CN114065137A - 基于认知学习的无人自行车质量负载偏心自动识别方法 - Google Patents
基于认知学习的无人自行车质量负载偏心自动识别方法 Download PDFInfo
- Publication number
- CN114065137A CN114065137A CN202111551072.1A CN202111551072A CN114065137A CN 114065137 A CN114065137 A CN 114065137A CN 202111551072 A CN202111551072 A CN 202111551072A CN 114065137 A CN114065137 A CN 114065137A
- Authority
- CN
- China
- Prior art keywords
- learning
- value
- current time
- mass load
- load eccentricity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 10
- 230000007423 decrease Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开一种基于认知学习的无人自行车质量负载偏心自动识别方法,通过获取无人自行车的状态参数,构造状态评价函数;创建学习机制,对自动学习机的期望和标准差不断进行迭代更新;给出误差允许范围,输出质心偏置参数,完成对无人自行车质量负载偏心的自动识别。本发明充分考虑了无人自行车的结构参数和实时的状态参数,能够较准确、高效地对无人自行车质量负载偏心进行自动识别,具有很强的工程意义。
Description
技术领域
本发明涉及无人自行车技术领域,具体涉及一种基于认知学习的无人自行车质量负载偏心自动识别方法。
背景技术
无人自行车是自行车行驶机构和智能控制技术相结合的产物,其最终目标是实现带负载自平衡运动。因而,实现无人自行车带负载自平衡运动是无人自行车技术领域的重要研究内容,目前针对带负载无人自行车的研究主要基于负载对称放置这一前提,然而在实际应用中,质量负载的增减会不可避免的出现非对称性,而在无人自行车实现直立平衡之后,增减非对称负载会使无人自行车的质心发生偏置,进而影响无人自行车航向跟踪特性,导致无人自行车鲁棒性下降。针对此问题,目前常用的方法是通过人工方式对质量负载偏心进行识别判断,但是,人工方式耗时费力且精度不高。
发明内容
本发明针对无人自行车实现直立平衡之后增减负载会导致其质心偏置,进而造成其自平衡轨迹运动性能下降的问题,提供一种基于认知学习的无人自行车质量负载偏心自动识别方法,用于解决现有技术存在的负载质量偏心识别人力成本高且精度低的问题。
为解决上述问题,本发明是通过以下技术方案实现的:
基于认知学习的无人自行车质量负载偏心自动识别方法,包括步骤如下:
步骤1、初始化:设置质量负载偏心识别值的初值α*(0)、学习期望值的初值μ(0)、学习标准差的初值σ(0)、以及状态评价值的初值V(0);
步骤2、通过安装在无人自行车上的传感器获取当前时刻t的无人自行车的航向角ψ(t);
步骤3、将当前时刻t的无人自行车的航向角ψ(t)与设定的偏向阈值ε进行比较:如果|ψ(t)|≤ε,当前时刻t的质量负载偏心识别值α*(t)即为最终识别出的质量负载偏心识别值;如果|ψ(t)|>ε,则执行步骤4;
步骤4、计算当前时刻t的状态评价值V(t):
步骤5、基于上一时刻t-1的状态评价值V(t-1)和当前时刻t的状态评价值V(t)计算当前时刻t的取向值VS(t):
VS(t)=V(t-1)-V(t)
步骤6、根据自动学习机分布函数的期望值和标准差的更新公式,计算当前时刻t的学习期望值μ(t)和学习标准差σ(t):
μ(t)=μ(t-1)+λ(α*(t-1)-μ(t-1))sign(Vs(t))
σ(t)=σ(t-1)+β(rσ(t-1)-σ(t-1))
步骤7、利用当前时刻t的学习期望值μ(t)和学习标准差σ(t),计算当前时刻t的质量负载偏心学习值α(t):
α(t)=normrnd(μ(t),σ(t))
步骤8、对当前时刻t的质量负载偏心学习值α(t)进行限幅后,得到当前时刻t的质量负载偏心识别值α*(t);
步骤9、将当前时刻t的质量负载偏心识别值α*(t)送入到无人自行车上的控制器进行补偿,并令t=t+1后,返回步骤2;
上述式中,W为给定的2阶非零对角矩阵,ψ(t)为当前时刻t的航向角,V(t)为当前时刻t的状态评价值,V(t-1)为上一时刻t-1的状态评价值,VS(t)为当前时刻t的取向值,μ(t)为当前时刻t的学习期望值,μ(t-1)为上一时刻t-1的学习期望值,σ(t)为当前时刻t的学习标准差,σ(t-1)为上一时刻t-1的学习标准差,α*(t-1)为上一时刻t-1的质量负载偏心识别值,λ为给定的期望值学习系数,λ∈(0,1),β为给定的标准差学习系数,β∈(0,1),r为给定的不确定度,sign(*)为符号函数,α(t)为当前时刻t的质量负载偏心学习值,normrnd为正态分布函数。
作为改进,上述步骤6还进一步包括对当前时刻t的学习期望值μ(t)进行更新的过程,其中更新公式为:
μ后(t)=cμ×μ前(t)+(1-cμ)×[-k1×(ψ(t)-ψ*(t))-k2×(∫ψ(t)dt-∫ψ*(t)dt)]
式中,μ前(t)为更新前的当前时刻t的学习期望值,μ后(t)为更新后的当前时刻t的学习期望值,cμ为给定的权重系数,cμ∈(0,1),k1为给定的比例项系数,k1>0,k2为给定的积分项系数,k2>0,ψ(t)为当前时刻t的航向角,ψ*(t)为给定的当前时刻t的航向角期望值。
作为进一步改进,上述步骤6还进一步包括对当前时刻t的学习期望值μ(t)进行限幅的过程。
上述方案中,期望值学习系数λ为:
式中,VS(t)为当前时刻t的取向值,η为给定的学习常量,η∈(0,1)。
上述方案中,不确定度r为:
式中,r(t)为当前时刻t的不确定度,rm为给定的不确定度系数,n为服从0~1的均匀分布的随机数,t为当前时刻。
上述方案中,安装在无人自行车上的传感器为惯性测量单元。
与现有技术相比,本发明充分考虑了无人自行车的结构参数和实时的状态参数,不断地对质量负载偏心识别值进行更新调整,利用自适应的方法替代人工方式,实现了对无人自行车质量负载偏心的自动在线识别,以削弱甚至消除质量负载偏心对无人自行车自平衡轨迹运动的影响,提高了识别的效率和精度,工程意义明显。
附图说明
图1为基于认知学习的无人自行车质量负载偏心自动识别方法的流程图。
图2为现有无人自行车机械结构简图及模型坐标系和传感器坐标系。
图3~图5是条件1下对质量负载偏心进行自动识别的仿真实验验证的数据曲线图,其中(a)为质量负载偏心识别值α*的曲线图,(b)为航向角ψ的曲线图。
图6~图8是条件2下对质量负载偏心进行自动识别的仿真实验验证的数据曲线图,其中(a)为质量负载偏心识别值α*的曲线图,(b)为航向角ψ的曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,对本发明进一步详细说明。
参见图1,一种基于认知学习的无人自行车质量负载偏心自动识别方法,其具体包括步骤如下:
步骤1、初始化:设置质量负载偏心识别值的初值α*(0)、学习期望值的初值μ(0)、学习标准差的初值σ(0)、以及状态评价值的初值V(0)。令t=1。
在本实施例中,α*(0)=0,μ(0)=0,σ(0)=0,V(0)=0。
步骤2、通过安装在无人自行车上的传感器获取当前时刻t的无人自行车的航向角ψ(t)。
如图2所示,无人自行车包括如下四个刚体:车架B、车把H、前轮F和后轮R。安装在无人自行车上的传感器为惯性测量单元,该惯性测量单元安装在无人自行车的车架上,其可以检测车架的三个欧拉角,ψ、θ(分别绕模型坐标系的Zm、Xm、Ym转动得到)分别为航向角、横滚角、俯仰角。
步骤3、将当前时刻t的无人自行车的航向角ψ(t)与设定的偏向阈值ε进行比较,其中ε是一个很小的正数,根据实际情况选择。
如果|ψ(t)|≤ε,则表示质量负载偏心识别完成,当前时刻t的质量负载偏心识别值α*(t)即为最终识别出的质量负载偏心识别值;
如果|ψ(t)|>ε,则表示质量负载偏心识别未完成,执行步骤4。
步骤4、计算当前时刻t的状态评价值V(t):
式中,W为给定的2阶非零对角矩阵,ψ(t)为当前时刻t的航向角,VS(t)为当前时刻t的取向值。
步骤5、计算当前时刻t的取向值VS(t):
VS(t)=V(t-1)-V(t)
式中,V(t-1)为上一时刻t-1的状态评价值,V(t)为当前时刻t的状态评价值。
取向值VS(t)用于评价偏心识别值的优劣,取向值VS(t)>0时,更新后的均值μ(t)趋向于有利于状态改进的自动机输出值α*(t-1),反之亦然,证明如下:
当VS(t)>0,且α*(t-1)>μ(t-1)时,根据自动机期望学习算法,可列出不等式:
整理得
μ(t-1)<μ(t)<α*(t-1)
同理,当VS(t)>0,且α*(t-1)<μ(t-1)时,可以得到不等关系:
μ(t-1)>μ(t)>α*(t-1)
则有结论:当VS(t)>0时,更新后的均值μ(t)趋向于有利于状态改进的α*(t-1);
当VS(t)<0,且α*(t-1)<μ(t-1)时,根据自动机期望学习算法,可列出不等式:
整理得
2×μ(t-1)-α*(t-1)>μ(t)>μ(t-1)
即μ(t)>μ(t-1)>α*(t-1)。
同理,当VS(t)<0,且α*(t-1)>μ(t-1)时,可以得到不等关系:
μ(t)<μ(t-1)<α*(t-1)
则有结论:当VS(t)<0时,更新后的均值μ(t)趋向于远离有利于状态改进的α*(t-1)。
μ(t)=μ(t-1)+λ(σ*(t-1)-μ(t-1))sign(Vs(t))
σ(t)=σ(t-1)+β(rσ(t-1)-σ(t-1))
式中,μ(t)为当前时刻t的学习期望值,μ(t-1)为上一时刻t-1的学习期望值,σ(t)为当前时刻t的学习标准差,σ(t-1)为上一时刻t-1的学习标准差,α*(t-1)为上一时刻t-1的质量负载偏心识别值,sign(*)为符号函数。
λ为给定的期望值学习系数,λ∈(0,1);β为给定的标准差学习系数,β∈(0,1)。设定的学习系数λ、β值越大学习的越快,但学习精度降低,反之亦然。考虑到当前时刻t的学习期望值μ(t)对于识别速度产生极大影响,因此本发明所给的期望值学习系数λ与当前时刻t的取向值VS(t)有关,即其中η为设定值,η∈(0,1)。
r为给定的不确定度。在本发明优选实施例中,不确定度r由系统的学习时间决定,用来决定标准差σ(t)的学习方向,随着时间增加,系统的不确定动机总体下降,本系统采用一种幅值随时间递减的函数来描述,即:
式中,r(t)为当前时刻t的不确定度,rm为给定的不确定度系数,n为服从0~1的均匀分布的随机数,t为当前时刻。
由标准差更新公式可得则,随着学习次数的增加,在误差允许范围内自动学习机输出最优质心偏置识别值α*(t)(α*(t)≈α)发生的概率应趋近于1,即:自动学习机依据分布函数能够选择的偏心识别值趋近于一个确定的点,即自动学习机满足σ2(t))=p(α*(t),0)进而表明经过多次迭代自动学习机能够输出误差允许范围内的最优质心偏置识别值α*(t)(α*(t)≈α),即达到了基于认知学习对无人自行车质量负载偏心进行识别的目标。
步骤7、对当前时刻t的学习期望值μ(t)进行更新:
μ(t)=cμ×μ(t)+(1-cμ)×[-k1×(ψ(t)-ψ*(t))-k2×(∫ψ(t)dt-∫ψ*(t)dt)]
式中,等式右边的μ(t)为更新前的当前时刻t的学习期望值,等式左边的μ(t)为更新后的当前时刻t的学习期望值,cμ为给定的权重系数,cμ∈(0,1),k1为给定的比例项系数,k1>0,k2为给定的积分项系数,k2>0,ψ(t)为当前时刻t的航向角,ψ*(t)为给定的当前时刻t的航向角期望值,ψ*(t)=0。
步骤8、对当前时刻t的学习期望值μ(t)进行限幅,即:
式中,等式右边的μ(t)为限幅前的当前时刻t的学习期望值,等式左边的μ(t)为限幅后的当前时刻t的学习期望值。
步骤9、利用当前时刻t的学习期望值μ(t)和学习标准差σ(t),计算当前时刻t的质量负载偏心学习值α(t):
α(t)=normrnd(μ(t),σ(t))
式中,normrnd为正态分布函数。
在本发明中,步骤6是必须执行的步骤,步骤7和步骤8均为选择执行的步骤,其可以包括如下四种情况:①当本发明只执行步骤6时,是直接将步骤6所得到的当前时刻t的学习期望值μ(t)送入到步骤9中计算当前时刻t的质量负载偏心学习值α(t)。②当本发明执行步骤6和步骤7时,是将步骤6所得到的当前时刻t的学习期望值μ(t)进行更新后,送入到步骤9中计算当前时刻t的质量负载偏心学习值α(t)。③当本发明执行步骤6和步骤9时,是将步骤6所得到的当前时刻t的学习期望值μ(t)进行限幅后,送入到步骤9中计算当前时刻t的质量负载偏心学习值α(t)。④当本发明同时执行步骤6-8时,是将步骤6所得到的当前时刻t的学习期望值μ(t)先进行更新,再进行限幅后,送入到步骤9中计算当前时刻t的质量负载偏心学习值α(t)。通过对当前时刻t的学习期望值μ(t)进行更新和/或限幅能够有效提升识别的速度。
步骤8、对当前时刻t的质量负载偏心学习值α(t)进行限幅后,得到当前时刻t的质量负载偏心识别值α*(t),即:
步骤9、将当前时刻t的质量负载偏心识别值α*(t)送入到无人自行车上的控制器进行补偿,并令t=t+1后,返回步骤2。
在控制器中如何利用当前时刻t的质量负载偏心识别值α*(t)对无人自行车进行补偿可以采用现有技术,其并非本发明的重点。
本发明充分考虑了无人自行车的结构参数和实时的状态参数,通过获取无人自行车的状态参数,构造状态评价函数;创建学习机制,对自动学习机的期望和标准差不断进行迭代更新;给出误差允许范围,输出质心偏置参数,准确、高效地完成对无人自行车质量负载偏心的自动识别,具有很强的工程意义。
为了验证系统学习能力,引用经典的变参数线性(variable parameter linear,LPV)力学模型得到一台无人自行车二阶动态响应方程,以此模型作为仿真对象,并人为设置一个待识别的模拟质量负载偏心值α。
本仿真实例中无人自行车LPV模型各参数见表1,仿真设定2种实验条件见表2。
表1仿真实例中研究对象LPV模型各参数值
表2仿真设定的2种实验条件值
注:μ(0)表示自动学习机的期望初值;σ(0)表示自动学习机的标准差初值;Y表示质量负载导致车架质心Y轴坐标的偏移量;α=-arctan(Y/|Z)表示质心Y轴坐标的偏移量对应的车架横滚角偏置,Z=-0.521m表示本实例中所述无人自行车的车架质心Z轴坐标。
由于仿真模型上无法加载惯性测量单元来测量航向角,因此由非完整约束(δ,分别为车把转角和车把转角速度)得到仿真对象的航向角速度并对其作时间t的一次积分和二次积分得到航向角ψ(t)和航向角的积分∫ψ(t)dt。
对这2种条件下的质量负载偏心值分别进行多轮学习,每轮学习时间为45s,且将前1轮学习结束后的期望和标准差作为后1轮学习的期望和标准差的初值。
对于条件1情况下:第一轮学习过程如图3所示,自动学习机输出值α*随着时间t逐渐呈现出向模拟质量负载偏心值α收敛的趋势;无人自行车的航向角ψ在0s~1.5s向着质量负载偏心方向偏移,1.5s~6s在自动学习机输出值α*的作用下航向角ψ逐渐向负载偏心反方向移动,在之后的6s~45s航向角ψ逐渐向0rad靠近。第二轮学习过程如图4所示,经过第一轮学习,自动学习机输出值α*逐渐向负载偏心值α靠近,自动学习机的标准差σ不断减小,因而输出值α*曲线较第一轮变得较为平滑,30s~45s输出值α*基本稳定在了0.1880rad~0.1910rad范围内,与模拟质量负载偏心值α曲线基本重合;无人自行车的航向角ψ在25s~45s时间段内在-0.003rad~0.003rad范围内波动,即基本克服了负载质量偏心对无人自行车航向跟踪特性的影响。第三轮学习过程如图5所示,经过第二轮学习,自动学习机输出值α*更加靠近负载偏心值α,自动学习机的标准差σ进一步减小,输出值α*曲线较第二轮变得更加平滑,输出值α*基本稳定在了0.1880rad~0.1900rad范围内,与模拟质量负载偏心值α曲线基本重合;由于终端滑膜控制器的特性,无人自行车的航向角ψ在-0.003rad~0.003rad范围内波动,达到震荡稳定状态,即认为在基于认知学习的无人自行车质量负载偏心自动识别方法的作用下基本克服了负载质量偏心对无人自行车航向跟踪特性的影响。
对于条件2情况下:第一轮学习过程如图6所示,第二轮学习过程如图7所示,第三轮学习过程如图8所示。
结果表明,本发明所提出的一种基于认知学习的无人自行车质量负载偏心自动识别方法,对无人自行车另一个方向的质量负载偏心仍具有良好的识别效果。
对以上2种条件下的自动识别结果总结如下表:
在上述2种条件下,随着学习次数的不断增加,自动学习机的输出值α*不断自动更新,最终在模拟质量负载偏心α附近达到震荡稳定,此识别结果作用于直线运动控制器后,使得车架横航向角ψ逐渐减小最终收敛到0rad附近,基本克服了质量负载偏心对无人自行车航向跟踪特性造成的不良影响。仿真结果表明,本发明能够较好地对无人自行车质量负载偏心进行自动识别,相对误差可达10-3,较好地解决了质量负载偏心导致的无人自行车航向跟踪特性下降的问题。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (6)
1.基于认知学习的无人自行车质量负载偏心自动识别方法,其特征是,包括步骤如下:
步骤1、初始化:设置质量负载偏心识别值的初值α*(0)、学习期望值的初值μ(0)、学习标准差的初值σ(0)、以及状态评价值的初值V(0);
步骤2、通过安装在无人自行车上的传感器获取当前时刻t的无人自行车的航向角ψ(t);
步骤3、将当前时刻t的无人自行车的航向角ψ(t)与设定的偏向阈值ε进行比较:如果|ψ(t)|≤ε,当前时刻t的质量负载偏心识别值α*(t)即为最终识别出的质量负载偏心识别值;如果|ψ(t)|>ε,则执行步骤4;
步骤4、计算当前时刻t的状态评价值V(t):
步骤5、基于上一时刻t-1的状态评价值V(t-1)和当前时刻t的状态评价值V(t)计算当前时刻t的取向值VS(t):
VS(t)=V(t-1)-V(t)
步骤6、根据自动学习机分布函数的期望值和标准差的更新公式,计算当前时刻t的学习期望值μ(t)和学习标准差σ(t):
μ(t)=μ(t-1)+λ(α*(t-1)-μ(t-1))sign(Vs(t))
σ(t)=σ(t-1)+β(rσ(t-1)-σ(t-1))
步骤7、利用当前时刻t的学习期望值μ(t)和学习标准差σ(t),计算当前时刻t的质量负载偏心学习值α(t):
α(t)=normrnd(μ(t),σ(t))
步骤8、对当前时刻t的质量负载偏心学习值α(t)进行限幅后,得到当前时刻t的质量负载偏心识别值α*(t);
步骤9、将当前时刻t的质量负载偏心识别值α*(t)送入到无人自行车上的控制器进行补偿,并令t=t+1后,返回步骤2;
上述式中,W为给定的2阶非零对角矩阵,ψ(t)为当前时刻t的航向角,V(t)为当前时刻t的状态评价值,V(t-1)为上一时刻t-1的状态评价值,VS(t)为当前时刻t的取向值,μ(t)为当前时刻t的学习期望值,μ(t-1)为上一时刻t-1的学习期望值,σ(t)为当前时刻t的学习标准差,σ(t-1)为上一时刻t-1的学习标准差,α*(t-1)为上一时刻t-1的质量负载偏心识别值,λ为给定的期望值学习系数,λ∈(0,1),β为给定的标准差学习系数,β∈(0,1),r为给定的不确定度,sign(*)为符号函数,α(t)为当前时刻t的质量负载偏心学习值,normrnd为正态分布函数。
2.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法,其特征是,步骤6还进一步包括对当前时刻t的学习期望值μ(t)进行更新的过程,其中更新公式为:
μ后(t)=cμ×μ前(t)+(1-cμ)×[-k1×(ψ(t)-ψ*(t))-k2×(∫ψ(t)dt-∫ψ*(t)dt)]
式中,μ前(t)为更新前的当前时刻t的学习期望值,μ后(t)为更新后的当前时刻t的学习期望值,cμ为给定的权重系数,cμ∈(0,1),k1为给定的比例项系数,k1>0,k2为给定的积分项系数,k2>0,ψ(t)为当前时刻t的航向角,ψ*(t)为设定的当前时刻t的航向角期望值。
3.根据权利要求1或2所述的基于认知学习的无人自行车质量负载偏心自动识别方法,其特征是,步骤6还进一步包括对当前时刻t的学习期望值μ(t)进行限幅的过程。
6.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法,其特征是,安装在无人自行车上的传感器为惯性测量单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551072.1A CN114065137B (zh) | 2021-12-17 | 2021-12-17 | 基于认知学习的无人自行车质量负载偏心自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551072.1A CN114065137B (zh) | 2021-12-17 | 2021-12-17 | 基于认知学习的无人自行车质量负载偏心自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065137A true CN114065137A (zh) | 2022-02-18 |
CN114065137B CN114065137B (zh) | 2024-03-29 |
Family
ID=80229955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111551072.1A Active CN114065137B (zh) | 2021-12-17 | 2021-12-17 | 基于认知学习的无人自行车质量负载偏心自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065137B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2254602C2 (ru) * | 2003-04-04 | 2005-06-20 | Липецкий Государственный Технический Университет (Лгту) | Способ адаптивной автоматической самонастройки многопараметрических систем автоматического управления на оптимальные условия |
CN106598058A (zh) * | 2016-12-20 | 2017-04-26 | 华北理工大学 | 内在动机驱动的极限学习机自发育系统及其运行方法 |
CN112540538A (zh) * | 2020-12-09 | 2021-03-23 | 华东交通大学 | 一种变载荷四旋翼无人机的自适应模糊自抗扰控制方法 |
-
2021
- 2021-12-17 CN CN202111551072.1A patent/CN114065137B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2254602C2 (ru) * | 2003-04-04 | 2005-06-20 | Липецкий Государственный Технический Университет (Лгту) | Способ адаптивной автоматической самонастройки многопараметрических систем автоматического управления на оптимальные условия |
CN106598058A (zh) * | 2016-12-20 | 2017-04-26 | 华北理工大学 | 内在动机驱动的极限学习机自发育系统及其运行方法 |
CN112540538A (zh) * | 2020-12-09 | 2021-03-23 | 华东交通大学 | 一种变载荷四旋翼无人机的自适应模糊自抗扰控制方法 |
Non-Patent Citations (1)
Title |
---|
赵传松;任红格;史涛;李福进;: "内在动机轮式倒立摆反应式认知系统", 浙江大学学报(工学版), no. 06, 30 June 2018 (2018-06-30), pages 1073 - 1080 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065137B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN111504254B (zh) | 一种基于六轴陀螺仪的扫地机角度测算方法 | |
CN111452801B (zh) | 一种四轮转向汽车的鲁棒自适应控制方法和装置 | |
CN111679575B (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
CN104298113A (zh) | 两轮机器人自适应模糊平衡控制器 | |
CN111413863B (zh) | 一种基于3D打印喷头的粒子群模糊Smith温度控制方法 | |
WO2021098663A1 (zh) | 一种四轮独立转向-独立驱动车辆轨迹跟踪方法和系统 | |
CN113183957A (zh) | 车辆控制方法、装置、设备及自动驾驶车辆 | |
CN111047002B (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN113962023B (zh) | 一种方向盘零偏在线辨识方法 | |
CN113537319A (zh) | 一种针对类型化模型的风洞天平终身学习校准方法及系统 | |
CN114065137A (zh) | 基于认知学习的无人自行车质量负载偏心自动识别方法 | |
CN117369244A (zh) | 一种基于焊接机器人焊枪位置控制优化方法 | |
CN113378351A (zh) | 一种卫星姿态敏感器测量数据在线智能剔野方法 | |
CN112558620B (zh) | 一种欠驱动自主水下航行器的航向修正路径跟踪方法 | |
CN114359349B (zh) | 一种用于车辆自适应路径跟踪的终身学习方法及系统 | |
CN115320572A (zh) | 一种车辆控制方法及装置 | |
US20040153216A1 (en) | Method for estimating a vehicle's velocity | |
CN115079569A (zh) | 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 | |
CN114063444A (zh) | 一种基于rbf神经网络的分数阶pid控制器的参数整定方法 | |
CN111461288A (zh) | 一种轨道几何参数全速段检测方法及系统 | |
CN114063453B (zh) | 基于强化学习的直升机系统控制方法、系统、装置及介质 | |
CN112965482B (zh) | 一种多机器人运动避碰控制方法及系统 | |
CN117465465B (zh) | 一种车辆簧载质量及道路横向坡度联合估计方法 |
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 |