CN110095983A - 一种基于路径参数化的移动机器人预测跟踪控制方法 - Google Patents
一种基于路径参数化的移动机器人预测跟踪控制方法 Download PDFInfo
- Publication number
- CN110095983A CN110095983A CN201910321935.2A CN201910321935A CN110095983A CN 110095983 A CN110095983 A CN 110095983A CN 201910321935 A CN201910321935 A CN 201910321935A CN 110095983 A CN110095983 A CN 110095983A
- Authority
- CN
- China
- Prior art keywords
- time
- robot
- path
- control
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000013643 reference control Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于路径参数化的移动机器人预测跟踪控制方法,包括以下步骤:1)建立移动机器人路径跟踪误差模型;2)定义参数化路径更新规则;3)设计性能指标函数;4)定义预测模型向量描述;5)牛顿法求解二次型最优控制量。本发明提供了一种可以有效解决移动机器人设定速度与实际速度无法快速匹配的预测跟踪控制方法。
Description
技术领域
本发明涉及移动机器人路径跟踪控制领域,尤其涉及移动机器人实际速度与设定速度无法快速匹配而提出基于路径参数化的模型预测控制方法。
背景技术
随着软硬件技术和控制技术的发展,机器人已在在各大行业广泛应用。其中,移动机器人路径跟踪控制技术涉及机械工程、电气自动化、传感技术、计算机技术、图像处理技术等多交叉学科的知识成果,在民用、工业、军事各大领域得到了全球国家的高度重视。移动机器人路径跟踪控制技术还适用其他很多场景,例如轮船路径、车床切削路径、自动驾驶等。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。
然而在实际环境中,尤其在复杂的工作环境下,存在各种不确定性因素干扰移动机器人的路径跟踪,其中,在机器人运作过程中,存在实时设定速度与实际速度无法快速匹配导致误差变大的问题,给移动机器人技术带来机遇与挑战。
模型预测控制方法涉及预测模型、滚动时域优化、反馈优化几个部分,相较于其他的控制方法,预测控制能够及时的校正模型失配以及干扰等引起的不确定性,具有建模方便、系统稳定、扩展性好等优点,备受科研工作者的青睐。F.Cortes等人基于预测模型设计多机器人链系统,将预测模型分为六个独立的模块,分别对单个进行模型验证,并分别设计控制器,超调量和稳定时间得到有效控制。Karl Worthmann等人针对非完整移动机器人转向问题,提出基于模型预测控制方案,先建立预测模型,严格分析稳定性,并验证非完整移动机器人的转向效果。肖涵臻等人在论文(基于预测控制方法的轮式机器人编队)中为了能成功控制住者两个系统,实验中采用了模型预测控制(MPC)作为控制方法。模型预测控制通过构建一个带约束的二次规划(QP)求最优问题,并迭代地实时求这个最优问题,得到最优控制输入。刘洋等人在论文(基于模型预测控制的移动机器人路径跟踪控制)中利用非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)具有滚动优化和反馈校正的机理,能够处理系统的状态约束和输入约束。然而,这些结果没有将移动机器人实际的速度匹配问题考虑进来,当经过预测模型、滚动优化、二次型问题求解过程后输入控制量时,移动移动机器人需要加速或者减速达到设定值,该过程受电池、电机、驱动以及惯性等问题的影响,因此,针对移动机器人输入速度与实际速度匹配问题的研究非常有必要。
发明内容
为了克服现有技术无法解决移动机器人控制量设定速度与实际速度无法快速匹配的问题,本发明提供一种基于路径参数化的移动机器人预测跟踪控制方法,通过该问题建立跟踪误差模型,基于该模型给出预测性能指标函数,并利用二次规划求解最优控制量。
本发明解决其技术问题所采用的技术方案是:
一种基于路径参数化的移动机器人预测跟踪控制方法,包括以下步骤:
1)建立机器人运动学模型,x=[x,y,θ]T为机器人实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度,定义r=[xr,yr,θr]T为虚拟机器人参考位姿,(xr,yr)为虚拟机器人参考位置,θr为虚拟机器人参考角度,则机器人运动学模型为:
其中,v为机器人实际线速度,ω为机器人实际角速度,vr为虚拟机器人参考线速度,ωr为机器人参考角速度,跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差;
2)建立移动机器人线性误差模型,对式(3)求导得:
根据式(4)在平衡点线性化得如下的状态空间方程:
其中,为状态误差向量,为机器人控制输入偏差向量,矩阵矩阵对式(5)进行离散化得:
其中,k为采样时刻,为k时刻机器人状态误差向量,为k时刻控制输入偏差量, Ts为采样周期;
3)定义参数化的期望路径:
P={r(k)∈Rn|r(k)=p(θr(k))} (7)
其中,P为参数化期望路径,r(k)为k时刻参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr(k)参数更新方式为:
其中,ωp(k)为k时刻路径期望角速度,为k时刻与控制输入偏差量相关的线性表达式,关系如下:
其中,λ是增益标量,C=[c1 c2]是与控制输入误差向量有关的增益矩阵;
4)定义如下预测性能指标:
其中,是状态偏差惩罚项,Q是状态加权矩阵,表示k时刻对k+i时刻的状态预测值,是k时刻参考控制量与路径期望控制量的惩罚项,vr(k+i|k)是k+i时刻参考线速度预测值,ωr(k+i|k)是k+i时刻参考角速度预测值,vp(k+i|k)是k+i时刻路径期望线速度预测值,ωp(k+i|k)是k+i时刻路径期望角速度预测值,N是状态偏差的预测时域,是控制输入偏差惩罚项,R是输入加权矩阵,表示k时刻对k+i时刻的控制输入偏差量的预测值,M是控制输入偏差量的预测时域;
5)定义预测模型向量描述,根据式(6)得预测模型为:
其中,是误差状态预测向量,是控制输入偏差预测向量,根据式(8)求得则Δg(k+i|k)的预测模型为:
其中,G(k)=[Δg(k) … Δg(k+M-1)]为增益矩阵,Rr为ωr时刻对应的曲率半径,综上得优化性能指标为:
6)令并根据式(11)、(12)、(13)定义二次规划问题描述:
其中,D=HTQH+GTG+R,ET=(Fx(k))TQH,d=(Fx(k))TQFx(k),牛顿法迭代公式为:
其中,D称为海森矩阵,根据推算并依次后推,而根据牛顿法中的二次终止性求得:
故二次规划问题描述式(14)的极小值点为且中的第一项计算出当前k时刻的控制输入量
本发明的技术构思为:首先,建立线性系统下移动机器人的动力学模型,给出参数化期望路径的更新方程。接着,定义预测性能指标函数,结合状态空间方程推导出预测模型向量描述。进而,基于牛顿法二次规划求解最优控制量。最后,通过仿真实验分析算法的可行性,并为了说明该方法的性能,设计移动机器人路径跟踪控制系统实验平台验证算法的实际意义。
本发明的有益效果主要表现在:通过建立运动学误差模型,定义参数化路径与实际机器人状态有关,结合模型预测控制算法,牛顿法二次规划计算最优控制量,解决移动机器人路径跟踪过程中控制量输入速度与机器人实际速度不能快速匹配的问题。
附图说明
图1是移动机器人误差模型坐标建立示意图。
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1,一种基于路径参数化的移动机器人预测跟踪控制方法,包括以下步骤:
1)建立机器人运动学模型,x=[x,y,θ]T为机器人实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度,定义r=[xr,yr,θr]T为虚拟机器人参考位姿,(xr,yr)为虚拟机器人参考位置,θr为虚拟机器人参考角度,则机器人运动学模型为:
其中,v为机器人实际线速度,ω为机器人实际角速度,vr为虚拟机器人参考线速度,ωr为机器人参考角速度,跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差;
2)建立移动机器人线性误差模型,对式(3)求导得:
根据式(4)在平衡点线性化得如下的状态空间方程:
其中,为状态误差向量,为机器人控制输入偏差向量,矩阵矩阵对式(5)进行离散化得:
其中,k为采样时刻,为k时刻机器人状态误差向量,为k时刻控制输入偏差量, Ts为采样周期;
3)定义参数化的期望路径:
P={r(k)∈Rn|r(k)=p(θr(k))} (7)
其中,P为参数化期望路径,r(k)为k时刻参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr(k)参数更新方式为:
其中,ωp(k)为k时刻路径期望角速度,为k时刻与控制输入偏差量相关的线性表达式,关系如下:
其中,λ是增益标量,C=[c1 c2]是与控制输入误差向量有关的增益矩阵;
4)定义如下预测性能指标:
其中,是状态偏差惩罚项,Q是状态加权矩阵,表示k时刻对k+i时刻的状态预测值,是k时刻参考控制量与路径期望控制量的惩罚项,vr(k+i|k)是k+i时刻参考线速度预测值,ωr(k+i|k)是k+i时刻参考角速度预测值,vp(k+i|k)是k+i时刻路径期望线速度预测值,ωp(k+i|k)是k+i时刻路径期望角速度预测值,N是状态偏差的预测时域,是控制输入偏差惩罚项,R是输入加权矩阵,表示k时刻对k+i时刻的控制输入偏差量的预测值,M是控制输入偏差量的预测时域;
5)定义预测模型向量描述,根据式(6)得预测模型为:
其中,是误差状态预测向量,是控制输入偏差预测向量,根据式(8)求得则Δg(k+i|k)的预测模型为:
其中,G(k)=[Δg(k) … Δg(k+M-1)]为增益矩阵,Rr为ωr时刻对应的曲率半径,综上得优化性能指标为:
6)令并根据式(11)、(12)、(13)定义二次规划问题描述:
其中,D=HTQH+GTG+R,ET=(Fx(k))TQH,d=(Fx(k))TQFx(k),牛顿法迭代公式为:
其中,D称为海森矩阵,根据推算并依次后推,而根据牛顿法中的二次终止性求得:
故二次规划问题描述式(14)的极小值点为且中的第一项计算出当前k时刻的控制输入量
Claims (1)
1.一种基于路径参数化的移动机器人预测跟踪控制方法,其特征在于,所述方法包括以下步骤:
1)建立机器人运动学模型,x=[x,y,θ]T为机器人实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度,定义r=[xr,yr,θr]T为虚拟机器人参考位姿,(xr,yr)为虚拟机器人参考位置,θr为虚拟机器人参考角度,则机器人运动学模型为:
其中,v为机器人实际线速度,ω为机器人实际角速度,vr为虚拟机器人参考线速度,ωr为机器人参考角速度,跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差;
2)建立移动机器人线性误差模型,对式(3)求导得:
根据式(4)在平衡点线性化得如下的状态空间方程:
其中,为状态误差向量,为机器人控制输入偏差向量,矩阵矩阵对式(5)进行离散化得:
其中,k为采样时刻,为k时刻机器人状态误差向量,为k时刻控制输入偏差量, Ts为采样周期;
3)定义参数化的期望路径:
P={r(k)∈Rn|r(k)=p(θr(k))} (7)
其中,P为参数化期望路径,r(k)为k时刻参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr(k)参数更新方式为:
其中,ωp(k)为k时刻路径期望角速度,为k时刻与控制输入偏差量相关的线性表达式,关系如下:
其中,λ是增益标量,C=[c1 c2]是与控制输入误差向量有关的增益矩阵;
4)定义如下预测性能指标:
其中,是状态偏差惩罚项,Q是状态加权矩阵,表示k时刻对k+i时刻的状态预测值,是k时刻参考控制量与路径期望控制量的惩罚项,vr(k+i|k)是k+i时刻参考线速度预测值,ωr(k+i|k)是k+i时刻参考角速度预测值,vp(k+i|k)是k+i时刻路径期望线速度预测值,ωp(k+i|k)是k+i时刻路径期望角速度预测值,N是状态偏差的预测时域,是控制输入偏差惩罚项,R是输入加权矩阵,表示k时刻对k+i时刻的控制输入偏差量的预测值,M是控制输入偏差量的预测时域;
5)定义预测模型向量描述,根据式(6)得预测模型为:
其中,是误差状态预测向量,是控制输入偏差预测向量,根据式(8)求得则Δg(k+i|k)的预测模型为:
其中,G(k)=[Δg(k) … Δg(k+M-1)]为增益矩阵,Rr为ωr时刻对应的曲率半径,综上得优化性能指标为:
6)令并根据式(11)、(12)、(13)定义二次规划问题描述:
其中,D=HTQH+GTG+R,ET=(Fx(k))TQH,d=(Fx(k))TQFx(k),牛顿法迭代公式为:
其中,D称为海森矩阵,根据推算并依次后推,而根据牛顿法中的二次终止性求得:
故二次规划问题描述式(14)的极小值点为且中的第一项计算出当前k时刻的控制输入量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321935.2A CN110095983B (zh) | 2019-04-22 | 2019-04-22 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321935.2A CN110095983B (zh) | 2019-04-22 | 2019-04-22 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110095983A true CN110095983A (zh) | 2019-08-06 |
CN110095983B CN110095983B (zh) | 2021-11-23 |
Family
ID=67445320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321935.2A Active CN110095983B (zh) | 2019-04-22 | 2019-04-22 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110095983B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377115A (zh) * | 2021-07-05 | 2021-09-10 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113515044A (zh) * | 2021-07-02 | 2021-10-19 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN113721607A (zh) * | 2021-08-16 | 2021-11-30 | 燕山大学 | 轮式机器人轨迹跟踪最优控制方法 |
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN114967697A (zh) * | 2022-05-31 | 2022-08-30 | 上海影谱科技有限公司 | 一种基于mpc控制的agv路径跟踪方法及系统 |
CN116300969A (zh) * | 2023-05-16 | 2023-06-23 | 山东商业职业技术学院 | 一种移动机器人的路径跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
GB201801968D0 (en) * | 2018-02-07 | 2018-03-28 | Jaguar Land Rover Ltd | A system for a vehicle |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
CN108803601A (zh) * | 2018-05-31 | 2018-11-13 | 浙江工业大学 | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 |
CN109213175A (zh) * | 2018-10-31 | 2019-01-15 | 浙江工业大学 | 一种基于原对偶神经网络的移动机器人视觉伺服轨迹跟踪预测控制方法 |
CN109407677A (zh) * | 2018-12-24 | 2019-03-01 | 清华大学 | 自动驾驶车辆的轨迹跟踪方法 |
-
2019
- 2019-04-22 CN CN201910321935.2A patent/CN110095983B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
GB201801968D0 (en) * | 2018-02-07 | 2018-03-28 | Jaguar Land Rover Ltd | A system for a vehicle |
CN108803601A (zh) * | 2018-05-31 | 2018-11-13 | 浙江工业大学 | 一种具有通信约束的移动机器人鲁棒预测跟踪控制方法 |
CN109213175A (zh) * | 2018-10-31 | 2019-01-15 | 浙江工业大学 | 一种基于原对偶神经网络的移动机器人视觉伺服轨迹跟踪预测控制方法 |
CN109407677A (zh) * | 2018-12-24 | 2019-03-01 | 清华大学 | 自动驾驶车辆的轨迹跟踪方法 |
Non-Patent Citations (6)
Title |
---|
DONGDONG QIN 等: "Formation control of mobile robot systems incorporating primal-dual neural network and distributed predictive approach", 《JOURNAL OF THE FRANKLIN INSTITUTE》 * |
JINHUI WU 等: "Vision-based neural predictive tracking control for multi-manipulator systems with parametric uncertainty", 《ISA TRANSACTIONS》 * |
仇翔 等: "具有输入约束的移动机器人路径跟踪预测控制", 《高技术通讯》 * |
曾志文 等: "基于模型预测控制的移动机器人轨迹跟踪", 《控制工程》 * |
邓骏: "基于预测控制的非完整移动机器人视觉伺服", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
陈旭: "基于视觉的移动机器人预测跟踪控制研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN113734182B (zh) * | 2020-05-29 | 2023-11-14 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN113515044A (zh) * | 2021-07-02 | 2021-10-19 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN113515044B (zh) * | 2021-07-02 | 2022-08-26 | 北京理工大学 | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 |
CN113377115A (zh) * | 2021-07-05 | 2021-09-10 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113377115B (zh) * | 2021-07-05 | 2023-10-20 | 沈阳工业大学 | 服务机器人具有自主学习暂态运动时间的稳定控制方法 |
CN113721607A (zh) * | 2021-08-16 | 2021-11-30 | 燕山大学 | 轮式机器人轨迹跟踪最优控制方法 |
CN113721607B (zh) * | 2021-08-16 | 2023-03-24 | 燕山大学 | 轮式机器人轨迹跟踪最优控制方法 |
CN114967697A (zh) * | 2022-05-31 | 2022-08-30 | 上海影谱科技有限公司 | 一种基于mpc控制的agv路径跟踪方法及系统 |
CN116300969A (zh) * | 2023-05-16 | 2023-06-23 | 山东商业职业技术学院 | 一种移动机器人的路径跟踪方法 |
CN116300969B (zh) * | 2023-05-16 | 2023-08-11 | 山东商业职业技术学院 | 一种移动机器人的路径跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110095983B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095983B (zh) | 一种基于路径参数化的移动机器人预测跟踪控制方法 | |
CN111360827B (zh) | 一种视觉伺服切换控制方法及系统 | |
Pham et al. | Position and orientation control of robot manipulators using dual quaternion feedback | |
CN102681489B (zh) | 多轴联动数控系统运动平稳性和轮廓加工精度控制方法 | |
Wang et al. | Nonparametric statistical learning control of robot manipulators for trajectory or contour tracking | |
Maurović et al. | Explicit model predictive control for trajectory tracking with mobile robots | |
CN111975771A (zh) | 一种基于偏差重定义神经网络的机械臂运动规划方法 | |
Urrea et al. | Design and validation of a dynamic parameter identification model for industrial manipulator robots | |
CN111702767A (zh) | 一种基于反演模糊自适应的机械手阻抗控制方法 | |
Ribeiro et al. | Nonlinear model predictive visual path following control to autonomous mobile robots | |
CN114986498B (zh) | 一种移动操作臂协同控制方法 | |
Sun | Kinematics model identification and motion control of robot based on fast learning neural network | |
CN112318511A (zh) | 基于数据驱动的机械臂轨迹跟踪控制方法 | |
Sun et al. | A GNN for repetitive motion generation of four-wheel omnidirectional mobile manipulator with nonconvex bound constraints | |
Roque et al. | Fast model predictive image-based visual servoing for quadrotors | |
Dong et al. | Asymptotical stability contouring control of dual‐arm robot with holonomic constraints: modified distributed control framework | |
Tsai et al. | A methodology for designing a nonlinear feedback controller via parametric optimization: State-parameterized nonlinear programming control | |
Chemori et al. | A new fast nonlinear model predictive control of parallel manipulators: Design and experiments | |
Cai et al. | ROS-based depth control for hybrid-driven underwater vehicle-manipulator system | |
Li et al. | Visual servoing tracking control of uncalibrated manipulators with a moving feature point | |
Burlacu et al. | Reference trajectory-based visual predictive control | |
CN115933647B (zh) | 基于复合控制算法的omr轨迹跟踪控制方法及存储介质 | |
CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
Shafei et al. | Trajectory tracking of an uncertain wheeled mobile robotic manipulator with a hybrid control approach | |
Lazar et al. | Visual servoing of robot manipulators using model-based predictive control |
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 |