CN112965498A - 一种智能扫路车运行轨迹跟踪控制方法 - Google Patents

Abstract

本发明公开了一种智能扫路车运行轨迹跟踪控制方法，其包括：S1、根据智能扫路车的机械结构设计运动学模型；S2、根据所述运动学模型，构建变权重系数的自适应轨迹跟踪控制器；S3、建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优；S4、根据最优的所述目标函数控制智能扫路车的运行轨迹。本发明应用了模糊控制和模型预测控制的理论，用模糊控制的原理寻找模型预测控制中代价函数的最优权重值，使得目标函数输出最优控制量作用于智能扫路车，其提高了智能扫路车轨迹跟踪的精度，加快了响应时间，提高了稳定性。

Description

一种智能扫路车运行轨迹跟踪控制方法

技术领域

本发明涉及环卫车技术领域，尤其涉及一种智能扫路车运行轨迹跟踪控制方法。

背景技术

智能扫路车是近几年政府极力推广和发展的对象，适用于公园、环卫、保洁公司、物业管理公司、广场、高校的室外清扫工作。智能扫路车在进行清洁工作时会提前规划运行的路线，在运行的过程中由于路面状况或其他环境因素使得智能扫路车偏离规划路线，智能扫路车通过轨迹跟踪控制修正运行轨迹偏差使其回到原先规划路径运行。但是，传统的轨迹跟踪控制在响应时间上缓慢，跟踪精度上较差，甚至使得轨迹跟踪控制效果失效。

发明内容

基于此，有必要针对上述技术问题，提供一种响应时间快、跟踪精度高的智能扫路车运行轨迹跟踪控制方法。

一种智能扫路车运行轨迹跟踪控制方法，其包括：

S1、根据智能扫路车的机械结构设计运动学模型；

S2、根据所述运动学模型，构建变权重系数的自适应轨迹跟踪控制器；

S3、建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优；

S4、根据最优的所述目标函数控制智能扫路车的运行轨迹。

在其中一个实施例中，所述智能扫路车的机械结构包括质量、前后轮距、轮半径和前轮转角范围。

在其中一个实施例中，所述步骤S1中，设计运动学模型的步骤包括：

假设转向过程中车辆的质心侧偏角保持不变，则车辆的后轴轴心(X_r,Y_r)的速度V_r：

车辆的前后轴的运动学约束为：

根据车辆的前后轮的几何关系可以得出：

X_f＝X_r+lcosφ

Y_f＝Y_r+lsinφ

车辆的横摆角速度：ω＝(V_r/l)tanδ_f

由横摆角速度ω和后轴轴心速度V_r可以得到转向半径R和前轮偏角δf：

R＝V_r/ω

δ_f＝arctan(l/R)

将横摆角速度ω和后轴轴心速度V_r作为控制量得到智能扫路车的运动学模型为：

式中：φ为车辆的航向角；l为前后轮的轴距。

在其中一个实施例中，所述步骤S1中，对运动学模型进行离散化处理并获得最终的运动学模型，所述离散化处理的步骤包括：

将所述运动学模型进行线性化处理：

其中：

对所述运动学模型进行离散化：

A_k,t＝I+TA(t)

B_k,t＝I+TB(t)

由此得到最终的智能扫路车的运动学模型为：

其中，

式中：T为采样周期，k为采样时刻。

在其中一个实施例中，所述步骤S2中，构建变权重系数的自适应轨迹跟踪控制器的步骤包括：

设定：

可以得到智能扫路车到新的状态表达式：

其中：

自适应轨迹跟踪控制器未来时刻的输出方程：

Y(k)＝φ_kξ(k|k)+Θ_kΔu(k)

其中：

所述自适应轨迹跟踪控制器的目标函数为：

所述自适应轨迹跟踪控制器的代价函数为：

运用模糊控制的方法，寻找最优的权重值(λ_u,λ_φ,λ_y)；在实际的控制过程中，需要满足控制量和状态量的约束：

U_min(k+i)<U(k+i)<U_max(k+i)

ΔU_min(k+i)<ΔU(k+i)<ΔU_max(k+i)

其中：ΔU_min，ΔU_max分别表示控制增量的最小值与最大值，U_min，U_max分别表示控制量的最小值和最大值。

在其中一个实施例中，所述步骤S3中，建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优的步骤包括：

将横向偏差和纵向偏差归一化处理：

式中：e_y为纵向偏差，e_x为横向偏差；

λ_u的调整算式为：

式中：

λ_u0为原轨迹跟踪控制器的权重系数，

λ_u为变权重系数的轨迹跟踪控制器的权重系数；

在进行权重系数具体调节时，首先，确定输入和输出变量的取值范围，并将其模糊化；对于模糊控制器的两个输入变量

的域论均设置为[0,1],模糊子集选择为5个，则模糊控制子集可表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择三角形隶属度函数；对于输出变量

和Δλu设定论域均为[-1,1]，模糊子集同样选择为5个，模糊子集表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择高斯型隶属度函数。

上述智能扫路车运行轨迹跟踪控制方法，应用了模糊控制和模型预测控制的理论，用模糊控制的原理寻找模型预测控制中代价函数的最优权重值，使得目标函数输出最优控制量作用于智能扫路车，其提高了智能扫路车轨迹跟踪的精度，加快了响应时间，提高了稳定性。

附图说明

图1是本发明的智能扫路车的结构示意图；

图2是本发明的智能扫路车的运动学模型图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

现有的轨迹跟踪控制建立在模型预测控制的基础上，设置目标函数γ(k)和代价函数J(k)，求得符和代价函数J(k)下的目标函数γ(k)的值为控制量(u)作用于智能扫路车，从而对智能扫路车运行状态进行控制。但在求解的过程中代价函数J(k)各项的权重值

是固定的，γ(k)很难达到最优的解。因此路径跟踪的精度差。而发明的目的则是：采用模糊控制的理论，设置代价函数J(k)中权重系数

自适应的模糊控制，来克服传统轨迹跟踪在响应时间和跟踪精度上的不足。

本发明一实施例提供一种智能扫路车运行轨迹跟踪控制方法，其包括：

S1、根据智能扫路车的机械结构设计运动学模型；

S2、根据所述运动学模型，构建变权重系数的自适应轨迹跟踪控制器；

S3、建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优；

S4、根据最优的所述目标函数控制智能扫路车的运行轨迹。

参阅图1-2所示，具体地，所述智能扫路车的机械结构包括质量、前后轮距、轮半径和前轮转角范围等。在惯性坐标OXY下，(X_r,Y_r)和(X_f,Y_f)分别是车辆后轴和前轴的轴心坐标，

为当前车辆的航向角，前轮的转角为δf，V_r是当前车辆运行时后轮中心的速度，V_f是当前车辆运行时前轮中心的速度，l代表轴距。R为后轮转向半径，P为车辆的瞬时转动中心，M为车辆后轴轴心，N为前轴轴心。

具体地，所述步骤S1中，设计运动学模型的步骤包括：

假设转向过程中车辆的质心侧偏角保持不变，则车辆的后轴轴心(X_r,Y_r)的速度V_r：

车辆的前后轴的运动学约束为：

根据车辆的前后轮的几何关系可以得出：

X_f＝X_r+lcosφ

Y_f＝Y_r+lsinφ

车辆的横摆角速度：ω＝(V_r/l)tanδ_f

由横摆角速度ω和后轴轴心速度V_r可以得到转向半径R和前轮偏角δf：

R＝V_r/ω

δ_f＝arctan(l/R)

将横摆角速度ω和后轴轴心速度V_r作为控制量得到智能扫路车的运动学模型为：

式中：φ为车辆的航向角；l为前后轮的轴距。

进一步地，所述步骤S1中，考虑到轨迹跟踪的实时性，对运动学模型进行离散化处理并获得最终的运动学模型，所述离散化处理的步骤包括：

将所述运动学模型进行线性化处理：

其中：

为了对所述运动学模型进行控制，对所述运动学模型进行离散化：

A_k,t＝I+TA(t)

B_k,t＝I+TB(t)

由此得到最终的智能扫路车的运动学模型为：

其中，

式中：T为采样周期，k为采样时刻。

在本发明一实施例中，所述步骤S2中，构建变权重系数的自适应轨迹跟踪控制器的步骤包括：

设定：

可以得到智能扫路车到新的状态表达式：

其中：

自适应轨迹跟踪控制器未来时刻的输出方程：

Y(k)＝φ_kξ(k|k)+Θ_kΔu(k)

其中：

所述自适应轨迹跟踪控制器的目标函数为：

所述自适应轨迹跟踪控制器的代价函数为：

运用模糊控制的方法，寻找最优的权重值(λ_u,λ_φ,λ_y)；在实际的控制过程中，需要满足控制量和状态量的约束：

U_min(k+i)<U(k+i)<U_max(k+i)

ΔU_min(k+i)<ΔU(k+i)<ΔU_max(k+i)

其中：ΔU_min，ΔU_max分别表示控制增量的最小值与最大值，U_min，U_max分别表示控制量的最小值和最大值。轨迹跟踪控制器设计完成。

在本发明一实施例中，所述步骤S3中，建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优的步骤包括：

将横向偏差和纵向偏差作为模糊控制器的输入，

的调节因子为

λ_u的调节因子为Δλ_u将他们作为模糊控制器的输出。

将横向偏差和纵向偏差归一化处理：

式中：e_y为纵向偏差，e_x为横向偏差；

模糊控制器的输出不能直接作为轨迹跟踪控制器的权重系数，而是作为轨迹跟踪控制器权重系数的修正量在线调节。

λ_u的调整算式为：

式中：

λ_u0为原轨迹跟踪控制器的权重系数，

λ_u为变权重系数的轨迹跟踪控制器的权重系数；

在进行权重系数具体调节时，首先，确定输入和输出变量的取值范围，并将其模糊化；对于模糊控制器的两个输入变量

的域论均设置为[0,1],模糊子集选择为5个，则模糊控制子集可表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择三角形隶属度函数；对于输出变量

和Δλu设定论域均为[-1,1]，模糊子集同样选择为5个，模糊子集表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择高斯型隶属度函数。

综上，上述智能扫路车运行轨迹跟踪控制方法，应用了模糊控制和模型预测控制的理论，用模糊控制的原理寻找模型预测控制中代价函数的最优权重值，使得目标函数输出最优控制量作用于智能扫路车，其提高了智能扫路车轨迹跟踪的精度，加快了响应时间，提高了稳定性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种智能扫路车运行轨迹跟踪控制方法，其特征在于，包括：

S1、根据智能扫路车的机械结构设计运动学模型；

S2、根据所述运动学模型，构建变权重系数的自适应轨迹跟踪控制器；

S3、建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优；

S4、根据最优的所述目标函数控制智能扫路车的运行轨迹。

2.如权利要求1所述的智能扫路车运行轨迹跟踪控制方法，其特征在于，所述智能扫路车的机械结构包括质量、前后轮距、轮半径和前轮转角范围。

3.如权利要求2所述的智能扫路车运行轨迹跟踪控制方法，其特征在于，所述步骤S1中，设计运动学模型的步骤包括：

假设转向过程中车辆的质心侧偏角保持不变，则车辆的后轴轴心(X_r,Y_r)的速度V_r：

车辆的前后轴的运动学约束为：

根据车辆的前后轮的几何关系可以得出：

X_f＝X_r+lcosφ

Y_f＝Y_r+lsinφ

车辆的横摆角速度：ω＝(V_r/l)tanδ_f

由横摆角速度ω和后轴轴心速度V_r可以得到转向半径R和前轮偏角δf：

R＝V_r/ω

δ_f＝arctan(l/R)

将横摆角速度ω和后轴轴心速度V_r作为控制量得到智能扫路车的运动学模型为：

式中：φ为车辆的航向角；l为前后轮的轴距。

4.如权利要求3所述的智能扫路车运行轨迹跟踪控制方法，其特征在于，所述步骤S1中，对运动学模型进行离散化处理并获得最终的运动学模型，所述离散化处理的步骤包括：

将所述运动学模型进行线性化处理：

其中：

对所述运动学模型进行离散化：

A_k,t＝I+TA(t)

B_k,t＝I+TB(t)

由此得到最终的智能扫路车的运动学模型为：

其中，

式中：T为采样周期，k为采样时刻。

5.如权利要求1所述的智能扫路车运行轨迹跟踪控制方法，其特征在于，所述步骤S2中，构建变权重系数的自适应轨迹跟踪控制器的步骤包括：

设定：

可以得到智能扫路车到新的状态表达式：

其中：

自适应轨迹跟踪控制器未来时刻的输出方程：

Y(k)＝φ_kξ(k|k)+Θ_kΔu(k)

其中：

所述自适应轨迹跟踪控制器的目标函数为：

所述自适应轨迹跟踪控制器的代价函数为：

运用模糊控制的方法，寻找最优的权重值(λ_u,λ_φ,λ_y)；在实际的控制过程中，需要满足控制量和状态量的约束：

U_min(k+i)<U(k+i)<U_max(k+i)

ΔU_min(k+i)<ΔU(k+i)<ΔU_max(k+i)

其中：ΔU_min，ΔU_max分别表示控制增量的最小值与最大值，U_min，U_max分别表示控制量的最小值和最大值。

6.如权利要求5所述的智能扫路车运行轨迹跟踪控制方法，其特征在于，所述步骤S3中，建立模糊控制器，对所述自适应轨迹跟踪控制器的权重系数进行调节，使目标函数达到最优的步骤包括：

将横向偏差和纵向偏差归一化处理：

式中：e_y为纵向偏差，e_x为横向偏差；

λ_u的调整算式为：

式中：

λ_u0为原轨迹跟踪控制器的权重系数，

λ_u为变权重系数的轨迹跟踪控制器的权重系数；

在进行权重系数具体调节时，首先，确定输入和输出变量的取值范围，并将其模糊化；对于模糊控制器的两个输入变量

的域论均设置为[0,1],模糊子集选择为5个，则模糊控制子集可表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择三角形隶属度函数；对于输出变量

和Δλu设定论域均为[-1,1]，模糊子集同样选择为5个，模糊子集表示为{VS(极小)，S(小)，M(中)，H(大)，VH(极大)}，并选择高斯型隶属度函数。

Images