CN112965482B - 一种多机器人运动避碰控制方法及系统 - Google Patents
一种多机器人运动避碰控制方法及系统 Download PDFInfo
- Publication number
- CN112965482B CN112965482B CN202110141127.5A CN202110141127A CN112965482B CN 112965482 B CN112965482 B CN 112965482B CN 202110141127 A CN202110141127 A CN 202110141127A CN 112965482 B CN112965482 B CN 112965482B
- Authority
- CN
- China
- Prior art keywords
- robot
- ith
- matrix
- multiple robots
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000000306 recurrent effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012545 processing 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Abstract
本发明公开了一种多机器人运动避碰控制方法及系统,其方法包括:确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数;利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量。在本发明实施例中,利用对多机器人实时速度的约束,可实现多机器人之间在动态作业过程中的相互避碰,具有较好的实用价值。
Description
技术领域
本发明涉及机器人控制技术领域,尤其涉及一种多机器人运动避碰控制方法及系统。
背景技术
近年来,移动机器人已被广泛应用于制造业、服务业、军事、农业等领域。在一些特殊领域内,相比于单个机器人作业,多机器人作业可节省作业时间并提高效率,然而由于作业空间的有限性,单个机器人在作业期间可能会与其他机器人发生碰撞,造成机器人的损坏甚至发生安全事故。为保障多机器人在同一作业空间下可成功完成各自的指派任务,设计相关的避碰方法具有重要意义。
目前已有的移动机器人避碰方法主要依赖于人工势场法、元启发式算法、人工神经网络算法或者模糊逻辑算法等,但各自存在弊端如下:对于人工势场法而言,不同工作场景通常需要构造不同的势能函数以避免局部最优,以及存在当障碍物在目的地附近时机器人陷入死锁状态的问题;利用元启发式算法可以生成一条从源点到目的地的最短路径,然而此过程所需时间过长且需要大量粒子;利用人工神经网络算法通常需要训练大量的数据,训练时间长且该方法在超混沌环境中不可行;利用模糊逻辑算法可借助模糊规则库来处理精确度不高的环境信息,但该模糊规则库需要人为构造与维护,无法时刻确保该模糊规则库的正确性和完整性。此外,上述四类算法在实现避障设计时并未着重考虑机器人速度分量对系统安全性的影响,为保证多机器人安全完成任务且避免过大的速度分量,机器人轮速的有界性也需要考虑在内。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种多机器人运动避碰控制方法及系统,利用对多机器人实时速度的约束,可实现多机器人之间在动态作业过程中的相互避碰,具有较好的实用价值。
为了解决上述问题,本发明提出了一种多机器人运动避碰控制方法,所述方法包括:
确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第 i个机器人的控制目标函数;
基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数;
利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量。
可选的实施方式,所述确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件包括:
构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息;
构建第j个机器人的第二运动学模型,利用反馈线性化控制算法从所述第二运动学模型中提取出第j个机器人的当前速度信息;
基于第i个机器人的当前速度信息和第j个机器人的当前速度信息,确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件。
可选的实施方式,在构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息之前,还包括:
建立全局坐标系,将第i个机器人和第j个机器人的运动范围均限定至所述全局坐标系中。
可选的实施方式,所述第i个机器人的第一运动学模型为:
其中,为第i个机器人的速度分量,r为第i个机器人的任一车轮半径,L为第i个机器人的同一侧左右轮间的轮距,θi为第i个机器人的朝向角,uri为第i个机器人的右轮运行速度,uli为第i个机器人的左轮运行速度。
可选的实施方式,所述利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息包括:
以第i个机器人的平衡点坐标信息为控制参数,利用反馈线性化控制算法对所述第一运动学模型进行反馈变换,并从中提取出第i个机器人的平衡点坐标信息所对应的当前速度信息为:
ui=[uli,uri]T
可选的实施方式,所述第i个机器人的控制目标函数为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(‖li,j‖2-d2)
其中,为第i个机器人的期望轨迹信息所对应的期望速度信息,η为追踪系数,为第i个机器人的轨迹追踪误差,为第i个机器人的车轮运行速度ui的下限,为第i个机器人的车轮运行速度ui的上限,zrefi为第i个机器人的平衡点坐标信息,zrefj为第j个机器人的平衡点坐标信息,Aj为第j个机器人的本体位移信息,uj为第j个机器人的车轮运行速度,β为预设控制增益参数,li,j为第i个机器人到第j 个机器人之间的平衡点直线距离,d为安全距离期望阈值。
可选的实施方式,所述多机器人的总体控制目标函数为:
s.t.U-≤U≤U+
-2HCAU≤β(L-d2)
其中,为多机器人的当前速度矩阵,为多机器人的期望速度矩阵,为多机器人的追踪误差矩阵,U为多机器人的车轮运行速度矩阵,U-为多机器人的车轮运行速度矩阵U的下限,U+为多机器人的车轮运行速度矩阵U 的上限,H为多机器人的相对距离矩阵,C为符号约束矩阵,A为多机器人的本体位移矩阵,L为多机器人之间的平衡点直线距离矩阵。
可选的实施方式,所述多机器人的实时控制量包括:
其中,ε为网络收敛速度,为多机器人的轮速变化率,PΩ为集合Ω上的投影算子,为状态变化率,λ为当前状态变量,U′为多机器人在下一时刻的车轮运行速度矩阵,λ′为多机器人的下一时刻状态变量,ΔT是周期,V′为多机器人在下一时刻的线速度控制矩阵,W′为多机器人在下一时刻的角速度控制矩阵,U′r为多机器人在下一时刻的右轮运行速度矩阵,U′l为多机器人在下一时刻的左轮运行速度矩阵。
另外,本发明实施例还提供了一种多机器人运动避碰控制系统,所述系统包括:
约束条件获取模块,用于确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
个体函数构建模块,用于获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;
集体函数确定模块,用于基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数;
控制量解析模块,用于利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量。
在本发明实施例中,通过利用反馈线性化控制算法可实现对单个机器人实时速度的闭环约束,同时使得单个机器人轮速具备有界性,可提高单个机器人在运行过程中的安全稳定;以单个机器人的控制目标函数为基准,延伸至多机器人的总体控制目标函数,可极大缩短整个控制系统的运行时间,提高工作效率;通过利用递归神经网络的学习能力来解析出多机器人的实时控制量,可高效准确地实现多机器人之间在动态作业过程中的相互避碰,具有较好的实用价值。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的多机器人运动避碰控制方法的流程示意图;
图2是本发明实施例中的单个机器人运动学模型的具体示意图;
图3是本发明实施例中的多机器人运动避碰控制系统的组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1示出了本发明实施例中的多机器人运动避碰控制方法的流程示意图。
如图1所示,一种多机器人运动避碰控制方法,所述方法包括如下:
S101、确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
本发明实施过程包括:
(1)建立全局坐标系,将第i个机器人和第j个机器人的运动范围均限定至所述全局坐标系中;
进一步的,基于本发明实施例针对同一作业空间内的N个机器人进行避碰控制,需将N个机器人的运动范围均限定至所述全局坐标系中,此处的i= 1,2,…,N,j=1,2,…,N,且i≠j。
(2)构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息;
具体的,首先获取第i个机器人在所述全局坐标系中的位姿数据为zi= [xi,yi,θi]T,且基于第i个机器人的同一侧前后两轮均以相同速度行驶,此时可构建出第i个机器人的第一运动学模型,如图2所示,具体表达为:
式中:为第i个机器人的速度分量,r为第i个机器人的任一车轮半径, L为第i个机器人的同一侧左右轮间的轮距,θi为第i个机器人的朝向角,uri为第i个机器人的右轮运行速度,uli为第i个机器人的左轮运行速度,xi、yi分别为第i个机器人在所述全局坐标系中的x轴位置分量、y轴位置分量;
其次将第i个机器人的本体控制问题简化为平衡点控制问题,即:以第 i个机器人的平衡点坐标信息zrefi为控制参数,利用反馈线性化控制算法对所述第一运动学模型进行反馈变换,并从中提取出第i个机器人的平衡点坐标信息zrefi所对应的当前速度信息为:
ui=[uli,uri]T
式中:为第i个机器人的当前速度信息,Ai为第i个机器人的本体位移信息,ui为第i个机器人的车轮运行速度,d0为偏移量,且第i个机器人的平衡点坐标信息为zrefi=[xi+d0cosθi,yi+d0sinθi]T。
(3)构建第j个机器人的第二运动学模型,利用反馈线性化控制算法从所述第二运动学模型中提取出第j个机器人的当前速度信息;
需要说明的是,此步骤的实施目的和实施过程与上述步骤(2)保持一致,此处不再加以赘述。
(4)基于第i个机器人的当前速度信息和第j个机器人的当前速度信息,确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(‖li,j‖2-d2)
其中,zrefj为第j个机器人的平衡点坐标信息,Aj为第j个机器人的本体位移信息,uj为第j个机器人的车轮运行速度,β(β>0)为预设控制增益参数,可用于调整机器人的避障强度,li,j为第i个机器人到第j 个机器人之间的平衡点直线距离,d为安全距离期望阈值。
S102、获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;
在本发明实施例中,针对机器人的实际操作,通常建立在期望机器人沿着特定轨迹运行且避免与作业空间内其它机器人碰撞的基础上,与此同时,为避免机器人的轮速过高而导致对机器人造成损坏,需将机器人轮速的有界性考虑在内。综上所述,可构建出第i个机器人的控制目标函数为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(‖li,j‖2-d2)
其中,为第i个机器人的期望轨迹信息所对应的期望速度信息,η为追踪系数,用于控制机器人对自身期望轨迹的追踪精度,为第i个机器人的轨迹追踪误差,为第i个机器人的车轮运行速度ui的下限,为第i个机器人的车轮运行速度ui的上限。
S103、基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数为:
s.t.U-≤U≤U+
-2HCAU≤β(L-d2)
其中,为多机器人的当前速度矩阵,为多机器人的期望速度矩阵,为多机器人的追踪误差矩阵,U为多机器人的车轮运行速度矩阵,U-为多机器人的车轮运行速度矩阵U的下限,U+为多机器人的车轮运行速度矩阵U 的上限,H为多机器人的相对距离矩阵,C为符号约束矩阵,A为多机器人的本体位移矩阵,L为多机器人之间的平衡点直线距离矩阵。
进一步的,对上述所提及到的各个矩阵进行展开描述,如下:
mpq=(zrefp-zrefq)T,p=1,2,…N-1,q=p+1,p+2,…,N;
L=[l1,2,...,l1,N,l2,3,...,lp,q,....,lN-1,N]T;
S104、利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量。
本发明实施过程中,主要通过计算多机器人在下一时刻的车轮运行速度信息,反推出多机器人在下一时刻的线速度信息与角速度信息,进而达到控制多机器人在相互避碰的前提下沿着期望轨迹运动的目的。在此基础上,可解析出多机器人的实时控制量包括如下:
式中:ε为网络收敛速度,为多机器人的轮速变化率,PΩ为集合Ω(Ω= [U-,U+])上的投影算子,为状态变化率,λ为当前状态变量,U′为多机器人在下一时刻的车轮运行速度矩阵,λ′为多机器人的下一时刻状态变量,ΔT是周期,V′为多机器人在下一时刻的线速度控制矩阵,W′为多机器人在下一时刻的角速度控制矩阵,U′r为多机器人在下一时刻的右轮运行速度矩阵, U′l为多机器人在下一时刻的左轮运行速度矩阵。
在本发明实施例中,通过利用反馈线性化控制算法可实现对单个机器人实时速度的闭环约束,同时使得单个机器人轮速具备有界性,可提高单个机器人在运行过程中的安全稳定;以单个机器人的控制目标函数为基准,延伸至多机器人的总体控制目标函数,可极大缩短整个控制系统的运行时间,提高工作效率;通过利用递归神经网络的学习能力来解析出多机器人的实时控制量,可高效准确地实现多机器人之间在动态作业过程中的相互避碰,具有较好的实用价值。
实施例
请参阅图3,图3示出了本发明实施例中的多机器人运动避碰控制系统的组成示意图;
如图3所示,一种多机器人运动避碰控制系统,所述系统包括如下:
约束条件获取模块201,用于确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
具体实施过程包括:
(1)建立全局坐标系,将第i个机器人和第j个机器人的运动范围均限定至所述全局坐标系中;
进一步的,基于本发明实施例针对同一作业空间内的N个机器人进行避碰控制,需将N个机器人的运动范围均限定至所述全局坐标系中,此处的i= 1,2,…,N,j=1,2,…,N,且i≠j。
(2)构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息;
具体的,首先获取第i个机器人在所述全局坐标系中的位姿数据为zi= [xi,yi,θi]T,且基于第i个机器人的同一侧前后两轮均以相同速度行驶,此时可构建出第i个机器人的第一运动学模型,如图2所示,具体表达为:
式中:为第i个机器人的速度分量,r为第i个机器人的任一车轮半径, L为第i个机器人的同一侧左右轮间的轮距,θi为第i个机器人的朝向角,uri为第i个机器人的右轮运行速度,uli为第i个机器人的左轮运行速度,xi、yi分别为第i个机器人在所述全局坐标系中的x轴位置分量、y轴位置分量;
其次将第i个机器人的本体控制问题简化为平衡点控制问题,即:以第 i个机器人的平衡点坐标信息zrefi为控制参数,利用反馈线性化控制算法对所述第一运动学模型进行反馈变换,并从中提取出第i个机器人的平衡点坐标信息zrefi所对应的当前速度信息为:
ui=[uli,uri]T
式中:为第i个机器人的当前速度信息,Ai为第i个机器人的本体位移信息,ui为第i个机器人的车轮运行速度,d0为偏移量,且第i个机器人的平衡点坐标信息为zrefi=[xi+d0cosθi,yi+d0sinθi]T。
(3)构建第j个机器人的第二运动学模型,利用反馈线性化控制算法从所述第二运动学模型中提取出第j个机器人的当前速度信息;
需要说明的是,此步骤的实施目的和实施过程与上述步骤(2)保持一致,此处不再加以赘述。
(4)基于第i个机器人的当前速度信息和第j个机器人的当前速度信息,确定第j个机器人和第j个机器人在避碰运动过程中的速度约束条件为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(‖li,j‖2-d2)
其中,zrefj为第j个机器人的平衡点坐标信息,Aj为第j个机器人的本体位移信息,uj为第j个机器人的车轮运行速度,β(β>0)为预设控制增益参数,可用于调整机器人的避障强度,li,j为第i个机器人到第j 个机器人之间的平衡点直线距离,d为安全距离期望阈值。
个体函数构建模块202,用于获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;
在本发明实施例中,针对机器人的实际操作,通常建立在期望机器人沿着特定轨迹运行且避免与作业空间内其它机器人碰撞的基础上,与此同时,为避免机器人的轮速过高而导致对机器人造成损坏,需将机器人轮速的有界性考虑在内。综上所述,可构建出第i个机器人的控制目标函数为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(‖li,j‖2-d2)
其中,为第i个机器人的期望轨迹信息所对应的期望速度信息,η为追踪系数,用于控制机器人对自身期望轨迹的追踪精度,为第i个机器人的轨迹追踪误差,为第i个机器人的车轮运行速度ui的下限,为第i个机器人的车轮运行速度ui的上限。
集体函数确定模块203,用于基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数为:
s.t.U-≤U≤U+
-2HCAU≤β(L-d2)
其中,为多机器人的当前速度矩阵,为多机器人的期望速度矩阵,为多机器人的追踪误差矩阵,U为多机器人的车轮运行速度矩阵,U-为多机器人的车轮运行速度矩阵U的下限,U+为多机器人的车轮运行速度矩阵U 的上限,H为多机器人的相对距离矩阵,C为符号约束矩阵,A为多机器人的本体位移矩阵,L为多机器人之间的平衡点直线距离矩阵。
进一步的,对上述所提及到的各个矩阵进行展开描述,如下:
mpq=(zrefp-zrefq)T,p=1,2,…N-1,q=p+1,p+2,…,N;
L=[l1,2,…,l1,N,l2,3,…,lp,q,…,lN-1,N]T;
控制量解析模块204,用于利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量。
本发明实施过程中,主要通过计算多机器人在下一时刻的车轮运行速度信息,反推出多机器人在下一时刻的线速度信息与角速度信息,进而达到控制多机器人在相互避碰的前提下沿着期望轨迹运动的目的。在此基础上,可解析出多机器人的实时控制量包括如下:
式中:ε为网络收敛速度,为多机器人的轮速变化率,PΩ为集合Ω(Ω= [U-,U+])上的投影算子,为状态变化率,λ为当前状态变量,U′为多机器人在下一时刻的车轮运行速度矩阵,λ′为多机器人的下一时刻状态变量,ΔT是周期,V′为多机器人在下一时刻的线速度控制矩阵,W′为多机器人在下一时刻的角速度控制矩阵,U′r为多机器人在下一时刻的右轮运行速度矩阵, U′l为多机器人在下一时刻的左轮运行速度矩阵。
在本发明实施例中,通过利用反馈线性化控制算法可实现对单个机器人实时速度的闭环约束,同时使得单个机器人轮速具备有界性,可提高单个机器人在运行过程中的安全稳定;以单个机器人的控制目标函数为基准,延伸至多机器人的总体控制目标函数,可极大缩短整个控制系统的运行时间,提高工作效率;通过利用递归神经网络的学习能力来解析出多机器人的实时控制量,可高效准确地实现多机器人之间在动态作业过程中的相互避碰,具有较好的实用价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可存储于一计算机可读存储介质中,存储介质可包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上对本发明实施例所提供的一种多机器人运动避碰控制方法及系统进行了详细介绍,本文中采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 (4)
1.一种多机器人运动避碰控制方法,其特征在于,所述方法包括:
确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;
基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数;
利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量;
所述确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件包括:
构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息;
构建第j个机器人的第二运动学模型,利用反馈线性化控制算法从所述第二运动学模型中提取出第j个机器人的当前速度信息;
基于第i个机器人的当前速度信息和第j个机器人的当前速度信息,确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
所述第i个机器人的第一运动学模型为:
其中,为第i个机器人的速度分量,r为第i个机器人的任一车轮半径,L为第i个机器人的同一侧左右轮间的轮距,θi为第i个机器人的朝向角,uri为第i个机器人的右轮运行速度,uli为第i个机器人的左轮运行速度;
所述利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息包括:
以第i个机器人的平衡点坐标信息为控制参数,利用反馈线性化控制算法对所述第一运动学模型进行反馈变换,并从中提取出第i个机器人的平衡点坐标信息所对应的当前速度信息为:
ui=[uli,uri]T
所述第i个机器人的控制目标函数为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(||li,j||2-d2)
其中,为第i个机器人的期望轨迹信息所对应的期望速度信息,η为追踪系数,li为第i个机器人的轨迹追踪误差,为第i个机器人的车轮运行速度ui的下限,为第i个机器人的车轮运行速度ui的上限,zrefi为第i个机器人的平衡点坐标信息,zrefj为第j个机器人的平衡点坐标信息,Aj为第j个机器人的本体位移信息,uj为第j个机器人的车轮运行速度,β为预设控制增益参数,li,j为第i个机器人到第j 个机器人之间的平衡点直线距离,d为安全距离期望阈值;
所述多机器人的总体控制目标函数为:
s.t.U-≤U≤U+
-2HCAU≤β(L-d2)
2.根据权利要求1所述的多机器人运动避碰控制方法,其特征在于,在构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息之前,还包括:
建立全局坐标系,将第i个机器人和第j个机器人的运动范围均限定至所述全局坐标系中。
4.一种多机器人运动避碰控制系统,其特征在于,所述系统包括:
约束条件获取模块,用于确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
个体函数构建模块,用于获取第i个机器人的期望轨迹信息,同时结合所述速度约束条件构建第i个机器人的控制目标函数;
集体函数确定模块,用于基于第i个机器人的控制目标函数,构建多机器人的总体控制目标函数;
控制量解析模块,用于利用递归神经网络对所述总体控制目标函数进行解析,得到多机器人的实时控制量;
所述确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件包括:
构建第i个机器人的第一运动学模型,利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息;
构建第j个机器人的第二运动学模型,利用反馈线性化控制算法从所述第二运动学模型中提取出第j个机器人的当前速度信息;
基于第i个机器人的当前速度信息和第j个机器人的当前速度信息,确定第i个机器人和第j个机器人在避碰运动过程中的速度约束条件;
所述第i个机器人的第一运动学模型为:
其中,为第i个机器人的速度分量,r为第i个机器人的任一车轮半径,L为第i个机器人的同一侧左右轮间的轮距,θi为第i个机器人的朝向角,uri为第i个机器人的右轮运行速度,uli为第i个机器人的左轮运行速度;
所述利用反馈线性化控制算法从所述第一运动学模型中提取出第i个机器人的当前速度信息包括:
以第i个机器人的平衡点坐标信息为控制参数,利用反馈线性化控制算法对所述第一运动学模型进行反馈变换,并从中提取出第i个机器人的平衡点坐标信息所对应的当前速度信息为:
ui=[uli,uri]T
所述第i个机器人的控制目标函数为:
2(zrefi-zrefj)T(Aiui-Ajuj)≥-β(||li,j||2-d2)
其中,为第i个机器人的期望轨迹信息所对应的期望速度信息,η为追踪系数,li为第i个机器人的轨迹追踪误差,为第i个机器人的车轮运行速度ui的下限,为第i个机器人的车轮运行速度ui的上限,zrefi为第i个机器人的平衡点坐标信息,zrefj为第j个机器人的平衡点坐标信息,Aj为第j个机器人的本体位移信息,uj为第j个机器人的车轮运行速度,β为预设控制增益参数,li,j为第i个机器人到第j 个机器人之间的平衡点直线距离,d为安全距离期望阈值;
所述多机器人的总体控制目标函数为:
s.t.U-≤U≤U+
-2HCAU≤β(L-d2)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141127.5A CN112965482B (zh) | 2021-02-01 | 2021-02-01 | 一种多机器人运动避碰控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141127.5A CN112965482B (zh) | 2021-02-01 | 2021-02-01 | 一种多机器人运动避碰控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965482A CN112965482A (zh) | 2021-06-15 |
CN112965482B true CN112965482B (zh) | 2023-03-10 |
Family
ID=76273220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110141127.5A Active CN112965482B (zh) | 2021-02-01 | 2021-02-01 | 一种多机器人运动避碰控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965482B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865825A (zh) * | 2015-03-19 | 2015-08-26 | 杭州电子科技大学 | 一种多机器人合作时序预测控制方法 |
CN108762256A (zh) * | 2018-05-04 | 2018-11-06 | 中山大学 | 一种机器人规避相对高速障碍物的方法 |
CN108829113A (zh) * | 2018-09-01 | 2018-11-16 | 哈尔滨工程大学 | 一种多机器人编队自适应零空间行为融合方法 |
CN110162035A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种集群机器人在有障碍物场景中的协同运动方法 |
CN110231821A (zh) * | 2019-06-03 | 2019-09-13 | 哈尔滨工程大学 | 多机器人编队的改进自适应零空间行为融合方法 |
CN110977989A (zh) * | 2019-12-27 | 2020-04-10 | 广东省智能制造研究所 | 一种协作机器人的运动规划与实时避障方法及系统 |
CN111113417A (zh) * | 2019-12-25 | 2020-05-08 | 广东省智能制造研究所 | 一种分布式多机器人协同运动控制方法及系统 |
CN111152224A (zh) * | 2020-01-10 | 2020-05-15 | 温州大学 | 一种双重寻优的机器人运动轨迹优化方法 |
CN111553239A (zh) * | 2020-04-23 | 2020-08-18 | 厦门理工学院 | 一种机器人关节视觉伺服控制方法、终端设备及存储介质 |
-
2021
- 2021-02-01 CN CN202110141127.5A patent/CN112965482B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865825A (zh) * | 2015-03-19 | 2015-08-26 | 杭州电子科技大学 | 一种多机器人合作时序预测控制方法 |
CN108762256A (zh) * | 2018-05-04 | 2018-11-06 | 中山大学 | 一种机器人规避相对高速障碍物的方法 |
CN108829113A (zh) * | 2018-09-01 | 2018-11-16 | 哈尔滨工程大学 | 一种多机器人编队自适应零空间行为融合方法 |
CN110162035A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种集群机器人在有障碍物场景中的协同运动方法 |
CN110231821A (zh) * | 2019-06-03 | 2019-09-13 | 哈尔滨工程大学 | 多机器人编队的改进自适应零空间行为融合方法 |
CN111113417A (zh) * | 2019-12-25 | 2020-05-08 | 广东省智能制造研究所 | 一种分布式多机器人协同运动控制方法及系统 |
CN110977989A (zh) * | 2019-12-27 | 2020-04-10 | 广东省智能制造研究所 | 一种协作机器人的运动规划与实时避障方法及系统 |
CN111152224A (zh) * | 2020-01-10 | 2020-05-15 | 温州大学 | 一种双重寻优的机器人运动轨迹优化方法 |
CN111553239A (zh) * | 2020-04-23 | 2020-08-18 | 厦门理工学院 | 一种机器人关节视觉伺服控制方法、终端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Recurrent Neural Networks-Based Collision-Free Motion Planning for Dual Manipulators Under Multiple Constraints;Jinglun Liang etal;《IEEE Access》;20200318;第54225-54236页 * |
基于递归神经网络的多机器人智能协同控制;程韬波等;《机电工程技术》;20200520(第5期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112965482A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
Liu et al. | Parking like a human: A direct trajectory planning solution | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN112356830B (zh) | 一种基于模型强化学习的智能泊车方法 | |
CN105467382A (zh) | 基于svm的多传感器的目标跟踪数据融合算法及其系统 | |
CN110561438B (zh) | 基于动力学参数辨识的工业机器人力/位柔顺控制方法 | |
CN110989626B (zh) | 一种基于控制参数化的无人机路径规划方法 | |
CN112605996B (zh) | 一种面向冗余机械臂的无模型碰撞避免控制方法 | |
CN111746525B (zh) | 泊车路径规划方法、装置、设备及存储介质 | |
CN113276848A (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 | |
CN112497216B (zh) | 一种基于深度学习的工业机器人位姿精度补偿方法 | |
CN111707274B (zh) | 能量最优的航天器连续动态避障轨迹规划方法 | |
Jin et al. | Physical-Informed Neural Network for MPC-based Trajectory Tracking of Vehicles with Noise Considered | |
CN112965482B (zh) | 一种多机器人运动避碰控制方法及系统 | |
CN114200936B (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
CN112558483B (zh) | 一种基于模型预测控制的编队控制方法及系统 | |
CN115431267A (zh) | 一种基于区域划分的工业机器人曲面加工方法 | |
Elias et al. | Practical hybrid graph-based formation control architecture for leader-follower trajectory tracking problem | |
CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 | |
CN112894819A (zh) | 一种基于双神经网络的机器人动力学运动控制方法及装置 | |
Bai et al. | Autonomous parking: A unified motion planning framework based on simultaneous dynamic optimization | |
CN117590862B (zh) | 一种分布式无人机预定时间三维目标包围控制方法及系统 | |
CN113093730B (zh) | 一种基于状态策略知识库指导的智能体自主避障方法 | |
CN114460945B (zh) | 移动机器人轨迹跟踪方法、装置及电子设备 |
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 |