CN112180918B - 一种双移动机器人同步控制方法及其系统 - Google Patents
一种双移动机器人同步控制方法及其系统 Download PDFInfo
- Publication number
- CN112180918B CN112180918B CN202010983747.9A CN202010983747A CN112180918B CN 112180918 B CN112180918 B CN 112180918B CN 202010983747 A CN202010983747 A CN 202010983747A CN 112180918 B CN112180918 B CN 112180918B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- displacement
- neuron
- output
- deviation
- 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
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000006073 displacement reaction Methods 0.000 claims abstract description 240
- 210000002569 neuron Anatomy 0.000 claims abstract description 160
- 238000013528 artificial neural network Methods 0.000 claims abstract description 100
- 238000006880 cross-coupling reaction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 36
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 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
- G05D1/0212—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
- G05D1/0212—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
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)
Abstract
本发明提供一种双移动机器人同步控制方法及其系统,该系统包括单神经元PID控制器A、单神经元PID控制器B和自适应BP神经网络同步补偿器;采用交叉耦合控制,一方面,利用单神经元PID控制器快速学习性、在线调整特性,将连接权值作为PID系数,对控制系统中比例、积分、微分系数不断进行调整,分别调节各移动机器人输出位移偏差对应控制电压信号,减小各机器人实际位移与目标位移之间的偏差;另一方面,利用自适应BP神经网络与同步偏差补偿器相结合,使其在线学习、自适应地调整补偿器中PID参数,以调整双移动机器人同步偏差补偿量分配,实现对双移动机器人之间的位移同步偏差补偿,保持同步运动,同时改善系统实时性,减小系统同步偏差,提高控制精度。
Description
技术领域
本发明属于机器人技术领域,尤其涉及一种基于自适应神经网络的双移动机器人同步控制方法及其系统。
背景技术
在双移动机器人同步控制系统中,主要通过采集控制目标移动机器人速度、位置信号,通过同步控制算法进行处理,进而对每个移动机器人驱动电机分别进行实时控制,使得双移动机器人保持位置同步运行。其中,同步控制算法的准确性、实时性是提高双移动机器人同步性能的关键因素。
目前同步控制算法中,相对具有代表性的研究有:
其一,主从式同步控制方法:2015年Charles M将双台式机器人分别定义为主机器人A、跟随机器人B,引入主从控制方法,使用积分分离PID控制器控制跟随机器人对主机器人进行跟随运动进而实现同步。2016年林辰龙将主从式同步控制与模糊控制相结合,以模糊PID算法作为核心控制器,以双机偏差E及偏差变化率Ec作为模糊控制器输入,将其中一个电机作为主电机以固定速度运动,控制从电机运动速度与主电机保持一致;主从式同步控制方法结构简单易于实现,但由于主机器人实时位置或速度信号经控制器处理后得到控制信号,进而对从机器人进行调节,当机器人启动、停止时同步误差较大,实时性有所欠缺。
其二,滑模控制算法:2017年高国琴针对双并联输送机器人同步误差问题,将并联机器人相邻关节之间姿态误差与同步误差作为复合误差,并基于该复合误差设计了一种基于复合误差鲁棒同步滑模控制方法,引入非线性扰动观测器,估计并补偿非线性误差。使系统获得较好的鲁棒性,有效弱化滑模控制抖振问题,使双并联机器人具有良好同步性能。
其三,交叉耦合控制算法:2017年Anderas、Atui学者设计了一种交叉耦合控制器,控制器包含两个神经网络,一个是有预测功能的前向神经网络,一个是离线训练好的神经网络PID,实际的应用证明了所设计的双神经网络控制器可实现控制器参数优化,使实验机器人的控制效果得到改善,不足之处就是神经网络需要离线提前使用样本数据进行训练,训练后控制参数固定不变,使得该方法运用的灵活性有所降低。
综上所述,现有研究对于双机器人同步控制的研究大多存在实时性不够、控制精度有待提高等问题,其中基于自适应神经网络交叉耦合控制对于双机器人同步运动控制有较强针对性,但是由于神经网络需要提前线下训练以确定控制参数,无法在线调整控制器参数,在实时调整方面存在局限,位置误差调整速度较慢。
发明内容
针对上述问题,本发明提供一种基于自适应神经网络的双移动机器人同步控制方法及其系统,用以控制双移动机器人在同步运动中保持实时位移同步,满足系统同步要求。该方法基于交叉耦合同步控制方法,利用单神经元结构与传统PID控制相结合,使其实现快速、在线调节PID参数,减小移动机器人目标位移与实际位移之间偏差,进一步地,引入自适应BP神经网络同步补偿器对双移动机器人位移同步偏差进行补偿,自适应地减小双机器人之间位移同步偏差,从而使得系统在实现控制参数在线调整的同时提高控制精度,提升系统同步性能。
本发明的技术方案是:一种双移动机器人同步控制方法,包括以下步骤:
步骤S1、基本框架的搭建:使用交叉耦合的方法搭建基本框架,单神经元PID控制器包括单神经元PID控制器A和单神经元PID控制器B,所述单神经元PID控制器A和移动机器人A连接,所述单神经元PID控制器B与移动机器人B连接,移动机器人A和移动机器人B分别与自适应BP神经网络同步补偿器连接;
步骤S2、所述单神经元PID控制器通过连接权值自修正对PID控制器比例系数进行调整,产生控制各移动机器人按目标位移行走的偏差控制信号:单神经元PID控制器的搭建,使用双移动机器人目标位移c(k)与移动机器人A实际位移x(a)的差值e1(k)作为单神经元PID控制器A的输入,双移动机器人目标位移c(k)与移动机器人B实际位移x(b)的差值e2(k)作为单神经元PID控制器B的输入,不断修正连接权值,以不断修正PID控制器比例系数,单神经元PID控制器A输出信号为移动机器人A的位移偏差控制电压信号da,单神经元PID控制器B输出信号为移动机器人B的位移偏差控制电压信号db;
步骤S3、所述自适应BP神经网络同步补偿器通过PID参数自学习来控制补偿器输出同步偏差电压补偿量:自适应BP神经网络同步补偿器结构搭建,使用移动机器人A和移动机器人B实际位移偏差r(k)作为自适应BP神经网络同步补偿器输入,选取性能指标函数,采用梯度下降法修正网络结构中隐藏层和输出层权值,计算出PID比例系数,对PID比例系数进行在线自调整,得到自适应BP神经网络同步补偿器误差补偿量a(k);
步骤S4、所述自适应BP神经网络同步补偿器控制双移动机器人同步行走:自适应BP神经网络同步补偿器根据e1(k)和e2(k)确定位移同步偏差总电压补偿量分配系数Ca、Cb,进而对误差补偿量a(k)进行分配,得到位移同步偏差控制电压补偿量ua、ub,得到移动机器人的位移总控制电压信号ga、gb,在位移偏差控制电压信号da、db和位移总控制电压信号ga、gb共同作用下得到移动机器人A下一时刻输出的实际位移xa和移动机器人B下一时刻输出的实际位移xb,进行双移动机器人位移输出同步控制。
上述方案中,所述步骤S1中使用交叉耦合的方法搭建基本框架包括以下步骤:
以所述移动机器人A的电机A的输出位移信号xa与双移动机器人目标位移c(k)作为单神经元PID控制器A的输入信号e1(k),单神经元PID控制器A输出对移动机器人A的位移偏差控制电压信号为da,即为控制移动机器人A驱动电机A的电压信号;
以所述移动机器人B的电机B的输出位移信号xb与双移动机器人目标位移c(k)作为单神经元PID控制器B的输入信号e2(k);单神经元PID控制器B输出对移动机器人B的位移偏差控制电压信号为db,即为控制移动机器人B驱动电机B的电压信号;
所述自适应BP神经网络同步补偿器的输入信号为移动机器人A实际位移xa和移动机器人B实际位移xb的差值,即双移动机器人位移同步偏差r(k),自适应BP神经网络同步补偿器的输出信号为对移动机器人A的位移同步偏差控制电压补偿量ua、对移动机器人B的位移同步偏差控制电压补偿量ub;
所述移动机器人A的输入信号为单神经元PID控制器A输出的位移偏差控制电压信号da、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的差得到位移总控制电压信号ga,移动机器人A的输出信号为下一时刻输出的实际位移xa;
所述移动机器人B的输入信号为单神经元PID控制器B输出的位移偏差控制电压信号db、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的和得到位移总控制电压信号gb,移动机器人B的输出信号为下一时刻输出的实际位移xb。
上述方案中,所述步骤S2中单神经元PID控制器的搭建以单神经元PID控制器A为例,包括以下步骤:
第k个时刻,输入信号源即移动机器人目标位移c(k)和电机A实际位移xa差值为:
e1(k)=c(k)-xa 公式一
其中,e1(k)为第k个时刻单神经元PID控制器A输入信号源,c(k)为第k个时刻双移动机器人行进的目标位移;
所述信号源经过状态转换器后成为单神经元输入信号x1(k)、x2(k)、x3(k):
其中,x1(k)、x2(k)、x3(k)为k个时刻单神经元的输入信号,e1(k)、e1(k-1)、e1(k-2)分别为第k、k-1、k-2个时刻单神经元PID控制器A的输入信号源;
单神经元输出信号为:
其中,u(k)、u(k-1)为第k、k-1个时刻神经元输出信号,K为输出增益,wi(k)为第k个时刻单神经元中的连接权值,其中i=1,2,3。
上述方案中,所述步骤S2中修正PID控制器比例系数具体为:
所述单神经元PID控制器输出信号u(k)中的连接权值w1、w2、w3分别作为单神经元PID控制器中的比例系数、积分系数、微分系数;采用Delta学习规则不断修正连接权值;
所述Delta学习规则公式表述为:
其中,wi(k)为第k个时刻的连接权值,wi(k-1)为第k-1个时刻的连接权值,ηP、ηI、ηD分别为单神经元PID控制器比例系数w1、积分系数w2、微分系数w3的学习率。
上述方案中,所述步骤S3的自适应BP神经网络同步补偿器包含一个三层前馈神经网络,所述三层前馈神经网络的输入层含三个神经元,隐藏层含四个神经元,输出层含三个神经元,利用移动机器人A和移动机器人B之间位移偏差r(k)作为自适应BP神经网络同步补偿器信号源,分别对移动机器人A和移动机器人B输出位移偏差控制电压补偿量ua、ub;
其中,第k个时刻时移动机器人A和移动机器人B位移偏差r(k)为:
r(k)=x(a)-x(b) 公式七
其中,x(a)为移动机器人A实际位移,x(b)为移动机器人B实际位移,r(k)为第k个时刻移动机器人A和移动机器人B位移偏差;
在输入层中:定义系统误差C1(k)、累计误差C2(k)、微分误差C3(k)分别为输入层输入信号:
其中,C1(k)、C2(k)、C3(k)为BP神经网络输入层的输入,r(k)、r(k-1)分别为第k、k-1个时刻时移动机器人A和移动机器人B位移偏差;
因此,神经网络输入层输入向量为:
C=[C1 C2 C3] 公式九
在隐藏层中:隐藏层含有J个神经元,第j个神经元输入为:
隐藏层第j个神经元输出为:
在输出层中:输出层共有三个神经元,输出值分别作为控制器中kp、ki、kd系数,隐藏层输出在经过权值作用后,成为输出层的输入,输出层第m个神经元输入为:
使用非负tanh函数g(x)作为输出层激活函数,g(x)表示为:
进而得到输出层神经元输出为:
进一步的,所述步骤S3中取性能指标函数为:
其中:
进一步的,所述步骤S3中采用梯度下降法修正网络结构中隐藏层和输出层权值,则有:
推理可得,BP神经网络输出层权值计算公式为:
其中:
BP神经网络隐藏层权值计算公式为:
根据移动机器人目标位移c(k)与移动机器人A实际位移x(a)之间的偏差e1(k)、移动机器人目标位移c(k)与移动机器人B实际位移x(b)之间的偏差e2(k),确定位移同步偏差总电压补偿量分配系数Ca、Cb:
其中:
根据位移同步偏差控制电压分配系数Ca、Cb对自适应BP神经网同步补偿器输出的位移同步偏差总电压补偿量a(k)进行分配:
其中,ua、ub即为自适应BP神经网同步补偿器分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
进一步的,所述BP神经网络输出层权值计算公式的推导过程如下:
位移同步偏差总电压补偿量a(k)表示为:
a(k)=kpC1(k)+kdC2(k)+kiC3(k) 公式二十一
将公式二十、公式二十一代入公式十九,得到BP神经网络输出层权值计算公式。
上述方案中,所述步骤S4中双移动机器人位移输出同步控制具体为:
对于所述移动机器人A,在控制电压信号da和位移同步偏差控制电压补偿量ua共同作用下产生移动机器人A的位移总控制电压信号ga:
ga=da-ua 公式二十九
通过改变移动机器人A驱动电机的控制电压ga,改变电机转速大小,进而改变移动机器人A位移量;
对于所述移动机器人B,在控制电压信号db和位移同步偏差控制电压补偿量ub共同作用下产生移动机器人B的位移总控制电压信号gb:
gb=db+ub 公式三十
通过改变移动机器人B驱动电机的控制电压gb,改变电机转速大小,进而改变移动机器人B位移量。
本发明还提供一种实现所述的双移动机器人同步控制方法的系统,包括单神经元PID控制器A、单神经元PID控制器B和自适应BP神经网络同步补偿器;
所述单神经元PID控制器A用于实现PID系数自修正,进而控制移动机器人A位移偏差;
所述单神经元PID控制器B用于实现PID系数自修正,进而控制移动机器人B位移偏差;
所述自适应BP神经网络同步补偿器用于输出位移同步偏差总电压补偿量a(k),并对位移同步偏差总电压补偿量进行分配,进而分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
与现有技术相比,本发明的有益效果是:本发明为基于自适应神经网络的双移动机器人同步控制方法,整体控制结构采用交叉耦合控制,一方面,利用单神经元PID控制器快速学习性、在线调整特性,将连接权值作为PID系数,对控制系统中比例、积分、微分系数不断进行调整,分别调节各移动机器人输出位移偏差对应控制电压信号,减小各机器人实际位移与目标位移之间的偏差;另一方面,利用自适应BP神经网络与同步偏差补偿器相结合,使其在线学习、自适应地调整补偿器中PID参数,以调整双移动机器人同步偏差补偿量分配,实现对双移动机器人之间的位移同步偏差补偿,保持同步运动,同时改善系统实时性,减小系统同步偏差,提高控制精度。
附图说明
图1是本发明一实施方式的双移动机器人同步控制方法整体控制结构;
图2是本发明一实施方式的自适应神经网络双移动机器人同步控制方法流程图;
图3是本发明一实施方式的单神经元PID控制器结构;
图4是本发明一实施方式的BP神经网络同步补偿器结构;
图5是本发明一实施方式的BP神经网络结构。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
实施例1
如图1所示,为本发明所述双移动机器人同步控制方法的较佳实施例,所述双移动机器人同步控制方法,包括以下步骤:
步骤S1、基本框架的搭建:使用交叉耦合的方法搭建基本框架,单神经元PID控制器包括单神经元PID控制器A和单神经元PID控制器B,所述单神经元PID控制器A和移动机器人A连接,所述单神经元PID控制器B与移动机器人B连接,移动机器人A和移动机器人B分别与自适应BP神经网络同步补偿器连接;
步骤S2、所述单神经元PID控制器通过连接权值自修正对PID控制器比例系数进行调整,产生控制各移动机器人按行走目标位移的偏差控制信号:单神经元PID控制器的搭建,使用双移动机器人目标位移c(k)与移动机器人A实际位移x(a)的差值e1(k)作为单神经元PID控制器A的输入,双移动机器人目标位移c(k)与移动机器人B实际位移x(b)的差值e2(k)作为单神经元PID控制器B的输入,不断修正连接权值,以不断修正PID控制器比例系数,单神经元PID控制器A输出信号为移动机器人A的位移偏差控制电压信号da,单神经元PID控制器B输出信号为移动机器人B的位移偏差控制电压信号db;
步骤S3、所述自适应BP神经网络同步补偿器通过PID参数自学习来控制补偿器输出同步偏差电压补偿量:自适应BP神经网络同步补偿器结构搭建,使用移动机器人A和移动机器人B实际位移偏差r(k)作为自适应BP神经网络同步补偿器输入,选取性能指标函数,采用梯度下降法修正网络结构中隐藏层和输出层权值,计算出PID比例系数,对PID比例系数进行在线自调整,得到自适应BP神经网络同步补偿器误差补偿量a(k);
步骤S4、所述自适应BP神经网络同步补偿器控制双移动机器人同步行走:自适应BP神经网络同步补偿器根据双移动机器人实际位移与目标位移的偏差e1(k)和e2(k)确定位移同步偏差总电压补偿量分配系数Ca、Cb,对误差补偿量a(k)进行分配,得到位移同步偏差控制电压补偿量ua、ub,得到移动机器人的位移总控制电压信号ga、gb,进而得到移动机器人A下一时刻输出的实际位移xa和移动机器人B下一时刻输出的实际位移xb,进行双移动机器人位移输出同步控制。
所述步骤S1中总体框架:包括自适应BP神经网络同步补偿器,单神经元PID控制器A、单神经元PID控制器B、移动机器人A、移动机器人器B。
所述使用交叉耦合的方法搭建基本框架包括以下步骤:
以所述移动机器人A的电机A的输出位移信号xa与双移动机器人目标位移c(k)作为单神经元PID控制器A的输入信号e1(k),单神经元PID控制器A输出对移动机器人A的位移偏差控制电压信号为da,即为控制移动机器人A驱动电机A的电压信号;
以所述移动机器人B的电机B的输出位移信号xb与双移动机器人目标位移c(k)作为单神经元PID控制器B的输入信号e2(k);单神经元PID控制器B输出对移动机器人B的位移偏差控制电压信号为db,即为控制移动机器人B驱动电机B的电压信号;
所述自适应BP神经网络同步补偿器的输入信号为移动机器人A实际位移xa和移动机器人B实际位移xb的差值,即双移动机器人位移同步偏差r(k),自适应BP神经网络同步补偿器的输出信号为对移动机器人A的位移同步偏差控制电压补偿量ua、对移动机器人B的位移同步偏差控制电压补偿量ub;
所述移动机器人A的输入信号为单神经元PID控制器A输出的位移偏差控制电压信号da、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的差得到位移总控制电压信号ga,移动机器人A的输出信号为下一时刻输出的实际位移xa;
所述移动机器人B的输入信号为单神经元PID控制器B输出的位移偏差控制电压信号db、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的和得到位移总控制电压信号gb,移动机器人B的输出信号为下一时刻输出的实际位移xb。
双移动机器人目标位移c(k)为系统输入信号,双移动机器人A、B实际位移x(a)、x(b)为系统输出信号。
其中,移动机器人A目标位移c(k)与移动机器人A实际位移x(a)之间的偏差e1(k)为单神经元PID控制器A的输入信号,移动机器人B目标位移c(k)与移动机器人B实际位移x(b)之间的偏差e2(k)为单神经元PID控制器B的输入信号。单神经元PID控制器A输出信号为移动机器人A的位移偏差控制电压信号da,单神经元PID控制器B输出信号为移动机器人B的位移偏差控制电压信号db。
所述自适应BP神经网络同步补偿器的输入信号为双移动机器人实际位移xa、xb差值,即为双移动机器人位移同步偏差r(k)。输出信号为对移动机器人A、B的位移同步偏差控制电压补偿量ua、ub。BP神经网络同步补偿器将输入的位移同步偏差信号,转换为位移同步偏差电压补偿量输出。
单神经元PID控制器输出的位移偏差控制电压信号da、db和自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua、ub共同作用产生位移总控制电压信号ga、gb。
所述ga、gb为电压信号,通过改变移动机器人A、B驱动电机的电压来改变电机转速大小,进而改变移动机器人A、B的位移量,控制双移动机器人同步前进。
如图2所示,为本发明所述双移动机器人同步控制方法的控制方法流程包括以下步骤:单神经元PID控制器通过连接权值自修正对PID控制器比例系数进行调整,产生控制各移动机器人按行走目标位移的偏差控制信号;对于双移动机器人实际位移同步差值,自适应BP神经网络同步补偿器通过PID参数自学习来控制补偿器输出同步偏差电压补偿量;最终通过对双移动机器人按行走目标位移的偏差控制信号和同步位移偏差补偿进行综合控制,实现双移动机器人同步行走。
如图3所示,所述单神经元PID控制器,特征是:以移动机器人目标位移c(k)和移动机器人A、B实际位置输出xa、xb分别做差,得到e1(k)、e2(k)作为两个单神经元PID控制器A、B输入信号来源,输出为da、db。使用连续感知器学习规则,即delta规则,不断修正单神经元连接权值,以调节PID比例系数。
以下以单神经元控制器A为例进行叙述。第k次信号采样时,输入信号源即移动机器人目标位移c(k)和电机A实际位移xa差值为:
e1(k)=c(k)-xa 公式一
其中,e1(k)为第k个时刻单神经元PID控制器A输入信号源,c(k)为第k个时刻双移动机器人按一定速度行进的目标位移。
所述信号源经过状态转换器后成为单神经元输入信号x1(k)、x2(k)、x3(k):
其中,x1(k)、x2(k)、x3(k)为k个时刻单神经元的输入信号,e1(k)、e1(k-1)、e1(k-2)分别为第k、k-1、k-2个时刻单神经元PID控制器A的输入信号源。
单神经元输出信号为:
其中,u(k)、u(k-1)为第k、k-1个时刻神经元输出信号,K为输出增益,wi(k)为第k个时刻单神经元中的连接权值,其中i=1,2,3。
输出增益K可根据控制系统整体模型自行设定,K值越大收敛速度越快,同时过大易导致系统稳定性降低,K值越小稳定性越好,同时过小易造成调节时间较长。
PID比例系数自调整:所述单神经元PID控制器输出信号u(k)中的连接权值w1、w2、w3作为PID控制器中比例、积分、微分系数。为使单神经元具有自适应、自调整PID增益系数功能,采用Delta学习规则不断修正连接权值。
所述Delta学习规则公式可以表述为:
其中wi(k)为第k个时刻的连接权值,wi(k-1)为第k-1个时刻的连接权值。ηP、ηI、ηD分别为单神经元PID控制器比例系数w1、积分系数w2、微分系数w3的学习率,通过设置学习率大小可调整控制器学习速率。
所述单神经元PID控制器输出位移偏差控制电压信号:得到单神经元PID控制器A输出对移动机器人A的位移偏差控制电压信号da为:
da=u(k-1)+K[ω1(k)x1(k)+ω2(k)x2(k)+ω3(k)x3(k)] 公式五
其中,da为单神经元PID控制器A对移动机器人A输出的位移偏差控制电压信号。
对于单神经元PID控制器B使用相同方法进行推理计算,得到单神经元PID控制器B输出对移动机器人B的位移偏差控制电压信号db为:
其中,db为单神经元PID控制器B对移动机器人B输出的位移偏差控制电压信号,u'(k-1)为单神经元PID控制器B第k-1个时刻输出信号,K'为单神经元PID控制器B中的输出增益,w1'、w'2、w'3为单神经元PID控制器B中的连接权值,x1'(k)、x'2(k)、x'2(k)为单神经元PID控制器B中单神经元的输入信号。
如图4所示,为本发明所述自适应BP神经网络同步补偿器结构,双移动机器人同步位移偏差作为BP神经网络输入,处理后输出kp、kd、ki作为PID控制器参数,再由PID控制器控制输出位移同步偏差电压补偿量。
如图5所示,为本发明所述BP神经网络结构,选取一个三层前馈神经网络,三层前馈神经网络的输入层含三个神经元,隐藏层含四个神经元,输出层含三个神经元。利用移动机器人A、B之间位移偏差r(k)作为自适应神经网络同步补偿器信号源,分别对移动机器人A和移动机器人B输出位移偏差控制电压补偿量ua、ub。
其中,第k个时刻时双移动机器人A、B位移偏差r(k)为:
r(k)=x(a)-x(b) 公式七
其中,x(a)为移动机器人A实际位移,x(b)为移动机器人B实际位移,r(k)为第k次采样时双移动机器人A、B位移偏差。
在输入层中:定义系统误差C1(k)、累计误差C2(k)、微分误差C3(k)分别为输入层输入信号:
其次,C1(k)、C2(k)、C3(k)为BP神经网络输入层的输入,r(k)、r(k-1)为第k、k-1个时刻时双移动机器人A、B位移偏差。
因此,神经网络输入层输入向量为:
C=[C1 C2 C3] 公式九
在隐藏层中:隐藏层含有4个神经元,第j个神经元输入为:
进一步,隐藏层第j个神经元输出为:
在输出层中:输出层共有三个神经元,输出值分别作为控制器中kp、ki、kd系数,隐藏层输出在经过权值作用后,成为输出层的输入。输出层第m个神经元输入为:
进一步,使用非负tanh函数g(x)作为输出层激活函数,g(x)可以表示为:
进而得到输出层神经元输出为:
输出层神经元的输出即为自适应BP神经网络同步补偿器中各项比例系数:
输出层、隐藏层权值的实时修正:取性能指标函数为:
其中:
采用梯度下降法修正网络结构中各层权值,则有:
位移同步偏差总电压补偿量a(k)可以表示为:
a(k)=kpC1(k)+kdC2(k)+kiC3(k) 公式二十一
将公式二十、公式二十一代入公式十九,得到BP神经网络输出层权值计算公式为:
其中:
其中
根据移动机器人目标位移c(k)与移动机器人A实际位移x(a)之间的偏差e1(k)、移动机器人目标位移c(k)与移动机器人B实际位移x(b)之间的偏差e2(k),确定位移同步偏差总电压补偿量分配系数Ca、Cb:
其中:
根据位移同步偏差控制电压分配系数Ca、Cb对自适应BP神经网同步补偿器输出的位移同步偏差总电压补偿量a(k)进行分配:
其中,ua、ub即为自适应BP神经网同步补偿器分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
双移动机器人位移输出控制:对于移动机器人A,在控制电压信号da和位移同步偏差控制电压补偿量ua共同作用下(相减)产生移动机器人A的位移总控制电压信号ga。
ga=da-ua 公式二十九
通过改变移动机器人A驱动电机的控制电压ga,改变电机转速大小,进而改变移动机器人A位移量。
对于移动机器人B,在控制电压信号db和位移同步偏差控制电压补偿量ub共同作用下(相加)产生移动机器人B的位移总控制电压信号gb。
gb=db+ub 公式三十
通过改变移动机器人B驱动电机的控制电压gb,改变电机转速大小,进而改变移动机器人B位移量。
本发明提供一种基于自适应神经网络的双移动机器人同步控制方法,用以控制双移动机器人在同步运动中保持实时位置同步,满足系统同步要求。本发明所述双移动机器人同步控制方法,其控制结构框架特征是:使用交叉耦合控制作为主要框架,结构包括自适应BP神经网络同步补偿器,单神经元PID控制器A、单神经元PID控制器B、移动机器人A、移动机器人器B。本发明一方面,利用单神经元结构与传统PID控制相结合,使其实现快速、在线调节PID参数,减小移动机器人目标位移与实际位移之间偏差;另一方面,引入自适应BP神经网络同步补偿器对双移动机器人位移同步偏差进行补偿,自适应地减小双机器人之间位移同步偏差,从而使得系统在实现控制参数在线调整的同时,提高控制精度,提升系统同步性能,弥补了传统双机器人同步控制方法无法在线调整、实时性差、同步控制精度较低的不足。
实施例2
一种实现实施例1所述的双移动机器人同步控制方法的系统,包括自适应BP神经网络同步补偿器,单神经元PID控制器A、单神经元PID控制器B、移动机器人A和移动机器人器B。
所述单神经元PID控制器A用于实现PID系数自修正,进而控制移动机器人A位移偏差。
所述单神经元PID控制器B用于实现PID系数自修正,进而控制移动机器人B位移偏差。
所述自适应BP神经网络同步补偿器用于输出位移同步偏差总电压补偿量a(k),并对位移同步偏差总电压补偿量进行分配,进而分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种双移动机器人同步控制方法,其特征在于,包括以下步骤:
步骤S1、基本框架的搭建:使用交叉耦合的方法搭建基本框架,单神经元PID控制器包括单神经元PID控制器A和单神经元PID控制器B,所述单神经元PID控制器A和移动机器人A连接,所述单神经元PID控制器B与移动机器人B连接,移动机器人A和移动机器人B分别与自适应BP神经网络同步补偿器连接;
步骤S2、所述单神经元PID控制器通过连接权值自修正对PID控制器比例系数进行调整,产生控制各移动机器人按目标位移行走的偏差控制信号:单神经元PID控制器的搭建,使用双移动机器人目标位移c(k)与移动机器人A实际位移x(a)的差值e1(k)作为单神经元PID控制器A的输入,双移动机器人目标位移c(k)与移动机器人B实际位移x(b)的差值e2(k)作为单神经元PID控制器B的输入,不断修正连接权值,以不断修正PID控制器比例系数,单神经元PID控制器A输出信号为移动机器人A的位移偏差控制电压信号da,单神经元PID控制器B输出信号为移动机器人B的位移偏差控制电压信号db;
步骤S3、所述自适应BP神经网络同步补偿器通过PID参数自学习来控制补偿器输出同步偏差电压补偿量:自适应BP神经网络同步补偿器结构搭建,使用移动机器人A和移动机器人B实际位移偏差r(k)作为自适应BP神经网络同步补偿器输入,选取性能指标函数,采用梯度下降法修正网络结构中隐藏层和输出层权值,计算出PID比例系数,对PID比例系数进行在线自调整,得到自适应BP神经网络同步补偿器误差补偿量a(k);
步骤S4、所述自适应BP神经网络同步补偿器控制双移动机器人同步行走:自适应BP神经网络同步补偿器根据e1(k)和e2(k)确定位移同步偏差总电压补偿量分配系数Ca、Cb,进而对误差补偿量a(k)进行分配,得到位移同步偏差控制电压补偿量ua、ub,位移同步偏差控制电压补偿量ua、ub和位移偏差控制电压信号da、db共同作用下,得到移动机器人的位移总控制电压信号ga、gb,在位移同步偏差控制电压补偿量ua、ub、位移偏差控制电压信号da、db和位移总控制电压信号ga、gb共同作用下得到移动机器人A下一时刻输出的实际位移xa和移动机器人B下一时刻输出的实际位移xb,进行双移动机器人位移输出同步控制。
2.根据权利要求1所述双移动机器人同步控制方法,其特征在于,所述步骤S1中使用交叉耦合的方法搭建基本框架包括以下步骤:
以所述移动机器人A的电机A的输出位移信号xa与双移动机器人目标位移c(k)作为单神经元PID控制器A的输入信号e1(k),单神经元PID控制器A输出对移动机器人A的位移偏差控制电压信号为da,即为控制移动机器人A驱动电机A的电压信号;
以所述移动机器人B的电机B的输出位移信号xb与双移动机器人目标位移c(k)作为单神经元PID控制器B的输入信号e2(k);单神经元PID控制器B输出对移动机器人B的位移偏差控制电压信号为db,即为控制移动机器人B驱动电机B的电压信号;
所述自适应BP神经网络同步补偿器的输入信号为移动机器人A实际位移xa和移动机器人B实际位移xb的差值,即双移动机器人位移同步偏差r(k),自适应BP神经网络同步补偿器的输出信号为对移动机器人A的位移同步偏差控制电压补偿量ua、对移动机器人B的位移同步偏差控制电压补偿量ub;
所述移动机器人A的输入信号为单神经元PID控制器A输出的位移偏差控制电压信号da、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的差得到位移总控制电压信号ga,移动机器人A的输出信号为下一时刻输出的实际位移xa;
所述移动机器人B的输入信号为单神经元PID控制器B输出的位移偏差控制电压信号db、与自适应BP神经网络同步补偿器输出的位移同步偏差控制电压补偿量ua的和得到位移总控制电压信号gb,移动机器人B的输出信号为下一时刻输出的实际位移xb。
3.根据权利要求1所述双移动机器人同步控制方法,其特征在于,所述步骤S2中单神经元PID控制器的搭建以单神经元PID控制器A为例,包括以下步骤:
第k个时刻,输入信号源即移动机器人目标位移c(k)和电机A实际位移xa差值为:
e1(k)=c(k)-xa 公式一
其中,e1(k)为第k个时刻单神经元PID控制器A输入信号源,c(k)为第k个时刻双移动机器人行进的目标位移;
所述信号源经过状态转换器后成为单神经元输入信号x1(k)、x2(k)、x3(k):
其中,x1(k)、x2(k)、x3(k)为k个时刻单神经元的输入信号,e1(k)、e1(k-1)、e1(k-2)分别为第k、k-1、k-2个时刻单神经元PID控制器A的输入信号源;
单神经元输出信号为:
其中,u(k)、u(k-1)为第k、k-1个时刻神经元输出信号,K为输出增益,wi(k)为第k个时刻单神经元中的连接权值,其中i=1,2,3。
4.根据权利要求1所述双移动机器人同步控制方法,其特征在于,所述步骤S2中修正PID控制器比例系数具体为:
所述单神经元PID控制器输出信号u(k)中的连接权值w1、w2、w3分别作为单神经元PID控制器中的比例系数、积分系数、微分系数;采用Delta学习规则不断修正连接权值;
所述Delta学习规则公式表述为:
其中,wi(k)为第k个时刻的连接权值,wi(k-1)为第k-1个时刻的连接权值,ηP、ηI、ηD分别为单神经元PID控制器比例系数w1、积分系数w2、微分系数w3的学习率,u(k)为第k个时刻神经元输出信号,x1(k)、x2(k)、x3(k)为k个时刻单神经元的输入信号,e1(k)为第k个时刻单神经元PID控制器A的输入信号源。
5.根据权利要求1所述双移动机器人同步控制方法,其特征在于,所述步骤S3的自适应BP神经网络同步补偿器包含一个三层前馈神经网络,所述三层前馈神经网络的输入层含三个神经元,隐藏层含四个神经元,输出层含三个神经元,利用移动机器人A和移动机器人B之间位移偏差r(k)作为自适应BP神经网络同步补偿器信号源,分别对移动机器人A和移动机器人B输出位移偏差控制电压补偿量ua、ub;
其中,第k个时刻时移动机器人A和移动机器人B位移偏差r(k)为:
r(k)=x(a)-x(b) 公式七
其中,x(a)为移动机器人A实际位移,x(b)为移动机器人B实际位移,r(k)为第k个时刻移动机器人A和移动机器人B位移偏差;
在输入层中:定义系统误差C1(k)、累计误差C2(k)、微分误差C3(k)分别为输入层输入信号:
其中,C1(k)、C2(k)、C3(k)为BP神经网络输入层的输入,r(k)、r(k-1)分别为第k、k-1个时刻时移动机器人A和移动机器人B位移偏差;
因此,神经网络输入层输入向量为:
C=[C1(k) C2(k) C3(k)] 公式九
在隐藏层中:隐藏层含有J个神经元,第j个神经元输入为:
隐藏层第j个神经元输出为:
在输出层中:输出层共有三个神经元,输出值分别作为控制器中kp、ki、kd系数,隐藏层输出在经过权值作用后,成为输出层的输入,输出层第m个神经元输入为:
使用非负tanh函数g(x)作为输出层激活函数,g(x)表示为:
进而得到输出层神经元输出为:
7.根据权利要求6所述一种双移动机器人同步控制方法,其特征在于,所述步骤S3中采用梯度下降法修正网络结构中隐藏层和输出层权值,则有:
其中,为隐藏层第j个神经元与输出层第m个神经元之间连接权值的变化量,为隐藏层第j个神经元与输出层第m个神经元之间连接权值的变化量,为E(k)对求偏导,ρ为学习率,通过设置学习率大小调节控制器学习速度,γ为惯性系数;
推理可得,BP神经网络输出层权值计算公式为:
其中:
BP神经网络隐藏层权值计算公式为:
根据移动机器人目标位移c(k)与移动机器人A实际位移x(a)之间的偏差e1(k)、移动机器人目标位移c(k)与移动机器人B实际位移x(b)之间的偏差e2(k),确定位移同步偏差总电压补偿量分配系数Ca、Cb:
其中:
根据位移同步偏差控制电压分配系数Ca、Cb对自适应BP神经网同步补偿器输出的位移同步偏差总电压补偿量a(k)进行分配:
其中,ua、ub即为自适应BP神经网同步补偿器分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
9.根据权利要求1所述一种双移动机器人同步控制方法,其特征在于,所述步骤S4中双移动机器人位移输出同步控制具体为:
对于所述移动机器人A,在控制电压信号da和位移同步偏差控制电压补偿量ua共同作用下产生移动机器人A的位移总控制电压信号ga:
ga=da-ua 公式二十九
通过改变移动机器人A驱动电机的控制电压ga,改变电机转速大小,进而改变移动机器人A位移量;
对于所述移动机器人B,在控制电压信号db和位移同步偏差控制电压补偿量ub共同作用下产生移动机器人B的位移总控制电压信号gb:
gb=db+ub 公式三十
通过改变移动机器人B驱动电机的控制电压gb,改变电机转速大小,进而改变移动机器人B位移量。
10.一种实现权利要求1-9任意一项所述的双移动机器人同步控制方法的系统,其特征在于,包括单神经元PID控制器A、单神经元PID控制器B和自适应BP神经网络同步补偿器;
所述单神经元PID控制器A用于实现PID系数自修正,进而控制移动机器人A位移偏差;
所述单神经元PID控制器B用于实现PID系数自修正,进而控制移动机器人B位移偏差;
所述自适应BP神经网络同步补偿器用于输出位移同步偏差总电压补偿量a(k),并对位移同步偏差总电压补偿量进行分配,进而分别对移动机器人A和移动机器人B输出的位移同步偏差控制电压补偿量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983747.9A CN112180918B (zh) | 2020-09-18 | 2020-09-18 | 一种双移动机器人同步控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983747.9A CN112180918B (zh) | 2020-09-18 | 2020-09-18 | 一种双移动机器人同步控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180918A CN112180918A (zh) | 2021-01-05 |
CN112180918B true CN112180918B (zh) | 2023-01-17 |
Family
ID=73920161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010983747.9A Active CN112180918B (zh) | 2020-09-18 | 2020-09-18 | 一种双移动机器人同步控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180918B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947045B (zh) * | 2021-01-26 | 2022-04-29 | 华中科技大学 | 一种多轴同步运动控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5254923A (en) * | 1991-07-24 | 1993-10-19 | Nachi-Fujikoshi Corp. | Industrial robot synchronous control method and apparatus |
CN201562158U (zh) * | 2009-06-17 | 2010-08-25 | 北京华凯汇信息科技有限公司 | 一种多机器人同步控制系统 |
CN106182008A (zh) * | 2016-08-12 | 2016-12-07 | 上海新时达电气股份有限公司 | 多机器人的控制系统及方法 |
CN108445742A (zh) * | 2018-02-07 | 2018-08-24 | 广东工业大学 | 一种气悬浮平台的智能pid控制方法 |
CN110262499A (zh) * | 2019-06-27 | 2019-09-20 | 北京埃索特核电子机械有限公司 | 一种双移动机器人同步控制系统与方法 |
-
2020
- 2020-09-18 CN CN202010983747.9A patent/CN112180918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5254923A (en) * | 1991-07-24 | 1993-10-19 | Nachi-Fujikoshi Corp. | Industrial robot synchronous control method and apparatus |
CN201562158U (zh) * | 2009-06-17 | 2010-08-25 | 北京华凯汇信息科技有限公司 | 一种多机器人同步控制系统 |
CN106182008A (zh) * | 2016-08-12 | 2016-12-07 | 上海新时达电气股份有限公司 | 多机器人的控制系统及方法 |
CN108445742A (zh) * | 2018-02-07 | 2018-08-24 | 广东工业大学 | 一种气悬浮平台的智能pid控制方法 |
CN110262499A (zh) * | 2019-06-27 | 2019-09-20 | 北京埃索特核电子机械有限公司 | 一种双移动机器人同步控制系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112180918A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Adaptive fault-tolerant consensus for a class of leader-following systems using neural network learning strategy | |
CN109062237B (zh) | 一种无人倾转旋翼机自抗扰姿态控制方法 | |
WO2022121923A1 (zh) | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 | |
CN111459051B (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
Cui et al. | Adaptive super-twisting trajectory tracking control for an unmanned aerial vehicle under gust winds | |
CN111176122B (zh) | 一种基于双bp神经网络q学习技术的水下机器人参数自适应反步控制方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN111428317B (zh) | 一种基于5g和循环神经网络的关节摩擦力矩补偿方法 | |
CN112171677B (zh) | 基于lstm迟滞模型的机器人柔性关节补偿控制方法 | |
CN108227506A (zh) | 一种基于自适应最优化方法的机器人导纳控制系统 | |
CN113377121B (zh) | 一种基于深度强化学习的飞行器智能抗扰动控制方法 | |
CN112180918B (zh) | 一种双移动机器人同步控制方法及其系统 | |
CN114310851B (zh) | 一种机器人免力矩传感器的拖动示教方法 | |
CN107315348B (zh) | 一种基于惩罚式小波网络的无人潜航器位姿控制方法 | |
Qi et al. | Three-dimensional formation control based on filter backstepping method for multiple underactuated underwater vehicles | |
CN114237268A (zh) | 一种基于深度强化学习的无人机强鲁棒姿态控制方法 | |
CN110389525B (zh) | 基于极限学习机的混联机构自适应反步控制方法 | |
CN110879567B (zh) | 一种同步控制方法以及系统 | |
CN106033189A (zh) | 飞行机器人位姿神经网络预测控制器 | |
CN109116727B (zh) | 一种基于低通滤波器的pid型一阶全格式无模型自适应航速控制算法 | |
CN113848954A (zh) | 一种改进型多神经元神经网络pid算法的无人车伺服控制系统 | |
CN108155836A (zh) | 基于全局在线启发式动态规划永磁同步电机矢量控制方法 | |
CN113900372A (zh) | 一种基于神经网络自抗扰控制的无人艇航向保持方法 | |
RU83728U1 (ru) | Интеллектульная система управления перемещением робота-манипулятора | |
CN113741183A (zh) | 基于阻尼比模型的工业机器人自适应导纳控制方法 |
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 |