CN112000007A - 一种用于农机无人驾驶的扰动抑制控制方法 - Google Patents

一种用于农机无人驾驶的扰动抑制控制方法 Download PDF

Info

Publication number
CN112000007A
CN112000007A CN202010685160.XA CN202010685160A CN112000007A CN 112000007 A CN112000007 A CN 112000007A CN 202010685160 A CN202010685160 A CN 202010685160A CN 112000007 A CN112000007 A CN 112000007A
Authority
CN
China
Prior art keywords
disturbance
tractor
disturbance rejection
aerial vehicle
control method
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.)
Withdrawn
Application number
CN202010685160.XA
Other languages
English (en)
Inventor
印辰昊
陈向东
程方
王烁
陈泽
黄振华
单以波
吴飞
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.)
Wuxi Kalman Navigation Technology Co ltd
Original Assignee
Wuxi Kalman Navigation Technology Co ltd
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 Wuxi Kalman Navigation Technology Co ltd filed Critical Wuxi Kalman Navigation Technology Co ltd
Priority to CN202010685160.XA priority Critical patent/CN112000007A/zh
Publication of CN112000007A publication Critical patent/CN112000007A/zh
Withdrawn legal-status Critical Current

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
    • 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

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种农机无人驾驶技术，具体说是用于农机无人驾驶的扰动抑制控制方法。它先对拖拉机进行运动学以及动力学分析，建立拖拉机的运动学方程以及动力学方程。接着，引入自抗扰控制算法，与拖拉机模型相结合，形成串联形式的自抗扰控制器，实现对内外扰动的抑制，并进行仿真验证。最后，设计相应的粒子群寻优算法对自抗扰算法中关键控制参数进行参数整定，并进行仿真验证。该控制方法的扰动抑制效果较好。

Description

一种用于农机无人驾驶的扰动抑制控制方法
技术领域
本发明涉及一种农机无人驾驶技术，具体说是用于农机无人驾驶的扰动抑制控制方法。
背景技术
农机的无人驾驶可以帮助农户完成耕地、播种、收割等一系列农活，大大缩减了原有的农作时间并节约了劳动力，是农业现代化及自动化的一个重要体现。农机无人驾驶完成农活的效果不仅受传感器精度以及执行机构的影响，还受到农机自身模型准确性以及外度扰动的影响。
自抗扰控制器是一种将内部扰动和外部扰动看作是总体扰动进行处理的控制方法。如图1所示，自抗扰控制器包括跟踪微分器(Tracking Differentiator，TD)、扩张状态观测器(Extended State Observer，ESO)、非线性PID(Nonlinear PID，NPD)和动态扰动补偿四个主要部分。自抗扰控制器的工作流程如下：
如图2所示，跟踪微分器(TD)为参考输入安排过渡过程，得到光滑的输入信号v1及其微分信号v2；
如图3所示，状态扩展观测器(ESO)根据对象的输出y和输入信号u估计出对象的状态z1，z2和对象中的内扰和外绕的实时作用量z3；
状态误差的非线性反馈律。系统的状态误差e1＝v1-z1和e2＝v2-z2，由e1和e2来确定纯积分串联型对象的误差反馈控制量u0。
对误差反馈控制量u0用扰动估计值z3的补偿来决定最终的控制量
Figure RE-GDA0002715046060000011
自抗扰控制器能较好处理系统的内部扰动和外部扰动，但由于拖拉机的模型参数较多、非线性程度高，直接套用传统的控制方法对拖拉机进行扰动抑制处理的效果较差。
发明内容
本发明要解决的技术问题是提供一种用于农机无人驾驶的扰动抑制控制方法，该控制方法的扰动抑制效果较好。
为解决上述问题，提供以下技术方案：
本发明的用于农机无人驾驶的扰动抑制控制方法的特点是包括如下步骤：
步骤1：对拖拉机进行动力学分析和建模，得到横向偏差方程和航向角偏差方程。
步骤2：设计串联形式的自抗扰控制器来抑制农机内外扰动对农机无人驾驶系统的影响，并进行仿真验证，具体包括以下步骤：
步骤201：根据步骤1中所得的拖拉机模型，将农机无人驾驶系统改写成空间状态方程组形式，组成一阶外环系统与三阶内环系统的串联形式。
步骤202：对外环设计过渡过程，使虚拟控制量u1平滑。
步骤203：分别设计外环系统的一阶扩张状态观测器和内环系统的三阶扩张状态观测器。
步骤204：设计外环系统与内环系统的非线性反馈控制律。
步骤205：将扩张的状态作为动态扰动补偿引入农机无人驾驶系统，实现对内外扰动的补偿。
步骤3：设计粒子群寻优算法来整定串联自抗扰控制器的参数，并进行仿真验证。
其中，步骤1中，动力学分析后，拖拉机横向偏差方程和航向角偏差方程为
Figure RE-GDA0002715046060000021
其中，yerr为拖拉机横向误差，Vx为拖拉机轴向速度，ψerr为拖拉机航向角误差，ζ为阻尼系数，ωn为固有频率，KR为与Vx有关的一个系数，一般取常数。
所述步骤201中，内环自抗扰控制器的状态量x2航向角偏差跟踪虚拟控制量u1，外环自抗扰控制器的状态变量x1横向偏差跟踪设定值v(t)。
所述步骤204中，外环非线性反馈控制律为u01＝β1fal(e11,a,δ)，内环反馈控制律为 u02＝β21fal(e21,a,δ)+β22fal(e22,a,δ)，其中，β1是外环自抗扰控制器可调参数，β21，β22是内环自抗扰控制器可调参数，0＜a＜1，δ是线性段的区间长度，e11是外环输出量的状态估计与外环目标指令之间的误差，e21是内环输出量的状态估计与内环目标指令之间的误差，e22是内环输出量导数的状态估计与内环目标指令导数之间的误差。
所述步骤3中，通过粒子群寻优算法对自抗扰控制器相关参数进行整定，整定结果为β1＝4.8125，β21＝0.7678，β22＝2.3864。
采取以上方案，具有以下优点：
由于本发明的先对拖拉机进行运动学以及动力学分析，建立拖拉机的运动学方程以及动力学方程。接着，引入自抗扰控制算法，与拖拉机模型相结合，形成串联形式的自抗扰控制器，实现对内外扰动的抑制，并进行仿真验证。最后，设计相应的粒子群寻优算法对自抗扰算法中关键控制参数进行参数整定，并进行仿真验证。使用自抗扰控制算法，增强了无人驾驶对扰动的鲁棒性，针对自抗扰控制算法参数难确定的问题，引入粒子群寻优算法，对相关参数进行整定，使得自抗扰控制算法的使用更加方便，减少了拖拉机模型参数以及外部扰动对拖拉机无人驾驶带来的影响，大大提高了扰动抑制的效果。
附图说明
图1为本发明的用于农机无人驾驶的扰动抑制控制方法中自抗扰控制器的原理图；
图2为图1中跟踪微分器的原理图；
图3为图1中扩张状态观测器的原理图；
图4为本发明的用于农机无人驾驶的扰动抑制控制方法中拖拉机横向位置模型图；
图5为本发明的用于农机无人驾驶的扰动抑制控制方法中拖拉机简化为二轮自行车模型图；
图6为本发明的用于农机无人驾驶的扰动抑制控制方法中拖拉机串联自抗扰控制结构图；
图7为本发明的用于农机无人驾驶的扰动抑制控制方法中拖拉机横向误差输出图；
图8为本发明的用于农机无人驾驶的扰动抑制控制方法中拖拉机扰动估计图；
图9为本发明的用于农机无人驾驶的扰动抑制控制方法中粒子群寻优的适应度曲线图。
具体实施方式
以下结合附图对本发明做进一步详细说明。
本发明的用于农机无人驾驶的扰动抑制控制方法包括如下步骤：
步骤1：对拖拉机进行动力学分析和建模，得到横向偏差方程和航向角偏差方程，推导过程是：
如图4所示，忽略农机重心CG的侧滑角，农机的横向误差方程为：
Figure RE-GDA0002715046060000041
其中：yerr为拖拉机横向误差，lcp为拖拉机重心与后轴控制中心之间的距离，Vx为拖拉机轴向速度，Vy为拖拉机横向速度，ψerr为拖拉机航向角误差，ψ为拖拉机航向角。
将控制点放在重心CG，忽略重心的横向速度，假设航向角误差ψerr比较小，则横向的动力学模型描述为：
Figure RE-GDA0002715046060000042
如图5所示，将拖拉机简化为二轮自行车模型，建立偏航角动力学模型。
定义图5中侧向力为(一种线性的轮胎模型)：
Figure RE-GDA0002715046060000043
建立横向的动力模型：
Figure RE-GDA0002715046060000044
前轮横向速度：
Vyf＝Vy+ar＝Vxtan(δ+αf)，
后轮横向速度：
Vyr＝Vy-br＝Vxtan(αr)
前后轮侧滑角是小角度时，可以将侧滑角近似写成如下形式：
Figure RE-GDA0002715046060000045
则横向动力学的状态空间表达式为：
Figure RE-GDA0002715046060000051
横向动力学的状态空间表达式适用于大路(平整公路)，且只当小侧滑角，输入为小的操作角，使用线性轮胎模型的时候有效。
将横向动力学的状态空间表达式进行适当的变形，可得偏航角速率模型的另一种表达方式，为一个传统的二阶模型。
Figure RE-GDA0002715046060000052
其中：
c0＝Cαf+Cαr
c1＝aCαf-bCαr
c2＝a2Cαf+b2Cαr，
a为前轴到重心的距离，b为后轴到重心的距离，L为前后轮轴距，Cαf为前轮的侧偏刚度，Cαr为后轮的侧偏刚度，αf为前轮侧滑角，αr为后轮侧滑角，m为车的质量， Iz为偏航角转动惯量，Vx拖拉机轴向速度，r为拖拉机航向角速率，δ为拖拉机前轮偏转角。
传统的二阶模型可以简化成如下标准二阶模型，则前轮转向角与航向角速率的传递函数为
Figure RE-GDA0002715046060000053
其中，KR为与Vx有关的一个系数，一般取常数，ωn为固有频率，ζ为阻尼系数，
将前轮转向角与航向角速率的传递函数转换为动力学模型为：
Figure RE-GDA0002715046060000054
综上所述，拖拉机的横向偏差方程和航向角偏差方程：
Figure RE-GDA0002715046060000061
步骤2：设计串联形式的自抗扰控制器来抑制农机内外扰动对农机无人驾驶系统的影响，并进行仿真验证，具体包括以下步骤：
步骤201：根据步骤1中所得的拖拉机模型，将农机无人驾驶系统改写成空间状态方程组形式，组成一阶外环系统与三阶内环系统的串联形式；
如图6所示，将自抗扰控制器与拖拉机的横向偏差方程和航向角偏差方程的拖拉机模型相结合，令系统状态量为
Figure RE-GDA0002715046060000062
将拖拉机模型转换成串联的自抗扰形式，让内环自抗扰控制器的状态量x2航向角偏差跟踪虚拟控制量u1，外环自抗扰控制器的状态变量x1横向偏差跟踪设定值v(t)。f1和f2为外部扰动，f20(x2,x3,x4)为已知的部分模型。
步骤202：对外环设计过渡过程，使虚拟控制量u1平滑；
为外环安排过渡过程，使其输出u1变化缓慢平滑。
v11＝v11-hr10fal(v11-v,0.5,h)
其中，h为采样步长，r10为速度因子。
Figure RE-GDA0002715046060000063
参数0＜α＜1；δ是线性段的区间长度。
步骤203：根据自抗扰控制器的形式，分别设计外环系统的一阶扩张状态观测器和内环系统的三阶扩张状态观测器；
Figure RE-GDA0002715046060000064
外环扩张状态观测器
Figure RE-GDA0002715046060000071
其中，β011，β021，β022，β023为误差校正增益。
步骤204：设计外环系统与内环系统的非线性反馈控制律；
取外环非线性反馈控制律为u01＝β1fal(e11,a,δ)，内环反馈控制律为 u02＝β21fal(e21,a,δ)+β22fal(e22,a,δ)。
其中β1是外环自抗扰控制器可调参数，β21，β22是内环自抗扰控制器可调参数。
步骤205：将扩张的状态作为动态扰动补偿引入农机无人驾驶系统，实现对内外扰动的补偿。
使用matlab和simulink仿真软件，对上述的拖拉机串联自抗扰控制器建模，得到拖拉机的横向误差输出图如图7所示。可以看出，系统能跟踪单位参考输入信号，并且能有效抑制扰动。图8为在外环添加的恒定0.1大小的扰动，可以看出，自抗扰控制器能有效地观测出扰动大小，并通过反馈控制使得拖拉机基本不受扰动影响。
步骤3：设计粒子群寻优算法来整定串联自抗扰控制器的参数，并进行仿真验证。
设粒子i在N维空间的位置表示为矢量Xi＝(x1,x2,…,xN)，速度表示为矢量 Vi＝(v1,v2,…,vN)。每个粒子都有一个由目标函数决定的适应度值(fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置Xi，这个可以看成是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个种群中所有粒子发现的最好位置(gbest，gbest是pbest中的最好值)，这个可以看成是粒子同伴的经验。粒子就是通过自己和同伴中最好的经验来决定下一步的运动。PSO初始化为一群随机粒子 (随机解)。然后通过迭代找到最优解。在每一次的迭代中。粒子通过跟踪两个“极值” (pbest，gbest)来更新自己。在找到这两个最优值后，粒子通过公式(13)和(14) 来更新自己的速度和位置。
Vi＝Vi+c1×rand( )×(pbesti-xi)+c2×rand( )×(gbesti-xi)
xi＝xi+Vi
式中，i＝1,2,…,M，M是该粒子群中粒子的总数；Vi为粒子的速度；pbest为粒子群的局部最优位置；gbest为粒子全局最优位置；rand( )为介于(0,1)之间的随机数；xi为粒子的当前位置；c1，c2为学习因子，通常取c1＝c2＝2。
PSO算法的流程如下：
(1)初始化一群微粒(群体规模为m)，包括随机位置和速度；
(2)评价每个微粒的适应度；
(3)对每个微粒，根据适应度，将当前位置与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；
(4)选出全局最好的个人位置pbest，与全局最好的位置gbest作比较，如果较好，则将其作为当前的全局最好位置gbest；
(5)根据式子(2)(3)调整微粒速度和位置；
(6)未达到结束条件则转动步骤(2)。
迭代终止条件根据具体问题一般选为最大迭代次数Gk或微粒群迄今为止搜索到的最优位置满足预定最小适应阀值。
按照上述步骤，对设计的串联自抗扰控制器中的非线性反馈参数进行仿真，取粒子群种群规模为30，惯性因子0.9，学习因子c1为2和c2为2，迭代次数为100，进行寻优仿真，图9为寻优的适应度曲线变化图，可以看出，经过100次寻优后，适应度已经趋于稳定。寻优后得β1＝4.8125，β21＝0.7678，β22＝2.3864。

Claims (5)

1.一种用于农机无人驾驶的扰动抑制控制方法，其特征在于包括如下步骤：
步骤1：对拖拉机进行动力学分析和建模，得到横向偏差方程和航向角偏差方程；
步骤2：设计串联形式的自抗扰控制器来抑制农机内外扰动对农机无人驾驶系统的影响，并进行仿真验证，具体包括以下步骤：
步骤201：根据步骤1中所得的拖拉机模型，将农机无人驾驶系统改写成空间状态方程组形式，组成一阶外环系统与三阶内环系统的串联形式；
步骤202：对外环设计过渡过程，使虚拟控制量u1平滑；
步骤203：分别设计外环系统的一阶扩张状态观测器和内环系统的三阶扩张状态观测器；
步骤204：设计外环系统与内环系统的非线性反馈控制律；
步骤205：将扩张的状态作为动态扰动补偿引入农机无人驾驶系统，实现对内外扰动的补偿。
步骤3：设计粒子群寻优算法来整定串联自抗扰控制器的参数，并进行仿真验证。
2.根据权利要求1所述的用于农机无人驾驶的扰动抑制控制方法，其特征在于：步骤1中，动力学分析后，拖拉机横向偏差方程和航向角偏差方程为
Figure FDA0002587787290000011
其中，yerr为拖拉机横向误差，Vx为拖拉机轴向速度，ψerr为拖拉机航向角误差，ζ为阻尼系数，ωn为固有频率，KR为与Vx有关的一个系数，一般取常数。
3.根据权利要求1所述的用于农机无人驾驶的扰动抑制控制方法，其特征在于所述步骤201中，内环自抗扰控制器的状态量x2航向角偏差跟踪虚拟控制量u1，外环自抗扰控制器的状态变量x1横向偏差跟踪设定值v(t)。
4.根据权利要求1所述的用于农机无人驾驶的扰动抑制控制方法，其特征在于：所述步骤204中，外环非线性反馈控制律为u01＝β1fal(e11,a,δ)，内环反馈控制律为u02＝β21fal(e21,a,δ)+β22fal(e22,a,δ)，其中，β1是外环自抗扰控制器可调参数，β21，β22是内环自抗扰控制器可调参数，0＜a＜1，δ是线性段的区间长度，e11是外环输出量的状态估计与外环目标指令之间的误差，e21是内环输出量的状态估计与内环目标指令之间的误差，e22是内环输出量导数的状态估计与内环目标指令导数之间的误差。
5.根据权利要求4所述的用于农机无人驾驶的扰动抑制控制方法，其特征在于：所述步骤3中，通过粒子群寻优算法对自抗扰控制器相关参数进行整定，整定结果为β1＝4.8125，β21＝0.7678，β22＝2.3864。
CN202010685160.XA 2020-07-17 2020-07-17 一种用于农机无人驾驶的扰动抑制控制方法 Withdrawn CN112000007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010685160.XA CN112000007A (zh) 2020-07-17 2020-07-17 一种用于农机无人驾驶的扰动抑制控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010685160.XA CN112000007A (zh) 2020-07-17 2020-07-17 一种用于农机无人驾驶的扰动抑制控制方法

Publications (1)

Publication Number Publication Date
CN112000007A true CN112000007A (zh) 2020-11-27

Family

ID=73468024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010685160.XA Withdrawn CN112000007A (zh) 2020-07-17 2020-07-17 一种用于农机无人驾驶的扰动抑制控制方法

Country Status (1)

Country Link
CN (1) CN112000007A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104790799A (zh) * 2014-01-21 2015-07-22 江苏新绿能科技有限公司 一种地铁屏蔽门门机自抗扰控制系统
CN106708064A (zh) * 2015-11-13 2017-05-24 中国科学院沈阳自动化研究所 一种水下机器人的垂直面控制方法
US20180260008A1 (en) * 2017-03-13 2018-09-13 Samsung Electronics Co., Ltd. Active disturbance rejection based thermal control
CN108646743A (zh) * 2018-06-01 2018-10-12 浙江亚特电器有限公司 用于移动载具的路径跟踪方法
CN109507885A (zh) * 2018-12-20 2019-03-22 中国海洋大学 基于自抗扰的无模型自适应auv控制方法
CN109799703A (zh) * 2018-12-20 2019-05-24 广西师范大学 一种粒子群自抗扰控制方法、装置及存储介质
CN111240347A (zh) * 2020-01-17 2020-06-05 中南大学 一种自抗扰控制的无人机航向角误差补偿方法、系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104790799A (zh) * 2014-01-21 2015-07-22 江苏新绿能科技有限公司 一种地铁屏蔽门门机自抗扰控制系统
CN106708064A (zh) * 2015-11-13 2017-05-24 中国科学院沈阳自动化研究所 一种水下机器人的垂直面控制方法
US20180260008A1 (en) * 2017-03-13 2018-09-13 Samsung Electronics Co., Ltd. Active disturbance rejection based thermal control
CN108646743A (zh) * 2018-06-01 2018-10-12 浙江亚特电器有限公司 用于移动载具的路径跟踪方法
CN109507885A (zh) * 2018-12-20 2019-03-22 中国海洋大学 基于自抗扰的无模型自适应auv控制方法
CN109799703A (zh) * 2018-12-20 2019-05-24 广西师范大学 一种粒子群自抗扰控制方法、装置及存储介质
CN111240347A (zh) * 2020-01-17 2020-06-05 中南大学 一种自抗扰控制的无人机航向角误差补偿方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张美娜: "农业车辆自主导航控制算法研究", 《中国博士学位论文全文数据库 农业科技辑》 *
童成意: "基于免疫粒子群的自抗扰优化控制策略研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
Fang et al. Trajectory tracking control of farm vehicles in presence of sliding
Arogeti et al. Path following of autonomous vehicles in the presence of sliding effects
Wu et al. A novel adaptive steering torque control approach for human–machine cooperation autonomous vehicles
Lapierre et al. Nonsingular path following control of a unicycle in the presence of parametric modelling uncertainties
CN110989597B (zh) 一种集成模糊神经网络的自适应路径跟踪方法
CN111781827B (zh) 基于神经网络和滑模控制的卫星编队控制方法
CN108919837A (zh) 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法
CN105912009A (zh) 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法
CN112631320A (zh) 一种无人机自适应控制方法及系统
CN108490943A (zh) 一种农业机械自适应曲线自动驾驶控制方法
CN105676674B (zh) 基于指令滤波器的无人机前轮转向控制方法
Rigatos A nonlinear optimal control approach for tracked mobile robots
CN108394413A (zh) 一种四轮独立驱动与转向的电动汽车状态与参数校正方法
Tong et al. Trajectory tracking control for four-wheel independently driven electric vehicle based on model predictive control and sliding model control
CN114153228A (zh) 一种有向交互拓扑下无速度测量的四旋翼编队控制方法
Amertet et al. Optimizing the performance of a wheeled mobile robots for use in agriculture using a linear-quadratic regulator
Zhang et al. Internal-model-Principle-Based fast adaptive iterative learning trajectory tracking control for autonomous farming vehicle under alignment condition and input constraint
Korayem et al. Adaptive robust control with slipping parameters estimation based on intelligent learning for wheeled mobile robot
CN112000007A (zh) 一种用于农机无人驾驶的扰动抑制控制方法
Eaton et al. Robust sliding mode control of an agricultural tractor under the influence of slip
Lin et al. Cross-line-turn path tracking of intelligent agricultural vehicle based on MPC in standard orchard
Tourajizadeh et al. Modeling and Optimal Contol of 4 Wheel Steering Vehicle Using LQR and its Comparison with 2 Wheel Steering Vehicle
CN112764347B (zh) 一种基于最大相关熵准则的智能车辆路径跟踪方法
Kayacan et al. Neuro-fuzzy control with a novel training method based-on sliding mode control theory: Application to tractor dynamics
Cheng et al. A model-free adaptive predictive path-tracking controller with PID terms for tractors

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201127