鲁棒性等优势,多机器人编队是单机器人系统中的经典问题。多机器人编队控制主要是指多机器人在群体运动时能够克服环境障碍执行作业任务并保持着期望的几何队形,同时编队群体能够沿着一定轨迹或者路径运动。多机器人编队控制在军事、娱乐、生产等领域中有广泛的应用,比如联合侦查、合作搬运、协作救援、环境监测等民用及军事领域。编队控制方法通常包括基于行为的控制方法、基于领航者-跟随者的控制方法及基于虚拟结构的控制方法等。基于行为的控制方法是一种分布式的方法,主要是通过对机器人基本行为的控制和对局部控制规则的设计使得机器人群体产生所需要的整体行为;基于虚拟结构的方法是一种集中式的控制方法,机器人间形成一定的几何结构,该结构是一个刚性结构;基于领航者-跟随者的方法需要一个机器人作为领航者,跟随者以一定的间隔跟随领航者的位置与方向。多机器人系统的控制相对单机器人系统来说要更复杂,集中式的控制方法具有很大的局限性,不适用与机器人数目较多的情况。
多机器人编队分布式控制算法大多是在机器人状态完全可测的情况下,基于完全可测的状态信息,设计相应的编队控制算法;并且需要使用到通信拓扑图或拉普拉斯矩阵特征值这一全局信息,基于完全可测的状态信息,设计相应的编队控制算法。
目前已有的多机器人系统的控制相对单机器人系统来说要更复杂,集中式的控制方法具有很大的局限性,不适用于机器人数目较多的情况;当机器人的数目较多时,相应数据的计算量就变得很庞大,从而使得数据处理变得复杂。
公开内容
(一)要解决的技术问题
基于上述问题,本公开提供了一种基于观测器的多移动机器人自适应编队跟踪控制方法,以缓解现有技术中多机器人系统运行中可能受某些物理条件限制,机器人系统状态信息不完全可测,以及领航机器人控制输入信息未知的情况,现有的集中式的控制方法具有很大的局限性,不适用于机器人数目较多的情况,还有相应数据的计算量庞大,从而使得数据处理变得复杂等技术问题。
(二)技术方案
本公开提供一种基于观测器的多移动机器人自适应编队跟踪控制方法,用于控制机器人系统中的多个移动机器人完全分布式自适应编队,所述基于观测器的多移动机器人自适应编队跟踪控制方法,包括:步骤A:创建移动机器人的动力学方程模型;步骤B:创建机器人的系统观测器模型;步骤C:设定要实现的多移动机器人编队向量;步骤D:确定多移动机器人编队控制的控制器;以及步骤E:用步骤D所确定的控制器实现多移动机器人自适应编队跟踪控制。
在本公开实施例中,步骤A中,包含Q个同构移动机器人的多移动机器人系统中,其中Q≥3,每个机器人的动力学方程描述如下:
其中,pi是机器人i在惯性坐标系下的位置,vi是机器人i的速度,ui是机器人i的控制输入,下标i的范围中1-N所代表的是编队跟随机器人,下标i为0,代表的编队的领航者,通过对领航者行为的设定来控制整个编队的行为。
在本公开实施例中,所述领航者为实际的机器人或存储了编队整体行为信息的虚拟机器人,用于向跟随机器人提供它的位置信息;每个机器人i可以获得自身的输出信息yi(t),也就是自身在惯性坐标系下的位置信息。
在本公开实施例中,步骤B中根据步骤A中所描述的机器人动力学方程模型,创建整个机器人系统的数学模型,为:
其中A为系统矩阵,B为控制矩阵,C为输出矩阵,B=[0 1]T,C=[10];位置pi与速度vi是机器人状态,令xi(t)=[pi(t) vi(t)]T为机器人i的状态向量,令为xi的估计值,则机器人的系统观测器模型方程为:
在本公开实施例中,所述步骤D制作多移动机器人编队控制的控制器,包括:步骤D1:求解正定矩阵P;步骤D2:求解观测器增益矩阵F;步骤D3:定义时变耦合增益τi(t);以及步骤D4:定义自适应参数γi(t),确定用于编队控制的控制器。
在本公开实施例中,所述步骤D1中,正定矩阵P满足如公式(3)所示的矩阵不等式:ATP+PA-PBBTP+I<0(3),A为系统矩阵,B为控制矩阵;所述步骤D2中,所述矩阵F使得A-FC是Hurwitz矩阵,即使得A-FC的特征值都具有负实部。
在本公开实施例中,所述步骤D3中时变耦合增益τi(t)由如下公式(4)求得:
标量函数gi(t)>0并且gi(t)∈L1空间;则自适应参数γi(t):
得到用于编队控制的控制器:
在本公开实施例中,所述步骤E中,对于满足 条件的这样一组hi(t),i=1,2,...,N,在任意有界初始状态xi(0),i=1,2,...,N,都有limt→∞||xi(t)-hi(t)-x0(t)||=0,即实现了基于观测器的多移动机器人的自适应编队跟踪控制。
(三)有益效果
从上述技术方案可以看出,本公开一种基于观测器的多移动机器人自适应编队跟踪控制方法至少具有以下有益效果其中之一或其中一部分:
(1)只需要知道机器人的部分状态信息,无需拉普拉斯矩阵特征值信息等,减少信息需求量,同时也无需知道领航机器人的速度信息;
(2)不依赖任何全局信息,如拉普拉斯矩阵特征值,是一种完全分布式的控制算法。
(3)利用系统的输出信息,可以不必完全知道系统状态,克服了实际应用中某些物理条件带来的限制,具有很好的应用价值。
(4)编队控制器能够较好地消除队形误差,使得编队控制系统具有良好的队形能力。
附图说明
图1是本公开实施例基于观测器的多移动机器人自适应编队跟踪控制方法的流程示意图。
图2是本公开实施例1机器人三角形编队位置轨迹的示意图。
图3是本公开实施例1机器人编队误差的示意图。
图4是本公开实施例1三角形编队中机器人对领航者输入上界的估计误差的示意图。
图5是本公开实施例2机器人圆形编队位置轨迹示意图。
图6是本公开实施例2机器人编队误差的示意图。
图7是本公开实施例2圆形编队中机器人对领航者输入上界的估计误差的示意图。
具体实施方式
本公开提供了一种基于观测器的多移动机器人自适应编队跟踪控制方法,所述跟踪控制方法基于观测器的完全分布式自适应编队跟踪算法,它进一步降低了所需获取和交换的信息量,只需要知道机器人的部分状态信息,无需拉普拉斯矩阵特征值信息等,减少信息需求量,同时也无需知道领航机器人的速度信息,并且它是一种完全分布式的方法实现多移动机器人的自适应编队跟踪控制。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开实施例中,提供了一种基于观测器的多移动机器人自适应编队跟踪控制方法,用于控制机器人系统中的多个移动机器人完全分布式自适应编队,所述的多移动机器人是指数量不少于3个的移动机器人,图1为基于观测器的多移动机器人自适应编队跟踪控制方法的流程示意图,如图所示,所述基于观测器的多移动机器人自适应编队跟踪控制方法包括:
步骤A:创建移动机器人的动力学方程模型;
机器人系统包含Q(Q≥3)个同构移动机器人,每个机器人的动力学方程可以用如下方程描述:
其中,pi是机器人i在惯性坐标系下的位置,vi是机器人i的速度,ui是机器人i的控制输入;下标i的范围中1-N所代表的是编队跟随机器人,下标i为0,代表的编队的领航者,可以通过对其行为的设定来控制整个编队的行为。领航机器人可以是实际的机器人,也可以是存储了编队整体行为信息的虚拟机器人,它的位置信息可以被部分跟随机器人获得;机器人i可以获得自身的输出信息yi(t),也就是自身在惯性坐标系下的位置信息。
步骤B:创建机器人的系统观测器模型;
对于步骤A中所描述的机器人动力学方程模型,其中位置pi与速度vi是机器人状态,令xi(t)=[pi(t) vi(t)]T为机器人i的状态向量,那么,机器人系统模型可以写为:
步骤C:设定要实现的多移动机器人编队向量;
在本公开实施例中,所述要实现的编队向量,即为机器人i相对于领航者的期望偏移,记为hi(t)表示的是机器人i相对于领航者的期望偏移,满足且属于L1空间;hpi(t)可以看做相对于领航者的位置偏移,hvi(t)可以看做是机器人相对于领航者的速度偏差。
步骤D:确定多移动机器人编队控制的控制器;
所述制作多移动机器人编队控制的控制器,包括:
步骤D1:求解正定矩阵P;以及
由所述系统矩阵A及控制矩阵B,求满足矩阵不等式:ATP+PA-PBBTP+I<0 (3)的正定矩阵P;
步骤D2:求解观测器增益矩阵F;
求使得A-FC是Hurwitz矩阵的矩阵F。即使得A-FC的特征值都具有负实部,其中C为输出矩阵;
步骤D3:定义时变耦合增益τi(t);
用aij代表机器人间的通信连接关系,若机器人i可以获得邻居机器人j对其自身状态的估计值信息和hj(t),则aij>0;反之,aij>0;同样,如果机器人i可以获得领航机器人0的信息,则ai0>0;反之,ai0>0。
假设跟随机器人之间的通信是双向的,即两个机器人若可以通信则相互可获得对方相应的信息。从通信拓扑图来看,跟随机器人所形成的拓扑图是无向的,领航者不能获得跟随机器人的信息。时变耦合增益τi(t)可由:
步骤D4:定义自适应参数γi(t),确定用于编队控制的控制器;
标量函数gi(t)>0并且gi(t)∈L1空间;则自适应参数γi(t):
得到用于编队控制的控制器:
机器人无法获得全部的状态信息,只能获得输出信息,也即是他自己的位置信息,每个机器人都会根据自己的输出通过观测器来观测自己的状态,系统运行时,它会将这一估计信息发布出去,与其有通信连接的机器人将会接收该估计状态信息。从以上步骤以及控制器的形式可以看出,控制器的获得只需要邻居机器人的信息,机器人的控制输入与编队跟踪误差xi(t)-hi(t)-x0(t)相关,当编队跟踪误差不为0时,控制输入ui不为0;当编队跟踪误差为0时,控制输入不对系统产生作用。增益τi(t)与γi(t)是自适应的。该算法的实现是完全分布式的。
步骤E:用步骤D所确定的控制器实现多移动机器人自适应编队跟踪控制。
可实现编队控制的定义如下:
对于满足条件的这样一组hi(t),i=1,2,...,N,如果在任意有界初始状态xi(0),i=1,2,...,N,都有limt→∞||xi(t)-hi(t)-x0(t)||=0,那么我们称机器人系统模型中的多移动机器人在所述控制器的输入的作用下实现了编队控制。
从耦合增益τi(t)的更新方程可以看出,该增益的之是恒大于0的,并且是单调递增的,最终趋于一个有界的正常数。
下面将结合具体实施例1和2对本公开的技术方案进行清楚的描述,如下:
实施例1:
1)机器人系统包含3个同构移动机器人,每个机器人的动力学方程可以用如下方程描述:
式中,pi是机器人i在惯性坐标系下的位置,vi是机器人i的速度,ui是机器人i的控制输入。下标0所代表的是一个虚拟的领航者,可以通过对其行为的设定来控制整个编队的行为,它的位置信息可以被部分移动机器人获得;机器人i可以获得自身的输出位置信息yi(t),也就是自身在惯性坐标系下的位置信息。
hpi(t)=[0.3sin(0.7t-2(i-1)π/3)-0.3cos(0.7t-2(i-1)π/3)]T,i=1,2,3;
4)求解正定矩阵P:根据上系统矩阵A及控制矩阵B,求满足矩阵不等式ATP+PA-PBBTP+I<0的正定矩阵P;
5)求解观测器增益矩阵F:求使得A-FC是Hurwitz矩阵的矩阵F;
6)时变耦合增益τi(t)可由:
解得,其中αi>0;
ρi(t)>0并且ρi(t)∈L1空间;
则自适应参数γi(t):
8)根据步骤6)和7)的增益,得到编队控制的控制器:
ui(t)即是机器人i的控制输入,机器人不断地获取邻居信息,实时更新控制输入,最终得以实现多移动机器人自适应编队跟踪控制。
在本公开实施例1中,图2是本公开实施例1机器人三角形编队位置轨迹的示意图;图3是本公开实施例1机器人编队误差的示意图;图4是本公开实施例1三角形编队中机器人对领航者输入上界的估计误差的示意图;图2至图4均为本实施例1的仿真验证结果的示意图,其中t为仿真时间,结合图2至图4所示,由3个机器人组成多移动机器人系统,机器人群体形成一定的队形的同时,并且跟踪一定的轨迹。
实施例2:
本实施例2步骤与上述实施例1相同,这里改变多移动机器人编队向量的设置,可形成不同的编队,图5是本公开实施例机器人圆形编队位置轨迹示意图;图6是本公开实施例机器人编队误差的示意图;图7是本公开实施例圆形编队中机器人对领航者输入上界的估计误差的示意图;图5至图7均为本实施例2的仿真验证结果的示意图,其中t为仿真时间,结合图5至图7所示,通过改变多移动机器人编队向量的设置,可形成不同的编队。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述,本领域技术人员应当对本公开基于观测器的多移动机器人自适应编队跟踪控制方法有了清楚的认识。
综上所述,本公开提供了一种基于观测器的多移动机器人自适应编队跟踪控制方法,所述跟踪控制方法基于观测器的完全分布式自适应编队跟踪算法,它进一步降低了所需获取和交换的信息量,只需要知道机器人的部分状态信息,无需拉普拉斯矩阵特征值信息等,减少信息需求量,同时也无需知道领航机器人的速度信息,并且它是一种完全分布式的方法实现多移动机器人的自适应编队跟踪控制。
还需要说明的是,实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向,并非用来限制本公开的保护范围。贯穿附图,相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时,将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本公开实施例的内容。另外,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。一般情况下,其表达的含义是指包含由特定数量在一些实施例中±10%的变化、在一些实施例中±5%的变化、在一些实施例中±1%的变化、在一些实施例中±0.5%的变化。
再者,单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词,以修饰相应的元件,其本身并不意味着该元件有任何的序数,也不代表某一元件与另一元件的顺序、或是制造方法上的顺序,该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且,在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种基于观测器的多移动机器人自适应编队跟踪控制方法,用于控制机器人系统中的多个移动机器人完全分布式自适应编队,所述基于观测器的多移动机器人自适应编队跟踪控制方法,包括:
步骤A:创建移动机器人的动力学方程模型;
步骤B:创建机器人的系统观测器模型;
步骤C:设定要实现的多移动机器人编队向量;
步骤D:确定多移动机器人编队控制的控制器;以及
步骤E:用步骤D所确定的控制器实现多移动机器人自适应编队跟踪控制;
步骤A中,包含Q个同构移动机器人的多移动机器人系统中,其中Q≥3,每个机器人的动力学方程描述如下:
其中,pi是机器人i在惯性坐标系下的位置,vi是机器人i的速度,ui是机器人i的控制输入,下标i的范围中1-N所代表的是编队跟随机器人,下标i为0,代表的编队的领航者,通过对领航者机器人行为的设定来控制整个编队的行为;
步骤B中根据步骤A中所描述的机器人动力学方程模型,创建整个机器人系统的数学模型,为:
其中A为系统矩阵,B为控制矩阵,C为输出矩阵;B=[0 1]T,C=[10];位置pi与速度vi是机器人状态,令xi(t)=[pi(t) vi(t)]T为机器人i的状态向量,令为xi的估计值,则机器人的系统观测器模型方程为:
其中,F为观测器增益矩阵;
所述步骤D制作多移动机器人编队控制的控制器,包括:
步骤D1:求解正定矩阵P;
步骤D2:求解观测器增益矩阵F;
步骤D3:定义时变耦合增益τi(t);以及
步骤D4:定义自适应参数γi(t),确定用于编队控制的控制器。
2.根据权利要求1所述的基于观测器的多移动机器人自适应编队跟踪控制方法,其中领航者为实际的机器人或存储了编队整体行为信息的虚拟机器人,用于向跟随机器人提供它的位置信息;每个机器人i可以获得自身的输出信息yi(t),也就是自身在惯性坐标系下的位置信息。
4.根据权利要求1所述的基于观测器的多移动机器人自适应编队跟踪控制方法,所述步骤D1中,正定矩阵P满足如公式(3)所示的矩阵不等式:ATP+PA-PBBTP+I<0 (3),A为系统矩阵,B为控制矩阵;所述步骤D2中,所述矩阵F使得A-FC是Hurwitz矩阵,即使得A-FC的特征值都具有负实部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314441.3A CN109491381B (zh) | 2018-11-06 | 2018-11-06 | 基于观测器的多移动机器人自适应编队跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314441.3A CN109491381B (zh) | 2018-11-06 | 2018-11-06 | 基于观测器的多移动机器人自适应编队跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109491381A CN109491381A (zh) | 2019-03-19 |
CN109491381B true CN109491381B (zh) | 2020-10-27 |
Family
ID=65693977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314441.3A Active CN109491381B (zh) | 2018-11-06 | 2018-11-06 | 基于观测器的多移动机器人自适应编队跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109491381B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989583B (zh) * | 2019-11-27 | 2021-12-21 | 南京航空航天大学 | 一种基于互联正系统理论的车辆编队方法 |
CN111208829B (zh) * | 2020-02-21 | 2022-11-08 | 南京邮电大学 | 基于分布式预设时间状态观测器的多移动机器人编队方法 |
CN112987758B (zh) * | 2021-04-29 | 2021-08-06 | 电子科技大学 | 一种多水面航行器协同跟踪编队控制方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0193563B1 (en) * | 1984-09-10 | 1989-11-02 | EASTMAN KODAK COMPANY (a New Jersey corporation) | Signal processing method and apparatus for sampled image signals |
CN103226357A (zh) * | 2013-03-22 | 2013-07-31 | 海南大学 | 一种基于目标跟踪的多无人机通信决策方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
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 |
CN105204499A (zh) * | 2015-10-09 | 2015-12-30 | 南京航空航天大学 | 基于未知输入观测器的直升机协同编队故障诊断方法 |
CN105242544A (zh) * | 2015-10-30 | 2016-01-13 | 山东科技大学 | 考虑随机扰动的非线性多无人机系统容错编队控制方法 |
CN106094835A (zh) * | 2016-08-01 | 2016-11-09 | 西北工业大学 | 前轮驱动车式移动机器人的动态编队控制方法 |
CN106444701A (zh) * | 2016-09-14 | 2017-02-22 | 南京航空航天大学 | 领导‑跟随型多智能体系统的有限时间鲁棒故障诊断设计方法 |
CN107085427A (zh) * | 2017-05-11 | 2017-08-22 | 华南理工大学 | 一种基于领导跟随结构的无人水面艇编队控制方法 |
CN107085432A (zh) * | 2017-06-22 | 2017-08-22 | 星际(重庆)智能装备技术研究院有限公司 | 一种移动机器人的目标轨迹跟踪方法 |
CN107422641A (zh) * | 2017-08-25 | 2017-12-01 | 中国人民解放军火箭军装备研究院 | 复杂约束条件下的航天器编队姿态有限时间协同控制方法 |
CN107844127A (zh) * | 2017-09-20 | 2018-03-27 | 北京飞小鹰科技有限责任公司 | 面向有限时间的编队飞行器协同控制方法及控制系统 |
CN108181928A (zh) * | 2017-12-29 | 2018-06-19 | 中国石油大学(华东) | 一种海面溢油的多机器人编队溯源控制方法 |
CN108267953A (zh) * | 2017-12-11 | 2018-07-10 | 西北工业大学 | 一种基于领航者-跟踪者水下机器人位置跟踪方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
CN108388269A (zh) * | 2018-03-17 | 2018-08-10 | 青岛理工大学 | 基于四旋翼飞行器的无人机编队飞行控制方法 |
CN108469823A (zh) * | 2018-04-04 | 2018-08-31 | 浙江大学 | 一种基于单应性的移动机器人编队跟随方法 |
CN108508914A (zh) * | 2018-03-29 | 2018-09-07 | 哈尔滨理工大学 | 一种离散多智能体系统的编队控制方法 |
CN108614426A (zh) * | 2018-06-06 | 2018-10-02 | 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 |
CN108646758A (zh) * | 2018-03-20 | 2018-10-12 | 南京邮电大学 | 一种多移动机器人预设性能编队控制器结构及设计方法 |
CN108681240A (zh) * | 2018-03-09 | 2018-10-19 | 南京航空航天大学 | 一类基于未知输入观测器的小型无人机分布式编队的故障诊断方法 |
-
2018
- 2018-11-06 CN CN201811314441.3A patent/CN109491381B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0193563B1 (en) * | 1984-09-10 | 1989-11-02 | EASTMAN KODAK COMPANY (a New Jersey corporation) | Signal processing method and apparatus for sampled image signals |
CN103226357A (zh) * | 2013-03-22 | 2013-07-31 | 海南大学 | 一种基于目标跟踪的多无人机通信决策方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
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 |
CN105204499A (zh) * | 2015-10-09 | 2015-12-30 | 南京航空航天大学 | 基于未知输入观测器的直升机协同编队故障诊断方法 |
CN105242544A (zh) * | 2015-10-30 | 2016-01-13 | 山东科技大学 | 考虑随机扰动的非线性多无人机系统容错编队控制方法 |
CN106094835A (zh) * | 2016-08-01 | 2016-11-09 | 西北工业大学 | 前轮驱动车式移动机器人的动态编队控制方法 |
CN106444701A (zh) * | 2016-09-14 | 2017-02-22 | 南京航空航天大学 | 领导‑跟随型多智能体系统的有限时间鲁棒故障诊断设计方法 |
CN107085427A (zh) * | 2017-05-11 | 2017-08-22 | 华南理工大学 | 一种基于领导跟随结构的无人水面艇编队控制方法 |
CN107085432A (zh) * | 2017-06-22 | 2017-08-22 | 星际(重庆)智能装备技术研究院有限公司 | 一种移动机器人的目标轨迹跟踪方法 |
CN107422641A (zh) * | 2017-08-25 | 2017-12-01 | 中国人民解放军火箭军装备研究院 | 复杂约束条件下的航天器编队姿态有限时间协同控制方法 |
CN107844127A (zh) * | 2017-09-20 | 2018-03-27 | 北京飞小鹰科技有限责任公司 | 面向有限时间的编队飞行器协同控制方法及控制系统 |
CN108267953A (zh) * | 2017-12-11 | 2018-07-10 | 西北工业大学 | 一种基于领航者-跟踪者水下机器人位置跟踪方法 |
CN108181928A (zh) * | 2017-12-29 | 2018-06-19 | 中国石油大学(华东) | 一种海面溢油的多机器人编队溯源控制方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
CN108681240A (zh) * | 2018-03-09 | 2018-10-19 | 南京航空航天大学 | 一类基于未知输入观测器的小型无人机分布式编队的故障诊断方法 |
CN108388269A (zh) * | 2018-03-17 | 2018-08-10 | 青岛理工大学 | 基于四旋翼飞行器的无人机编队飞行控制方法 |
CN108646758A (zh) * | 2018-03-20 | 2018-10-12 | 南京邮电大学 | 一种多移动机器人预设性能编队控制器结构及设计方法 |
CN108508914A (zh) * | 2018-03-29 | 2018-09-07 | 哈尔滨理工大学 | 一种离散多智能体系统的编队控制方法 |
CN108469823A (zh) * | 2018-04-04 | 2018-08-31 | 浙江大学 | 一种基于单应性的移动机器人编队跟随方法 |
CN108614426A (zh) * | 2018-06-06 | 2018-10-02 | 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 |
Non-Patent Citations (9)
Title |
---|
A decentralized observer-controller scheme for centroid and formation control with bounded control input;Gianluca Antonelli etal;《Proceedings of the 3rd IFAC Workshop on Distributed Estimation and Control in Networked Systems》;20121231;第252-257页 * |
Distributed Fault-Tolerant Formation Control of Cooperative Mobile Robots;Mohsen Khalili etal;《International Federation of Automatic Control》;20180930;第459-464页 * |
具有输入饱和的网络化多机器人系统分布式控制;吴志阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20161115;第-140-125页 * |
图拉普拉斯矩阵引出的对角稳定矩阵的讨论;马麒超等;《系统科学与数学》;20141231;第1565-1577页 * |
基于干扰观测器的移动机器人轨迹跟踪控制;许坤等;《应用科学学报》;20160331;第177-189页 * |
基于稀疏观测器网络的大系统镇定控制器设计;刘文杰;《电子技术》;20180831;第68、80-83页 * |
基于领航-跟随法的多移动机器人编队控制研究;张显;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115;第I140-493页 * |
多智能体系分布式跟踪控制问题研究;王传锐;《中国博士学位论文全文数据库 信息科技辑》;20141015;第I140-60页 * |
多智能体系统分布式趋同控制若干问题研究;李振兴;《中国博士学位论文全文数据库 信息科技辑》;20160915;第I140-1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109491381A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11845186B2 (en) | Inverse kinematics solving method for redundant robot and redundant robot and computer readable storage medium using the same | |
CN110658821B (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
CN109491381B (zh) | 基于观测器的多移动机器人自适应编队跟踪控制方法 | |
Nagavalli et al. | Automated sequencing of swarm behaviors for supervisory control of robotic swarms | |
Kingravi et al. | Reproducing kernel Hilbert space approach for the online update of radial bases in neuro-adaptive control | |
Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
CN115993781A (zh) | 抗网络攻击无人集群系统协同控制方法、终端及存储介质 | |
Koung et al. | Consensus-based formation control and obstacle avoidance for nonholonomic multi-robot system | |
Calvo et al. | Waves in isotropic totalistic cellular automata: Application to real-time robot navigation | |
Vesentini et al. | Velocity obstacle-based trajectory planner for anthropomorphic arms | |
Ismael et al. | Nonlinear Model Predictive Control-based Collision Avoidance for Mobile Robot | |
Rathi et al. | Driving reinforcement learning with models | |
Abdelkader et al. | Distributed real time control of multiple uavs in adversarial environment: Algorithm and flight testing results | |
CN110162084B (zh) | 基于一致性理论的飞航导弹集群系统编队控制方法 | |
Mohseni et al. | Optimal trajectory planning for Omni-directional mobile robots using direct solution of optimal control problem | |
Bansal et al. | Control and safety of autonomous vehicles with learning-enabled components | |
CN114995521A (zh) | 多无人机分布式编队控制方法、装置及电子设备 | |
Stipanović et al. | Collision free coverage control with multiple agents | |
Do | Relative formation control of mobile agents for gradient climbing and target capturing | |
Arévalo et al. | Sliding mode formation control of mobile robots with input delays | |
Chaves et al. | An improved model based on cellular automata for on-line navigation | |
Ekanayake et al. | Geometric formations in swarm aggregation: An artificial formation force based approach | |
Miljković et al. | Object Detection and Reinforcement Learning Approach for Intelligent Control of UAV | |
Pham et al. | Performance comparison of function approximation-based q learning algorithms for autonomous uav navigation | |
Bertoncelli et al. | Directed graph topology preservation in multi-robot systems with limited field of view using control barrier functions |
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 |