CN115079569A - 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 - Google Patents
一种基于天牛须搜索算法的agv非线性自抗扰控制方法 Download PDFInfo
- Publication number
- CN115079569A CN115079569A CN202210689960.8A CN202210689960A CN115079569A CN 115079569 A CN115079569 A CN 115079569A CN 202210689960 A CN202210689960 A CN 202210689960A CN 115079569 A CN115079569 A CN 115079569A
- Authority
- CN
- China
- Prior art keywords
- agv
- longicorn
- nonlinear
- yaw angle
- function
- 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.)
- Pending
Links
- 241001481710 Cerambycidae Species 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010845 search algorithm Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006698 induction Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 241000283690 Bos taurus Species 0.000 claims description 3
- 241000276420 Lophius piscatorius Species 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method 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
- 238000006467 substitution reaction 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
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)
Abstract
本发明公开了一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,首先建立AGV二自由度平面运动模型,该模型包括横向运动和偏航运动,对AGV轮胎进行线性化处理,得到AGV动力学非线性模型;然后简化AGV动力学非线性模型,通过非线性函数将复杂的路径跟踪控制简化为偏航角跟踪控制;设计非线性自抗扰控制器(ADRC),最后基于天牛须搜索算法(BAS)对非线性自抗扰控制器进行参数整定。本发明方法使跟踪效果得到改善,鲁棒性较强,收敛速度快,可以有效应对扰动对AGV的影响。
Description
技术领域
本发明涉及AGV轨迹跟踪技术领域,具体涉及一种基于天牛须搜索算法的AGV非线性自抗扰控制方法。
背景技术
随着科技的进步,自动导引车(Automated Guided Vehicles,AGV)在民用和军事领域都发挥着日益重要的作用。它可以提高生产效率,减少成本和人为失误。更重要的是它可以代替人去执行一些危险任务,在很大程度上保障了人们的安全。如今多数自动导引车的控制方法依然是比例-积分-微分(PID)控制;然而,在实际应用中(例如仓库中的物料处理),AGV的特点是运行环境的不确定、复杂性以及挑战性,再加上AGV本身的高度动态非线性和耦合性,以及容易受到外界的干扰,比例-积分-微分(PID)控制不能有效地解决上述问题。随着人们对自动导引车的要求不断提高,基于比例-积分-微分(PID)控制的自动导引车逐渐不能满足人们的需求。
发明内容
为解决上述问题,本发明提供一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现发明目的,采用以下技术方案:
一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,包括以下步骤:
S1、建立AGV二自由度平面运动模型,该模型包括横向运动和偏航运动,对AGV轮胎进行线性化处理,得到AGV动力学非线性模型;
S2、简化AGV动力学非线性模型,通过非线性函数将复杂的路径跟踪控制简化为偏航角跟踪控制;
S3、设计非线性自抗扰控制器;
S4、基于天牛须搜索算法对非线性自抗扰控制器进行参数整定。
进一步地,S1的具体过程为:
在平面内建立平面坐标系oxy,与AGV小车固连,车体的质心为原点o,车体前进方向为x轴正方向,y轴垂直于x轴;建立惯性坐标系,与大地固连;
AGV二自由度平面运动模型表示如下:
其中,和分别为AGV在惯性坐标系下的纵向和横向的速度,和分别为AGV在惯性坐标系下偏航角和偏航角速度,用ωr表示vx和vy为在AGV平面坐标系oxy下的纵向和横向速度,Fyf和Fyr为AGV的前后单个轮胎所受的侧向力,m为AGV的质量,Iz为AGV绕质心的转动惯量,Lf和Lr为AGV的前后轴与质心的距离,为在AGV平面坐标系oxy下的横向加速度,为AGV在惯性坐标系下的偏航角加速度;
基于Pacejka轮胎模型,当侧向加速度小于0.4g,g=9.8m/s,且轮胎侧偏角小于5°时,对AGV的前后轮胎侧向力线性化处理:
其中,Cf和Cr为AGV前后轮胎的侧偏刚度,αf和αr为前后轮胎的侧偏角,β为AGV质心处的侧偏角,δf为AGV前轮的偏转角;
将式(2)代入式(1)中,得到AGV动力学非线性模型:
进一步地,S2的具体过程为:
其中,Ye的表达形式如下:
进一步地,S3包括以下子步骤:
通过式(9)设计非线性自抗扰控制器的扩张状态观测器,估计系统状态变量以及总体扰动x3:
其中,e为偏航角的估计值与实际值的误差,h为系统采样时间,fe和fe1为fal函数值,α1和α2为fal函数中的参数,h1和h2为采样时间h的倍数,β01、β02、β03为观测器增益;y为AGV实际的偏航角,z1、z2分别为AGV的偏航角及其微分信号的估计值,z3为总体扰动x3的估计值,k表示迭代次数;
同时为了消除跟踪过程中的高频振荡的现象,扩张状态观测器中引入了fal函数,其定义如下:
其中,α为fal函数中的参数,h0为采样时间h的倍数,sign(·)表示符号函数,其表示方式如式(12),
S33、设计非线性状态误差反馈控制率来消除跟踪误差:
其中,e1为跟踪微分器与扩张状态观测器之间的偏航角偏差,e2为跟踪微分器与扩张状态观测器之间的偏航角速度偏差;k1、k2为控制器增益,u0为误差控制量,h4和h5为采样时间h的倍数,α3,α4是非线性状态误差反馈控制率中的参数;
通过误差控制量u0和扰动估计值z3进行扰动补偿,决定最终的控制量,即前轮转角δf:
将式(15)和(16)代入式(9)中得:
通过调节扩张状态观测器的参数能使估计值z3更加接近实际扰动f,即使f-z3趋近于零,从而将系统转换为PD的非线性组合控制。
进一步地,S4包括以下子步骤:
S41、采用经验法设定h,hi(i=0,1,2,3,4,5),r,b0,β01,β02,β03,αj(j=1,2,3,4),将非线性状态误差反馈控制率中的k1、k2作为优化对象;
S42、设置被优化参数k1、k2的上下限和最小适应度函数值、天牛的种群数量N、解的空间维度dim以及最大迭代次数Kmax,衰减因子eta,初始步长δ0以及初始感应长度d0;定义适应度函数t代表仿真时间,s(t)表示实际偏航角与期望偏航角的误差;
S44、根据公式(14)进行归一化处理,产生随机的天牛搜索方向;
其中,rand(·)代表随机函数,dim是解的空间维度;
S45、根据公式(15)和(16)进一步得到天牛左右触角的位置;
其中,δK-1表示第K-1次迭代时刻搜索的步长,sign(·)表示符号函数,符号函数的具体定义如下:
S47、运行AGV动力学非线性模型,将新的天牛位置作为两个需要优化的参数输入到非线性自抗扰控制器,计算适应度函数值,通过比较所有的适应度函数值,利用使适应度函数值最小的天牛位置确定当前最优的k1、k2;
S48、将当前最小的适应度函数值与之前最小的适应度函数值进行比较,更新全局最优的天牛位置,并选择全局最优的天牛位置作为最优k1、k2参数;
S49、根据公式(19)更新天牛触角的感应强度,根据公式(20)更新搜索步长;
dK=eta·dK-1+0.01 (19)
δK=eta*δK-1 (20)
其中,dK表示第K次迭代时天牛触角的感应长度;δK表示第K次迭代时刻搜索的步长;eta是衰减因子,取值在0~1之间且靠近1;
S50、判断是否满足迭代终止条件或达到最大迭代次数,如满足,则输出最优的k1、k2,否则跳转至步骤S43。
本发明具有的有益效果是:
本发明提出的一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,跟踪效果得到改善,鲁棒性较强,收敛速度快,可以有效应对扰动对AGV的影响。
附图说明
图1为本发明实施例中AGV二自由度平面运动模型示意图;
图2为本发明实施例中非线性自抗扰控制器模型框图;
图3为本发明中基于天牛须搜索算法的非线性自抗扰控制器参数整定流程框图;
图4为采用非线性自抗扰控制器和PID控制器的路径跟踪效果对比图;
图5为采用非线性自抗扰控制器和PID控制器的横向误差的变化对比图;
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,包括以下步骤:
S1、建立AGV二自由度平面运动模型,该模型包括横向运动和偏航运动,如图1所示。在平面内建立平面坐标系oxy,与AGV小车固连,车体的质心为原点o,车体前进方向为x轴正方向,y轴垂直于x轴;建立惯性坐标系,与大地固连;
AGV二自由度平面运动模型表示如下:
其中,和分别为AGV在惯性坐标系下的纵向和横向的速度,和分别为AGV在惯性坐标系下偏航角和偏航角速度,用ωr表示vx和vy为在AGV平面坐标系oxy下的纵向和横向速度,Fyf和Fyr为AGV的前后单个轮胎所受的侧向力,m为AGV的质量,Iz为AGV绕质心的转动惯量,Lf和Lr为AGV的前后轴与质心的距离,为在AGV平面坐标系oxy下的横向加速度,为AGV在惯性坐标系下的偏航角加速度;
基于Pacejka轮胎模型,当侧向加速度小于0.4g,g=9.8m/s,且轮胎侧偏角小于5°时,对AGV的前后轮胎侧向力线性化处理:
其中,Cf和Cr为AGV前后轮胎的侧偏刚度,Cf=66900N·rad-1,Cr=62700N·rad-1,αf和αr为前后轮胎的侧偏角,β为AGV质心处的侧偏角,δf为AGV前轮的偏转角;
将式(2)代入式(1)中,得到AGV动力学非线性模型:
其中,Ye的表达形式如下:
S3、设计非线性自抗扰控制器,包括以下子步骤:
通过式(9)设计非线性自抗扰控制器的扩张状态观测器(ESO),估计系统状态变量以及总体扰动x3:
其中,e为偏航角的估计值与实际值的误差,h为系统采样时间,fe和fe1为fal函数值,α1和α2为fal函数中的参数,h1和h2为采样时间h的倍数,β01、β02、β03为观测器增益;y为AGV实际的偏航角,z1、z2分别为AGV的偏航角及其微分信号的估计值,z3为总体扰动x3的估计值,k表示迭代次数;同时为了消除跟踪过程中的高频振荡的现象,扩张状态观测器中引入了fal函数,其定义如下:
其中,α为fal函数中的参数,h0为采样时间h的倍数,sign(·)表示符号函数,其表示方式如式(12),
S33、设计非线性状态误差反馈控制率来消除跟踪误差:
其中,e1为跟踪微分器与扩张状态观测器之间的偏航角偏差,e2为跟踪微分器与扩张状态观测器之间的偏航角速度偏差;k1、k2为控制器增益,u0为误差控制量,h4和h5为采样时间h的倍数,α3,α4是非线性状态误差反馈控制率中的参数;
通过误差控制量u0和扰动估计值z3进行扰动补偿,决定最终的控制量,即前轮转角δf:
将式(15)和(16)代入式(9)中得:
通过调节扩张状态观测器的参数能使估计值z3更加接近实际扰动f,即使f-z3趋近于零,从而将系统转换为PD的非线性组合控制。最终的非线性自抗扰控制器模型如图2所示。
S4、基于天牛须搜索算法对ADRC控制器进行参数整定,如图3所示,包括以下子步骤:
S41、采用经验法设定h,hi(i=0,1,2,3,4,5),r,b0,β01,β02,β03,αj(j=1,2,3,4),令h=0.01,h0=h1=h2=0.01,h3=0.02,h4=0.01,h5=0.01,r=100,b0=11,β01=100,β02=200,β03=400,α1=0.5,α2=0.25,α3=0.75,α4=0.5,将非线性状态误差反馈控制率中的k1、k2作为优化对象;
S42、设置被优化参数k1、k2的上下限分别为Ub=[20 20],Lb=[1 1],最小适应度函数值MinFit=1、天牛的种群数量N=15、解的空间维度dim=2以及最大迭代次数Kmax=50,衰减因子eta=0.95,初始步长δ0=5以及初始感应长度d0=2;定义适应度函数t代表仿真时间,表示实际偏航角与期望偏航角的误差;
S44、根据公式(14)进行归一化处理,产生随机的天牛搜索方向;
其中,rand(·)代表随机函数,dim是解的空间维度;
S45、根据公式(15)和(16)进一步得到天牛左右触角的位置;
其中,δK-1表示第K-1次迭代时刻搜索的步长,sign(·)表示符号函数,符号函数的具体定义如下:
S47、运行AGV动力学非线性模型,将新的天牛位置作为两个需要优化的参数输入到非线性自抗扰控制器,计算适应度函数值,通过比较所有的适应度函数值,利用使适应度函数值最小的天牛位置确定当前最优的k1、k2;
S48、将当前最小的适应度函数值与之前最小的适应度函数值进行比较,更新全局最优的天牛位置,并选择全局最优的天牛位置作为最优k1、k2参数;
S49、根据公式(19)更新天牛触角的感应强度,根据公式(20)更新搜索步长;
dK=eta·dK-1+0.01 (19)
δK=eta*δK-1 (20)
其中,dK表示第K次迭代时天牛触角的感应长度;δK表示第K次迭代时刻搜索的步长;eta是衰减因子,取值在0~1之间且靠近1;
S50、判断是否满足迭代终止条件或达到最大迭代次数,如满足,则输出最优的k1=10.2838,k2=1,否则跳转至步骤S43。
为了验证该方法的控制效果,和传统的PID控制做了对比实验。实验结果分别如图4和图5所示。从图4中可以看出,PID控制和基于天牛须搜索算法的非线性自抗扰控制都能使AGV跟上参考路径,但是从图5看出,基于天牛须搜索算法的非线性自抗扰控制可以使AGV的横向误差趋近于0,而传统的PID控制的横向误差趋近于0.1m。所以基于天牛须搜索算法的非线性自抗扰控制效果更好,AGV的跟踪精度更高。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,其特征在于,包括以下步骤:
S1、建立AGV二自由度平面运动模型,该模型包括横向运动和偏航运动,对AGV轮胎进行线性化处理,得到AGV动力学非线性模型;
S2、简化AGV动力学非线性模型,通过非线性函数将复杂的路径跟踪控制简化为偏航角跟踪控制;
S3、设计非线性自抗扰控制器;
S4、基于天牛须搜索算法对非线性自抗扰控制器进行参数整定。
2.根据权利要求1所述的一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,其特征在于,所述S1的具体过程为:
在平面内建立平面坐标系oxy,与AGV小车固连,车体的质心为原点o,车体前进方向为x轴正方向,y轴垂直于x轴;建立惯性坐标系,与大地固连;
AGV二自由度平面运动模型表示如下:
其中,和分别为AGV在惯性坐标系下的纵向和横向的速度,和分别为AGV在惯性坐标系下偏航角和偏航角速度,用ωr表示vx和vy为在AGV平面坐标系oxy下的纵向和横向速度,Fyf和Fyr为AGV的前后单个轮胎所受的侧向力,m为AGV的质量,Iz为AGV绕质心的转动惯量,Lf和Lr为AGV的前后轴与质心的距离,为在AGV平面坐标系oxy下的横向加速度,为AGV在惯性坐标系下的偏航角加速度;
基于Pacejka轮胎模型,当侧向加速度小于0.4g,g=9.8m/s,且轮胎侧偏角小于5°时,对AGV的前后轮胎侧向力线性化处理:
其中,Cf和Cr为AGV前后轮胎的侧偏刚度,αf和αr为前后轮胎的侧偏角,β为AGV质心处的侧偏角,δf为AGV前轮的偏转角;
将式(2)代入式(1)中,得到AGV动力学非线性模型:
3.根据权利要求2所述的一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,其特征在于,所述S2的具体过程为:
其中,Ye的表达形式如下:
4.根据权利要求3所述的一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,其特征在于,所述S3包括以下子步骤:
通过式(9)设计非线性自抗扰控制器的扩张状态观测器,估计系统状态变量以及总体扰动x3:
其中,e为偏航角的估计值与实际值的误差,h为系统采样时间,fe和fe1为fal函数值,α1和α2为fal函数中的参数,h1和h2为采样时间h的倍数,β01、β02、β03为观测器增益;y为AGV实际的偏航角,z1、z2分别为AGV的偏航角及其微分信号的估计值,z3为总体扰动x3的估计值,k表示迭代次数;
同时为了消除跟踪过程中的高频振荡的现象,扩张状态观测器中引入了fal函数,其定义如下:
其中,α为fal函数中的参数,h0为采样时间h的倍数,sign(·)表示符号函数,其表示方式如式(12),
S33、设计非线性状态误差反馈控制率来消除跟踪误差:
其中,e1为跟踪微分器与扩张状态观测器之间的偏航角偏差,e2为跟踪微分器与扩张状态观测器之间的偏航角速度偏差;k1、k2为控制器增益,u0为误差控制量,h4和h5为采样时间h的倍数,α3,α4是非线性状态误差反馈控制率中的参数;
通过误差控制量u0和扰动估计值z3进行扰动补偿,决定最终的控制量,即前轮转角δf:
将式(15)和(16)代入式(9)中得:
通过调节扩张状态观测器的参数能使估计值z3更加接近实际扰动f,即使f-z3趋近于零,从而将系统转换为PD的非线性组合控制。
5.根据权利要求4所述的一种基于天牛须搜索算法的AGV非线性自抗扰控制方法,其特征在于,所述S4包括以下子步骤:
S41、采用经验法设定h,hi(i=0,1,2,3,4,5),r,b0,β01,β02,β03,αj(j=1,2,3,4),将非线性状态误差反馈控制率中的k1、k2作为优化对象;
S42、设置被优化参数k1、k2的上下限和最小适应度函数值、天牛的种群数量N、解的空间维度dim以及最大迭代次数Kmax,衰减因子eta,初始步长δ0以及初始感应长度d0;定义适应度函数t代表仿真时间,s(t)表示实际偏航角与期望偏航角的误差;
S44、根据公式(14)进行归一化处理,产生随机的天牛搜索方向;
其中,rand(·)代表随机函数;
S45、根据公式(15)和(16)进一步得到天牛左右触角的位置;
其中,δK-1表示第K-1次迭代时刻搜索的步长,sign(·)表示符号函数,符号函数的具体定义如下:
S47、运行AGV动力学非线性模型,将新的天牛位置作为两个需要优化的参数输入到非线性自抗扰控制器,计算适应度函数值,通过比较所有的适应度函数值,利用使适应度函数值最小的天牛位置确定当前最优的k1、k2;
S48、将当前最小的适应度函数值与之前最小的适应度函数值进行比较,更新全局最优的天牛位置,并选择全局最优的天牛位置作为最优k1、k2参数;
S49、根据公式(19)更新天牛触角的感应强度,根据公式(20)更新搜索步长;
dK=eta·dK-1+0.01 (19)
δK=eta*δK-1 (20)
其中,dK表示第K次迭代时天牛触角的感应长度;δK表示第K次迭代时刻搜索的步长;eta是衰减因子,取值在0~1之间且靠近1;
S50、判断是否满足迭代终止条件或达到最大迭代次数,如满足,则输出最优的k1、k2,否则跳转至步骤S43。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689960.8A CN115079569A (zh) | 2022-06-17 | 2022-06-17 | 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689960.8A CN115079569A (zh) | 2022-06-17 | 2022-06-17 | 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115079569A true CN115079569A (zh) | 2022-09-20 |
Family
ID=83252633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210689960.8A Pending CN115079569A (zh) | 2022-06-17 | 2022-06-17 | 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115079569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149262A (zh) * | 2023-04-23 | 2023-05-23 | 山东科技大学 | 一种伺服系统的跟踪控制方法及系统 |
-
2022
- 2022-06-17 CN CN202210689960.8A patent/CN115079569A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149262A (zh) * | 2023-04-23 | 2023-05-23 | 山东科技大学 | 一种伺服系统的跟踪控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561942B (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
CN101825901B (zh) | 基于人工物理法的多智能体机器人协同控制方法 | |
CN110450156B (zh) | 多自由度机械臂系统自适应模糊控制器的优化设计方法 | |
CN110989597B (zh) | 一种集成模糊神经网络的自适应路径跟踪方法 | |
CN110162046B (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
Dian et al. | Modeling and trajectory tracking control for magnetic wheeled mobile robots based on improved dual-heuristic dynamic programming | |
CN112578671B (zh) | 一种基于u模型优化smc的agv轨迹跟踪控制方法 | |
CN113126623B (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN111679575A (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 | |
Qinpeng et al. | Path tracking control of wheeled mobile robot based on improved pure pursuit algorithm | |
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 | |
CN115421499A (zh) | 具有转向补偿功能的智能车辆路径跟踪方法 | |
CN111399500A (zh) | 一种两轮自平衡车集中式编队控制方法 | |
Cheng et al. | A game theoretical chassis domain approach to trajectory tracking for automated vehicles | |
CN112764347B (zh) | 一种基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN115185177A (zh) | 一种基于天牛须搜索算法的agv线性自抗扰控制方法 | |
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 | |
Schwartz et al. | Analysis of a cascaded MPC structure for vehicle motion control | |
Zhang et al. | Nonlinear model predictive control of an omnidirectional mobile robot with self-tuned prediction horizon | |
Zhao et al. | Backstepping adaptive sliding mode control for automatic steering of intelligent vehicles | |
Hua et al. | A Novel Guided Deep Reinforcement Learning Tracking Control Strategy for Multirotors | |
Qian et al. | Conditional Integration Active Disturbance Rejection Controller for Path Tracking of Autonomous Driving Vehicles | |
CN117031937B (zh) | 一种基于预定性能误差的自平衡机器人的强化学习控制方法 |
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 |