CN113467249B - 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法 - Google Patents

基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法 Download PDF

Info

Publication number
CN113467249B
CN113467249B CN202110841288.5A CN202110841288A CN113467249B CN 113467249 B CN113467249 B CN 113467249B CN 202110841288 A CN202110841288 A CN 202110841288A CN 113467249 B CN113467249 B CN 113467249B
Authority
CN
China
Prior art keywords
snake
robot
shaped robot
error
joint
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
Application number
CN202110841288.5A
Other languages
English (en)
Other versions
CN113467249A (zh
Inventor
李东方
黄捷
陈宇韬
杨弘晟
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110841288.5A priority Critical patent/CN113467249B/zh
Publication of CN113467249A publication Critical patent/CN113467249A/zh
Application granted granted Critical
Publication of CN113467249B publication Critical patent/CN113467249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Manipulator (AREA)

Abstract

本发明提出一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法，基于多关节蛇形机器人运动学模型和步态关节的控制函数，根据蛇形机器人路径跟随过程中的动态控制任务和姿态控制任务；基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定。其实现了机器人对跟踪位置误差和干扰变量的预测。

Description

基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随 控制器及其设计方法
技术领域
本发明属于仿生机器人运动控制技术领域，尤其涉及一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法。
背景技术
随着科学技术的不断发展，机器人的研究领域不断扩大，机器人的种类不断丰富，而仿生机器人是新兴的一种将仿生学与机器人研究领域结合的产物，其中，尤其是多关节蛇形仿生机器人的研究备受人们的关注；蛇形机器人是人们仿照蛇的运动方式和运动机理研究的多自由度的柔性机器人；这种机器人可以在陆地、湖泊和沙漠等复杂环境中运动；蛇形机器人在灾后救援、水下勘探、危险作业和防恐防爆等领域发挥着重要的作用，因此，设计蛇形机器人的路径跟随控制器是非常重要的；
多关节蛇形机器人的运动环境复杂多变，这给蛇形机器人路径跟踪控制器的研究带来了许多困难；外界的未知干扰会导致蛇形机器人运动位置误差增加，而且地面摩擦系数和关节转动系数的突变也会给蛇形机器人的运动控制带来许多负面影响；所以研究具有抗干扰能力的多关节蛇形机器人路径跟随控制器具有十分重要的意义，这可以为蛇形机器人的复杂运动姿态研究奠定扎实的基础。
发明内容
有鉴于此，为了弥补现有技术的空白和不足，本发明的目的在于提供一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法，其所要解决的技术问题是：实现实现多关节蛇形机器人的运动步态和运动方向的稳定控制。
其具体采用以下技术方案：
一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器，其特征在于：基于多关节蛇形机器人运动学模型和步态关节的控制函数，根据蛇形机器人路径跟随过程中的动态控制任务和姿态控制任务，所述动态控制任务用于使蛇形机器人的运动位置误差收敛；所述姿态控制任务用于使机器人的运动方向角误差和关节方向角误差收敛；基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定。
进一步地，所述蛇形机器人由N个连杆组成，连杆之间由N-1个关节连接；机器人每个连杆的质量为m，连杆的长度为2h；机器人在运动过程中的连杆模型具体为：
蛇形机器人第i＝1,…,N连杆的转动角度为θi，连杆角的向量为
Figure BDA0003177772710000021
蛇形机器人第i＝1,…,N连杆的转动角速度为
Figure BDA0003177772710000022
连杆角速度的向量为
Figure BDA0003177772710000023
蛇形机器人第i＝1,…,N-1关节的转动角度为φi，关节角的向量为
Figure BDA0003177772710000024
蛇形机器人第i＝1,…,N-1关节的转动角速度为
Figure BDA0003177772710000025
关节角速度的向量为
Figure BDA0003177772710000026
蛇形机器人的质心在惯性坐标系中的运动位置为p＝[px,py]T；蛇形机器人在运动过程中受到的切向干扰速度和法向干扰分别为Ux和Uy；考虑机器人的切向摩擦力和法向摩擦力，蛇形机器人的质心在惯性坐标系中的切向和法向运动速度分别为vt和vn；对蛇形机器人的运动模型进行简化，得到机器人简化的连杆模型；在简化模型中，使用两套独立的坐标系；分别是惯性坐标系和机器人坐标系；蛇形机器人质心的运动方向角为机器人所有连杆的运动方向角的加权平均值，即
Figure BDA0003177772710000027
机器人的运动方向角也作为惯性坐标系和机器人坐标系之间的夹角；同时，在简化模型中，假设蛇形机器人各连杆的运动方向与机器人坐标系对齐；蛇形机器人相邻连杆之间的位移作为机器人的关节角；设置累加矩阵为
Figure BDA0003177772710000028
和差分矩阵为
Figure BDA0003177772710000029
辅助矩阵为
Figure BDA00031777727100000210
和
Figure BDA00031777727100000211
系统的关节力矩控制输入量为
Figure BDA0003177772710000031
蛇形机器人简化的连杆力学模型如下所示：
Figure BDA0003177772710000032
其中，切向和法向摩擦系数分别为λ1＞0和λ2＞0；设置机器人关节旋转速度到旋转加速度的映射比例为μ1＞0；设置机器人关节角度均值和切向速度到旋转加速度的映射比例为μ2＞0；
根据蛇形机器人的蜿蜒运动步态，得到机器人第i关节的控制函数；
Figure BDA0003177772710000033
其中，a为蛇形机器人的摆动幅值增益；ω为摆动频率；φ0为关节角偏移量；δ为关节之间的相移；其中，摆动频率用于对机器人的运动速度补偿；关节角偏移量用于对机器人的运动方向补偿。
进一步地，所述动态控制任务具体为：蛇形机器人在惯性坐标系下的位置为(px,py)，设置机器人的期望路径位置为(xd,yd)；目的是实现蛇形机器人的运动位置误差px-xd和py-yd一致最终有界，即满足；
Figure BDA0003177772710000034
and
Figure BDA0003177772710000035
其中，ε1和ε2为任一小的值；
所述姿态控制任务具体包括：
姿态控制任务-运动方向角任务：蛇形机器人的实际运动方向角为θ，设置机器人理想的运动方向角为
Figure BDA0003177772710000041
目的是使蛇形机器人的运动方向角误差
Figure BDA0003177772710000042
收敛到0并稳定，即满足；
Figure BDA0003177772710000043
姿态控制任务-关节角任务：蛇形机器人的实际关节角为φ，设置机器人理想的关节角为
Figure BDA0003177772710000044
目的是使蛇形机器人的关节角误差
Figure BDA0003177772710000045
收敛到0并稳定，即满足；
Figure BDA0003177772710000046
进一步地，基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制，其具体为：
根据所述动态控制任务设置蛇形机器人的期望路径运动位置为(xd,yd)，期望路径的正切角为
Figure BDA0003177772710000047
通过旋转矩阵，得到蛇形机器人在路径坐标系中的运动位置误差为；
Figure BDA0003177772710000048
对公式进行微分得到；
Figure BDA0003177772710000049
其中，
Figure BDA00031777727100000410
为U的方向；沿着期望路径切线方向的虚拟速度为
Figure BDA00031777727100000411
ψx＝Ucos(β2-α)和ψy＝Usin(β2-α)分别为干扰变量在x轴和y轴方向上的分量；蛇形机器人的运动速度为
Figure BDA00031777727100000412
机器人在路径跟随过程中的侧滑角为
Figure BDA0003177772710000051
扰动变量和侧滑角是都是有界的，即
Figure BDA0003177772710000052
和|β|≤β*；同时，扰动变量和侧滑角的运动速度缓慢且有界，即
Figure BDA0003177772710000053
和
Figure BDA0003177772710000054
Figure BDA0003177772710000055
和Cβ＞0为正常数；
由于蛇形机器人的侧滑角是微幅的，通常情况下|β|≤5°；因此cosβ＝1和sinβ＝β；蛇形机器人运动位置误差的另一种形式被得到；
Figure BDA0003177772710000056
为了消除蛇形机器人在路径跟随过程中的侧滑角，分别设计机器人的运动位置误差ex和ey的预测值为
Figure BDA0003177772710000057
和
Figure BDA0003177772710000058
设计干扰变量ψx和ψy的预测值为
Figure BDA0003177772710000059
和
Figure BDA00031777727100000510
设计侧滑角β的预测值为
Figure BDA00031777727100000511
蛇形机器人的运动位置误差的预测误差分别是
Figure BDA00031777727100000512
和
Figure BDA00031777727100000513
干扰变量的预测误差分别是
Figure BDA00031777727100000514
和
Figure BDA00031777727100000515
侧滑角的预测误差为
Figure BDA00031777727100000516
蛇形机器人的运动位置误差的预测值为；
Figure BDA00031777727100000517
其中，kx＞0和ky＞0分别为正常数增益；
蛇形机器人的运动位置误差的预测误差被得到；
Figure BDA00031777727100000518
干扰变量在x轴和y轴方向上的时变量预测值分量为
Figure BDA00031777727100000519
和
Figure BDA00031777727100000520
其中，r1＞0和r2＞0分别为正常数增益；
蛇形机器人的侧滑角的时变量预测值为；
Figure BDA0003177772710000061
其中，η4＞0为正常数增益；
为了消除蛇形机器人在运动过程中出现的侧滑现象，采用优化LOS方法；机器人的运动方向角的理想值为；
Figure BDA0003177772710000062
其中，εe为虚拟控制输入；Δ为前向距离；
Figure BDA0003177772710000063
为蛇形机器人的运动方向角误差；
蛇形机器人的运动方向角误差为；
Figure BDA0003177772710000064
当蛇形机器人的运动方向角误差实现稳定时，得到
Figure BDA0003177772710000065
或
Figure BDA0003177772710000066
即，蛇形机器人的实际运动方向角θ跟踪到理想值
Figure BDA0003177772710000067
Figure BDA0003177772710000068
Figure BDA0003177772710000069
Figure BDA00031777727100000610
ex的虚拟控制速度Ud为；
Figure BDA00031777727100000611
其中，ke＞0为正常数增益；
运动位置误差的预测值的另一种形式被得到；
Figure BDA0003177772710000071
虚拟控制输入εe为；
Figure BDA0003177772710000072
进一步地，根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定，其具体为：
蛇形机器人的运动方向角误差和运动方向角速度误差为；
Figure BDA0003177772710000073
Figure BDA0003177772710000074
设辅助函数为；
Figure BDA0003177772710000075
其中，
Figure BDA0003177772710000076
为kθ的预测值，且kθ＞0为正常数增益；
蛇形机器人的关节角补偿函数为；
Figure BDA0003177772710000077
其中，
Figure BDA0003177772710000078
为
Figure BDA0003177772710000079
的预测值，
Figure BDA00031777727100000710
为
Figure BDA00031777727100000711
的预测值；kv,θ＞0为正常数增益；预测值为
Figure BDA00031777727100000712
和
Figure BDA00031777727100000713
蛇形机器人的关节角误差和关节角速度误差为；
Figure BDA00031777727100000714
关节角误差和关节角速度误差的微分形式为；
Figure BDA0003177772710000081
辅助函数设置为；
Figure BDA0003177772710000082
其中，
Figure BDA0003177772710000083
为kφ的预测值，用于抑制
Figure BDA0003177772710000084
中的未知有界函数
Figure BDA0003177772710000085
kφ＞0为正常数增益；
利用自适应控制理论，系统的输入u设置为；
Figure BDA0003177772710000086
其中，
Figure BDA0003177772710000087
和
Figure BDA0003177772710000088
分别为λ1和λ2的预测值；反馈输入-输出控制器
Figure BDA0003177772710000089
以及，根据以上优选的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的设计方法，其特征在于，包括以下步骤：
步骤S1：分析蛇形机器人的运动方式和运动机理，获得机器人简化的连杆力学模型；根据蛇形机器人的蜿蜒运动步态，设计机器人的关节控制函数；
步骤S2：制定蛇形机器人路径跟随控制器的动态控制任务和姿态控制任务，所述动态控制任务用于使使蛇形机器人的运动位置误差收敛到任意小值；所述姿态控制任务用于使机器人的运动方向角误差和关节角误差收敛到0；
步骤S3：设计蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；
步骤S4：设计多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定。
进一步地，还包括步骤S5：构造Lyapunov函数，验证步骤S3中的运动位置的预测误差、干扰变量的预测误差和步骤S4中的运动方向角误差、关节角误差、模型系数预测值误差的渐进稳定性。
进一步地，还包括步骤S6：通过MATLAB仿真实验，验证基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的有效性。
与现有技术相比，本发明及其优选方案具有以下有益效果：
1、充分考虑了蛇形机器人的运动位置跟踪误差、干扰变量和时变控制系数对机器人轨迹跟随的影响，实现了机器人对跟踪位置误差和干扰变量的预测，并用预测值代替控制参数来实时对控制器进行实时调整，提高了机器人的运动效率和跟踪精度，确保了自适应轨迹跟随控制器的稳定性；
2、优化了LOS方法，消除了侧滑现象导致的蛇形机器人运动方向角抖动的问题，提高了机器人运动方向角的收敛速度与稳定性；
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例蛇形机器人连杆实际运动模型示意图；
图2是本发明实施例蛇形机器人连杆实际运动模型示意图；
图3是本发明实施例控制器任务之间的关系示意图；
图4是本发明实施例优化的LOS方法示意图；
图5是本发明实施例自适应路径跟随控制器流程示意图；
图6是本发明实施例蛇形机器人在不同控制下的运动轨迹示意图；
图7是本发明实施例蛇形机器人的切向位置误差示意图；
图8是本发明实施例蛇形机器人的法向位置误差示意图；
图9是本发明实施例蛇形机器人的运动速度示意图；
图10是本发明实施例蛇形机器人的控制输入示意图；
图11是本发明实施例蛇形机器人的运动方向角误差示意图；
图12是本发明实施例蛇形机器人运动方向角速度误差示意图；
图13是本发明实施例蛇形机器人的关节角误差示意图；
图14是本发明实施例蛇形机器人的关节角速度误差示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
本实施例从多关节蛇形机器人的需求出发，结合多关节蛇形机器人的运动特点，设计一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器：其基于多关节蛇形机器人运动学模型和步态关节的控制函数，根据蛇形机器人路径跟随过程中的动态控制任务和姿态控制任务，所述动态控制任务用于使蛇形机器人的运动位置误差收敛；所述姿态控制任务用于使机器人的运动方向角误差和关节方向角误差收敛；基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定。
以下结合其设计和验证过程进行进一步的解释和阐述：
步骤一：蛇形机器人由N个连杆组成，连杆之间由N-1个关节连接；机器人每个连杆的质量为m，连杆的长度为2h；机器人在运动过程中的连杆模型，如图1所示；蛇形机器人第i＝1,…,N连杆的转动角度为θi，连杆角的向量为
Figure BDA0003177772710000101
蛇形机器人第i＝1,…,N连杆的转动角速度为
Figure BDA0003177772710000102
连杆角速度的向量为
Figure BDA0003177772710000103
蛇形机器人第i＝1,…,N-1关节的转动角度为φi，关节角的向量为
Figure BDA0003177772710000104
蛇形机器人第i＝1,…,N-1关节的转动角速度为
Figure BDA0003177772710000105
关节角速度的向量为
Figure BDA0003177772710000106
蛇形机器人的质心在惯性坐标系中的运动位置为p＝[px,py]T；蛇形机器人在运动过程中受到的切向干扰速度和法向干扰分别为Ux和Uy；考虑机器人的切向摩擦力和法向摩擦力，蛇形机器人的质心在惯性坐标系中的切向和法向运动速度分别为vt和vn；对蛇形机器人的运动模型进行简化，得到机器人简化的连杆模型，如图2所示；在简化模型中，使用两套独立的坐标系；分别是惯性坐标系和机器人坐标系；蛇形机器人质心的运动方向角为机器人所有连杆的运动方向角的加权平均值，即
Figure BDA0003177772710000107
机器人的运动方向角也作为惯性坐标系和机器人坐标系之间的夹角；同时，在简化模型中，假设蛇形机器人各连杆的运动方向与机器人坐标系对齐；蛇形机器人相邻连杆之间的位移作为机器人的关节角；设置累加矩阵为
Figure BDA0003177772710000111
和差分矩阵为
Figure BDA0003177772710000112
辅助矩阵为
Figure BDA0003177772710000113
和
Figure BDA0003177772710000114
系统的关节力矩控制输入量为
Figure BDA0003177772710000115
蛇形机器人简化的连杆力学模型被得到：
Figure BDA0003177772710000116
其中，切向和法向摩擦系数分别为λ1＞0和λ2＞0，摩擦系数的大小受地理环境影响；设置机器人关节旋转速度到旋转加速度的映射比例为μ1＞0；设置机器人关节角度均值和切向速度到旋转加速度的映射比例为μ2＞0。
根据蛇形机器人的蜿蜒运动步态，得到机器人第i关节的控制函数；
Figure BDA0003177772710000117
其中，a为蛇形机器人的摆动幅值增益；ω为摆动频率；φ0为关节角偏移量；δ为关节之间的相移；其中，摆动频率用来对机器人的运动速度补偿；关节角偏移量用来对机器人的运动方向补偿。
步骤二：制定蛇形机器人路径跟随过程中的两项控制任务，分别是动态控制任务和姿态控制任务；完成动态控制任务可以使蛇形机器人的运动位置误差收敛；完成姿态控制任务可以使机器人的运动方向角误差和关节方向角误差收敛；
动态控制任务：蛇形机器人在惯性坐标系下的位置为(px,py)，设置机器人的期望路径位置为(xd,yd)；目的是实现蛇形机器人的运动位置误差px-xd和py-yd一致最终有界，即满足；
Figure BDA0003177772710000121
and
Figure BDA0003177772710000122
其中，ε1和ε2为任一小的值。
姿态控制任务-运动方向角任务：蛇形机器人的实际运动方向角为θ，设置机器人理想的运动方向角为
Figure BDA0003177772710000123
目的是使蛇形机器人的运动方向角误差
Figure BDA0003177772710000124
收敛到0并稳定，即满足；
Figure BDA0003177772710000125
姿态控制任务-关节角任务：蛇形机器人的实际关节角为φ，设置机器人理想的关节角为
Figure BDA0003177772710000126
目的是使蛇形机器人的关节角误差
Figure BDA0003177772710000127
收敛到0并稳定，即满足；
Figure BDA0003177772710000128
所制定的两项控制任务之间相互作用、相互联系；只有完成自适应路径跟随控制器的动态控制任务和姿态控制任务才能使蛇形机器人快速、准确的跟踪期望路径；两项控制任务之间的关系如图3所示。
步骤三：根据步骤二制定的动态控制任务，设计多关节蛇形机器人的动态位置控制器，实现多关节蛇形机器人动态位置的渐进收敛；设置蛇形机器人的期望路径运动位置为(xd,yd)，期望路径的正切角为
Figure BDA0003177772710000129
通过旋转矩阵，得到蛇形机器人在路径坐标系中的运动位置误差为；
Figure BDA00031777727100001210
对公式进行微分得到；
Figure BDA00031777727100001211
其中，
Figure BDA0003177772710000131
为U的方向；沿着期望路径切线方向的虚拟速度为
Figure BDA0003177772710000132
ψx＝Ucos(β2-α)和ψy＝Usin(β2-α)分别为干扰变量在x轴和y轴方向上的分量；蛇形机器人的运动速度为
Figure BDA0003177772710000133
机器人在路径跟随过程中的侧滑角为
Figure BDA0003177772710000134
如图4所示；其中，Δ是前向距离。
扰动变量和侧滑角是都是有界的，即
Figure BDA0003177772710000135
和|β|≤β*；同时，扰动变量和侧滑角的运动速度缓慢且有界，即
Figure BDA0003177772710000136
和
Figure BDA0003177772710000137
Figure BDA0003177772710000138
和Cβ＞0为正常数。
由于蛇形机器人的侧滑角是微幅的，通常情况下|β|≤5°；因此cosβ＝1和sinβ＝β；蛇形机器人运动位置误差的另一种形式被得到；
Figure BDA0003177772710000139
为了消除蛇形机器人在路径跟随过程中的侧滑角，分别设计机器人的运动位置误差ex和ey的预测值为
Figure BDA00031777727100001310
和
Figure BDA00031777727100001311
设计干扰变量ψx和ψy的预测值为
Figure BDA00031777727100001312
和
Figure BDA00031777727100001313
设计侧滑角β的预测值为
Figure BDA00031777727100001314
蛇形机器人的运动位置误差的预测误差分别是
Figure BDA00031777727100001315
和
Figure BDA00031777727100001316
干扰变量的预测误差分别是
Figure BDA00031777727100001317
和
Figure BDA00031777727100001318
侧滑角的预测误差为
Figure BDA00031777727100001319
蛇形机器人的运动位置误差的预测值被设计为；
Figure BDA00031777727100001320
其中，kx＞0和ky＞0分别为正常数增益。
蛇形机器人的运动位置误差的预测误差被得到；
Figure BDA0003177772710000141
干扰变量在x轴和y轴方向上的时变量预测值分量被设计为
Figure BDA0003177772710000142
和
Figure BDA0003177772710000143
其中，r1＞0和r2＞0分别为正常数增益。
蛇形机器人的侧滑角的时变量预测值被设计为；
Figure BDA0003177772710000144
其中，η4＞0为正常数增益；
为了消除蛇形机器人在运动过程中出现的侧滑现象，LOS方法被优化；机器人的运动方向角的理想值被设计为；
Figure BDA0003177772710000145
其中，εe为虚拟控制输入；Δ为前向距离；
Figure BDA0003177772710000146
为蛇形机器人的运动方向角误差。
蛇形机器人的运动方向角误差被设计为；
Figure BDA0003177772710000147
当蛇形机器人的运动方向角误差实现稳定时，可以得到
Figure BDA0003177772710000148
或
Figure BDA0003177772710000149
换句话说，蛇形机器人的实际运动方向角θ跟踪到理想值
Figure BDA00031777727100001410
Figure BDA00031777727100001411
Figure BDA00031777727100001412
Figure BDA00031777727100001413
设计ex的虚拟控制速度Ud为；
Figure BDA0003177772710000151
其中，ke＞0为正常数增益。
运动位置误差的预测值的另一种形式被得到；
Figure BDA0003177772710000152
虚拟控制输入εe被设计；
Figure BDA0003177772710000153
步骤四：根据步骤二制定的姿态控制任务，设计多关节蛇形机器人的姿态控制器，实现多关节蛇形机器人运动方向角误差和关节角误差的渐进收敛；蛇形机器人的运动方向角误差和运动方向角速度误差被设计；
Figure BDA0003177772710000154
Figure BDA0003177772710000155
不防设辅助函数为；
Figure BDA0003177772710000156
其中，
Figure BDA0003177772710000157
为kθ的预测值，且kθ＞0为正常数增益。
蛇形机器人的关节角补偿函数被设计为；
Figure BDA0003177772710000158
其中，
Figure BDA0003177772710000159
为
Figure BDA00031777727100001510
的预测值，
Figure BDA00031777727100001511
为
Figure BDA00031777727100001512
的预测值；kv,θ＞0为正常数增益；预测值被设计为
Figure BDA00031777727100001513
和
Figure BDA00031777727100001514
蛇形机器人的关节角误差和关节角速度误差被设计为；
Figure BDA0003177772710000161
关节角误差和关节角速度误差的微分被得到；
Figure BDA0003177772710000162
辅助函数设置为；
Figure BDA0003177772710000163
其中，
Figure BDA0003177772710000164
为kφ的预测值，目的是为了抑制
Figure BDA0003177772710000165
中的未知有界函数
Figure BDA0003177772710000166
同时kφ＞0为正常数增益。
利用自适应控制理论，系统的输入u被设置；
Figure BDA0003177772710000167
其中，
Figure BDA0003177772710000168
和
Figure BDA0003177772710000169
分别为λ1和λ2的预测值；反馈输入-输出控制器
Figure BDA00031777727100001610
设计预测值为
Figure BDA00031777727100001611
和
Figure BDA00031777727100001612
其中，η8＞0，η9＞0和η10＞0为正常数增益。
步骤五：Lyapunov候选函数被设计为：
Figure BDA00031777727100001613
其中，η1＞0，η2＞0和η3＞0分别为正常数增益。
Figure BDA00031777727100001614
扰动变量ψx和ψy是有界的，蛇形机器人的侧滑角β是有界的；根据柯西不等式可以得到：
Figure BDA0003177772710000171
Figure BDA0003177772710000172
Figure BDA0003177772710000173
Figure BDA0003177772710000174
Figure BDA0003177772710000175
Figure BDA0003177772710000176
Figure BDA0003177772710000177
的另一种形式被得到：
Figure BDA0003177772710000178
其中，有
Figure BDA0003177772710000179
C1为常数；因此，eX和eY均是一致最终有界系统。
Lyapunov候选函数被设计：
Figure BDA00031777727100001710
Figure BDA0003177772710000181
根据柯西不等式：
Figure BDA0003177772710000182
Figure BDA0003177772710000183
由于eX和eY为一致最终有界系统；因此，存在|eX|≤eX，max和|eY|≤eY，max。
Figure BDA0003177772710000184
的另一种形式被得到：
Figure BDA0003177772710000185
Figure BDA0003177772710000186
其中，r1η1＞1，r2η2＞1，η3η4＞1，2ke＞kx＞0和
Figure BDA0003177772710000187
因此，得到：
Figure BDA0003177772710000188
Figure BDA0003177772710000189
因此，蛇形机器人的动态控制系统为一致最终有界系统。不防令
Figure BDA0003177772710000191
那么
Figure BDA0003177772710000192
很明显，可以采取降低C或者提高τ的方式来降低||F||；同时，只要改变前向距离Δ、参数η1、参数η2、参数η3、参数η4、参数r1、参数r2、参数ke、参数kx和参数ky的值，就可以使
Figure BDA0003177772710000193
减小到任意值；从收敛性的角度来说，通过调整参数，蛇形机器人的位置跟踪误差可以收敛到任意小的期望数值。
蛇形机器人的姿态Lyapunov候选函数设计为；
Figure BDA0003177772710000194
Figure BDA0003177772710000195
其中，η5＞0，η6＞0和η7＞0为正常数增益。
将预测值的更新律代入，
Figure BDA0003177772710000196
的另一种形式被得到；
Figure BDA0003177772710000197
存在不等式：
Figure BDA0003177772710000198
蛇形机器人的关节角误差设计为；
Figure BDA0003177772710000199
Figure BDA00031777727100001910
不等式满足
Figure BDA0003177772710000201
和
Figure BDA0003177772710000202
Figure BDA0003177772710000203
的另一种形式被得到；
Figure BDA0003177772710000204
Lyapunov候选函数设计为；
Figure BDA0003177772710000205
Figure BDA0003177772710000206
Lyapunov候选函数设计为；
Figure BDA0003177772710000207
Figure BDA0003177772710000208
Figure BDA0003177772710000209
的另一种形式被得到；
Figure BDA00031777727100002010
Lyapunov函数为L＝L2+L3设计为：
Figure BDA00031777727100002011
不妨设存在不等式；
Figure BDA00031777727100002012
Figure BDA0003177772710000211
的另一种形式被得到：
Figure BDA0003177772710000212
只要满足kv,θ＞1，则可以使
Figure BDA0003177772710000213
为半负定的；同时，L≥0是正定的，所以L是正的且有界的；设计
Figure BDA0003177772710000214
所以，式(63)的另一种形式为
Figure BDA0003177772710000215
对该式两边积分可以得到
Figure BDA0003177772710000216
因为L是正的且有界的，所以
Figure BDA0003177772710000217
是正的且有界的，这说明极限
Figure BDA0003177772710000218
是存在的；根据Barbalat引理，可以得到
Figure BDA0003177772710000219
所以存在
Figure BDA00031777727100002110
和
Figure BDA00031777727100002111
换句话说，蛇形机器人的姿态控制任务的稳定性被实现；
步骤六：本实施例通过MATLAB对基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器进行仿真实验；蛇形机器人在不同控制下的运动轨迹如图6所示，蛇形机器人的切向位置误差如图7所示，蛇形机器人的法向位置误差如图8所示，蛇形机器人的运动速度如图9所示，蛇形机器人的控制输入如图10所示，蛇形机器人的运动方向角误差如图11所示，蛇形机器人的运动方向角速度误差如图12所示，蛇形机器人的关节角误差如图13所示，蛇形机器人的关节角速度误差如图14所示；根据仿真结果可以发现，所提出的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器有效的提高了蛇形机器人的路径跟随效率，加快了跟踪误差的收敛速度，而且减小了误差的波动峰值，增加了系统的稳定性，该结果与预期结果一致。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (5)

1.一种基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器，其特征在于：基于多关节蛇形机器人运动学模型和步态关节的控制函数，根据蛇形机器人路径跟随过程中的动态控制任务和姿态控制任务，所述动态控制任务用于使蛇形机器人的运动位置误差收敛；所述姿态控制任务用于使机器人的运动方向角误差和关节方向角误差收敛；基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定；
所述蛇形机器人由N个连杆组成，连杆之间由N-1个关节连接；机器人每个连杆的质量为m，连杆的长度为2h；机器人在运动过程中的连杆模型具体为：
蛇形机器人第i＝1,…,N连杆的转动角度为θi，连杆角的向量为
Figure FDA0003847714550000011
蛇形机器人第i＝1,…,N连杆的转动角速度为
Figure FDA0003847714550000012
连杆角速度的向量为
Figure FDA0003847714550000013
蛇形机器人第i＝1,…,N-1关节的转动角度为φi，关节角的向量为
Figure FDA0003847714550000014
蛇形机器人第i＝1,…,N-1关节的转动角速度为
Figure FDA0003847714550000015
关节角速度的向量为
Figure FDA0003847714550000016
蛇形机器人的质心在惯性坐标系中的运动位置为p＝[px,py]T；蛇形机器人在运动过程中受到的切向干扰速度和法向干扰分别为Ux和Uy；考虑机器人的切向摩擦力和法向摩擦力，蛇形机器人的质心在惯性坐标系中的切向和法向运动速度分别为vt和vn；对蛇形机器人的运动模型进行简化，得到机器人简化的连杆模型；在简化模型中，使用两套独立的坐标系；分别是惯性坐标系和机器人坐标系；蛇形机器人质心的运动方向角为机器人所有连杆的运动方向角的加权平均值，即
Figure FDA0003847714550000017
机器人的运动方向角也作为惯性坐标系和机器人坐标系之间的夹角；同时，在简化模型中，假设蛇形机器人各连杆的运动方向与机器人坐标系对齐；蛇形机器人相邻连杆之间的位移作为机器人的关节角；设置累加矩阵为
Figure FDA0003847714550000021
和差分矩阵为
Figure FDA0003847714550000022
辅助矩阵为
Figure FDA0003847714550000023
和
Figure FDA0003847714550000024
系统的关节力矩控制输入量为
Figure FDA0003847714550000025
蛇形机器人简化的连杆力学模型如下所示：
Figure FDA0003847714550000026
其中，切向和法向摩擦系数分别为λ1＞0和λ2＞0；设置机器人关节旋转速度到旋转加速度的映射比例为μ1＞0；设置机器人关节角度均值和切向速度到旋转加速度的映射比例为μ2＞0；
根据蛇形机器人的蜿蜒运动步态，得到机器人第i关节的控制函数；
Figure FDA0003847714550000027
其中，a为蛇形机器人的摆动幅值增益；ω为摆动频率；φ0为关节角偏移量；δ为关节之间的相移；其中，摆动频率用于对机器人的运动速度补偿；关节角偏移量用于对机器人的运动方向补偿；
所述动态控制任务具体为：蛇形机器人在惯性坐标系下的位置为(px,py)，设置机器人的期望路径位置为(xd,yd)；目的是实现蛇形机器人的运动位置误差px-xd和py-yd一致最终有界，即满足；
Figure FDA0003847714550000031
其中，ε1和ε2为任一小的值；
所述姿态控制任务具体包括：
姿态控制任务-运动方向角任务：蛇形机器人的实际运动方向角为θ，设置机器人理想的运动方向角为
Figure FDA0003847714550000032
目的是使蛇形机器人的运动方向角误差
Figure FDA0003847714550000033
收敛到0并稳定，即满足；
Figure FDA0003847714550000034
姿态控制任务-关节角任务：蛇形机器人的实际关节角为φ，设置机器人理想的关节角为
Figure FDA0003847714550000035
目的是使蛇形机器人的关节角误差
Figure FDA0003847714550000036
收敛到0并稳定，即满足；
Figure FDA0003847714550000037
基于蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制，其具体为：
根据所述动态控制任务设置蛇形机器人的期望路径运动位置为(xd,yd)，期望路径的正切角为
Figure FDA0003847714550000038
通过旋转矩阵，得到蛇形机器人在路径坐标系中的运动位置误差为；
Figure FDA0003847714550000039
对公式进行微分得到；
Figure FDA00038477145500000310
其中，
Figure FDA00038477145500000311
为U的方向；沿着期望路径切线方向的虚拟速度为
Figure FDA0003847714550000041
ψx＝Ucos(β2-α)和ψy＝Usin(β2-α)分别为干扰变量在x轴和y轴方向上的分量；蛇形机器人的运动速度为
Figure FDA0003847714550000042
机器人在路径跟随过程中的侧滑角为
Figure FDA0003847714550000043
扰动变量和侧滑角是都是有界的，即
Figure FDA0003847714550000044
和|β|≤β*；同时，扰动变量和侧滑角的运动速度缓慢且有界，即
Figure FDA0003847714550000045
和
Figure FDA0003847714550000046
Figure FDA0003847714550000047
和Cβ＞0为正常数；
由于蛇形机器人的侧滑角是微幅的，通常情况下|β|≤5°；因此cosβ＝1和sinβ＝β；蛇形机器人运动位置误差的另一种形式被得到；
Figure FDA0003847714550000048
为了消除蛇形机器人在路径跟随过程中的侧滑角，分别设计机器人的运动位置误差ex和ey的预测值为
Figure FDA0003847714550000049
和
Figure FDA00038477145500000410
设计干扰变量ψx和ψy的预测值为
Figure FDA00038477145500000411
和
Figure FDA00038477145500000412
设计侧滑角β的预测值为
Figure FDA00038477145500000413
蛇形机器人的运动位置误差的预测误差分别是
Figure FDA00038477145500000414
和
Figure FDA00038477145500000415
干扰变量的预测误差分别是
Figure FDA00038477145500000416
和
Figure FDA00038477145500000417
侧滑角的预测误差为
Figure FDA00038477145500000418
蛇形机器人的运动位置误差的预测值为；
Figure FDA00038477145500000419
其中，kx＞0和ky＞0分别为正常数增益；
蛇形机器人的运动位置误差的预测误差被得到；
Figure FDA00038477145500000420
干扰变量在x轴和y轴方向上的时变量预测值分量为
Figure FDA0003847714550000051
和
Figure FDA0003847714550000052
其中，r1＞0和r2＞0分别为正常数增益；
蛇形机器人的侧滑角的时变量预测值为；
Figure FDA0003847714550000053
其中，η4＞0为正常数增益；
为了消除蛇形机器人在运动过程中出现的侧滑现象，采用优化LOS方法；机器人的运动方向角的理想值为；
Figure FDA0003847714550000054
其中，εe为虚拟控制输入；Δ为前向距离；
Figure FDA0003847714550000055
为蛇形机器人的运动方向角误差；
蛇形机器人的运动方向角误差为；
Figure FDA0003847714550000056
当蛇形机器人的运动方向角误差实现稳定时，得到
Figure FDA0003847714550000057
或
Figure FDA0003847714550000058
即，蛇形机器人的实际运动方向角θ跟踪到理想值
Figure FDA0003847714550000059
Figure FDA00038477145500000510
Figure FDA00038477145500000511
Figure FDA00038477145500000512
ex的虚拟控制速度Ud为；
Figure FDA00038477145500000513
其中，ke＞0为正常数增益；
运动位置误差的预测值的另一种形式被得到；
Figure FDA0003847714550000061
虚拟控制输入εe为；
Figure FDA0003847714550000062
2.根据权利要求1所述的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器，其特征在于：根据多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定，其具体为：
蛇形机器人的运动方向角误差和运动方向角速度误差为；
Figure FDA0003847714550000063
Figure FDA0003847714550000064
设辅助函数为；
Figure FDA0003847714550000065
其中，
Figure FDA0003847714550000066
为kθ的预测值，且kθ＞0为正常数增益；
蛇形机器人的关节角补偿函数为；
Figure FDA0003847714550000067
其中，
Figure FDA0003847714550000068
为
Figure FDA0003847714550000069
的预测值，
Figure FDA00038477145500000610
为
Figure FDA00038477145500000611
的预测值；kv,θ＞0为正常数增益；预测值为
Figure FDA00038477145500000612
和
Figure FDA00038477145500000613
蛇形机器人的关节角误差和关节角速度误差为；
Figure FDA0003847714550000071
关节角误差和关节角速度误差的微分形式为；
Figure FDA0003847714550000072
辅助函数设置为；
Figure FDA0003847714550000073
其中，
Figure FDA0003847714550000074
为kφ的预测值，用于抑制
Figure FDA0003847714550000075
中的未知有界函数
Figure FDA0003847714550000076
kφ＞0为正常数增益；
利用自适应控制理论，系统的输入u设置为；
Figure FDA0003847714550000077
其中，
Figure FDA0003847714550000078
和
Figure FDA0003847714550000079
分别为λ1和λ2的预测值；反馈输入-输出控制器
Figure FDA00038477145500000710
3.根据权利要求1或2所述的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的设计方法，其特征在于，包括以下步骤：
步骤S1：分析蛇形机器人的运动方式和运动机理，获得机器人简化的连杆力学模型；根据蛇形机器人的蜿蜒运动步态，设计机器人的关节控制函数；
步骤S2：制定蛇形机器人路径跟随控制器的动态控制任务和姿态控制任务，所述动态控制任务用于使使蛇形机器人的运动位置误差收敛到任意小值；所述姿态控制任务用于使机器人的运动方向角误差和关节角误差收敛到0；
步骤S3：设计蛇形机器人的运动位置误差的预测值、侧滑角的时变量预测值、干扰变量的预测值分量，通过改进的LOS方法，得到蛇形机器人的期望运动方向角，进行多关节蛇形机器人的步态控制；
步骤S4：设计多关节蛇形机器人运动方向角速度的虚拟辅助函数和蛇形机器人的关节角补偿函数，基于参数预测值的更新律，实现多关节蛇形机器人的运动方向角误差、关节角误差、预测值误差渐进稳定。
4.根据权利要求3所述的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的设计方法，其特征在于：还包括步骤S5：构造Lyapunov函数，验证步骤S3中的运动位置的预测误差、干扰变量的预测误差和步骤S4中的运动方向角误差、关节角误差、模型系数预测值误差的渐进稳定性。
5.根据权利要求4所述的基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的设计方法，其特征在于：还包括步骤S6：通过MATLAB仿真实验，验证基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器的有效性。
CN202110841288.5A 2021-07-23 2021-07-23 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法 Active CN113467249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110841288.5A CN113467249B (zh) 2021-07-23 2021-07-23 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110841288.5A CN113467249B (zh) 2021-07-23 2021-07-23 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法

Publications (2)

Publication Number Publication Date
CN113467249A CN113467249A (zh) 2021-10-01
CN113467249B true CN113467249B (zh) 2023-01-06

Family

ID=77882346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110841288.5A Active CN113467249B (zh) 2021-07-23 2021-07-23 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法

Country Status (1)

Country Link
CN (1) CN113467249B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116252303B (zh) * 2023-04-13 2023-07-18 山西大学 一种绳驱连续型机器人快速运动规划系统
CN116476078B (zh) * 2023-06-19 2023-09-05 安徽大学 一种基于激光雷达的蛇形机器人目标稳定跟踪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5631653A (en) * 1996-04-25 1997-05-20 Hughes Electronics Dynamic inertial coordinate system maneuver detector and processing method
WO2012034119A2 (en) * 2010-09-11 2012-03-15 Wayne State University Guidance and control system for under-actuated marine surface ships and other automomous platforms
GB201417625D0 (en) * 2014-10-06 2014-11-19 Norwegian Univ Sci & Tech Ntnu Guidance for underwater Snake Robots
JP2019032468A (ja) * 2017-08-09 2019-02-28 日本電信電話株式会社 ロボット制御装置、ロボット制御方法およびロボット制御プログラム
CN111506080A (zh) * 2020-05-14 2020-08-07 大连海事大学 基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法
CN111552301A (zh) * 2020-06-21 2020-08-18 南开大学 一种基于强化学习的蝾螈机器人路径跟踪的分层控制方法
CN112666947A (zh) * 2020-12-22 2021-04-16 南昌大学 基于改进los方法的蛇形机器人自适应轨迹跟踪控制器设计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11366478B2 (en) * 2016-11-10 2022-06-21 Ohio University Autonomous automobile guidance and trajectory-tracking
CN111830989B (zh) * 2020-07-28 2022-10-21 上海海洋大学 一种基于内模控制与遗传算法的无人船路径跟踪控制方法
CN112549010B (zh) * 2020-12-22 2022-11-08 南昌大学 基于改进Serpenoid曲线的多关节蛇形机器人自适应轨迹跟踪控制器设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5631653A (en) * 1996-04-25 1997-05-20 Hughes Electronics Dynamic inertial coordinate system maneuver detector and processing method
WO2012034119A2 (en) * 2010-09-11 2012-03-15 Wayne State University Guidance and control system for under-actuated marine surface ships and other automomous platforms
GB201417625D0 (en) * 2014-10-06 2014-11-19 Norwegian Univ Sci & Tech Ntnu Guidance for underwater Snake Robots
JP2019032468A (ja) * 2017-08-09 2019-02-28 日本電信電話株式会社 ロボット制御装置、ロボット制御方法およびロボット制御プログラム
CN111506080A (zh) * 2020-05-14 2020-08-07 大连海事大学 基于神经网络优化的综合船舶路径跟踪与舵减摇控制方法
CN111552301A (zh) * 2020-06-21 2020-08-18 南开大学 一种基于强化学习的蝾螈机器人路径跟踪的分层控制方法
CN112666947A (zh) * 2020-12-22 2021-04-16 南昌大学 基于改进los方法的蛇形机器人自适应轨迹跟踪控制器设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
带侧滑角补偿的气垫船路径跟踪LOS 导引算法;王元慧等;《哈尔滨工程大学学报》;20210412;第42卷(第6期);第851-857页 *

Also Published As

Publication number Publication date
CN113467249A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN109465825B (zh) 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN108942924B (zh) 基于多层神经网络的模型不确定性机械臂运动控制方法
CN108196445B (zh) 一种基于双闭环自抗扰的水下机器人姿态与位置控制方法
CN113467249B (zh) 基于跟踪误差和时变系数预测的蛇形机器人自适应路径跟随控制器及其设计方法
CN107263466B (zh) 空间机器人基于二次规划问题的基座无扰控制方法
CN109062043B (zh) 考虑网络传输以及执行器饱和的航天器自抗扰控制方法
CN111258216B (zh) 一种适用于四旋翼飞行器的滑模重复控制器
CN112666947B (zh) 基于改进los方法的蛇形机器人自适应轨迹跟踪控制器设计方法
CN107807657B (zh) 一种基于路径规划的挠性航天器姿态自适应控制方法
CN113433955B (zh) 有向切换拓扑下多auv编队队形一致性控制方法
Zhang et al. A globally fixed-time solution of distributed formation control for multiple hypersonic gliding vehicles
CN108170151B (zh) 一种水下机器人的自适应运动控制装置及其方法
CN110842913B (zh) 一种单关节机械臂的自适应滑模迭代学习控制方法
CN112549010B (zh) 基于改进Serpenoid曲线的多关节蛇形机器人自适应轨迹跟踪控制器设计方法
Rendón et al. Path following control tuning for an autonomous unmanned quadrotor using particle swarm optimization
CN110377044B (zh) 一种无人直升机的有限时间高度和姿态跟踪控制方法
CN106570296B (zh) 一种六自由度并联机构实时正解方法
CN113377006B (zh) 一种基于不变流形观测器的全局快速终端滑模控制方法
CN113759722A (zh) 一种无人机自抗扰控制器参数优化方法
Nguyen et al. Genetic algorithm tuned fuzzy logic controller for a robot arm with two-link flexibility and two-joint elasticity
CN107728470B (zh) 一种无速率测量的机械臂姿态控制方法
Wang et al. Moving-mass trim control system design for spinning vehicles
Di et al. Tracking Control of the Six-rotor UAV with Input Dead-zone and Saturation
CN112486188B (zh) 具有输出约束的水下无人航行器轨迹跟踪控制方法和系统

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