CN111505935B - 一种自动引导车控制方法和系统 - Google Patents
一种自动引导车控制方法和系统 Download PDFInfo
- Publication number
- CN111505935B CN111505935B CN202010364177.5A CN202010364177A CN111505935B CN 111505935 B CN111505935 B CN 111505935B CN 202010364177 A CN202010364177 A CN 202010364177A CN 111505935 B CN111505935 B CN 111505935B
- Authority
- CN
- China
- Prior art keywords
- parameters
- preset
- pid controller
- parameter
- particle swarm
- 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
Images
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种自动引导车控制方法和系统。该方法包括:获取待控制自动引导车当前的速度差;获取磁偏值辨识模型;利用所述磁偏值辨识模型,根据所述当前的速度差确定与所述当前的速度差相对应的磁偏值;采用PID控制器,根据所述磁偏值确定下一时刻所述待控制自动引导车的速度差,以完成对所述待控制自动引导车的控制;所述PID控制器为基于混合粒子群优化算法寻参后的PID控制器。本发明提供的自动引导车控制方法和系统,通过采用磁偏值辨识模型来确定磁偏值,可以减小系统建模误差、提高模型准确度。通过采用混合粒子群优化算法寻参后的PID控制器进行控制,以提高控制效率、控制精度和鲁棒性。
Description
技术领域
本发明涉及自动引导车控制领域,特别是涉及一种自动引导车控制方法和系统。
背景技术
随着现代物流生产的发展和自动化程度的不断提高,传统制造业的生产物流方式发生了深刻的变化,自动导引车(AGV,Automated Guided Vehicle)在生产物流领域的应用越来越广泛。AGV的引入大大提高了产品质量和生产效率。同时,对生产车间物料搬运作业的自动化、柔性和准时性提出了更高的要求。AGV技术正是在此背景下发展起来的一个重要研究领域。
AGV广泛应用于机械、汽车、医疗、卷烟等行业。随着AGV在各行业中执行运输任务的复杂度不断提高,对其快速性、准确性、稳定性等系统性能的要求也随之不断提高。通常AGV采用的PID控制器(PID controller,比例-积分-微分控制器)参数主要依靠人工经验试凑,但人工试凑的方式存在工作量大、控制精度差、鲁棒性差等问题。
因此提供一种能够提高控制效率、控制精度和鲁棒性的AGV控制方法或系统是本领域亟待解决的一个技术难题。
发明内容
本发明的目的是提供一种自动引导车控制方法和系统,已解决现有技术中存在的控制效率低、控制精度低和鲁棒性差的问题。
为实现上述目的,本发明提供了如下方案:
一种自动引导车控制方法,包括:
获取待控制自动引导车当前的速度差;
获取磁偏值辨识模型;所述磁偏值辨识模型为Matlab系统的ARX模型;
利用所述磁偏值辨识模型,根据所述当前的速度差确定与所述当前的速度差相对应的磁偏值;
采用PID控制器,根据所述磁偏值确定下一时刻所述待控制自动引导车的速度差,以完成对所述待控制自动引导车的控制;所述PID控制器为基于混合粒子群优化算法寻参后的PID控制器。
优选的,基于混合粒子群优化算法寻参的过程具体包括:
获取预设混合粒子群参数和预设参数;所述预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子;所述预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值;
以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数。
优选的,所述以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数,具体包括:
以所述预设参数为粒子向量,以积分误差性能准则的性能指标为所述混合粒子群优化算法的适应度函数,采用所述混合粒子群优化算法根据所述预设混合粒子群参数确定所述PID控制器的参数;
当所述适应度函数的输出值达到预设值或所述迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数。
一种自动引导车控制系统,包括:
速度差获取模块,用于获取待控制自动引导车当前的速度差;
磁偏值辨识模型获取模块,用于获取磁偏值辨识模型;所述磁偏值辨识模型为Matlab系统的ARX模型;
磁偏值确定模块,用于利用所述磁偏值辨识模型,根据所述当前的速度差确定与所述当前的速度差相对应的磁偏值;
控制模块,用于采用PID控制器,根据所述磁偏值确定下一时刻所述待控制自动引导车的速度差,以完成对所述待控制自动引导车的控制;所述PID控制器为基于混合粒子群优化算法寻参后的PID控制器。
优选的,所述系统还包括寻参模块;所述寻参模块具体包括:
参数获取单元,用于获取预设混合粒子群参数和预设参数;所述预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子;所述预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值;
PID控制器参数确定单元,用于以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数。
优选的,所述PID控制器参数确定单元具体包括:
PID控制器参数确定子单元,用于以所述预设参数为粒子向量,以积分误差性能准则的性能指标为所述混合粒子群优化算法的适应度函数,采用所述混合粒子群优化算法根据所述预设混合粒子群参数确定所述PID控制器的参数;
当所述适应度函数的输出值达到预设值或所述迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的自动引导车控制方法和系统,通过采用磁偏值辨识模型来确定磁偏值,可以减小系统建模误差、提高模型准确度。通过采用混合粒子群优化算法寻参后的PID控制器进行控制,以提高控制效率、控制精度和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的自动引导车控制方法的流程图;
图2a为本发明实施例中磁偏值辨识模型的输入波形图;
图2b为本发明实施例中磁偏值辨识模型的输出波形图;
图3为本发明实施例中磁偏值辨识模型输出和实际输出结果对比图;
图4为离散PID控制回路图;
图5为采用混合粒子群算法优化PID控制器的整体流程图;
图6为PID控制器参数优化曲线图;
图7为采用混合粒子群算法、标准粒子群算法、人工试凑法三种方法寻参得到的PID控制器的阶跃响应结果对比图;
图8为本发明提供的自动引导车控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种自动引导车控制方法和系统,已解决现有技术中存在的控制效率低、控制精度低和鲁棒性差的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的自动引导车控制方法的流程图。如图1所示,一种自动引导车控制方法,包括:
步骤100:获取待控制自动引导车当前的速度差。
步骤101:获取磁偏值辨识模型。磁偏值辨识模型为Matlab系统的ARX模型。
步骤102:利用磁偏值辨识模型,根据当前的速度差确定与当前的速度差相对应的磁偏值。
步骤103:采用PID控制器,根据磁偏值确定下一时刻待控制自动引导车的速度差,以完成对待控制小车的控制。PID控制器为基于混合粒子群优化算法寻参后的PID控制器。
在步骤101获取磁偏值辨识模型之前,还需要对磁偏值辨识模型进行训练。在本发明提供的技术方案中,采用方波信号作为磁导航AGV系统辨识的输入激励信号,采集至少一组磁导航AGV速度差u(t)(如图2a所示)以及集磁导航AGV磁偏值y(t)(如图2b所示)的数据,将采集的数据按比例分割为实验数据和测试数据,通过MATLAB系统辨识工具箱对磁导航AGV进行ARX模型辨识,以及ARX模型的验证,进而完成对磁偏值辨识模型的训练。
其中,ARX模型的结构式为
式中,u(t)代表AGV系统输入(为速度差),y(t)代表AGV系统输出(为磁偏值),e(t)为白噪声干扰代表系统误差,a1、a2、ana、b1、b2和bnb均为ARX模型的参数,a1、a2、ana、b1、b2和bnb的参数值能够反映输入和输出之间的数学关系。
对差分方程形式的ARX模型进行z变换如下式:
A(z-1)y(t)=B(z-1)u(t-d)+e(t) (2)
式中,na、nb为A(z-1)和B(z-1)的阶次,nk为滞后拍数,A(z-1)为式(1)左边的z变换,B(z-1)为式(1)右边的z变换。在磁导航AGV移动过程中产生的白噪声忽略不计。
采用实验数据,通过Matlab系统辨识工具箱对磁导航AGV系统模型进行辨识,得到ARX模型(磁偏值辨识模型)如下式:
离散传递函数表达式如下:
其磁导航AGV系统的离散传递函数表达式如下式:
式中,z代表离散时间系统的变换算子。
如图3所示,磁偏值辨识模型输出值和实际输出值拟合度为80.64%,根据零极点判定条件,所辨识出的系统模型更加稳定。
而在对自动引导车进行控制的过程中,一般采用的是PID控制器。PID控制器是工业控制领域中应用最广泛的控制器,是一种根据系统偏差的比例(P)、微分(I)、积分(D)进行线性组合的控制方式对被控对象进行控制。其中,离散PID控制回路如图4所示。
为了解决现有技术中自动引导车控制过程中存在的控制效率低、控制精度低和鲁棒性差等问题,在本发明提供的技术方案中,需要采用基于混合粒子群优化算法寻参后的PID控制器来实现对自动引导车的控制。
基于混合粒子群优化算法对PID控制器寻参的过程具体包括:
获取预设混合粒子群参数和预设参数。预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子。预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值。
以预设参数为粒子向量,根据预设混合粒子群参数采用混合粒子群优化算法确定PID控制器的参数。PID控制器的参数包括:比例参数、积分参数和微分参数。
其中,以预设参数为粒子向量,根据预设混合粒子群参数采用混合粒子群优化算法确定PID控制器的参数,具体包括:
以预设参数为粒子向量,以积分误差性能准则的性能指标为混合粒子群优化算法的适应度函数,采用混合粒子群优化算法根据预设混合粒子群参数确定PID控制器的参数。
当适应度函数的输出值达到预设值或迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数。PID控制器的参数包括:比例参数、积分参数和微分参数。
如图5所示,采用混合粒子群算法对磁导航AGV的PID控制器参数进行寻优的上述过程可进一步细化为:
使用粒子群算法对PID控制器参数进行寻优的速度位置更新如下式:
式中,ω为惯性权重,k为粒子群迭代次数,i为粒子数,d为空间维数,r1和r2为相互独立的0到1之间的随机数,c1为粒子向自身最优位置方向的学习因子,c2为粒子向全局最优位置方向的学习因子,vid(*)为第i个粒子在d维空间内*次迭代的速度,xid(*)为第i个粒子在d维空间内*次迭代的位置,pid(k)为第i个粒子在d维空间内k次迭代的个体最优位置,pgd(k)为第i个粒子在d维空间内k次迭代的个体全局最优位置。其中,,c1和c2均为非负数的学习因子,*表示k或k+1。
标准粒子群算法具有收敛速度快的优点,但全局搜索能力差,且容易陷入局部最优位置。为解决这一问题,对标准粒子群算法引入遗传算法中的“杂交”概念。
杂交和变异的方法为:对粒子群赋予一个杂交因子pc,杂交因子pc是随机的与粒子的位置无关。在每次迭代中依据杂交因子选择指定数目的两组粒子进行两两杂交,产生相同数目的子代,并用每一次杂交产生的子代粒子取代父母代粒子,以保证粒子群的粒子数不变。其中子代粒子的位置child(x)由父母代粒子位置parent1(x)、parent2(x)进行算术交叉计算得出。如下式:
child(x)=p·parent1(x)+(1-p)·parent2(x) (8)
子代粒子的速度child(v)根据下式计算:
式中,parent1(v)和parent2(v)为父母代粒子的速度。
通过杂交增加了粒子的多样性,使得粒子的速度和位置快速更新,摆脱局部最优位置,具有较强的全局搜索能力,这种引入杂交的算法称为混合粒子群算法。
在PID控制器设计过程中控制器参数往往通过人工调节的方法得到,这种方法不仅对调试人员的要求较高,而且需要经过多次反复的仿真以及实际现场调节,过程繁琐,工作量大,控制效果不理想。
采用HPSO算法(混合粒子群优化算法,hybridparticle swarm optimization)对PID控制器参数寻优,选用积分误差准则(ITAE)作为误差的性能指标,其函数表达式为:
这里e(t)为实际仿真输出同给定期望输入之间的偏差。
选取J为混合粒子群算法的适应度函数,当J取最小值时输出为最优解,本文迭代停止的条件为J≤0.001或到达设定迭代次数。
混合粒子群算法对PID控制器参数寻优基本流程如下:
1)、选择3个参数Kp、Ki和Kd构成粒子向量,并随机赋初值。根据经验设置PID控制器3个参数Kp、Ki和Kd的取值范围。设置粒子群数m,最大迭代次数G,惯性权重值w和加速因子c1、c2。随机初始化粒子的位置xi和速度vi。
根据当前粒子取值,运行闭环控制系统仿真,得到e(t),计算每个粒子的适应函数值Ji(0),并取pg(0)=pi(0),根据J(0)=min{J1(0),J2(0),…,Jm(0)},更新个体最优位置pi(k)和群体最优位置pg(k),设置k=0。
2)、根据式(7)更新粒子群速度vi(k)和位置xi(k)。
3)、计算xi(k)的适应函数值Ji(k),根据J(k)=min{J1(k),J2(k),…,Jm(k)}搜寻出最小适应函数Ji(k),根据最小适应函数Ji(k)更新粒子个体最优位置pi(k)和粒子群体最优位置pg(k)。
根据杂交因子pc,选取指定数量的两组粒子进行两两杂交,根据式(8)、(9)产生同样数目的子代粒子来代替父母代粒子。
4)、k→k+1,判断是否满足迭代停止条件(运算精度或最大迭代次数),若满足则停止搜寻,若不满足则转至步骤2)。
其中,HPSO算法对PID控制器参数寻优,增加了粒子的多样性,摆脱局部最优值,具有较强的全局搜索能力,快速准确地搜寻到全局最优值。通过HPSO对PID控制器参数优化曲线如图6所示。
磁导航AGV在混合粒子群算法、标准粒子群算法、人工试凑法三种对PID控制器参数寻优方式所寻最优值的阶跃响应对比结果如图7所示,可以确定采用HPSO算法优化得到的PID控制器,超调量小、调节时间短、无稳态误差,其阶跃响应性能表明控制效果得到很好的改善。
对应于上述提供的自动引导车控制方法,本发明还对应提供了一种自动引导车控制系统。如图8所示,自动引导车控制系统包括:速度差获取模块1、磁偏值辨识模型获取模块2、磁偏值确定模块3和控制模块4。
速度差获取模块1用于获取待控制自动引导车当前的速度差。
磁偏值辨识模型获取模块2用于获取磁偏值辨识模型。磁偏值辨识模型为Matlab系统的ARX模型。
磁偏值确定模块3用于利用磁偏值辨识模型,根据当前的速度差确定与当前的速度差相对应的磁偏值。
控制模块4用于采用PID控制器,根据磁偏值确定下一时刻待控制自动引导车的速度差,以完成对待控制小车的控制。PID控制器为基于混合粒子群优化算法寻参后的PID控制器。
作为本发明的另一实施例,本发明提供的自动引导车控制系统还可以包括寻参模块。寻参模块具体包括:参数获取单元和PID控制器参数确定单元。
参数获取单元用于获取预设混合粒子群参数和预设参数。预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子。预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值。
PID控制器参数确定单元用于以预设参数为粒子向量,根据预设混合粒子群参数采用混合粒子群优化算法确定PID控制器的参数。PID控制器的参数包括:比例参数、积分参数和微分参数。
作为本发明的另一实施例,上述PID控制器参数确定单元具体可以包括:PID控制器参数确定子单元。
其中,PID控制器参数确定子单元用于以预设参数为粒子向量,以积分误差性能准则的性能指标为混合粒子群优化算法的适应度函数,采用混合粒子群优化算法根据预设混合粒子群参数确定PID控制器的参数。
当适应度函数的输出值达到预设值或迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数。PID控制器的参数包括:比例参数、积分参数和微分参数。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种自动引导车控制方法,其特征在于,包括:
获取待控制自动引导车当前的速度差;
利用所述磁偏值辨识模型,根据所述当前的速度差确定与所述当前的速度差相对应的磁偏值;
采用PID控制器,根据所述磁偏值确定下一时刻所述待控制自动引导车的速度差,以完成对所述待控制自动引导车的控制;所述PID控制器为基于混合粒子群优化算法寻参后的PID控制器;
基于混合粒子群优化算法寻参的过程具体包括:
获取预设混合粒子群参数和预设参数;所述预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子;所述预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值;
以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数;
以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数,具体包括:
以所述预设参数为粒子向量,以积分误差性能准则的性能指标为所述混合粒子群优化算法的适应度函数,采用所述混合粒子群优化算法根据所述预设混合粒子群参数确定所述PID控制器的参数;
当所述适应度函数的输出值达到预设值或所述迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数。
2.一种自动引导车控制系统,其特征在于,包括:
速度差获取模块,用于获取待控制自动引导车当前的速度差;
磁偏值确定模块,用于利用所述磁偏值辨识模型,根据所述当前的速度差确定与所述当前的速度差相对应的磁偏值;
控制模块,用于采用PID控制器,根据所述磁偏值确定下一时刻所述待控制自动引导车的速度差,以完成对所述待控制自动引导车的控制;所述PID控制器为基于混合粒子群优化算法寻参后的PID控制器;
所述系统还包括寻参模块;所述寻参模块具体包括:
参数获取单元,用于获取预设混合粒子群参数和预设参数;所述预设混合粒子群参数包括:预设粒子群数、预设迭代次数、预设权重惯量和预设加速因子;所述预设参数包括:比例参数初始值、积分参数初始值和微分参数初始值;
PID控制器参数确定单元,用于以所述预设参数为粒子向量,根据所述预设混合粒子群参数采用混合粒子群优化算法确定所述PID控制器的参数;所述PID控制器的参数包括:比例参数、积分参数和微分参数;
所述PID控制器参数确定单元具体包括:
PID控制器参数确定子单元,用于以所述预设参数为粒子向量,以积分误差性能准则的性能指标为所述混合粒子群优化算法的适应度函数,采用所述混合粒子群优化算法根据所述预设混合粒子群参数确定所述PID控制器的参数;
当所述适应度函数的输出值达到预设值或所述迭代次数达到预设迭代次数时,输出的参数即为PID控制器的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010364177.5A CN111505935B (zh) | 2020-04-30 | 2020-04-30 | 一种自动引导车控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010364177.5A CN111505935B (zh) | 2020-04-30 | 2020-04-30 | 一种自动引导车控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505935A CN111505935A (zh) | 2020-08-07 |
CN111505935B true CN111505935B (zh) | 2022-10-18 |
Family
ID=71876634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010364177.5A Active CN111505935B (zh) | 2020-04-30 | 2020-04-30 | 一种自动引导车控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505935B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112390199A (zh) * | 2020-11-17 | 2021-02-23 | 浙江工业大学 | 一种带独立升降旋转平台功能的全向agv及控制方法 |
CN114476554A (zh) * | 2022-03-10 | 2022-05-13 | 浙江国自机器人技术股份有限公司 | 一种自动导引车、控制系统及闭环控制方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
WO2014092283A1 (ko) * | 2012-12-12 | 2014-06-19 | (주)아티스 | 아날로그형 자기위치장치와 위치측정 방법 |
CN104122895A (zh) * | 2014-08-13 | 2014-10-29 | 成都四威高科技产业园有限公司 | 一种基于自适应pid的agv导航方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN106054876A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 一种针对空间多任务的避障路径最优逐次操作规划方法 |
WO2017191274A2 (en) * | 2016-05-04 | 2017-11-09 | Curevac Ag | Rna encoding a therapeutic protein |
CN107861511A (zh) * | 2017-11-07 | 2018-03-30 | 河北科技大学 | 一种用于地面运输车的控制装置及其控制方法 |
CN108036784A (zh) * | 2017-11-10 | 2018-05-15 | 云保(佛山)智控科技有限公司 | 一种室内定位方法、导航方法及系统 |
CN108107883A (zh) * | 2017-11-07 | 2018-06-01 | 浙江工业大学 | 一种基于磁带导引agv的多传感器信息融合定位方法 |
CN108227476A (zh) * | 2017-09-04 | 2018-06-29 | 河南森源电气股份有限公司 | 一种agv小车的控制方法 |
CN109582027A (zh) * | 2019-01-14 | 2019-04-05 | 哈尔滨工程大学 | 一种基于改进粒子群优化算法的usv集群避碰规划方法 |
CN110763225A (zh) * | 2019-11-13 | 2020-02-07 | 内蒙古工业大学 | 一种小车路径导航方法及系统、运输车系统 |
CN110888317A (zh) * | 2019-11-27 | 2020-03-17 | 广东技术师范大学 | 一种pid控制器参数智能优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11225655B2 (en) * | 2010-04-16 | 2022-01-18 | Nuevolution A/S | Bi-functional complexes and methods for making and using such complexes |
US10156853B2 (en) * | 2015-04-02 | 2018-12-18 | Electric 80 S.P.A. | Group for localizing a moving target in a warehouse with automatic guided vehicles |
-
2020
- 2020-04-30 CN CN202010364177.5A patent/CN111505935B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014092283A1 (ko) * | 2012-12-12 | 2014-06-19 | (주)아티스 | 아날로그형 자기위치장치와 위치측정 방법 |
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN104122895A (zh) * | 2014-08-13 | 2014-10-29 | 成都四威高科技产业园有限公司 | 一种基于自适应pid的agv导航方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
WO2017191274A2 (en) * | 2016-05-04 | 2017-11-09 | Curevac Ag | Rna encoding a therapeutic protein |
CN106054876A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 一种针对空间多任务的避障路径最优逐次操作规划方法 |
CN108227476A (zh) * | 2017-09-04 | 2018-06-29 | 河南森源电气股份有限公司 | 一种agv小车的控制方法 |
CN108107883A (zh) * | 2017-11-07 | 2018-06-01 | 浙江工业大学 | 一种基于磁带导引agv的多传感器信息融合定位方法 |
CN107861511A (zh) * | 2017-11-07 | 2018-03-30 | 河北科技大学 | 一种用于地面运输车的控制装置及其控制方法 |
CN108036784A (zh) * | 2017-11-10 | 2018-05-15 | 云保(佛山)智控科技有限公司 | 一种室内定位方法、导航方法及系统 |
CN109582027A (zh) * | 2019-01-14 | 2019-04-05 | 哈尔滨工程大学 | 一种基于改进粒子群优化算法的usv集群避碰规划方法 |
CN110763225A (zh) * | 2019-11-13 | 2020-02-07 | 内蒙古工业大学 | 一种小车路径导航方法及系统、运输车系统 |
CN110888317A (zh) * | 2019-11-27 | 2020-03-17 | 广东技术师范大学 | 一种pid控制器参数智能优化方法 |
Non-Patent Citations (6)
Title |
---|
AGV对移动目标跟踪控制器设计;孟翔宇;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20051015;第I140-129页 * |
Nonlinear Adaptive Control of an Autonomous Ground Vehicle in Obstacle Rich Environment: Some Experimental Results;Praneeth Kumar Pedapati etal.;《TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON)》;20191231;第614-619页 * |
Optimal Pole Placement for a Self Tuning PID Controller;Sasmita Behera etal.;《2017 6th International Conference on Computer Applications In Electrical Engineering-Recent Advances (CERA)》;20171231;第456-461页 * |
SG2300巷道式仓储中心智能搬运AGV小车研制;高建东;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160215;第I140-477页 * |
九轴陀螺仪在AGV自主导航中的应用设计;李莹莹;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20191015;第I136-231页 * |
智能复合型机器人系统的设计与研究;李金旭;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170915;第I140-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111505935A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Design and implementation of a Takagi–Sugeno-type fuzzy logic controller on a two-wheeled mobile robot | |
Li et al. | MPC-MPNet: Model-predictive motion planning networks for fast, near-optimal planning under kinodynamic constraints | |
Liu et al. | Adaptive sliding mode based disturbance attenuation tracking control for wheeled mobile robots | |
CN111505935B (zh) | 一种自动引导车控制方法和系统 | |
Lopez et al. | Game-theoretic lane-changing decision making and payoff learning for autonomous vehicles | |
CN109375512B (zh) | 基于rbf-arx模型的保证倒立摆系统闭环稳定的预测控制方法 | |
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 | |
Ure et al. | Enhancing situational awareness and performance of adaptive cruise control through model predictive control and deep reinforcement learning | |
Wang et al. | Deep koopman data-driven optimal control framework for autonomous racing | |
Hoshino et al. | PSO training of the neural network application for a controller of the line tracing car | |
Khodamipour et al. | Adaptive formation control of leader–follower mobile robots using reinforcement learning and the Fourier series expansion | |
Tutuko et al. | Route optimization of non-holonomic leader-follower control using dynamic particle swarm optimization | |
Hu | Research on robot fuzzy neural network motion system based on artificial intelligence | |
Ngo et al. | Enhancement of the Tracking Performance for Robot Manipulator by Using the Feed-forward Scheme and Reasonable Switching Mechanism | |
Abdulla et al. | Roll control system design using auto tuning LQR technique | |
CN110888323A (zh) | 一种用于切换系统智能优化的控制方法 | |
Sherif et al. | Optimal control of lane keeping system using simulated annealing and linear quadratic regulator | |
Ruiz et al. | Aeroelastics-aware compensation system for soft aerial vehicle stabilization | |
Petrosian et al. | Optimal control and inverse optimal control with continuous updating for human behavior modeling | |
Di et al. | Low-level control with actuator dynamics for multirotor UAVs | |
Park et al. | Deep reinforcement learning based dynamic proportional-integral (PI) gain auto-tuning method for a robot driver system | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
Swief et al. | Approximate Neural Network Model for Adaptive Model Predictive Control | |
Adriansyah et al. | Learning of fuzzy-behaviours using Particle Swarm Optimisation in behaviour-based mobile robot | |
Menich et al. | Optimal fuzzy controller, using a genetic algorithm for a ball on wheel system |
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 |