CN114326408B - 兼顾位置和姿态调节的移动机器人反演控制方法及装置 - Google Patents
兼顾位置和姿态调节的移动机器人反演控制方法及装置 Download PDFInfo
- Publication number
- CN114326408B CN114326408B CN202210014093.8A CN202210014093A CN114326408B CN 114326408 B CN114326408 B CN 114326408B CN 202210014093 A CN202210014093 A CN 202210014093A CN 114326408 B CN114326408 B CN 114326408B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- inversion
- mobile robot
- outer ring
- slow
- 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 92
- 230000005624 perturbation theories Effects 0.000 claims abstract description 24
- 238000013459 approach Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 16
- 230000001276 controlling effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请实施例属于人工智能中的移动机器人技术领域，涉及一种兼顾位置和姿态调节的移动机器人反演控制方法及装置。本申请建立了分数阶的移动机器人控制模型，实现了高精度的建模。同时根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，实现了解耦的伪线性系统模型；进一步的将系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，实现了系统参数的动态整定。最后，设计了内外环的控制框架，并分别设计了内外环的反演控制，实现了移动机器人系统高精、高效和鲁棒的控制方案，使得移动机器人使用范围更加广泛。
Description
技术领域
本申请涉及人工智能中的移动机器人技术领域，尤其涉及一种兼顾位置和姿态调节的移动机器人反演控制方法及装置。
背景技术
智能移动机器人是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。它集中了传感器技术、信息处理、电子工程、计算机工程、自动化控制工程以及人工智能等多学科的研究成果，代表机电一体化的最高成就，是目前科学技术发展最活跃的领域之一。随着机器人性能不断地完善，移动机器人的应用范围大为扩展，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在城市安全、国防和空间探测领域等有害与危险场合得到很好的应用。因此，移动机器人技术已经得到世界各国的普遍关注。
现有一种兼顾位置和姿态调节的移动机器人反演控制方法，即通过先进的智能控制算法对移动机器人的位置和姿态进行调整，从而保证轨迹跟踪控制性能。
然而，申请人发现传统的兼顾位置和姿态调节的移动机器人反演控制方法普遍不智能，传统轨迹跟踪控制没有针对位置调节和姿态调节的差异性，使用同一个控制器对位置和姿态进行调节，存在控制精度低、鲁棒性差等问题，无法保证被控移动机器人的运动控制性能最优；同时，现存方法没有考虑快变位置调节、慢变速度调节的特性，从而难以保证位置和姿态集成调控的协调性。
发明内容
本申请实施例的目的在于提出一种兼顾位置和姿态调节的移动机器人反演控制方法及装置，提出了分数阶的建模方式，以得到高精度的控制模型，同时对所提的分数阶模型进行解耦操作，实现了控制系统的伪线性映射；将系统分解为快变位置子系统和慢变姿态子系统，并利用即时学习对模型参数进行了辨识进而生成了级联的控制框架，进一步提高了控制效率；通过设计内外的反演控制器，提高了控制精度和鲁棒性。通过以上的方式，解决了传统移动机器人控制方法存在控制精度低、鲁棒性差等问题。
为了解决上述技术问题，本申请实施例提供一种兼顾位置和姿态调节的移动机器人反演控制方法，采用了如下所述的技术方案：
获取与目标移动机器人系统相对应的含区间分数阶模型；
根据奇异摄动理论对所述含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
根据迭代窗口法对所述快变位置子系统以及所述慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；
构建与所述内环快变位置子系统以及所述外环慢变姿态子系统相对应的级联控制框架；
构建与所述级联控制框架相对应的内外环反演控制器；
构建与所述内外环反演控制器的趋近律，得到目标内外环反演控制器；
根据所述目标内外环反演控制器对所述目标移动机器人系统进行控制操作。
本申请实施例还提供一种兼顾位置和姿态调节的移动机器人反演控制装置，包括下述模块：
模型获取模块，用于获取与目标移动机器人系统相对应的含区间分数阶模型；
解耦模块，用于根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
参数辨识模块，用于根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；
框架构建模块，用于构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；
控制器构建模块，用于构建与级联控制框架相对应的内外环反演控制器；
趋近律构建模块，用于构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；
控制操作模块，用于根据目标内外环反演控制器对目标移动机器人系统进行控制操作。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种兼顾位置和姿态调节的移动机器人反演控制方法及装置，方法包括：获取与目标移动机器人系统相对应的含区间分数阶模型，实现了移动机器人的高精度建模；根据奇异摄动理论对所述含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统，实现了控制闭环系统的伪线性的映射关系；根据迭代窗口法对所述快变位置子系统以及所述慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统，实现了系统参数的动态调节；构建与所述内环快变位置子系统以及所述外环慢变姿态子系统相对应的级联控制框架，提高了系统控制效率；构建与所述级联控制框架相对应的内外环反演控制器；构建与所述内外环反演控制器的趋近律，得到目标内外环反演控制器；根据所述目标内外环反演控制器对所述目标移动机器人系统进行控制操作。在内外环级联控制框架的作用下，共同实现了移动机器人的高精高效的控制。本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请实施例一提供的兼顾位置和姿态调节的移动机器人反演控制方法的实现流程图；
图3是本申请实施例二提供的兼顾位置和姿态调节的移动机器人反演控制装置的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同；本文中在申请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，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(,Moving,Picture,Experts,Group,Audio,Layer,III，动态影像专家压缩标准音频层面3,)、MP4(,Moving,Picture,Experts,Group,Audio,Layer,IV，动态影像专家压缩标准音频层面4,)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的兼顾位置和姿态调节的移动机器人反演控制方法一般由服务器/终端设备执行，相应地，兼顾位置和姿态调节的移动机器人反演控制装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了本申请实施例一提供的兼顾位置和姿态调节的移动机器人反演控制方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的兼顾位置和姿态调节的移动机器人反演控制方法，包括以下步骤：
步骤S201：获取与目标移动机器人系统相对应的含区间分数阶模型；
步骤S202：根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
步骤S203：根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；
步骤S204：构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；
步骤S205：构建与级联控制框架相对应的内外环反演控制器；
步骤S206：构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；
步骤S207：根据目标内外环反演控制器对目标移动机器人系统进行控制操作。
在本申请实施例中，提供了一种兼顾位置和姿态调节的移动机器人反演控制方法，包括：获取与目标移动机器人系统相对应的含区间分数阶模型；根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；构建与级联控制框架相对应的内外环反演控制器；构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；根据目标内外环反演控制器对目标移动机器人系统进行控制操作。本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，考虑移动机器人二自由度模型，提供了一种移动机器人系统的含区间分数阶模型，表示如下：
Dv(t)β(t)＝A11x(t)+B11u(t)+d11(t)
Dμ(t)γ(t)＝A12x(t)+B12u(t)+d12(t)
其中， A11、A12、B11、B12为系数矩阵；x(t)＝[β(t)γ(t)]T为系统状态变量；u(t)＝[δ(t)Mz(t)]T为系统控制变量；γ(t)为偏航率；β(t)为侧偏角；af和ar分别为目标移动机器人质心到前后轴的距离；pf和pr分别表示目标移动机器人前后轮刚度系数；m为目标移动机器人总质量；Iz表示z方向的转动惯量；vc表示质心速度；Dv(t)和Dμ(t)分别表示分数阶因子；v(t)∈(vmin,vmax)，μ(t)∈(μmin,μmax)分别表示两个状态变量分数阶阶次的变化区间；vmin,vmax和μmin,μmax分别表示分数阶次的最大值和最小值；d11(t)和d12(t)分别表示集成扰动，至少包括了建模误差、未建模动态和外部扰动等。
在本实施例的一些可选的实现方式中，考虑到位姿调节过程中，位置调节过程较快，而姿态调节过程较慢，统一的控制器设计方式难以满足控制的准确性，利用奇异摄动理论将含区间分数阶模型分解成双时间尺度模型，包含快变位置子系统模型和慢变姿态子系统模型，可以在很大程度上克服这一问题，然而系统的耦合变量难以将两者的状态进行独立分析，因此将原系统采用逆系统解耦的过程如下：
其中,为解耦后的系数矩阵；eβ(t)、eγ(t)为解耦后系统的状态误差，a1(t)∈(a1min(t),a1max(t)),a1min(t),a1max(t)分别表示分数阶次的最大值和最小值。此时解耦后的系统可以表示为内环的快变位置变化系统和外环的姿态慢变系统。
传统的模型参数辨识可表述为：1)通过采集的原始输入和输出数据建构离线数据库用于模型参数的辨识；2)通过在每个采样时刻添加当前的过程数据更新数据库，从而可在原始数据库的扩展更新中包含当前时刻的运行状态信息，进而使用扩展数据库中的所有数据用于模型参数的辨识；3)当下一时刻的输入和输出数据被采集并添加到扩展数据库中，重复上述步骤2)。随着新的数据不断加入构建的数据库中，数据库中的数据量也就越来越大，因此系统的计算复杂性和负担也就随着系统的实时运行逐步增加，将会严重影响系统运行的实时性和其他控制程序的运行效率。为此，在本实施例的实现方式中，由于解耦系统对于模型的高度依赖性，按照本发明的另一方面，提供了一种二维迭代窗口法对快变子系统和慢变子系统进行参数辨识，提出了一种即时学习的分数阶控制器参数在线校正算法，通多对快慢子两个子系统的原始数据{u(t),xβ(t),xγ(t)}的进行采集构建可以用用于在线参数辨识的数据，在保证整定精度的同时也能够保持计算的高效率。为了对被控系统的数据库进行在线更新，定义回归向量pk＝[x(t),xβ(t),xγ(t)]T；设计预设回归查询向量pβ，其中，所述预设回归查询向量pβ＝[x(t),eβ(t),eγ(t)]T；
当获取到下一时刻的回归向量pt＝[x(t),xβ(t),xγ(t)]T时，x(t)为系统状态量；根据距离度量的相似标准计算数据向量pt与数据库中的数据向量关联度，从而利用数据向量关联度高的数据进行模型参数的迭代辨识。其中，数据向量关联度表示为：
其中，pi，i＝β,γ为关联度；Si，i＝β,γ为参数；ω为介于0和1之间的权重因子。从方程的构建可知，Si的值越趋近于零，表明pβ和pγ之间的关联度越低；同时当cos(pi)<0时，表明新产生的数据之间相关性不强，因此该时刻产生的数据用于系统模型参数辨识。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，提供了内外环级联控制框架，内、外环控制器分别对内环快变位置子系统、外环慢变姿态子系统进行控制，外环控制器的输出即为内环控制器的输入参考值，具体表示为对于位置级联控制，由外环的控制器输出姿态控制信号，内环控制器输出位置控制信号。设定内环参考系统fβ(t)的控制器为Cβ(t,xβ(t),xγ(t))以及外环参考系统fγ(t)的外环控制器为Cγ(t,xγ(t))。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，提供了一种外环慢变位置子系统、内环快变姿态子系统的反演控制器，其中内环反演控制器侧重于保证姿态在线调控的稳定性，外环反演控制器保证了位置自适应调控的快速性，内外环控制器，表示如下：
对于快变子系统，设计反演滑动模态为：
式中，为分数阶因子；Hf(t)为快变系统滑动模态；ufe(t)为快变子系统到达律；K1为控制增益；a1(t)∈(a1min,a2max)为分数阶次，/>为解耦后的系数矩阵。a1min,a2max分别为最大值和最小值，eβ(t)与eγ(t)为系统误差，定义为：
为状态量的参考值，定义反演滑动模态Hf(t)＝0得系统到达律ufe(t)为：
定义趋近律ufe(t)为：
其中k为自定义常量，k1为控制增益、λ1为增益系数，sgn为符号函数，为反演滑动模态的切换值常量。因此快变子系统的控制律uf(t)为：
uf(t)＝ufe(t)+ufa(t)
Hf(t)为快变系统滑动模态，ufa(t)表示为趋近律。
采用此方式定义的滑模模态可以在保证快速跟踪的前提下，提高系统的稳定性。
进一步地，按照本发明的另一方面，提出一种外环反演控制器滑动模态如下：
式中，表示分数阶因子；a2(t)∈(a2min(t),a2max(t)),,a2min(t),a2max(t)分别表示分数阶次的最大值和最小值；Hs(t)表示慢变反演滑动模态；K2表示控制增益；use(t)的到达律设计方法，表示如下：
定义趋近律usa(t)为：
usa(t)＝K2eγ(t)-λ2sgn(Hs(t))
式中，K2为控制增益、λ2表示增益系数；K2为控制增益，外环慢变子系统的控制律us(t)定义为：
us(t)＝use(t)+usa(t)
其中use(t)为慢变系统到达律，usa(t)为慢变系统趋近律。
综上，本申请提供了一种兼顾位置和姿态调节的移动机器人反演控制方法，包括：获取与目标移动机器人系统相对应的含区间分数阶模型；根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；构建与级联控制框架相对应的内外环反演控制器；构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；根据目标内外环反演控制器对目标移动机器人系统进行控制操作。本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。同时，首次建立了移动机器人的含区间分数阶模型，从而可以更为精准地描述移动机器人在轮胎变形、非线性干扰等因素下的动力学特征；利用奇异摄动理论将移动机器人含区间分数阶系统分解成双时间尺度模型，包括了快变位置子系统和慢变姿态调节子系统，从而可以根据实际运行需求对各种参考轨迹进行移动机器人位姿调控；设计了内外环反演控制器，分别对移动机器人快变位置子系统和慢变姿态子系统进行控制，并通过趋近律的设计，利用内环反演控制器侧重于保证姿态在线调控的稳定性、外环反演控制器保证了位置自适应调控的快速性，从而可以确保移动机器人在复杂运行工况下的控制鲁棒性和精确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only,Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random,Access,Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种兼顾位置和姿态调节的移动机器人反演控制装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的兼顾位置和姿态调节的移动机器人反演控制装置200包括：模型获取模块210、解耦模块220、参数辨识模块230、框架构建模块240、控制器构建模块250、趋近律构建模块260以及控制操作模块270。其中：
模型获取模块210，用于获取与目标移动机器人系统相对应的含区间分数阶模型；
解耦模块220，用于根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
参数辨识模块230，用于根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；
框架构建模块240，用于构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；
控制器构建模块250，用于构建与级联控制框架相对应的内外环反演控制器；
趋近律构建模块260，用于构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；
控制操作模块270，用于根据目标内外环反演控制器对目标移动机器人系统进行控制操作。
在本申请实施例中，提供了一种兼顾位置和姿态调节的移动机器人反演控制装置200，包括：模型获取模块210，用于获取与目标移动机器人系统相对应的含区间分数阶模型；解耦模块220，用于根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；参数辨识模块230，用于根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；框架构建模块240，用于构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；控制器构建模块250，用于构建与级联控制框架相对应的内外环反演控制器；趋近律构建模块260，用于构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；控制操作模块270，用于根据目标内外环反演控制器对目标移动机器人系统进行控制操作。本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，考虑移动机器人二自由度模型，提供了一种移动机器人系统的含区间分数阶模型，表示如下：
Dv(t)β(t)＝A11x(t)+B11u(t)+d11(t)
Dμ(t)γ(t)＝A12x(t)+B12u(t)+d12(t)
其中， A11、A12、B11、B12为系数矩阵；x(t)＝[β(t)γ(t)]T为系统状态变量；u(t)＝[δ(t)Mz(t)]T为系统控制变量；γ(t)为偏航率；β(t)为侧偏角；af和ar分别为目标移动机器人质心到前后轴的距离；pf和pr分别表示目标移动机器人前后轮刚度系数；m为目标移动机器人总质量；Iz表示z方向的转动惯量；vc表示质心速度；Dv(t)和Dμ(t)分别表示分数阶因子；v(t)∈(vmin,vmax)，μ(t)∈(μmin,μmax)分别表示两个状态变量分数阶阶次的变化区间；vmin,vmax和μmin,μmax分别表示分数阶次的最大值和最小值；d11(t)和d12(t)分别表示集成扰动，至少包括了建模误差、未建模动态和外部扰动等。
在本实施例的一些可选的实现方式中，考虑到位姿调节过程中，位置调节过程较快，而姿态调节过程较慢，统一的控制器设计方式难以满足控制的准确性，利用奇异摄动理论将含区间分数阶模型分解成双时间尺度模型，包含快变位置子系统模型和慢变姿态子系统模型，可以在很大程度上克服这一问题，然而系统的耦合变量难以将两者的状态进行独立分析，因此将原系统采用逆系统解耦的过程如下：
其中，为解耦后的系数矩阵；eβ(t)、eγ(t)为解耦后系统的状态误差，a1(t)∈(a1min(t),a1max(t)),,a1min(t),a1max(t)分别表示分数阶次的最大值和最小值。此时解耦后的系统可以表示为内环的快变位置变化系统和外环的姿态慢变系统。
在本实施例的一些可选的实现方式中，由于解耦系统对于模型的高度依赖性，按照本发明的另一方面，提供了一种二维迭代窗口法对快变子系统和慢变子系统进行参数辨识，提出了一种即时学习的分数阶控制器参数在线校正算法，通多对快慢子两个子系统的原始数据{u(t),xβ(t),xγ(t)}的进行采集构建可以用离线整定的参数条件，在保证整定精度的同时也能够保持计算的高效率。为了对被控系统的数据库进行在线更新，根据式，定义回归向量pk＝[x(t),xβ(t),xγ(t)]T；
当获取到下一时刻的输入输出数据向量pt＝[x(t),xβ(t),xγ(t)]T时，x(t)为系统状态量；根据距离度量的相似标准计算数据向量pt与数据库中的数据向量关联度，其中，数据向量关联度表示为：
其中，pi，i＝β,γ为关联度；Si，i＝β,γ为参数；ω为介于0和1之间的权重因子。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，提供了内外环级联控制框架，内、外环控制器分别对内环快变位置子系统、外环慢变姿态子系统进行控制，外环控制器的输出即为内环控制器的输入参考值，具体表示为对于位置级联控制，由外环的控制器输出姿态控制信号，内环控制器输出位置控制信号。设定内环参考系统fβ(t)的控制器为Cβ(t,xβ(t),xγ(t))以及外环参考系统fγ(t)的外环控制器为Cγ(t,xγ(t))。
在本实施例的一些可选的实现方式中，按照本发明的另一方面，提供了一种外环慢变位置子系统、内环快变姿态子系统的反演控制器，其中内环反演控制器侧重于保证姿态在线调控的稳定性，外环反演控制器保证了位置自适应调控的快速性，内外环控制器，表示如下：
对于快变子系统，设计反演滑动模态为：
式中，为分数阶因子；Hf(t)为快变系统滑动模态；ufe(t)为快变子系统到达律；K1为控制增益；a1(t)∈(a1min,a2max)为分数阶次，/>为解耦后的系数矩阵。a1min,a2max分别为最大值和最小值，eβ(t)与eγ(t)为系统误差，定义为：
为状态量的参考值，定义反演滑动模态Hf(t)＝0得系统到达律ufe(t)为：
定义趋近律ufe(t)为：
其中k为自定义常量，k1为控制增益、λ1为增益系数，sgn为符号函数，为反演滑动模态的切换值常量。因此快变子系统的控制律为：
uf(t)＝ufe(t)+ufa(t)
采用此方式定义的滑模模态可以在保证快速跟踪的前提下，提高系统的稳定性。
进一步地，按照本发明的另一方面，提出一种外环反演控制器滑动模态如下：
式中，表示分数阶因子；a2(t)∈(a2min(t),a2max(t)),,a2min(t),a2max(t)分别表示分数阶次的最大值和最小值；Hs(t)表示慢变反演滑动模态；K2表示控制增益；use(t)的到达律设计方法，表示如下：
定义趋近律usa(t)为：
usa(t)＝K2eγ(t)-λ2sgn(Hs(t))
式中，K2为控制增益、λ2表示增益系数；K2为控制增益，外环慢变子系统的控制律us(t)定义为：
us(t)＝use(t)+usa(t)
其中use(t)为慢变系统到达律，usa(t)为慢变系统趋近律。
综上，本申请提供了一种兼顾位置和姿态调节的移动机器人反演控制装置200，包括：模型获取模块210，用于获取与目标移动机器人系统相对应的含区间分数阶模型；解耦模块220，用于根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；参数辨识模块230，用于根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；框架构建模块240，用于构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；控制器构建模块250，用于构建与级联控制框架相对应的内外环反演控制器；趋近律构建模块260，用于构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；控制操作模块270，用于根据目标内外环反演控制器对目标移动机器人系统进行控制操作。本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。同时，首次建立了移动机器人的含区间分数阶模型，从而可以更为精准地描述移动机器人在轮胎变形、非线性干扰等因素下的动力学特征；利用奇异摄动理论将移动机器人含区间分数阶系统分解成双时间尺度模型，包括了快变位置子系统和慢变姿态调节子系统，从而可以根据实际运行需求对各种参考轨迹进行移动机器人位姿调控；设计了内外环反演控制器，分别对移动机器人快变位置子系统和慢变姿态子系统进行控制，并通过趋近律的设计，利用内环反演控制器侧重于保证姿态在线调控的稳定性、外环反演控制器保证了位置自适应调控的快速性，从而可以确保移动机器人在复杂运行工况下的控制鲁棒性和精确性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application,Specific Integrated,Circuit，ASIC)、可编程门阵列(Field－Programmable,Gate,Array，FPGA)、数字处理器,(Digital,Signal,Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器310至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡(Smart ,Media ,Card,SMC)，安全数字(Secure ,Digital,,SD)卡，闪存卡(Flash ,Card)等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如兼顾位置和姿态调节的移动机器人反演控制方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器320在一些实施例中可以是中央处理器(Central ,Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述兼顾位置和姿态调节的移动机器人反演控制方法的计算机可读指令。
所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。
本申请提供的计算机设备，本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的兼顾位置和姿态调节的移动机器人反演控制方法的步骤。
本申请提供的计算机可读存储介质，本申请根据奇异摄动理论对目标移动机器人系统所对应的含区间分数阶模型进行解耦操作，对系统分解为快变位置子系统和慢变姿态子系统，并对系统进行了参数辨识，设计了内外环的控制框架，并分别设计了内外环的反演控制，使得移动机器人的反演控制方法控制精度高，普适性广。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (8)
1.一种兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，包括下述步骤：
获取与目标移动机器人系统相对应的含区间分数阶模型；
根据奇异摄动理论对所述含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
根据迭代窗口法对所述快变位置子系统以及所述慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；所述根据迭代窗口法对所述快变位置子系统以及所述慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统的步骤，具体包括：
设计预设回归查询向量pβ，其中，所述预设回归查询向量pβ＝[x(t),eβ(t),eγ(t)]T；
当获取到下一时刻的输入输出数据向量pγ＝[x(t),eβ(t),eγ(t)]T时，x(t)为系统状态量，eβ(t)、eγ(t)为解耦后系统的状态误差；根据距离度量的相似标准计算所述数据向量pγ与数据库中的数据向量关联度，其中，所述数据向量关联度表示为：
其中，Si，i＝β,γ为关联度；ω为大于零的权重因子；从方程的构建可知，Si的值越趋近于零，表明pβ和pγ之间的关联度越低；同时当cos(pi)<0时，表明新产生的数据之间相关性不强，因此该时刻产生的数据用于系统模型参数辨识；所述内环反演控制器表示为
其中k为自定义常量，k1为控制增益、λ1为增益系数，sgn为符号函数，为反演滑动模态的切换值常量；Hf(t)为快变系统滑动模态，ufa(t)表示为趋近律；
构建与所述内环快变位置子系统以及所述外环慢变姿态子系统相对应的级联控制框架；
构建与所述级联控制框架相对应的内外环反演控制器；
构建与所述内外环反演控制器的趋近律，得到目标内外环反演控制器；
根据所述目标内外环反演控制器对所述目标移动机器人系统进行控制操作。
2.根据权利要求1所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，所述含区间分数阶模型表示为：
Dv(t)β(t)＝A11x(t)+B11u(t)+d11(t)
Dμ(t)γ(t)＝A12x(t)+B12u(t)+d12(t)
其中， A11、A12、B11、B12为系数矩阵；x(t)＝[β(t),γ(t)]T为系统状态变量；u(t)＝[δ(t),Mz(t)]T为系统控制变量；γ(t)为偏航率，β(t)为侧偏角；af和ar分别为所述目标移动机器人质心到前后轴的距离；pf和pr分别表示所述目标移动机器人前后轮刚度系数；m为所述目标移动机器人总质量；Iz表示z方向的转动惯量；vc表示质心速度；Dv(t)和Dμ(t)分别表示变化的分数阶阶次；v(t)∈(vmin,vmax)，μ(t)∈(μmin,μmax)分别表示两个状态变量分数阶阶次的变化区间；vmin,vmax和μmin,μmax分别表示分数阶阶次的最大值和最小值；d11(t)和d12(t)分别表示集成扰动，至少包括了建模误差、未建模动态和外部扰动。
3.根据权利要求1所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，所述根据奇异摄动理论对所述含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统的步骤，具体包括：
根据逆系统解耦法对所述含区间分数阶模型进行解耦操作，得到所述快变位置子系统以及所述慢变姿态子系统，其中，所述系统解耦法表示为：
其中，为解耦后的系数矩阵；xβ(t),xγ(t)为解耦后系统的状态调节量；eβ(t)、eγ(t)为解耦后系统的状态误差，a1(t)与a2(t)为动态分数阶阶次，a1(t)∈(a1min(t),a1max(t)),,,a2(t)∈(a2min(t),a2max(t))，a1min(t),a2min(t)表示分数阶阶次的最小值，a1max(t)和a2max(t)表示分数阶阶次的最大值；K1和K2为控制增益。
4.根据权利要求3所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，所述内环反演控制器表示为：
对于内环快变子系统，设计反演滑动模态为：
其中，为分数阶因子；Hf(t)为快变系统滑动模态；ufe(t)为快变子系统到达律；K1为控制增益；a1(t)∈(a1min,a2max)为分数阶阶次，/>为解耦后的系数矩阵；a1min,a2max分别为分数阶阶次的最大值和最小值，eβ(t)与eγ(t)为系统误差，定义为：
其中，为状态量的参考值，定义反演滑动模态Hf(t)＝0得系统到达律ufe(t)为：
因此快变子系统的控制律uf(t)为：
uf(t)＝ufe(t)+ufa(t)。
5.根据权利要求4所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，所述内外环反演控制器的外环反演控制器趋近律为：
usa(t)＝K2eγ(t)-λ2sgn(Hs(t))
其中，K2为控制增益，λ2表示增益系数。
6.根据权利要求1所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，所述内外环反演控制器的外环反演控制器滑动模态表示为：
其中，表示分数阶因子；a2(t)∈(a2min(t),a2max(t)),,,a2min(t),a2max(t)分别表示分数阶次的最大值和最小值；,Hs(t)表示慢变反演滑动模态；K2表示控制增益，为解耦后的系数矩阵。
7.根据权利要求6所述的兼顾位置和姿态调节的移动机器人反演控制方法，其特征在于，
use(t)为外环到达律，设计方法表示如下：
K2为控制增益，外环慢变子系统的控制律us(t)定义为：
us(t)＝use(t)+usa(t),,,；
其中use(t)为慢变系统到达律，usa(t)为慢变系统趋近律。
8.一种兼顾位置和姿态调节的移动机器人反演控制装置，其特征在于，包括下述模块：
模型获取模块，用于获取与目标移动机器人系统相对应的含区间分数阶模型；
解耦模块，用于根据奇异摄动理论对含区间分数阶模型进行解耦操作，得到快变位置子系统以及慢变姿态子系统；
参数辨识模块，用于根据迭代窗口法对快变位置子系统以及慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统；所述根据迭代窗口法对所述快变位置子系统以及所述慢变姿态子系统进行参数辨识操作，得到内环快变位置子系统以及外环慢变姿态子系统的步骤，具体包括：
设计预设回归查询向量pβ，其中，所述预设回归查询向量pβ＝[x(t),eβ(t),eγ(t)]T；
当获取到下一时刻的输入输出数据向量pγ＝[x(t),eβ(t),eγ(t)]T时，x(t)为系统状态量，eβ(t)、eγ(t)为解耦后系统的状态误差；根据距离度量的相似标准计算所述数据向量pγ与数据库中的数据向量关联度，其中，所述数据向量关联度表示为：
其中，Si，i＝β,γ为关联度；ω为大于零的权重因子；从方程的构建可知，Si的值越趋近于零，表明pβ和pγ之间的关联度越低；同时当cos(pi)<0时，表明新产生的数据之间相关性不强，因此该时刻产生的数据用于系统模型参数辨识；所述内环反演控制器表示为
其中k为自定义常量，k1为控制增益、λ1为增益系数，sgn为符号函数，为反演滑动模态的切换值常量；Hf(t)为快变系统滑动模态，ufa(t)表示为趋近律；框架构建模块，用于构建与内环快变位置子系统以及外环慢变姿态子系统相对应的级联控制框架；
控制器构建模块，用于构建与级联控制框架相对应的内外环反演控制器；
趋近律构建模块，用于构建与内外环反演控制器的趋近律，得到目标内外环反演控制器；
控制操作模块，用于根据目标内外环反演控制器对目标移动机器人系统进行控制操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014093.8A CN114326408B (zh) | 2022-01-06 | 2022-01-06 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014093.8A CN114326408B (zh) | 2022-01-06 | 2022-01-06 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114326408A CN114326408A (zh) | 2022-04-12 |
| CN114326408B true CN114326408B (zh) | 2024-03-19 |
Family
ID=81025781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210014093.8A Active CN114326408B (zh) | 2022-01-06 | 2022-01-06 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326408B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338919A (zh) * | 2016-11-02 | 2017-01-18 | 哈尔滨工程大学 | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 |
| CN107544262A (zh) * | 2017-10-27 | 2018-01-05 | 南京工业大学 | 一种运载火箭自适应精确回收控制方法 |
| CN108803649A (zh) * | 2018-08-22 | 2018-11-13 | 哈尔滨工业大学 | 一种垂直起降重复使用运载器自抗扰滑模控制方法 |
| CN109634116A (zh) * | 2018-09-04 | 2019-04-16 | 贵州大学 | 一种分数阶机械式离心调速器系统的加速自适应稳定方法 |
| CN110308657A (zh) * | 2019-07-24 | 2019-10-08 | 西北工业大学 | 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法 |
| CN110456643A (zh) * | 2019-07-24 | 2019-11-15 | 西北工业大学 | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 |
| GB202019112D0 (en) * | 2020-10-26 | 2021-01-20 | Univ Guizhou | Fractional-order MEMS gyroscope acceleration adaptive backstepping control method without accurate reference trajectory |
-
2022
- 2022-01-06 CN CN202210014093.8A patent/CN114326408B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338919A (zh) * | 2016-11-02 | 2017-01-18 | 哈尔滨工程大学 | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 |
| CN107544262A (zh) * | 2017-10-27 | 2018-01-05 | 南京工业大学 | 一种运载火箭自适应精确回收控制方法 |
| CN108803649A (zh) * | 2018-08-22 | 2018-11-13 | 哈尔滨工业大学 | 一种垂直起降重复使用运载器自抗扰滑模控制方法 |
| CN109634116A (zh) * | 2018-09-04 | 2019-04-16 | 贵州大学 | 一种分数阶机械式离心调速器系统的加速自适应稳定方法 |
| CN110308657A (zh) * | 2019-07-24 | 2019-10-08 | 西北工业大学 | 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法 |
| CN110456643A (zh) * | 2019-07-24 | 2019-11-15 | 西北工业大学 | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 |
| GB202019112D0 (en) * | 2020-10-26 | 2021-01-20 | Univ Guizhou | Fractional-order MEMS gyroscope acceleration adaptive backstepping control method without accurate reference trajectory |
Non-Patent Citations (1)
| Title |
|---|
| 作业型飞行机器人抓取重心偏移的轨迹跟踪控制;陈彦杰;《控制理论与应用》;第37卷(第10期);第2178-2189页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114326408A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Fixed‐time backstepping control design for high‐order strict‐feedback non‐linear systems via terminal sliding mode | |
| Nguyen et al. | Adaptive chattering free neural network based sliding mode control for trajectory tracking of redundant parallel manipulators | |
| CN105549395B (zh) | 保证瞬态性能的机械臂伺服系统死区补偿控制方法 | |
| Chen et al. | Model-assisted extended state observer-based computed torque control for trajectory tracking of uncertain robotic manipulator systems | |
| Yu et al. | Global robust output tracking control for a class of uncertain cascaded nonlinear systems | |
| Marchetti et al. | Modifier adaptation as a feedback control scheme | |
| Jin | An improved finite time convergence recurrent neural network with application to time-varying linear complex matrix equation solution | |
| Zhang et al. | Model-free adaptive PID control for nonlinear discrete-time systems | |
| Li et al. | Event-triggered-based cooperative game optimal tracking control for modular robot manipulator with constrained input | |
| Perng et al. | Design of robust PI control systems based on sensitivity analysis and genetic algorithms | |
| CN112859601B (zh) | 机器人控制器设计方法、装置、设备及可读存储介质 | |
| Gong et al. | Adaptive backstepping terminal sliding mode control of nonlinear system using fuzzy neural structure | |
| Wu et al. | Zeroing neural network with coefficient functions and adjustable parameters for solving time-variant Sylvester equation | |
| CN114326408B (zh) | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 | |
| Liang et al. | Adaptive Chattering-Free PID Sliding Mode Control for Tracking Problem of Uncertain Dynamical Systems | |
| Haghighatnia et al. | Design of nonlinear conformable fractional-order sliding mode controller for a class of nonlinear systems | |
| Zahraoui et al. | Fractional Order Sliding Mode Controller Based on Supervised Machine Learning Techniques for Speed Control of PMSM | |
| Xu et al. | Low-dimensional-approximate model based improved fuzzy non-singular terminal sliding mode control for rigid-flexible manipulators | |
| Zhang et al. | Kernel online sequential ELM algorithm with sliding window subject to time-varying environments | |
| CN107220214B (zh) | 一种基于多项式拟合的变阶分数阶微积分频域分析方法 | |
| CN114114903B (zh) | 一种基于变指数幂次趋近律的板球系统积分终端滑模控制方法 | |
| CN114407010B (zh) | 零力控制方法、装置、电子设备及存储介质 | |
| Wang et al. | Adaptive neural sliding mode control with prescribed performance of robotic manipulators subject to backlash hysteresis | |
| Chen et al. | Finite‐time adaptive neural dynamic surface control for non‐linear systems with unknown dead zone | |
| Shi et al. | Adaptive fractional-order non-singular fast terminal sliding mode control based on fixed time observer |
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 |