CN110244703A - 一种具有外部干扰和数据异常的移动机器人预测控制方法 - Google Patents
一种具有外部干扰和数据异常的移动机器人预测控制方法 Download PDFInfo
- Publication number
- CN110244703A CN110244703A CN201910240773.XA CN201910240773A CN110244703A CN 110244703 A CN110244703 A CN 110244703A CN 201910240773 A CN201910240773 A CN 201910240773A CN 110244703 A CN110244703 A CN 110244703A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- robot
- coordinate system
- model
- moment
- 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 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000004323 axial length Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种具有外部干扰和数据异常的移动机器人预测控制方法,包括以下步骤:1)利用视觉伺服方法,并结合移动机器人运动学,动力学方程,建立一阶非完整轮式移动机器人误差模型;2)考虑测量数据异常问题,将系统模型转化为一类具有随机变量的跟踪误差状态空间模型;3)基于鲁棒预测控制方法,定义H∞性能指标,确定预测方程,并设计控制器。本发明提供了一种可以有效解决具有外部干扰和数据异常的移动机器人视觉伺服控制方法。
Description
技术领域
本发明涉及移动机器人的轨迹跟踪技术领域,具体涉及一种具有外部干扰以及数据异常的移动机器人预测跟踪控制方法。
背景技术
近年来随着劳动力成本的上升和人工智能技术的进步,轮式移动机器人 (WMR)在各个领域的开始被广泛应用,对轮式移动机器人运动控制精度的要求也越来越高。伴随着各种传感器技术的发展,将传感器技术引入到移动机器人运动控制当中称为必然的趋势。视觉传感器作为机器人感知外界环境的主要方式之一,在移动机器人感知外部环境与应对外界环境变化等方面具有重要的作用,因此,视觉传感器常被用于获取移动机器人的实时位姿信息,采用视觉伺服控制方法实现定位和轨迹跟踪功能。针对基于视觉的移动机器人轨迹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。
由于视觉伺服系统在采集移动机器人位置信息时,需要在移动机器人上做标记点。然而,在实际的运动过程中,车身晃动、地面不平以及光照不均匀都会影响摄像机的图像采集,从而导致测量数据无法使用。另一方面,由于移动机器人在运动过程中受到线速度,角速度方向上的外力和力矩的影响,在实际建模时移动机器人还会受到地面摩擦力、离心力以及车轮的惯性等干扰的影响,移动机器人所受到扰动也要进行考虑。因此,移动机器人在实现轨迹跟踪的过程中有必要考虑数据包传输异常和有界外部干扰对跟踪精度的影响。
发明内容
为了克服现有技术无法解决移动机器人视觉伺服轨迹跟踪预测控制中具有数据异常和外部干扰的问题,本发明针对移动机器人数据异常和执行器饱和问题提供了一种基于预测控制的鲁棒视觉伺服轨迹跟踪控制方法,通过视觉伺服方法建立起系统运动学和动力学的混合误差模型,考虑数据异常和外部干扰问题,进一步优化模型,然后根据该模型给出了相应的性能指标,最后提供了反馈控制器增益的求解方法。
本发明解决其技术问题所采用的技术方案是:
一种具有外部干扰和数据异常的移动机器人预测控制方法,包括以下步骤:
1)利用视觉伺服方法,并结合移动机器人运动学,动力学方程,建立一阶非完整轮式移动机器人误差模型;
定义(x y φ)T为一阶非完整性轮式移动机器人在世界坐标系下的横、纵坐标以及移动机器人的方向角,则移动机器人的运动学模型为:
其中,v为移动机器人的线速度,ω为角速度;
定义作用于移动机器人重心的前向驱动力F和力矩N,以及驱动后轮的电机所产生的一对控制力矩(τ1τ2)T,得到移动机器人的动力学模型:
其中,m为移动机器人的质量,I为移动机器人的惯量,2L为后轮轴长,R为后轮的半径;
将视觉传感器固定在悬架上,采用基于图像的视觉伺服方法得移动机器人在像素坐标系下坐标与世界坐标系下坐标的关系:
其中,(xm,ym)为移动机器人在像素坐标系下坐标,Ξ(d)=diag{d,d},d是与相机深度信息相关的常数,φ0为世界坐标系轴Xw和相机轴Yt之间的夹角且是可测的,旋转矩阵为像素坐标系与世界坐标系之间的旋转矩阵,[px py]T为视觉传感器的光学中心在世界坐标系下的投影坐标;
定义图像坐标系下移动机器人的跟踪误差为:
其中,(xr,yr)T为参考机器人质心在图像坐标系下的期望位置,φr为参考机器人的方向向量,vr和ωr分别表示参考机器人的线速度和角速度;对式(4)求导并结合(1)、(2)、(3)式得:
其中,w1和w2为移动机器人受到的来自外界的干扰;令ηe=(xe,ye,φe,ve,ωe)T, w=(w1,w2)T,ue=(τ1e,τ2e)T,并对(5)式在平衡点线性化,得误差模型:
其中,
β1,β2,β3,β4是与移动机器人结构参数相关的常数;将式(6)离散化,得基于视觉的移动机器人误差模型:
其中,
2)考虑外部扰动和数据异常问题,将系统模型转化为一类具有随机变量的跟踪误差状态空间模型:
其中,z(k)为被调输出,和为被调输出变量系数矩阵;数据传输异常过程采用伯努利随机变量θ(k)来表示:
则数据包异常的概率
3)基于鲁棒预测控制方法,定义H∞性能指标,确定预测方程,并设计控制器;
对系统(8),定义如下H∞性能指标:
其中,η(k)=η(k|k)表示采样时刻k的状态测量值,η(k+i|k)为k时刻对k+i时刻的状态预测值,u(k+i|k)为k时刻使性能指标(9)优化的受控输入序列在k+i时刻的值,γ为扰动抑制度;
采用鲁棒预测控制的方法设计如下状态反馈控制器:
ue(k+i|k)=K(k)ηe(k+i|k) (11)
使得在满足给定扰动抑制度γ下,闭环系统渐近稳定,且鲁棒预测性能指标(9)最小化;其中,K(k)为状态反馈控制器增益;
系统(8)的N步状态预测方程由下式给出:
其中,
结合预测方程,将优化性能指标转化为如下形式:
其中,
由初始条件知,J0(k)为已知值,令J1(k)≤ξ1,J2(k)≤ξ2,则优化问题(13)表示为:
利用Lyapunov稳定性理论以及线性矩阵不等式方法,得到保证系统渐近稳定的充分条件并求解状态反馈控制器增益:
其中,Y=ξ2P-1,Z=KY, 利用 MATLAB中的LMI工具箱求解得移动机器人跟踪问题状态反馈控制器增益为K*(k)=Z*(Y*)-1。
本发明的技术构思为:首先,通过视觉伺服方法建立起系统运动学和动力学的混合误差模型,其次,考虑数据异常和外部干扰问题,进一步优化移动机器人模型,然后,利用预测方程,结合预测控制思想,给出相应的性能指标,最后,采用鲁棒控制的方法,通过LMI求解控制器参数。
本发明的有益效果主要表现在:通过将数据异常和受外部干扰的系统转化为线性矩阵不等式,易于求解最优化问题;预测控制方法,将求解控制器问题转化为最小化问题,有利于利用最优化理论进行求解;给出了反馈控制器的具体参数,有效解决了具有数据异常和外部干扰影响下移动机器人视觉伺服跟踪控制问题。
附图说明
图1为视觉伺服系统下,移动机器人坐标关系图;
图2为基于预测控制的移动机器人的轨迹跟踪状态曲线图;
图3为基于预测控制的移动机器人的轨迹跟踪输入曲线图;
图4为基于预测控制的移动机器人的轨迹跟踪图。
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~图4,一种具有外部干扰以及数据异常的移动机器人跟踪控制方法,包括以下步骤:
1)利用视觉伺服方法,并结合移动机器人运动学,动力学方程,建立一阶非完整轮式移动机器人误差模型;
定义(x yφ)T为一阶非完整性轮式移动机器人在世界坐标系下的横、纵坐标以及移动机器人的方向角,则移动机器人的运动学模型为:
其中,v为移动机器人的线速度,ω为角速度;
定义作用于移动机器人重心的前向驱动力F和力矩N,以及驱动后轮的电机所产生的一对控制力矩(τ1 τ2)T,得到移动机器人的动力学模型:
其中,m为移动机器人的质量,I为移动机器人的惯量,2L为后轮轴长,R为后轮的半径;
将视觉传感器固定在悬架上,采用基于图像的视觉伺服方法得移动机器人在像素坐标系下坐标与世界坐标系下坐标的关系,为了验证算法的有效性,考虑如下的数值例子,首先对相机进行校正,选取相机参数d=2m,px=1m, py=1m,从而得:
其中,(xm,ym)为移动机器人在像素坐标系下坐标,Ξ(d)=diag{d,d},d是与相机深度信息相关的常数,φ0为世界坐标系轴Xw和相机轴Yt之间的夹角且是可测的,旋转矩阵为像素坐标系与世界坐标系之间的旋转矩阵,[px py]T为视觉传感器的光学中心在世界坐标系下的投影坐标;
定义图像坐标系下移动机器人的跟踪误差为:
其中,(xr,yr)T为参考机器人质心在图像坐标系下的期望位置,φr为参考机器人的方向向量,vr和ωr分别表示参考机器人的线速度和角速度;对式(4)求导并结合(1)、(2)和(3)式得:
其中,w1和w2为移动机器人受到的来自外界的干扰;令ηe=(xe,ye,φe,ve,ωe)T, w=(w1,w2)T,ue=(τ1e,τ2e)T,并对(5)式在平衡点线性化,得误差模型:
其中,
β1,β2,β3,β4是与移动机器人结构参数相关的常数;
取传感器的采样周期为T=0.1s,将式(6)离散化,得基于视觉的移动机器人误差模型:
其中,
2)考虑外部扰动和数据异常问题,将系统模型转化为一类具有随机变量的跟踪误差状态空间模型:
其中,z(k)为被调输出,数据传输异常过程采用伯努利随机变量θ(k)来表示:
则数据包异常的概率
取vr=2m/s,ωr=1m/s,选取系统扰动信号为:
选取一个半径为2的圆轨迹,表示为:
3)基于鲁棒预测控制方法,定义H∞性能指标,确定预测方程,并设计控制器;
对系统(8),定义如下H∞性能指标:
其中,η(k)=η(k|k)表示采样时刻k的状态测量值,η(k+i|k)为k时刻对k+i时刻的状态预测值,u(k+i|k)为k时刻使性能指标(9)优化的受控输入序列在k+i时刻的值,γ为扰动抑制度;
采用鲁棒预测控制的方法设计如下状态反馈控制器:
ue(k+i|k)=K(k)ηe(k+i|k) (11)
使得在满足给定扰动抑制度γ下,闭环系统渐近稳定,且鲁棒预测性能指标(9)最小化;其中,K(k)为状态反馈控制器增益;
系统(8)的N步状态预测方程由下式给出:
其中,
结合预测方程,将优化性能指标转化为如下形式:
其中,
由初始条件知,J0(k)为已知值,令J1(k)≤ξ1,J2(k)≤ξ2,则优化问题(13)表示为:
利用Lyapunov稳定性理论以及线性矩阵不等式方法,得到保证系统渐近稳定的充分条件并求解状态反馈控制器增益:
其中,Y=ξ2P-1,Z=KY, 利用MATLAB 中的LMI工具箱求解得移动机器人跟踪问题状态反馈控制器增益为K*(k)=Z*(Y*)-1。
Claims (1)
1.一种具有外部干扰和数据异常的移动机器人预测控制方法,其特征在于,所述方法包括以下步骤:
1)利用视觉伺服方法,并结合移动机器人运动学,动力学方程,建立一阶非完整轮式移动机器人误差模型;
定义(x,y,φ)T为一阶非完整性轮式移动机器人在世界坐标系下的横、纵坐标以及移动机器人的方向角,则移动机器人的运动学模型为:
其中,v为移动机器人的线速度,ω为角速度;
定义作用于移动机器人重心的前向驱动力F和力矩N,以及驱动后轮的电机所产生的一对控制力矩(τ1τ2)T,得到移动机器人的动力学模型:
其中,m为移动机器人的质量,I为移动机器人的惯量,2L为后轮轴长,R为后轮的半径;
将视觉传感器固定在悬架上,采用基于图像的视觉伺服方法得移动机器人在像素坐标系下坐标与世界坐标系下坐标的关系:
其中,(xm,ym)为移动机器人在像素坐标系下坐标,Ξ(d)=diag{d,d},d是与相机深度信息相关的常数,φ0为世界坐标系轴和相机轴之间的夹角且可测,旋转矩阵为像素坐标系与世界坐标系之间的旋转矩阵,[px py]T为视觉传感器的光学中心在世界坐标系下的投影坐标;
定义图像坐标系下移动机器人的跟踪误差为:
其中,(xr,yr)T为参考机器人质心在图像坐标系下的期望位置,φr为参考机器人的方向向量,vr和ωr分别表示参考机器人的线速度和角速度;对式(4)求导并结合(1)、(2)、(3)式得:
其中,w1和w2为移动机器人受到的来自外界的干扰;
令ηe=(xe,ye,φe,ve,ωe)T,ue=(τ1e,τ2e)T,w=(w1,w2)T,并对式(5)在平衡点线性化得误差模型:
其中,
β1,β2,β3,β4是与移动机器人结构参数相关的常数;将式(6)离散化,得基于视觉的移动机器人误差模型:
其中,
2)考虑测量数据异常问题,将式(7)系统模型转化为如下形式:
其中,z(k)为被调输出,和为被调输出变量系数矩阵;数据传输异常过程采用伯努利随机变量θ(k)来表示:
则数据包异常的概率
3)基于鲁棒预测控制方法,定义H∞性能指标,确定预测方程,并设计控制器;
对系统(8),定义如下H∞性能指标:
其中,η(k)=η(k|k)表示采样时刻k的状态测量值,η(k+i|k)为k时刻对k+i时刻的状态预测值,u(k+i|k)为k时刻使性能指标(9)优化的受控输入序列在k+i时刻的值,γ为扰动抑制度;
采用鲁棒预测控制的方法设计如下状态反馈控制器:
ue(k+i|k)=K(k)ηe(k+i|k) (11)
使得在满足给定扰动抑制度γ下,闭环系统渐近稳定,且鲁棒预测性能指标(9)最小化;其中,K(k)为状态反馈控制器增益;
系统(8)的N步状态预测方程由下式给出:
其中,
结合预测方程,将优化性能指标转化为如下形式:
其中,
由初始条件知,J0(k)为已知值,令J1(k)≤ξ1,J2(k)≤ξ2,则优化问题(13)表示为:
利用Lyapunov稳定性理论以及线性矩阵不等式方法,得到保证系统渐近稳定的充分条件并求解状态反馈控制器增益:
其中,Y=ξ2P-1,Z=KY, 利用MATLAB中的LMI工具箱求解得移动机器人跟踪问题状态反馈控制器增益为K*(k)=Z*(Y*)-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910240773.XA CN110244703B (zh) | 2019-03-28 | 2019-03-28 | 一种具有外部干扰和数据异常的移动机器人预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910240773.XA CN110244703B (zh) | 2019-03-28 | 2019-03-28 | 一种具有外部干扰和数据异常的移动机器人预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244703A true CN110244703A (zh) | 2019-09-17 |
CN110244703B CN110244703B (zh) | 2022-05-03 |
Family
ID=67883104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910240773.XA Active CN110244703B (zh) | 2019-03-28 | 2019-03-28 | 一种具有外部干扰和数据异常的移动机器人预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244703B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031590A (zh) * | 2021-02-06 | 2021-06-25 | 浙江同筑科技有限公司 | 一种基于李雅普诺夫函数的移动机器人视觉伺服控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084804A (ja) * | 2001-09-10 | 2003-03-19 | Yaskawa Electric Corp | 最適指令作成装置 |
CN104808590A (zh) * | 2015-02-14 | 2015-07-29 | 浙江大学 | 一种基于关键帧策略的移动机器人视觉伺服控制方法 |
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 |
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 |
CN108614560A (zh) * | 2018-05-31 | 2018-10-02 | 浙江工业大学 | 一种移动机器人视觉伺服保性能跟踪控制方法 |
CN108839026A (zh) * | 2018-07-19 | 2018-11-20 | 浙江工业大学 | 一种移动机器人视觉伺服跟踪预测控制方法 |
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 |
-
2019
- 2019-03-28 CN CN201910240773.XA patent/CN110244703B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084804A (ja) * | 2001-09-10 | 2003-03-19 | Yaskawa Electric Corp | 最適指令作成装置 |
CN104808590A (zh) * | 2015-02-14 | 2015-07-29 | 浙江大学 | 一种基于关键帧策略的移动机器人视觉伺服控制方法 |
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 |
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 |
CN108614560A (zh) * | 2018-05-31 | 2018-10-02 | 浙江工业大学 | 一种移动机器人视觉伺服保性能跟踪控制方法 |
CN108839026A (zh) * | 2018-07-19 | 2018-11-20 | 浙江工业大学 | 一种移动机器人视觉伺服跟踪预测控制方法 |
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 |
Non-Patent Citations (2)
Title |
---|
LIU, AD等: "Distributed Robust Predictive Control for Multiple Mobile Robots Formation", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
何德峰等: "基于CLF的移动舞台机器人轨迹跟踪预测控制", 《浙江工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031590A (zh) * | 2021-02-06 | 2021-06-25 | 浙江同筑科技有限公司 | 一种基于李雅普诺夫函数的移动机器人视觉伺服控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110244703B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110450156B (zh) | 多自由度机械臂系统自适应模糊控制器的优化设计方法 | |
CN112904728B (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN105772917B (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
CN108942924A (zh) | 基于多层神经网络的模型不确定性机械臂运动控制方法 | |
CN102385342B (zh) | 虚拟轴机床并联机构运动控制的自适应动态滑模控制方法 | |
CN108803324A (zh) | 多关节工业机械臂反步有限时间滑模控制方法 | |
Zhao et al. | Lyapunov and sliding mode based leader-follower formation control for multiple mobile robots with an augmented distance-angle strategy | |
CN109760047A (zh) | 一种基于视觉传感器的舞台机器人预测控制方法 | |
CN103279039A (zh) | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 | |
CN111158376B (zh) | 松软崎岖地形中摇杆摇臂式星球车轨迹跟踪协调控制方法 | |
CN108227506A (zh) | 一种基于自适应最优化方法的机器人导纳控制系统 | |
CN103728988A (zh) | 基于内模的scara机器人轨迹跟踪控制方法 | |
CN109828468A (zh) | 一种针对磁滞非线性机器人系统的控制方法 | |
Xu et al. | Learning-based kinematic control using position and velocity errors for robot trajectory tracking | |
CN110244703A (zh) | 一种具有外部干扰和数据异常的移动机器人预测控制方法 | |
CN108062024A (zh) | 一种考虑阻力的移动机器人反演滑模控制方法 | |
CN108693776A (zh) | 一种三自由度Delta并联机器人的鲁棒控制方法 | |
CN107807516A (zh) | 一种基于模糊自适应pid控制的模拟转台控制系统 | |
CN108132602A (zh) | 固态酿酒翻曲机械手神经网络滑模自适应控制方法 | |
CN114077196B (zh) | 一种基于改进Prandtl-Ishlinskii模型的压电驱动器复合控制方法 | |
CN114952849A (zh) | 一种基于强化学习与动力学前馈融合的机器人轨迹跟踪控制器设计方法 | |
CN116068893A (zh) | 一种机械臂自适应分数阶滑模控制方法、设备及介质 | |
CN113419433B (zh) | 一种自平衡电动轮椅欠驱动系统跟踪控制器的设计方法 | |
Li et al. | Neural adaptive tracking control for wheeled mobile robots | |
CN114488790A (zh) | 一种基于名义模型的全向移动机器人自适应滑膜控制方法 |
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 |