CN114460945A - 移动机器人轨迹跟踪方法、装置及电子设备 - Google Patents
移动机器人轨迹跟踪方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114460945A CN114460945A CN202210131916.5A CN202210131916A CN114460945A CN 114460945 A CN114460945 A CN 114460945A CN 202210131916 A CN202210131916 A CN 202210131916A CN 114460945 A CN114460945 A CN 114460945A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- angular velocity
- network model
- neural network
- compensation value
- 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 47
- 230000003044 adaptive effect Effects 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Abstract
本申请实施例提供一种移动机器人轨迹跟踪方法、装置及电子设备,其中,本申请的区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
Description
技术领域
本发明涉及控制技术领域,尤其是涉及一种移动机器人轨迹跟踪方法、装置及电子设备。
背景技术
随着移动机器人应用的不断扩大,四轮轮式全向移动机器人由于其全方位的机动性,在运输、加工、现代制造等诸多领域得到了广泛的应用。四轮轮式全向移动机器人与其他轮式移动机器人最大的区别在于,它可以在不改变前方方向的情况下向四面八方移动,因此在狭窄的工作空间中具有优越的转向能力。
在四轮轮式全向移动机器人的许多研究中,轨迹跟踪控制是机器人实现编队、巡检等复杂功能的基础,然而,在实际的运动过程中,存在着许多不确定因素,比如,摩擦、轮胎磨损、建模不准确等因素都会影响机器人的跟踪精度,因此,如何消除或补偿这些不确定性,提高轨迹跟踪精度具有重要的研究意义。
目前,对于上述不确定性的计算过程存在计算精度和计算效率低等问题,进而降低了移动机器人的轨迹跟踪精度。
发明内容
有鉴于此,本发明的目的在于提供一种移动机器人轨迹跟踪方法、装置及电子设备,本申请的区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
第一方面,本发明实施例提供了一种移动机器人轨迹跟踪方法,其中,该方法包括:基于移动机器人的位置传感器获取位置误差数据;根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量;将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;基于补偿值控制移动机器人进行轨迹跟踪。
上述通过下式表示区间二型模糊神经网络模型:
上述θ的自适应律为:的自适应律为:其中,Γi和Γi1表示学习率,为正的常数,s表示角速度误差量,n表示第二个自适应因子,m表示第一个自适应因子,和ε(ω)均为模糊基向量,ω表示移动机器人当前的角速度控制量。
上述根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量的步骤,包括:将位置误差数据输入至前馈比例控制器中,输出速度控制量;其中,速度控制量为在全局坐标系下的速度值;将速度控制量输入至运动学模型中,输出期望角速度控制量;其中,期望角速度控制量为在移动机器人的机体坐标系下的速度值。
上述通过下式表示运动学模型的模型:
上述基于补偿值对移动机器人的轨迹进行跟踪的步骤,包括:将补偿值输入至内环控制器中,输出控制力矩;基于控制力矩控制移动机器人进行轨迹跟踪。
上述通过下式表示内环控制器:其中,表示补偿值,τ表示控制力矩,M表示移动机器人的惯性系数,Dω表示移动机器人的粘性摩擦系数,H表示正定矩阵,s表示期望角速度与移动机器人当前角速度之间误差,表示期望角加速度。
第二方面,本发明实施例还提供一种移动机器人轨迹跟踪装置,其中,该装置包括:获取模块,用于基于移动机器人的位置传感器获取位置误差数据;确定模块,用于根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量;输出模块,用于将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;跟踪模块,用于基于补偿值控制移动机器人进行轨迹跟踪。
第三方面,本发明实施例还提供一种电子设备,其中,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述的方法。
本发明实施例带来了以下有益效果:
本申请实施例提供一种移动机器人轨迹跟踪方法、装置及电子设备,其中,在基于移动机器人的位置传感器获取位置误差数据后,根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量;将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;基于补偿值控制移动机器人进行轨迹跟踪。本申请的区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种移动机器人轨迹跟踪方法的流程图;
图2为本发明实施例提供的一种移动机器人的结构示意图;
图3为本发明实施例提供的另一种移动机器人轨迹跟踪方法的流程图;
图4为本发明实施例提供的一种圆形轨迹跟踪结果示意图;
图5为本发明实施例提供的一种移动机器人轨迹跟踪装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了保证机器人轨迹跟踪在外界干扰和不确定性影响下的鲁棒性,研究者进行了大量的研究,比如,区间2型模糊集已被证明比区间1型模糊集有更好的处理不确定性的能力,因此,区间2型模糊系统和广义2型模糊系统被广泛应用于处理系统的非线性和不确定部分,与广义2型模糊系统相比,区间2型模糊系统更简单高效,因此,可用于构建逼近器,但是,该逼近器的输出采用两个端点的平均值,限制了该逼近器的逼近能力,进而降低了移动机器人的轨迹跟踪精度。
基于此,本发明实施例提供的一种移动机器人轨迹跟踪方法、装置及电子设备,本申请的区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
本实施例提供了一种移动机器人轨迹跟踪方法,参见图1所示的一种移动机器人轨迹跟踪方法的流程图,该方法具体包括如下步骤:
步骤S102,基于移动机器人的位置传感器获取位置误差数据;
其中,该位置误差数据是指移动机器人所在当前位置与所期望移动至目标位置之间的位姿差值,包括位置差值和姿态差值。
步骤S104,根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量;
在本实施例中,移动机器人是由机身,以及安装在机身上的四个移动轮组成,为了便于理解,图2示出了一种移动机器人的结构示意图,如图2所示,移动轮1、移动轮2、移动轮3和移动轮4对称布置在机身200的轴中心,两个对角的移动轮相同,即移动轮1和移动轮4相同,移动轮2和移动轮3相同;并且,每个移动轮上的滚轮201与车轮轴线202的夹角成α度。
上述期望角速度控制量是指在移动机器人的机体坐标系下每个移动轮的速度值,只有移动机器人的每个移动轮的速度值达到了期望角速度控制量,该移动机器人才能从当前位置精确移动至目标位置。
步骤S106,将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;
通常,区间二型模糊神经网络模型的模型结构包括四层神经网络,第一层为样本数据的输入层,该层神经元将初始输入变量通过激活函数传递给下一层的神经元;第二层为隶属度函数层,用于实现概念模糊化,同时结合区间二型模糊集合理论解决了概念间因果关系的不确定性;第三层与第二层相对应,通过定义的互函数量化概念之间的因果关系并进行解模糊化过程;第四层为样本数据降型输出层,将经过解模糊化后得到的区间值降型为一个确定的单值并输出,所述模型在计算隶属度函数的过程中结合了区间二型模糊集合理论来描述概念之间相互关系的不确定性。
在本实施例中,是将历史角速度误差量样本集输入至区间二型模糊神经网络模型中更新网络模型权重参数,直至网络模型误差达到预设误差阈值为止得到的训练好的网络模型,以利用训练好的区间二型模糊神经网络模型输出补偿值。
上述区间二型模糊神经网络模型的表达式为:
为了实现自适应补偿,需要设计良好的自适应参数的自适应律,在本实施例中选取的自适应律如下:
两个自适应调制因子被应用于区间二型模糊神经网络模型中,它们更大的调整范围提高了模型的适应性,此外,该改进简化了网络输出的计算过程,减少了计算量,有助于提高计算效率。进一步,对网络模型采用偏置策略,可以在网络模型输出端进行相应的校正,从而提高逼近精度,且,自适应调制因子自适应律中考虑了误差的导数,有效提高了网络收敛速度。
步骤S108,基于补偿值控制移动机器人进行轨迹跟踪。
本申请实施例提供的移动机器人轨迹跟踪方法,其中,区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
本实施例提供了另一种移动机器人轨迹跟踪方法,该方法在上述实施例的基础上实现;本实施例重点描述期望角速度控制量确定的具体实施方式。如图3所示的另一种移动机器人轨迹跟踪方法的流程图,本实施例中的移动机器人轨迹跟踪方法包括如下步骤:
步骤S302,基于移动机器人的位置传感器获取位置误差数据;
步骤S304,将位置误差数据输入至前馈比例控制器中,输出速度控制量;
将位置误差数据输入至前馈比例控制器中能够得到在全局坐标系下移动轮的速度值即各移动轮的速度控制量;如图2所示,由于移动轮1和移动轮4相同,所以,移动轮1和移动轮4的速度值为:i=1、4;由于移动轮2和移动轮3相同,所以,移动轮2和移动轮3的速度值为:i=2、3。
其中,(vxi,vyi)表示第i个移动轮的速度控制量,R表示移动轮的半径,ri表示第i个移动轮对应的滚轮的半径,ωi表示第i个移动轮的角速度,ω'i表示第i个移动轮对应的滚轮的角速度,α表示移动轮与滚轮的夹角,通常,α=45度。
步骤S306,将速度控制量输入至运动学模型中,输出期望角速度控制量;其中,期望角速度控制量为在移动机器人的机体坐标系下的速度值;
在本实施例中,运动学模型的表达式为:
利用上述运动学模型能够将全局坐标系下各个移动轮的速度控制量转换成移动机器人的机体坐标系下的期望角速度控制量,其中,移动轮1的期望角速度控制量为运动学模型的表达式中的分量ω1,移动轮2的期望角速度控制量为运动学模型的表达式中的分量ω2,移动轮3的期望角速度控制量为运动学模型的表达式中的分量ω3,移动轮4的期望角速度控制量为运动学模型的表达式中的分量ω4。
步骤S308,将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;
步骤S310,将补偿值输入至内环控制器中,输出控制力矩;
步骤S312,基于控制力矩控制移动机器人进行轨迹跟踪。
为了便于说明本实施例轨迹跟踪的准确性,以圆形轨迹跟踪为例进行说明,图4示出了1型模糊自适应补偿控制器T1FAC,普通2型模糊自适应控制器NIT2FAC,权重因子为α的区间2型模糊自适应控制器αIT2FAC,以及本实施例中带有两个权重因子m和n的区间2型模糊自适应控制器mnIT2FAC跟踪圆形参考轨迹ref的跟踪结果,由图4可以看出,αIT2FAC和mnIT2FAC的跟踪效果优于T1FAC和NIT2FAC,虽然mnIT2FAC的跟踪轨迹在早期略不平滑,但并不影响收敛速度,与其他三种方法相比,mnIT2FAC的跟踪误差更小,更稳定,因此,mnIT2FAC具有最好的跟踪精度。
对应于上述方法实施例,本发明实施例提供了一种移动机器人轨迹跟踪装置,图5示出了一种移动机器人轨迹跟踪装置的结构示意图,如图5所示,该移动机器人轨迹跟踪装置包括:
获取模块502,用于基于移动机器人的位置传感器获取位置误差数据;
确定模块504,用于根据位置误差数据确定移动机器人移动至目标位置所需的期望角速度控制量;
输出模块506,用于将期望角速度控制量和移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;
跟踪模块508,用于基于补偿值控制移动机器人进行轨迹跟踪。
本申请实施例提供一种移动机器人轨迹跟踪装置,其中,本申请的区间二型模糊神经网络模型中的第一自适应调制因子和第二自适应调制因子能够使得网络模型输出更具可调性,且区间二型模糊神经网络模型中的偏置变量能够进一步提高网络模型输出的准确性,因此,利用本申请的区间二型模糊神经网络模型能够对不确定性进行高度逼近输出补偿值,以基于补偿值控制移动机器人进行轨迹跟踪,有效提高了移动机器人的轨迹跟踪精度。
本发明实施例提供的移动机器人轨迹跟踪装置,与上述实施例提供的移动机器人轨迹跟踪方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本申请实施例还提供了一种电子设备,如图6所示,为该电子设备的结构示意图,其中,该电子设备包括处理器121和存储器120,该存储器120存储有能够被该处理器121执行的计算机可执行指令,该处理器121执行该计算机可执行指令以实现上述移动机器人轨迹跟踪方法。
在图6示出的实施方式中,该电子设备还包括总线122和通信接口123,其中,处理器121、通信接口123和存储器120通过总线122连接。
其中,存储器120可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口123(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线122可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线122可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器121可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器121中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器121可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器121读取存储器中的信息,结合其硬件完成前述实施例的移动机器人轨迹跟踪方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述移动机器人轨迹跟踪方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的移动机器人轨迹跟踪方法、装置及电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种移动机器人轨迹跟踪方法,其特征在于,所述方法包括:
基于移动机器人的位置传感器获取位置误差数据;
根据所述位置误差数据确定所述移动机器人移动至目标位置所需的期望角速度控制量;
将所述期望角速度控制量和所述移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,所述区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;
基于所述补偿值控制所述移动机器人进行轨迹跟踪。
4.根据权利要求1所述的方法,其特征在于,根据所述位置误差数据确定所述移动机器人移动至目标位置所需的期望角速度控制量的步骤,包括:
将所述位置误差数据输入至前馈比例控制器中,输出速度控制量;其中,所述速度控制量为在全局坐标系下的速度值;
将所述速度控制量输入至运动学模型中,输出所述期望角速度控制量;其中,所述期望角速度控制量为在所述移动机器人的机体坐标系下的速度值。
7.根据权利要求1所述的方法,其特征在于,基于所述补偿值对所述移动机器人的轨迹进行跟踪的步骤,包括:
将所述补偿值输入至内环控制器中,输出控制力矩;
基于所述控制力矩控制所述移动机器人进行轨迹跟踪。
9.一种移动机器人轨迹跟踪装置,其特征在于,所述装置包括:
获取模块,用于基于移动机器人的位置传感器获取位置误差数据;
确定模块,用于根据所述位置误差数据确定所述移动机器人移动至目标位置所需的期望角速度控制量;
输出模块,用于将所述期望角速度控制量和所述移动机器人当前的角速度控制量的角速度误差量输入至区间二型模糊神经网络模型中,输出补偿值;其中,所述区间二型模糊神经网络模型中包括第一自适应调制因子、第二自适应调制因子和偏置变量;
跟踪模块,用于基于所述补偿值控制所述移动机器人进行轨迹跟踪。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131916.5A CN114460945B (zh) | 2022-02-14 | 2022-02-14 | 移动机器人轨迹跟踪方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131916.5A CN114460945B (zh) | 2022-02-14 | 2022-02-14 | 移动机器人轨迹跟踪方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114460945A true CN114460945A (zh) | 2022-05-10 |
CN114460945B CN114460945B (zh) | 2023-03-14 |
Family
ID=81414288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131916.5A Active CN114460945B (zh) | 2022-02-14 | 2022-02-14 | 移动机器人轨迹跟踪方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114460945B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106444826A (zh) * | 2016-09-07 | 2017-02-22 | 广西师范大学 | 四旋翼无人飞行器的飞行控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
CN108803378A (zh) * | 2018-08-08 | 2018-11-13 | 四川大学 | 数据处理方法、装置、飞行模拟器及存储介质 |
CN109031947A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨理工大学 | 基于径向基神经网络的轨迹跟踪控制及方法 |
CN109240321A (zh) * | 2018-09-28 | 2019-01-18 | 浙江工业大学 | 一种刚性飞行器的非奇异固定时间神经网络控制方法 |
CN109407689A (zh) * | 2018-12-19 | 2019-03-01 | 四川大学 | 平衡机器人的模糊控制方法、装置及平衡机器人 |
CN110083061A (zh) * | 2019-04-12 | 2019-08-02 | 国网宁夏电力有限公司电力科学研究院 | 一种轮式移动机器人控制方法 |
CN110083167A (zh) * | 2019-06-05 | 2019-08-02 | 浙江大华技术股份有限公司 | 一种移动机器人的路径跟踪方法及装置 |
CN110877333A (zh) * | 2019-04-12 | 2020-03-13 | 国网宁夏电力有限公司电力科学研究院 | 一种柔性关节机械臂控制方法 |
US20200089238A1 (en) * | 2018-09-15 | 2020-03-19 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of a road agent external to a vehicle |
AU2020102302A4 (en) * | 2020-09-16 | 2020-12-24 | D, Shanthi DR | Underwater robots design and control mechanism using particle swarm optimization algorithm |
GB202019112D0 (en) * | 2020-10-26 | 2021-01-20 | Univ Guizhou | Fractional-order MEMS gyroscope acceleration adaptive backstepping control method without accurate reference trajectory |
US10962976B1 (en) * | 2019-11-29 | 2021-03-30 | Institute Of Automation, Chinese Academy Of Sciences | Motion control method and system for biomimetic robotic fish based on adversarial structured control |
CN112632803A (zh) * | 2021-01-12 | 2021-04-09 | 四川大学 | 跟踪控制方法和装置、电子设备及存储介质 |
US20210139026A1 (en) * | 2019-11-07 | 2021-05-13 | Hyundai-Aptiv Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
CN113985890A (zh) * | 2021-11-12 | 2022-01-28 | 杭州电子科技大学 | 一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法 |
-
2022
- 2022-02-14 CN CN202210131916.5A patent/CN114460945B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106444826A (zh) * | 2016-09-07 | 2017-02-22 | 广西师范大学 | 四旋翼无人飞行器的飞行控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
CN109031947A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨理工大学 | 基于径向基神经网络的轨迹跟踪控制及方法 |
CN108803378A (zh) * | 2018-08-08 | 2018-11-13 | 四川大学 | 数据处理方法、装置、飞行模拟器及存储介质 |
US20200089238A1 (en) * | 2018-09-15 | 2020-03-19 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of a road agent external to a vehicle |
CN109240321A (zh) * | 2018-09-28 | 2019-01-18 | 浙江工业大学 | 一种刚性飞行器的非奇异固定时间神经网络控制方法 |
CN109407689A (zh) * | 2018-12-19 | 2019-03-01 | 四川大学 | 平衡机器人的模糊控制方法、装置及平衡机器人 |
CN110083061A (zh) * | 2019-04-12 | 2019-08-02 | 国网宁夏电力有限公司电力科学研究院 | 一种轮式移动机器人控制方法 |
CN110877333A (zh) * | 2019-04-12 | 2020-03-13 | 国网宁夏电力有限公司电力科学研究院 | 一种柔性关节机械臂控制方法 |
CN110083167A (zh) * | 2019-06-05 | 2019-08-02 | 浙江大华技术股份有限公司 | 一种移动机器人的路径跟踪方法及装置 |
US20210139026A1 (en) * | 2019-11-07 | 2021-05-13 | Hyundai-Aptiv Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
US10962976B1 (en) * | 2019-11-29 | 2021-03-30 | Institute Of Automation, Chinese Academy Of Sciences | Motion control method and system for biomimetic robotic fish based on adversarial structured control |
AU2020102302A4 (en) * | 2020-09-16 | 2020-12-24 | D, Shanthi DR | Underwater robots design and control mechanism using particle swarm optimization algorithm |
GB202019112D0 (en) * | 2020-10-26 | 2021-01-20 | Univ Guizhou | Fractional-order MEMS gyroscope acceleration adaptive backstepping control method without accurate reference trajectory |
CN112632803A (zh) * | 2021-01-12 | 2021-04-09 | 四川大学 | 跟踪控制方法和装置、电子设备及存储介质 |
CN113985890A (zh) * | 2021-11-12 | 2022-01-28 | 杭州电子科技大学 | 一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法 |
Non-Patent Citations (4)
Title |
---|
FIERRO R: "Control of a nonholonomic mobile robot:backstepping kinematics into dynamics" * |
佃松宜: "基于改进QPSO的两轮移动机器人区间二型模糊逻辑控制" * |
陈瑶;毛雅洁;赵涛;刘佳豪;: "两轮移动巡检机器人的区间二型模糊滑模控制" * |
马飞越: "基于区间二型模糊滑模的移动机器人轨迹跟踪控制" * |
Also Published As
Publication number | Publication date |
---|---|
CN114460945B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111103798B (zh) | 一种基于反演滑模控制的agv路径跟踪方法 | |
CN111538328B (zh) | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 | |
US11604469B2 (en) | Route determining device, robot, and route determining method | |
CN108303982A (zh) | 自动引导运输车、其控制方法及控制系统 | |
CN111290389B (zh) | 一种双足机器人落脚位置控制系统与方法 | |
CN110737195A (zh) | 基于速度控制的双足机器人行走落脚点规划方法及装置 | |
JPH10254505A (ja) | 自動制御装置 | |
CN112497216B (zh) | 一种基于深度学习的工业机器人位姿精度补偿方法 | |
CN113805610B (zh) | 一种轨迹跟踪控制方法、装置及存储介质 | |
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
JP2019191498A (ja) | 地図作成装置 | |
CN114460945B (zh) | 移动机器人轨迹跟踪方法、装置及电子设备 | |
CN117270398A (zh) | 基于神经网络和强化学习的机器人步态规划算法 | |
CN113515044B (zh) | 一种轮式移动机器人的基于学习预测跟踪控制方法及装置 | |
CN113910221B (zh) | 一种机械臂自主运动规划方法、装置、设备及存储介质 | |
CN116039636A (zh) | 考虑车轮打滑的轮式移动机器人自适应神经网络控制方法 | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
CN112965482B (zh) | 一种多机器人运动避碰控制方法及系统 | |
CN113093730B (zh) | 一种基于状态策略知识库指导的智能体自主避障方法 | |
CN111123930A (zh) | 一种产品转运agv视觉导航控制方法 | |
CN112327620B (zh) | 兼顾绕障的移动机器人鲁棒控制方法及系统 | |
CN113052297B (zh) | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 | |
CN114861554A (zh) | 一种基于集员滤波的无人艇目标轨迹预测方法 | |
JPH07333242A (ja) | 車両のヨーレート推定方法及びその装置 | |
CN114637302B (zh) | 一种基于计算机视觉的自动行进避障方法及系统 |
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 |