CN114879508A - 一种基于模型预测控制的磨削机器人路径跟踪控制方法 - Google Patents
一种基于模型预测控制的磨削机器人路径跟踪控制方法 Download PDFInfo
- Publication number
- CN114879508A CN114879508A CN202210609000.6A CN202210609000A CN114879508A CN 114879508 A CN114879508 A CN 114879508A CN 202210609000 A CN202210609000 A CN 202210609000A CN 114879508 A CN114879508 A CN 114879508A
- Authority
- CN
- China
- Prior art keywords
- robot
- control
- time
- path
- model
- 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 44
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Numerical Control (AREA)
Abstract
本发明提出了一种基于模型预测控制的磨削机器人路径跟踪控制方法,首先建立磨削机器人运动学模型,以及建立磨削机器人离散时间预测模型;然后,定义期望路径,MPC跟踪期望路径上的点。为了快速准确地跟踪期望路径,本发明设计优化目标函数,设定约束条件,采用勒让德正交多项式逼近法逐渐逼近误差,最后达到收敛的效果。本方法能够高效在线控制磨削机器人跟踪路径,且能够处理控制输入的约束,提高了磨削机器人模型的鲁棒性。
Description
技术领域
本发明属于磨削机器人跟踪控制技术领域,具体涉及一种基于模型预测控制的磨削机器人路径跟踪控制方法。
背景技术
磨削机器人(GrindingRobot,GR)是一种多轴工业打磨机器人,具有工作空间大,灵活性高等优点,能够实现自动控制、多自由度、多用途、可编程等功能。随着智能制造业和工业4.0的不断发展,越来越多的机器人被应用到实际的生产和商业中。为了应对复杂的磨削工作环境,可以依靠操作性强的磨削机器人来代替人类的打磨工作。而对于磨削机器人,提高其路径跟踪误差的收敛性,保证其运动可控是一项基本的功能要求。磨削机器人动力学与运动学模型复杂,且模型参数模糊,复杂的模型也会导致磨削机器人的控制变得复杂。随着磨削机器人不断的工作,人们对其运动控制的精度、稳定性都提出了更高的要求,因此,解决磨削机器人路径跟踪误差大,提高磨削机器人的鲁棒性成为关键性研究。
近年来,许多学者对机器人的路径跟踪控制问题进行了研究。针对磨削机器人的非线性模型,主要的控制方法有滑模控制方法、反步控制(Back-Stepping)方法、智能控制方法等。
滑模控制方法是一种特殊的变结构控制,本质上是一种非线性控制,即控制结构随着时间变化而变化。具有快速响应、设计简单、参数可变、鲁棒性稳定等优点。
反步控制(Back-Stepping)方法是基于李雅普洛夫(Lyapunov)方法的非线性系统控制设计方法。其设计思路是在Lyapunov函数的基础上设计正确的系统控制率,将高阶系统分解为多个一阶系统,当阶次较低的系统稳定收敛时,整个高阶系统也就达到了稳定状态。
智能控制方法对系统的模型没有严格要求,不依赖于系统的模型来解决系统的控制问题。智能控制是指设计一个能够学习、抽象、推理、决策并对环境信息做出适应性反应的控制器或者系统,以完成由人来执行的任务。常见的智能控制方法有四种:专家控制、模糊控制、神经网络、遗传算法。
模型预测控制(ModelPredictiveControl,MPC)是一种基于模型的控制算法,其本质是在线的滚动优化。常用的模型预测控制算法有:模型算法控制(MAC)、动态矩阵控制(DMC)、广义预测控制(GPC)。模型预测控制算法在每个采样时刻,通过在线求解一个有限时域开环最优控制问题而获得控制输入序列,解得的最优控制序列只实施第一个控制作用。这是它与传统预先计算控制律的算法最大的不同。
MPC主要有三大基本特征:预测模型、滚动优化、反馈校正。采用模型预测控制的框架来解决磨削机器人的路径点跟踪控制问题,主要有三大优势。第一,模型预测控制能够显式控制输入存在的约束,缩小优化范围。第二,模型预测控制能够优化未来一段时间的系统输出,即未来一段运动轨迹,因此适用于路径点跟踪的滚动优化过程。第三,模型预测控制能够根据系统对象的实际输出修正系统的实际输入,使系统的实际输出接近于期望输出。
模型预测控制对模型的精度要求不高,具有建模方便、滚动优化、鲁棒性好、稳定性好等优点,但迭代步骤多,计算复杂,耗时较长。因此,需要研究MPC算法的可行性,提高MPC算法的运行效率。
发明内容
本发明的目的是针对现有磨削机器人模型存在参数模糊的情况,导致磨削机器人路径跟踪误差大的问题,而提供一种基于模型预测控制的磨削机器人路径跟踪控制方法。
为实现本发明的目的所采用的技术方案是:
一种基于模型预测控制的磨削机器人路径跟踪控制方法,该方法包括以下步骤:
步骤一、建立磨削机器人运动学模型;
步骤二、建立磨削机器人离散时间预测模型;
步骤三、定义期望路径:P={Xr(k)∈Rn|Xr(k)=p(θr(k))},
其中,P为定义的参数期望路径,Xr(k)为k时刻机器人参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr在k+1时刻的预测期望路径为:
步骤四、设计优化目标函数:
其中,J为代价函数(Cost Function),Q与R为权重矩阵,ρ为权重系数,ε为松弛因子,N为状态误差的预测时域,Nc为控制输入偏差量的预测时域,θref为期望轨迹;系统预测误差为:
e(k+1)=X(k+1)-Xr(k+1|k),
其中,X(k+1)为下一时刻机器人的实际位置,Xr(k+1|k)为下一时刻机器人的预测位置;
步骤五、设定约束条件;
设置控制量约束条件为:
umin(k+t)≤u(k+t)≤umax(k+t),k=0,1…Nc-1,
设置控制增量约束条件为:
Δumin(k+t)≤Δu(k+t)≤Δumax(k+t),k=0,1…Nc-1,
最终,约束条件转化为:
步骤六、采用正交多项式逼近法求解最优控制,具体过程如下:
采用勒让德正交多项式,定义在区间[-1,1]上带权P(x)=1正交的多项式Pn(x):
定义推导公式为:
由机器人的运动学模型知:
由勒让德方程的解得出每个时刻参数的最优解。
在上述技术方案中,步骤1中,定义X=[x,y,θ]T为机器人的实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度;定义Xr=[xr,yr,θr]T为机器人参考位姿,(xr,yr)为机器人参考位置,θr为机器人参考角度,机器人的运动学模型为:
定义u=[v,w]T为系统的实际输入,ur=[vr,wr]T为系统的参考输入,其中,υ为机器人实际线速度,w为机器人实际角速度,vr为机器人参考线速度,wr为机器人参考角速度,机器人跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差。
在上述技术方案中,步骤2中:
在任一时刻进行泰勒展开,只留一阶项,忽略高阶项,得到:
本发明的特点和有益效果为:
本发明提出一种基于模型预测控制的磨削机器人路径跟踪控制方法,首次在磨削机器人运动学模型上实现了可在线执行的非线性模型预测控制,能够直接在线处理控制输入存在的约束。本发明通过建立GR运动学模型,建立离散时间预测模型,定义期望路径,设计优化目标函数,设定约束条件,采用勒让德(Legendre)正交多项式逼近法求解最优控制输入。解决了GR路径跟踪误差大的问题,提高了算法的鲁棒性与计算效率。
附图说明
图1是本发明基于模型预测控制的磨削机器人路径跟踪流程图。
图2是路径跟踪效果图。
图3是模型控制量变化图。
图4是路径跟踪位置图。
图5是路径跟踪误差图。
图6是区间[-1,1]上三阶勒让德(Legendre)正交多项式函数图。
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,可以根据以上附图获得其他的相关附图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出一种基于模型预测控制的磨削机器人路径跟踪控制方法,该方法包括以下步骤:
步骤一、建立磨削机器人运动学模型;具体过程如下:
定义X=[x,y,θ]T为机器人的实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度;定义Xr=[xr,yr,θr]T为机器人参考位姿,(xr,yr)为机器人参考位置,θr为机器人参考角度,则机器人的运动学模型为:
定义u=[υ,w]T为系统的实际输入,ur=[vr,wr]T为系统的参考输入,其中,υ为机器人实际线速度,w为机器人实际角速度,vr为机器人参考线速度,wr为机器人参考角速度,则机器人跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差。
步骤二、建立磨削机器人离散时间预测模型;
在任一时刻进行泰勒展开,只留一阶项,忽略高阶项,得到:
(5)-(4)得:
综上,得出平衡点状态空间方程为:
步骤三、定义期望路径:P={Xr(k)∈Rn|Xr(k)=p(θr(k))} (9)
其中,P为定义的参数期望路径,Xr(k)为k时刻机器人参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr在k+1时刻的预测期望路径为:
其中,λ为增益系数,C为增益矩阵。
步骤四、设计优化目标函数;
为了使机器人快速、准确地跟踪期望路径,设计目标函数为:
优化式(12)目标函数,加入软约束的方法:
其中,J为代价函数(Cost Function),Q与R为权重矩阵,ρ为权重系数,ε为松弛因子(引入ε为了避免计算过程引起迭代),N为状态误差的预测时域,Nc为控制输入偏差量的预测时域,θref为期望轨迹。系统预测误差为:
e(k+1)=X(k+1)Xr(k+1|k) (14)
其中,X(k+1)为下一时刻机器人的实际位置,Xr(k+1|k)为下一时刻机器人的预测位置。
步骤五、设定约束条件;
控制量约束条件为:
umin(k+t)≤u(k+t)≤umax(k+t),k=0,1…Nc-1 (15)
控制增量约束条件为:
Δumin(k+t)≤Δu(k+t)≤Δumax(k+t),k=0,1…Nc-1 (16)
最终,约束条件转化为:
步骤六、采用正交多项式逼近法求解最优控制,具体过程如下:
常用的正交多项式有雅克比(Jacobi)多项式,切比雪夫(Chebyshev)多项式,勒让德(Legendre)多项式,拉盖尔(Laguerre)多项式,埃尔米特(Hermite)多项式。本发明采用勒让德(Legendre)正交多项式,定义在区间[-1,1]上带权P(x)=1正交的多项式Pn(x):
定义推导公式为:
由式(1)知:
对式(23)分离变量,化简得到Legendre方程:
综上,由Legendre方程的解可以得出每个时刻参数的最优解,本发明采用勒让德(Legendre)正交多项式逐渐逼近误差,最后达到收敛的效果。
参见附图2-6,是通过matlab对本发明的基于模型预测控制的磨削机器人路径跟踪控制方法进行验证得到的数据图,可以看出本发明的方法具有良好的技术效果。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于模型预测控制的磨削机器人路径跟踪控制方法,其特征在于,包括以下步骤:
步骤一、建立磨削机器人运动学模型;
步骤二、建立磨削机器人离散时间预测模型;
步骤三、定义期望路径:P={Xr(k)∈Rn|xr(k)=p(θr(k))},
其中,P为定义的参数期望路径,Xr(k)为k时刻机器人参考位置,p(θr(k))为k时刻的路径,θr(k)为k时刻的路径参数,θr在k+1时刻的预测期望路径为:
步骤四、设计优化目标函数:
其中,J为代价函数(Cost Function),Q与R为权重矩阵,ρ为权重系数,ε为松弛因子,N为状态误差的预测时域,Nc为控制输入偏差量的预测时域,θref为期望轨迹;系统预测误差为:
e(k+1)=X(k+1)-Xr(k+1|k),
其中,X(k+1)为下一时刻机器人的实际位置,Xr(k+1|k)为下一时刻机器人的预测位置;
步骤五、设定约束条件;
设置控制量约束条件为:
umin(k+t)≤u(k+t)≤umax(k+t),k=0,1…Nc-1,
设置控制增量约束条件为:
Δumin(k+t)≤Δu(k+t)≤Δumax(k+t),k=0,1…Nc-1,
最终,约束条件转化为:
步骤六、采用正交多项式逼近法求解最优控制,具体过程如下:
定义∫a bf(x)g(x)=0,则称f(x)与g(x)在区间[a,b]上正交,记作:
(f,g)=∫a bf(x)g(x)=0;
采用勒让德正交多项式,定义在区间[-1,1]上带权P(x)=1正交的多项式Pn(x):
定义推导公式为:
由机器人的运动学模型知:
由勒让德方程的解得出每个时刻参数的最优解。
2.根据权利要求1所述的基于模型预测控制的磨削机器人路径跟踪控制方法,其特征在于:步骤1中,定义X=[x,y,θ]T为机器人的实际位姿,(x,y)为机器人实际位置,θ为机器人实际角度;定义Xr=[xr,yr,θr]T为机器人参考位姿,(xr,yr)为机器人参考位置,θr为机器人参考角度,机器人的运动学模型为:
定义u=[υ,w]T为系统的实际输入,ur=[υr,wr]T为系统的参考输入,其中,υ为机器人实际线速度,w为机器人实际角速度,υr为机器人参考线速度,wr为机器人参考角速度,机器人跟踪误差模型为:
其中,[xe,ye,θe]为误差向量,(xe,ye)为实际位置与参考位置偏差,θe为角度偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609000.6A CN114879508B (zh) | 2022-05-31 | 2022-05-31 | 一种基于模型预测控制的磨削机器人路径跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609000.6A CN114879508B (zh) | 2022-05-31 | 2022-05-31 | 一种基于模型预测控制的磨削机器人路径跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114879508A true CN114879508A (zh) | 2022-08-09 |
CN114879508B CN114879508B (zh) | 2024-09-10 |
Family
ID=82679627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210609000.6A Active CN114879508B (zh) | 2022-05-31 | 2022-05-31 | 一种基于模型预测控制的磨削机器人路径跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879508B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300478A (zh) * | 2023-05-22 | 2023-06-23 | 上海友道智途科技有限公司 | 基于变量分离微分动态规划的轨迹生成方法、介质及设备 |
CN118363310A (zh) * | 2024-06-19 | 2024-07-19 | 中国科学院自动化研究所 | 双足机器人爬坡方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
CN109343350A (zh) * | 2018-11-20 | 2019-02-15 | 清华大学 | 一种基于模型预测控制的水下机器人路径跟踪控制方法 |
CN109901598A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 基于随机模型预测控制技术的自主水下机器人路径跟踪方法 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
WO2022088471A1 (zh) * | 2020-10-28 | 2022-05-05 | 江南大学 | 一种移动机器人变批次长度迭代学习优化控制方法 |
-
2022
- 2022-05-31 CN CN202210609000.6A patent/CN114879508B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
CN109343350A (zh) * | 2018-11-20 | 2019-02-15 | 清华大学 | 一种基于模型预测控制的水下机器人路径跟踪控制方法 |
CN109901598A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 基于随机模型预测控制技术的自主水下机器人路径跟踪方法 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
WO2022088471A1 (zh) * | 2020-10-28 | 2022-05-05 | 江南大学 | 一种移动机器人变批次长度迭代学习优化控制方法 |
Non-Patent Citations (1)
Title |
---|
仇翔;陈旭;刘安东;俞立;周敏龙: "具有输入约束的移动机器人路径跟踪预测控制", 高技术通讯, vol. 30, no. 006, 31 December 2020 (2020-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300478A (zh) * | 2023-05-22 | 2023-06-23 | 上海友道智途科技有限公司 | 基于变量分离微分动态规划的轨迹生成方法、介质及设备 |
CN116300478B (zh) * | 2023-05-22 | 2023-08-18 | 上海友道智途科技有限公司 | 基于变量分离微分动态规划的轨迹生成方法、介质及设备 |
CN118363310A (zh) * | 2024-06-19 | 2024-07-19 | 中国科学院自动化研究所 | 双足机器人爬坡方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114879508B (zh) | 2024-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A review on model reference adaptive control of robotic manipulators | |
CN109343350A (zh) | 一种基于模型预测控制的水下机器人路径跟踪控制方法 | |
CN102681489B (zh) | 多轴联动数控系统运动平稳性和轮廓加工精度控制方法 | |
CN114879508A (zh) | 一种基于模型预测控制的磨削机器人路径跟踪控制方法 | |
Singhal et al. | Robust trajectory tracking control of non-holonomic wheeled mobile robots using an adaptive fractional order parallel fuzzy PID controller | |
Yang et al. | Stability analysis and implementation of a decentralized formation control strategy for unmanned vehicles | |
Dian et al. | Modeling and trajectory tracking control for magnetic wheeled mobile robots based on improved dual-heuristic dynamic programming | |
Ye et al. | Adaptive sliding mode control of robot based on fuzzy neural network | |
CN110647147A (zh) | 基于灰狼算法优化pid的路径跟踪控制方法 | |
CN112025697B (zh) | 一种全向移动机器人的积分模型预测控制方法 | |
Xu et al. | Robot trajectory tracking control using learning from demonstration method | |
CN115157238A (zh) | 一种多自由度机器人动力学建模和轨迹跟踪方法 | |
Abougarair | Model reference adaptive control and fuzzy optimal controller for mobile robot | |
Asif et al. | Feedforward and feedback kinematic controllers for wheeled mobile robot trajectory tracking | |
Nurmaini et al. | Differential-drive mobile robot control design based-on linear feedback control law | |
Zhu et al. | An adaptive path tracking method for autonomous land vehicle based on neural dynamic programming | |
Kim et al. | TOAST: trajectory optimization and simultaneous tracking using shared neural network dynamics | |
CN112462608B (zh) | 一种高速列车离散滑模轨迹及速度跟踪控制方法 | |
Chen et al. | Neural network compensator-based robust iterative learning control scheme for mobile robots nonlinear systems with disturbances and uncertain parameters | |
Prado et al. | Probabilistic self-tuning approaches for enhancing performance of autonomous vehicles in changing terrains | |
CN107894709A (zh) | 基于自适应评价网络冗余机器人视觉伺服控制 | |
CN109176529B (zh) | 一种空间机器人协调运动的自适应模糊控制方法 | |
Xie et al. | A fuzzy neural controller for model-free control of redundant manipulators with unknown kinematic parameters | |
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 | |
CN114063621A (zh) | 一种轮式机器人编队跟踪与避障控制方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Peng Zhi Inventor after: Zheng Qingchun Inventor after: Zhu Peihao Inventor after: Zhai Ran Inventor before: Peng Zhi Inventor before: Zhai Ran |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant |