CN113467251B - 一种基于模糊控制的变预测时域mpc路径跟踪方法 - Google Patents
一种基于模糊控制的变预测时域mpc路径跟踪方法 Download PDFInfo
- Publication number
- CN113467251B CN113467251B CN202110888969.7A CN202110888969A CN113467251B CN 113467251 B CN113467251 B CN 113467251B CN 202110888969 A CN202110888969 A CN 202110888969A CN 113467251 B CN113467251 B CN 113467251B
- Authority
- CN
- China
- Prior art keywords
- time domain
- speed
- fuzzy
- linear velocity
- prediction time
- 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 17
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram 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
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于模糊控制的变预测时域MPC路径跟踪方法,通过依据机器人参考路径的曲率变化,重新整定机器人跟踪运动的期望速度,再基于期望速度的大小和变化率,设计模糊控制器实现对MPC跟踪算法预测时域的时变调节,最后设计MPC路径跟踪器输出控制量实现对参考路径的跟踪,从而结合模糊控制器输出的预测时域变化量,实现在曲率较大的情况下选择较低的速度、较小的预测时域进行路径跟踪,在曲率较小的情况下,选择较高的速度、较大的预测时域进行路径跟踪,从而提高MPC路径跟踪对不同参考路径的算法适应性和稳定性。
Description
技术领域
本发明涉及机器人运动控制领域,具体为一种基于模糊控制的变预测时域MPC路径跟踪方法。
背景技术
MPC全称模型预测控制,由于其局部滚动优化的控制方式带来的良好抗干扰能力常被用在移动机器人运动控制过程中的路径跟踪环节。预测时域是模型预测控制的最重要参数之一,预测时域的大小反映的是模型对未来路径的预测能力。目前MPC应用于路径跟踪时基本是基于固定预测时域建立模型。预测时域选取过大,会增加算法的复杂度,增加控制量解算时间,进而降低控制预测跟踪精度,预测时域选取过小则容易导致跟踪效果不稳定,使机器人的实际移动产生震荡。在跟踪曲率变化较大,期望速度变化较大的参考路径时,MPC路径跟踪的稳定性难以保证。
发明内容
本发明的目的是克服上述现有技术的缺点,提供一种可提高MPC路径跟踪对不同参考路径的算法适应性和稳定性的基于模糊控制的变预测时域MPC路径跟踪方法。
本发明是通过以下技术方案来实现的:一种基于模糊控制的变预测时域MPC路径跟踪方法,包括步骤:
S1.提取机器人参考路径的曲率并重新整定期望速度,其中,所述期望速度包括期望线速度和期望角速度;
S2.基于所述的期望线速度e,计算期望线速度变化率ec;
S3.设计模糊控制器,建立模糊逻辑规则;
S4.将期望线速度e和期望线速度变化率ec作为输入量,输入到模糊控制器中进行模糊处理,依据模糊逻辑规则得到预测时域增量△Np;
S5.定义初始预测时域Np=20,获取机器人当前的位置信息和速度信息、参考路径信息、期望速度信息,并将其作为输入建立预测模型;
S6.将预测时域增量△Np和初始预测时域Np进行叠加,叠加公式为Np=Np+ΔNp,更新预测时域,并将更新后的预测时域输入到所述预测模型中;
S7.基于预测模型设计MPC路径跟踪器的函数公式,利用函数公式计算控制输出量控制机器人运动,并更新当前的参考路径信息、期望速度、机器人的位置信息和速度信息。
进一步地:步骤S1所述的期望线速度和期望角速度的计算方法为,
S11.根据路径点的坐标关系,计算每个参考路径点的曲率γ,曲率γ的计算公式为,
其中y'是参考路径在当前路径点处的一阶导数,y”是参考路径在当前路径点处的二阶导数;
S12.通过每个参考路径点的曲率γ,计算每个路径点的期望线速度和期望角速度,期望线速度vr和曲率γ呈线性关系,其计算公式为,
vr=k*γ+v0
其中,k为比例系数,比例系数k选定为-0.8,v0为基础期望线速度,基础期望线速度v0选定为0.2m/s。
选定期望线速度后,则期望角速度wr为,wr=vr*γ。
进一步地:步骤S4所述的期望线速度e为机器人参考路径点对应的期限线速度,所述的期望线速度e的论域设置为[0,2],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度很低,速度较低,速度中等,速度较高,速度很高。
进一步地:步骤S4所述的期望线速度变化率ec为机器人参考路径点对应的期望线速度变化率,所述的期望线速度变化率的论域设置为[-0.5,0.5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度减小得很快,速度减小得很慢,速度基本不变,速度增加得很慢,速度增加得很快。
进一步地:步骤S4所述的预测时域增量△Np为机器人MPC路径跟踪的预测时域增量,所述的预测时域增量△Np的论域设置为[-5,5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表预测时域减少量较大,预测时域减少量较小,预测时域基本不变,预测时域增加量较小,预测时域增加量较大。
进一步地:步骤S3所述的模糊逻辑规则的设计策略如下,
当速度较低或者中等,但速度变化较小的时候,预测时域保持现状;
当速度较低或者中等且速度变化增加较快时,预测时域则少量增加;
当速度较高且速度变化较小的时候,预测时域根据加减速根据情况对应适当增大或减少;
当速度较高且速度变化较大的时候,预测时域根据加减速根据情况对应较大的增大或减少。
进一步地:步骤S6所述的预测时域给定的最大值约束为40,当预测时域大于给定的最大值时,取最大值40,预测时域给定的最小值约束为10,当预测时域小于最小值时,取最小值10。
进一步地:步骤S7所述的函数公式如下,
其中,Q和R为权重系数,x(t)为机器人当前状态;xr(t)为当前参考路径点的状态;u(t)为模型将要输出的控制量,包含线速度和角速度;ur(t)为当前参考路径点期望速度,包括期望线速度和期望角速度。
进一步地:所述函数公式的约束条件为,
umin<u(t)-ur(t)<umax
Δumin<Δ(u(t)-ur(t))<Δumax
其中,umin为输出控制量和期望速度之差的最小值,设为[-1.2m/s,-0.8rad/s];umax为输出控制量和期望速度之差的最大值,设为[1.2m/s,0.8rad/s];Δumin为输出控制量和期望速度之差变化率最小值,设为[-0.5m/s,-0.08rad/s];Δumax为输出控制量和期望速度之差变化率最大值,设为[0.5m/s,0.08rad/s]。
本发明的有益效果:
与现有技术相比,本发明通过依据机器人参考路径的曲率变化,重新整定机器人跟踪运动的期望速度,再基于期望速度的大小和变化率,设计模糊控制器实现对MPC跟踪算法预测时域的时变调节,最后设计MPC路径跟踪器输出控制量实现对参考路径的跟踪,从而结合模糊控制器输出的预测时域变化量,实现在曲率较大的情况下选择较低的速度、较小的预测时域进行路径跟踪,在曲率较小的情况下,选择较高的速度、较大的预测时域进行路径跟踪,从而提高MPC路径跟踪对不同参考路径的算法适应性和稳定性。
附图说明
图1为本发明的工作流程图;
图2为本发明的模糊控制器的模糊逻辑规则表。
具体实施方式
参考图1,一种基于模糊控制的变预测时域MPC路径跟踪方法,包括步骤:
S1.提取机器人参考路径的曲率并重新整定期望速度,其中,所述期望速度包括期望线速度和期望角速度。
具体的,所述的期望线速度和期望角速度的计算方法为,
S11.根据路径点的坐标关系,计算每个参考路径点的曲率γ,曲率γ的计算公式为,
其中y'是参考路径在当前路径点处的一阶导数,y”是参考路径在当前路径点处的二阶导数;
S12.通过每个参考路径点的曲率γ,计算每个路径点的期望线速度和期望角速度,期望线速度vr和曲率γ呈线性关系,其计算公式为,
vr=k*γ+v0
其中,k为比例系数,比例系数k选定为-0.8,v0为基础期望线速度,基础期望线速度v0选定为0.2m/s。
选定期望线速度后,则期望角速度wr为,wr=vr*γ。
S2.基于所述的期望线速度e,计算期望线速度变化率ec。
S3.设计模糊控制器,建立模糊逻辑规则。
具体的,所述的模糊逻辑规则的设计策略如下:
当速度较低或者中等,但速度变化较小的时候,预测时域保持现状。
当速度较低或者中等且速度变化增加较快时,预测时域则少量增加。
当速度较高且速度变化较小的时候,预测时域根据加减速根据情况对应适当增大或减少。
当速度较高且速度变化较大的时候,预测时域根据加减速根据情况对应较大的增大或减少。
具体模糊规则表如图2所示。
S4.将期望线速度e和期望线速度变化率ec作为输入量,输入到模糊控制器中进行模糊处理,依据模糊逻辑规则得到预测时域增量△Np。
具体的,期望线速度e和期望线速度变化率ec呈周期性输入到模糊控制器中,直到跟踪结束。
所述的期望线速度e为机器人参考路径点对应的期限线速度,所述的期望线速度e的论域设置为[0,2],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度很低,速度较低,速度中等,速度较高,速度很高。
所述的期望线速度变化率ec为机器人参考路径点对应的期望线速度变化率,所述的期望线速度变化率的论域设置为[-0.5,0.5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度减小得很快,速度减小得很慢,速度基本不变,速度增加得很慢,速度增加得很快。
所述的预测时域增量△Np为机器人MPC路径跟踪的预测时域增量,所述的预测时域增量△Np的论域设置为[-5,5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表预测时域减少量较大,预测时域减少量较小,预测时域基本不变,预测时域增加量较小,预测时域增加量较大。
S5.定义初始预测时域Np=20,获取机器人当前的位置信息和速度信息、参考路径信息、期望速度信息,并将其作为输入建立预测模型。
具体的,所述的预测时域给定的最大值约束为40,当预测时域大于给定的最大值时,取最大值40,预测时域给定的最小值约束为10,当预测时域小于给定的最小值时,取最小值10。
S6.将预测时域增量△Np和初始预测时域Np进行叠加,叠加公式为Np=Np+ΔNp,更新预测时域,并将更新后的预测时域输入到所述预测模型中。
S7.基于预测模型设计MPC路径跟踪器的函数公式,利用函数公式计算控制输出量控制机器人运动,并更新当前的参考路径信息、期望速度、机器人的位置信息和速度信息。
具体的,所述的函数公式如下:
其中,Q和R为权重系数,x(t)为机器人当前状态;xr(t)为当前参考路径点的状态;u(t)为模型将要输出的控制量,包含线速度和角速度;ur(t)为当前参考路径点期望速度,包括期望线速度和期望角速度。
所述函数公式的约束条件为:
umin<u(t)-ur(t)<umax
Δumin<Δ(u(t)-ur(t))<Δumax
其中,umin为输出控制量和期望速度之差的最小值,设为[-1.2m/s,-0.8rad/s];umax为输出控制量和期望速度之差的最大值,设为[1.2m/s,0.8rad/s];Δumin为输出控制量和期望速度之差变化率最小值,设为[-0.5m/s,-0.08rad/s];Δumax为输出控制量和期望速度之差变化率最大值,设为[0.5m/s,0.08rad/s]。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (6)
1.一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于,包括步骤:
S1.提取机器人参考路径的曲率并重新整定期望速度,其中,所述期望速度包括期望线速度和期望角速度;
S2.基于所述的期望线速度e,计算期望线速度变化率ec;
S3.设计模糊控制器,建立模糊逻辑规则;
S4.将期望线速度e和期望线速度变化率ec作为输入量,输入到模糊控制器中进行模糊处理,依据模糊逻辑规则得到预测时域增量△Np;
S5.定义初始预测时域NP'=20,获取机器人当前的位置信息和速度信息、参考路径信息、期望速度信息,并将其作为输入建立预测模型;
S6.将预测时域增量△Np和初始预测时域NP'进行叠加,叠加公式为Np=Np'+△Np,更新预测时域,并将更新后的预测时域输入到所述预测模型中;
S7.基于预测模型设计MPC路径跟踪器的函数公式,利用函数公式计算控制输出量控制机器人运动,并更新当前的参考路径信息、期望速度、机器人的位置信息和速度信息;
步骤S1所述的期望线速度和期望角速度的计算方法为,
S11.根据路径点的坐标关系,计算每个参考路径点的曲率γ,曲率γ的计算公式为,
其中y'是参考路径在当前路径点处的一阶导数,y”是参考路径在当前路径点处的二阶导数;
S12.通过每个参考路径点的曲率γ,计算每个路径点的期望线速度和期望角速度,期望线速度vr和曲率γ呈线性关系,其计算公式为,
vr=k*γ+v0
其中,k为比例系数,比例系数k选定为-0.8,v0为基础期望线速度,基础期望线速度v0选定为0.2m/s,
选定期望线速度后,则期望角速度wr为,wr=vr*γ;
步骤S7所述的函数公式如下,
其中,Q为权重系数,x(t)为机器人当前状态;xr(t)为当前参考路径点的状态;u(t)为模型将要输出的控制量,包含线速度和角速度;ur(t)为当前参考路径点期望速度,包括期望线速度和期望角速度;
所述函数公式的约束条件为,
umin<u(t)-ur(t)<umax
△umin<△(u(t)-ur(t))<△umax
其中,umin为输出控制量和期望速度之差的最小值,设为[-1.2m/s,-0.8rad/s];umax为输出控制量和期望速度之差的最大值,设为[1.2m/s,0.8rad/s];△umin为输出控制量和期望速度之差变化率最小值,设为[-0.5m/s,-0.08rad/s];△umax为输出控制量和期望速度之差变化率最大值,设为[0.5m/s,0.08rad/s]。
2.根据权利要求1所述一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于:步骤S4所述的期望线速度e为机器人参考路径点对应的期限线速度,所述的期望线速度e的论域设置为[0,2],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度很低,速度较低,速度中等,速度较高,速度很高。
3.根据权利要求2所述一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于:步骤S4所述的期望线速度变化率ec为机器人参考路径点对应的期望线速度变化率,所述的期望线速度变化率的论域设置为[-0.5,0.5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表速度减小得很快,速度减小得很慢,速度基本不变,速度增加得很慢,速度增加得很快。
4.根据权利要求3所述一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于:步骤S4所述的预测时域增量△Np为机器人MPC路径跟踪的预测时域增量,所述的预测时域增量△Np的论域设置为[-5,5],根据论域生成模糊集合,模糊集合的成员包括NB,NS,ZO,PS,PB,分别代表预测时域减少量较大,预测时域减少量较小,预测时域基本不变,预测时域增加量较小,预测时域增加量较大。
5.根据权利要求4所述一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于:步骤S3所述的模糊逻辑规则的设计策略如下,
当速度较低或者中等,但速度变化较小的时候,预测时域保持现状;
当速度较低或者中等且速度变化增加较快时,预测时域则少量增加;
当速度较高且速度变化较小的时候,预测时域根据加减速根据情况对应适当增大或减少;
当速度较高且速度变化较大的时候,预测时域根据加减速根据情况对应较大的增大或减少。
6.根据权利要求5所述一种基于模糊控制的变预测时域MPC路径跟踪方法,其特征在于:步骤S6所述的预测时域给定的最大值约束为40,当预测时域大于给定的最大值时,取最大值40,预测时域给定的最小值约束为10,当预测时域小于最小值时,取最小值10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888969.7A CN113467251B (zh) | 2021-08-03 | 2021-08-03 | 一种基于模糊控制的变预测时域mpc路径跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888969.7A CN113467251B (zh) | 2021-08-03 | 2021-08-03 | 一种基于模糊控制的变预测时域mpc路径跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113467251A CN113467251A (zh) | 2021-10-01 |
CN113467251B true CN113467251B (zh) | 2024-04-19 |
Family
ID=77883887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888969.7A Active CN113467251B (zh) | 2021-08-03 | 2021-08-03 | 一种基于模糊控制的变预测时域mpc路径跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467251B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884900A (zh) * | 2019-04-03 | 2019-06-14 | 东南大学 | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 |
CN110262229A (zh) * | 2019-05-27 | 2019-09-20 | 东南大学 | 基于mpc的车辆自适应路径追踪方法 |
CN110286683A (zh) * | 2019-07-15 | 2019-09-27 | 北京科技大学 | 一种履带式移动机器人的自主行驶路径跟踪控制方法 |
CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
WO2021121537A1 (en) * | 2019-12-15 | 2021-06-24 | Romb Technologies D.O.O. | A method for accurate and efficient control of automated guided vehicles for load transportation tasks |
-
2021
- 2021-08-03 CN CN202110888969.7A patent/CN113467251B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884900A (zh) * | 2019-04-03 | 2019-06-14 | 东南大学 | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 |
CN110262229A (zh) * | 2019-05-27 | 2019-09-20 | 东南大学 | 基于mpc的车辆自适应路径追踪方法 |
CN110286683A (zh) * | 2019-07-15 | 2019-09-27 | 北京科技大学 | 一种履带式移动机器人的自主行驶路径跟踪控制方法 |
WO2021121537A1 (en) * | 2019-12-15 | 2021-06-24 | Romb Technologies D.O.O. | A method for accurate and efficient control of automated guided vehicles for load transportation tasks |
CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
Non-Patent Citations (1)
Title |
---|
唐传茵 ; 赵懿峰 ; 赵亚峰 ; 周淑文 ; .智能车辆轨迹跟踪控制方法研究.东北大学学报(自然科学版).2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113467251A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Practical stability issues in CMAC neural network control systems | |
US11640557B2 (en) | Machine learning device, numerical control system, and machine learning method | |
CN106527119B (zh) | 基于模糊控制的微分先行pid控制系统 | |
CN109270833A (zh) | 一种基于无刷直流电机q学习的变论域模糊控制方法 | |
CN105717788A (zh) | 一种基于模糊pid的快速反射镜自抗扰控制系统 | |
CN109946979B (zh) | 一种伺服系统灵敏度函数的自适应调整方法 | |
CN109491248A (zh) | 基于rbf-arx模型和拉盖尔函数的磁悬浮球位置预测控制方法 | |
CN113467251B (zh) | 一种基于模糊控制的变预测时域mpc路径跟踪方法 | |
Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
CN114265367A (zh) | 一种高精度参数路径插补方法及系统 | |
CN104375458A (zh) | 一种平面轮廓轨迹跟踪控制方法 | |
CN116914829A (zh) | 一种基于分数阶自适应的微电网vsg控制方法 | |
Piltan et al. | Design Auto Adjust Sliding Surface Slope: Applied to Robot Manipulator | |
CN112748657B (zh) | 基于自适应遗传算法旋转惯导自抗扰控制器参数整定方法 | |
Liu et al. | Constant Cutting Force Control for CNC Machining Using Dynamic Characteristic‐Based Fuzzy Controller | |
Gu et al. | Steady state hierarchical optimizing control for large-scale industrial processes with fuzzy parameters | |
Li et al. | Nonsingular fast terminal sliding mode control with extended state observer and disturbance compensation for position tracking of electric cylinder | |
CN106026832A (zh) | 基于改进adrc控制算法的永磁同步直线电机控制方法 | |
Du et al. | Contour error control of XY motion platform based on robust predictive | |
CN114614490A (zh) | 无功电压控制方法和装置、介质以及计算装置 | |
CN104020813A (zh) | 基于fir滤波器预测的mppt滞环控制算法 | |
Cheng et al. | Contouring accuracy improvement using a tangential contouring controller with a fuzzy logic-based feedrate regulator | |
CN117991648B (zh) | 一种基于扰动补偿的agv滑模路径跟踪控制方法 | |
CN104503227B (zh) | 一种平面轮廓轨迹抗扰动跟踪控制方法 | |
Song et al. | Neural network ship PID control and simulation based on grey prediction |
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 |