CN115328144A - 多无人车协同载运系统轨迹跟踪控制方法、系统及介质 - Google Patents
多无人车协同载运系统轨迹跟踪控制方法、系统及介质 Download PDFInfo
- Publication number
- CN115328144A CN115328144A CN202211041767.XA CN202211041767A CN115328144A CN 115328144 A CN115328144 A CN 115328144A CN 202211041767 A CN202211041767 A CN 202211041767A CN 115328144 A CN115328144 A CN 115328144A
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- derivative
- trajectory
- axis
- follow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000452 restraining effect Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多无人车协同载运系统轨迹跟踪控制方法、系统及介质,本发明方法包括针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型;建立约束方程,通过对时间求导转化为二阶形式,再引入零阶形式和一阶形式的轨迹误差的约束方程,建立矩阵形式的系统总约束方程;将系统总约束方程嵌入到无约束动力学模型中,得到多无人车协同载运系统整个系统的约束动力学模型,对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩以实现多无人车协同载运系统的轨迹跟踪。本发明旨在克服现有控制方法复杂、效率不高及控制精确度不足的问题,具有简单、高效,控制效果好的优点。
Description
技术领域
本发明涉及多无人车协同控制技术,具体涉及一种多无人车协同载运系统轨迹跟踪控制方法、系统及介质。
背景技术
无人车是一种常见的载运工具,由于不需要人工驾驶,具有灵活、效率高等特点,在工厂、物流等场景下获得了广泛的应用。但是,无人车由于自身体积的问题,在载运较长的梁结构或类似部件的时候,单台无人车无法满足载运的条件,需要多无人车协同载运。多无人车协同载运系统是指两台及两台以上的无人车系统构成,用于同时背负同一个物料进行自主协同地行驶,但是多无人车协同载运系统在载运较长的梁结构或类似部件的时候,由于多无人车协同载运系统涉及多台无人车,存在控制复杂、效率不高及控制精确度不足的问题。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种多无人车协同载运系统轨迹跟踪控制方法、系统及介质,本发明旨在克服多无人车协同载运系统的现有控制方法存在的复杂、效率不高以及控制精确度不足的问题。
为了解决上述技术问题,本发明采用的技术方案为:
一种多无人车协同载运系统轨迹跟踪控制方法,包括:
S101,针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型;针对多无人车协同载运系统建立约束方程,将约束方程通过对时间求导转化为二阶形式,再引入零阶形式和一阶形式的轨迹误差的约束方程,并建立矩阵形式的系统总约束方程;
S102,将矩阵形式的系统总约束方程嵌入到无约束动力学模型中,得到多无人车协同载运系统整个系统的约束动力学模型,并对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩以实现多无人车协同载运系统的轨迹跟踪。
可选地,步骤S101中针对引导无人车建立的无约束动力学模型的函数表达式为:
上式中,qg为引导无人车的状态变量,t为时间,为状态变量qg的二阶导数,为状态变量qg的一阶导数,Mg(qg,t)表示引导无人车的质量/惯性矩阵,表示引导无人车的广义力矩阵,表示引导无人车的广义约束力矩阵,下标g表示引导无人车,且有:
其中,mg为引导无人车的质量,rg为引导无人车的车轮半径,θg为引导无人车的方位角,Ig为引导无人车的质心转动惯量,lg为引导无人车的1/2车宽,(xg,yg)为引导无人车在二维平面上的质心坐标,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,ugrf为引导无人车右前轮的驱动力矩,uglf为引导无人车左前轮的驱动力矩;步骤S101中针对负载建立的无约束动力学模型的函数表达式为:
上式中,qc为负载的状态变量,t为时间,为状态变量qc的二阶导数,为状态变量qc的一阶导数,Mc(qc,t)表示负载的质量/惯性矩阵,表示负载的广义力矩阵,表示负载的广义约束力矩阵,下标c表示负载,且有:
其中,mc为负载的质量,Ic为负载的质心转动惯量,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,(xc,yc)为负载在二维平面上的质心坐标;步骤S101中针对跟随无人车建立的无约束动力学模型的函数表达式为:
上式中,qf为跟随无人车的状态变量,t为时间,为状态变量qf的二阶导数,为状态变量qf的一阶导数,Mf(qf,t)表示跟随无人车的质量/惯性矩阵,表示跟随无人车的广义力矩阵,表示跟随无人车的广义约束力矩阵,下标f表示跟随无人车,且有:
其中,mf为跟随无人车的质量,rf为跟随无人车的车轮半径,θf为跟随无人车的方位角,If为跟随无人车的质心转动惯量,lf为跟随无人车的1/2车宽,(xf,yf)为跟随无人车在二维平面上的质心坐标,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为跟随无人车的方位角θf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,为跟随无人车的方位角θf的一阶导数,ufrf为跟随无人车右前轮的驱动力矩,uflf为跟随无人车左前轮的驱动力矩。
可选地,步骤S101中针对多无人车协同载运系统建立的约束方程包括引导无人车轨迹约束,跟随无人车轨迹约束,引导无人车和跟随无人车之间的完整约束,以及引导无人车、负载和跟随无人车之间的几何约束,其中引导无人车轨迹约束的函数表达式如下式所示:
xg=racost,yg=rbcost, (16)
跟随无人车轨迹约束的函数表达式如下式所示:
引导无人车和跟随无人车之间的完整约束的函数表达式如下式所示:
(xg-xf)2+(yg-yf)2=D2, (18)
引导无人车、负载和跟随无人车之间的几何约束的函数表达式如下式所示:
xg+xf-2xc=0,yg+yf-2yc=0, (19)
其中,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,D为跟随无人车与引导无人车之间需要保持的恒定距离,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间。
可选地,步骤S101中将约束方程转化为二阶形式后,得到的引导无人车轨迹约束的二阶形式为:
得到的跟随无人车轨迹约束的二阶形式为:
得到的引导无人车和跟随无人车之间的完整约束的二阶形式为:
得到的引导无人车、负载和跟随无人车之间的几何约束的二阶形式为:
其中,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴。
可选地,步骤S101中引入零阶形式和一阶形式的轨迹误差的约束方程包括:
e1=xg-acost, (25)
e2=yg-bsint, (26)
其中,α、β为大于0的常数,e为实际轨迹与理想轨迹之间的误差的零阶形式,为实际轨迹与理想轨迹之间的误差e的一阶形式,为实际轨迹与理想轨迹之间的误差e的二阶形式,e1为引导无人车的轨迹误差的x轴分量,e2为引导无人车的轨迹误差的y轴分量,e3为跟随无人车的轨迹误差,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴。
可选地,步骤S101中建立矩阵形式的系统总约束方程的函数表达式为:
其中,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为跟随无人车的方位角θf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,为跟随无人车的方位角θf的一阶导数,α、β为大于0的常数,e为实际轨迹与理想轨迹之间的误差的零阶形式,为实际轨迹与理想轨迹之间的误差e的一阶导数,为实际轨迹与理想轨迹之间的误差e的二阶导数,e1为引导无人车的轨迹误差的x轴分量,e2为引导无人车的轨迹误差的y轴分量,e3为跟随无人车的轨迹误差,为引导无人车的轨迹误差的x轴分量e1的一阶导数,为引导无人车的轨迹误差的y轴分量e2的一阶导数,为跟随无人车的轨迹误差e3的一阶导数。
可选地,步骤S102中得到的多无人车协同载运系统整个系统的约束动力学模型的函数表达式为:
上式中,Mg为引导无人车的质量/惯性矩阵Mg(qg,t),Mc为负载的质量/惯性矩阵Mc(qc,t),Mf为跟随无人车的质量/惯性矩阵Mf(qf,t),Qg为引导无人车的广义力矩阵Qc为负载的广义力矩阵Qf为跟随无人车的广义力矩阵
可选地,步骤S102中对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩为:
上式中,u为控制力矩,M表示总系统的质量/惯性矩阵,Q表示总系统的广义力矩阵,A表示m×n阶的约束矩阵,b是m维列向量;且有:
u=[ugrf,uglf,ufrf,uflf]Τ
上式中,ugrf为引导无人车右前轮的驱动力矩,uglf为引导无人车左前轮的驱动力矩,ufrf为跟随无人车右前轮的驱动力矩,uflf为跟随无人车左前轮的驱动力矩。
此外,本发明还提供一种多无人车协同载运系统轨迹跟踪控制系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述多无人车协同载运系统轨迹跟踪控制方法。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行所述多无人车协同载运系统轨迹跟踪控制方法。
和现有技术相比,本发明主要具有下述优点:本发明方法包括针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型;建立约束方程,通过对时间求导转化为二阶形式,再引入零阶形式和一阶形式的轨迹误差的约束方程,建立矩阵形式的系统总约束方程;将矩阵形式的系统总约束方程嵌入到无约束动力学模型中,得到多无人车协同载运系统整个系统的约束动力学模型,并对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩以实现多无人车协同载运系统的轨迹跟踪。本发明能够克服多无人车协同载运系统的现有控制方法存在的复杂、效率不高以及控制精确度不足的问题,具有简单、高效,控制效果良好的优点。
附图说明
图1为本发明实施例中针对的双车协同载运系统的结构示意图。
图2为本发明实施例方法的基本流程示意图。
图3为本发明实施例中引导无人车的实际轨迹和理想轨迹对比。
图4为本发明实施例中负载的实际轨迹和理想轨迹对比。
图5为本发明实施例中跟随无人车的实际轨迹和理想轨迹对比。
图6为本发明实施例中指引无人车理想轨迹与实际轨迹之间的误差。
图7为本发明实施例中跟随无人车理想轨迹与实际轨迹之间的误差。
图8为本发明实施例中引导无人车和跟随无人车右前轮驱动力矩对比。
图9为本发明实施例中引导无人车和跟随无人车右前轮驱动力矩对比。
具体实施方式
图1表示本发明针对双车协同载运系统的结构示意图,由引导无人车、负载和跟随无人车组成,理想轨迹表示标准椭圆,椭圆的长半轴表示10m,短半轴表示6m。参见图1可知,(xg,yg)表示引导无人车在二维平面(XOY)上的质心坐标,(xc,yc)表示负载在二维平面上的质心坐标,(xf,yf)表示跟随无人车在二维平面上的质心坐标,θg表示引导无人车的方位角,θc表示负载的方位角,θf表示跟随无人车的方位角,vg表示引导无人车的速度,vc表示负载的速度,vf表示跟随无人车的速度,2lg表示引导无人车的宽度,2lf表示跟随无人车的宽度。
如图2所示,本实施例多无人车协同载运系统轨迹跟踪控制方法包括:
S101,针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型;针对多无人车协同载运系统建立约束方程,将约束方程通过对时间求导转化为二阶形式,再引入零阶形式和一阶形式的轨迹误差的约束方程,并建立矩阵形式的系统总约束方程;
S102,将矩阵形式的系统总约束方程嵌入到无约束动力学模型中,得到多无人车协同载运系统整个系统的约束动力学模型,并对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩以实现多无人车协同载运系统的轨迹跟踪。
本实施例中,步骤S101中针对引导无人车建立的无约束动力学模型的函数表达式为:
上式中,qg为引导无人车的状态变量,t为时间,为状态变量qg的二阶导数,为状态变量qg的一阶导数,Mg(qg,t)表示引导无人车的质量/惯性矩阵,表示引导无人车的广义力矩阵,表示引导无人车的广义约束力矩阵,下标g表示引导无人车,且有:
其中,mg为引导无人车的质量,rg为引导无人车的车轮半径,θg为引导无人车的方位角,Ig为引导无人车的质心转动惯量,lg为引导无人车的1/2车宽,(xg,yg)为引导无人车在二维平面上的质心坐标,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,ugrf为引导无人车右前轮的驱动力矩,uglf为引导无人车左前轮的驱动力矩;步骤S101中针对负载建立的无约束动力学模型的函数表达式为:
上式中,qc为负载的状态变量,t为时间,为状态变量qc的二阶导数,为状态变量qc的一阶导数,Mc(qc,t)表示负载的质量/惯性矩阵,表示负载的广义力矩阵,表示负载的广义约束力矩阵,下标c表示负载,且有:
其中,mc为负载的质量,Ic为负载的质心转动惯量,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,(xc,yc)为负载在二维平面上的质心坐标;步骤S101中针对跟随无人车建立的无约束动力学模型的函数表达式为:
上式中,qf为跟随无人车的状态变量,t为时间,为状态变量qf的二阶导数,为状态变量qf的一阶导数,Mf(qf,t)表示跟随无人车的质量/惯性矩阵,表示跟随无人车的广义力矩阵,表示跟随无人车的广义约束力矩阵,下标f表示跟随无人车,且有:
其中,mf为跟随无人车的质量,rf为跟随无人车的车轮半径,θf为跟随无人车的方位角,If为跟随无人车的质心转动惯量,lf为跟随无人车的1/2车宽,(xf,yf)为跟随无人车在二维平面上的质心坐标,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为跟随无人车的方位角θf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,为跟随无人车的方位角θf的一阶导数,ufrf为跟随无人车右前轮的驱动力矩,uflf为跟随无人车左前轮的驱动力矩。本实施例步骤S101中针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型时:引导无人车采用牛顿-欧拉动力学方法建模,并将其整理成矩阵形式,如前文的式(1)所示;负载采用拉格朗日动力学方法建模,未考虑势能,并将其整理成矩阵形式,如前文的式(6)所示;引导无人车采用牛顿-欧拉动力学方法建模,并将其整理成矩阵形式,如前文的式(11)所示。
步骤S101中针对多无人车协同载运系统建立的约束方程包括运动约束、几何约束、完整约束和非完整约束中的部分或全部,且可根据需要扩展更多所需的约束。具体地,本实施例步骤S101中针对多无人车协同载运系统建立的约束方程包括引导无人车轨迹约束,跟随无人车轨迹约束,引导无人车和跟随无人车之间的完整约束,以及引导无人车、负载和跟随无人车之间的几何约束,其中引导无人车轨迹约束的函数表达式如下式所示:
xg=racost,yg=rbcost, (16)
跟随无人车轨迹约束的函数表达式如下式所示:
引导无人车和跟随无人车之间的完整约束的函数表达式如下式所示:
(xg-xf)2+(yg-yf)2=D2, (18)
引导无人车、负载和跟随无人车之间的几何约束(负载的质心位置始终处于引导无人车质心位置和跟随无人车质心位置的中间位置)的函数表达式如下式所示:
xg+xf-2xc=0,yg+yf-2yc=0, (19)
其中,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,D为跟随无人车与引导无人车之间需要保持的恒定距离,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间。
本实施例中,步骤S101中将约束方程转化为二阶形式后,得到的引导无人车轨迹约束的二阶形式为:
得到的跟随无人车轨迹约束的二阶形式为:
得到的引导无人车和跟随无人车之间的完整约束的二阶形式为:
得到的引导无人车、负载和跟随无人车之间的几何约束的二阶形式为:
其中,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴。
本实施例中,步骤S101中引入零阶形式和一阶形式的轨迹误差的约束方程包括:
e1=xg-acost, (25)
e2=yg-bsint, (26)
其中,α、β为大于0的常数,e为实际轨迹与理想轨迹之间的误差的零阶形式,为实际轨迹与理想轨迹之间的误差e的一阶形式,为实际轨迹与理想轨迹之间的误差e的二阶形式,e1为引导无人车的轨迹误差的x轴分量,e2为引导无人车的轨迹误差的y轴分量,e3为跟随无人车的轨迹误差,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴。为了获得更好的控制效果,本实施例中引入一种改进的控制方法,引入零阶形式和一阶形式对系统约束进行修改。具体地,本实施例中采用Hancheol Cho和Firdaus E.Udwadia提出的改进控制方法如式(24)所示,该方法简单、准确,可很好地应用于解析动力学。由于初始条件可能不满足理想轨迹的要求,为了提高控制效果,在此引入实际轨迹与理想轨迹之间的误差e,e1、e2和e3为引导无人车和跟随无人车的轨迹误差,如式(24)~(27)所示。
本实施例中,步骤S101中建立矩阵形式的系统总约束方程的函数表达式为:
其中,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为跟随无人车的方位角θf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,为跟随无人车的方位角θf的一阶导数,α、β为大于0的常数,e为实际轨迹与理想轨迹之间的误差的零阶形式,为实际轨迹与理想轨迹之间的误差e的一阶导数,为实际轨迹与理想轨迹之间的误差e的二阶导数,e1为引导无人车的轨迹误差的x轴分量,e2为引导无人车的轨迹误差的y轴分量,e3为跟随无人车的轨迹误差,为引导无人车的轨迹误差的x轴分量e1的一阶导数,为引导无人车的轨迹误差的y轴分量e2的一阶导数,为跟随无人车的轨迹误差e3的一阶导数。
本实施例中,步骤S102中得到的多无人车协同载运系统整个系统的约束动力学模型的函数表达式为:
上式中,Mg为引导无人车的质量/惯性矩阵Mg(qg,t),Mc为负载的质量/惯性矩阵Mc(qc,t),Mf为跟随无人车的质量/惯性矩阵Mf(qf,t),Qg为引导无人车的广义力矩阵Qc为负载的广义力矩阵Qf为跟随无人车的广义力矩阵
本实施例中,步骤S102中对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩为:
上式中,u为控制力矩,M表示总系统的质量/惯性矩阵,Q表示总系统的广义力矩阵,A表示m×n阶的约束矩阵,b是m维列向量;且有:
u=[ugrf,uglf,ufrf,uflf]Τ
上式中,ugrf为引导无人车右前轮的驱动力矩,uglf为引导无人车左前轮的驱动力矩,ufrf为跟随无人车右前轮的驱动力矩,uflf为跟随无人车左前轮的驱动力矩。在将修正的约束方程嵌入到整个协同载运系统的无约束动力学模型中建立整个系统的约束动力学模型的基础上,利用Udwadia-Kalaba理论即可求解得到无人车的控制力矩,利用Udwadia-Kalaba理论求解得到无人车的控制力矩为现有方法,具体可参见引用文献:Kalaba,Robert,and Firdaus Udwadia."Analytical dynamics with constraint forces thatdo work in virtual displacements."Applied mathematics and computation 121.2-3(2001):211-217.本实施例中仅涉及对上述方法的应用,不涉及对上述方法的改进,故其实现细节在此不再详述。
为了对本实施例多无人车协同载运系统轨迹跟踪控制方法进行验证,下文为采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的结果和理想结果的对比。
图3为引导无人车采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹和理想轨迹(椭圆)对比,其中实线表示引导无人车采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹,虚线表示引导无人车的理想轨迹。图4为负载采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹和理想轨迹(椭圆)对比,其中实线表示负载采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹,虚线表示负载的理想轨迹。图5为跟随无人车采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹和理想轨迹(椭圆)对比,其中实线表示跟随无人车采用本实施例多无人车协同载运系统轨迹跟踪控制方法得到的实际轨迹,虚线表示跟随无人车的理想轨迹。对比图3~图5可知,采用本实施例多无人车协同载运系统轨迹跟踪控制方法后,可使得引导无人车、负载、跟随无人车的实际轨迹全部接近理想轨迹。
图6为引导无人车的理想轨迹与实际轨迹之间的误差σg,初始误差设置为10mm;图7为跟随无人车的理想轨迹与实际轨迹之间的误差σf,初始误差设置为10mm。参见与6和图7可知,在刚刚开始的时刻,引导无人车、跟随无人车的理想轨迹与实际轨迹之间的误差较大,但是随着时间的推移,它们的理想轨迹与实际轨迹之间的误差均逐步逼近0。
图8为引导无人车和跟随无人车右前轮驱动力矩,实线表示引导无人车的右前轮驱动力矩,虚线表示跟随无人车的右前轮驱动力矩。图9为引导无人车和跟随无人车右前轮驱动力矩,实线表示引导无人车的右前轮驱动力矩,虚线表示跟随无人车的右前轮驱动力矩。参见图8和图9可知,采用本实施例多无人车协同载运系统轨迹跟踪控制方法的驱动力矩除介于-35Nm和35Nm之间,具有周期性,除在拐点处有轻微波动外,整体表现光滑,由此可见,采用本实施例多无人车协同载运系统轨迹跟踪控制方法在驱动力矩方面符合实际预期。
综上所述,针对的为双无人车协同载运系统、无人车采用前轮驱动且运动轨迹为椭圆形轨迹,本实施例记载了一种针对协同载运系统的轨迹跟踪控制设计方法,包括:建立引导无人车、负载和跟随无人车三个子系统的无约束动力学模型;设计整个协同载运系统的约束方程,包括但不限于运动约束、几何约束、完整约束和非完整约束,并将约束方程化为二阶形式;为了获得更好的控制效果,引入一种改进的控制方法,引入零阶形式和一阶形式对系统约束进行修改;将修正的约束方程嵌入到整个协同载运系统的无约束动力学模型中,建立整个系统的约束动力学模型,同时利用Udwadia-Kalaba理论得到无人车的控制力矩。本实施例方法具有简单、高效,控制效果良好的优点,在初始误差10mm的条件下,实际轨迹与理想轨迹的误差精度可以控制在(-1*102,1*102)内。
此外,本实施例还提供一种多无人车协同载运系统轨迹跟踪控制系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行前述多无人车协同载运系统轨迹跟踪控制方法。
此外,本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行前述多无人车协同载运系统轨迹跟踪控制方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,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前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多无人车协同载运系统轨迹跟踪控制方法,其特征在于,包括:
S101,针对多无人车协同载运系统中的引导无人车、负载和跟随无人车三个子系统,分别建立三个子系统的无约束动力学模型;针对多无人车协同载运系统建立约束方程,将约束方程通过对时间求导转化为二阶形式,再引入零阶形式和一阶形式的轨迹误差的约束方程,并建立矩阵形式的系统总约束方程;
S102,将矩阵形式的系统总约束方程嵌入到无约束动力学模型中,得到多无人车协同载运系统整个系统的约束动力学模型,并对约束动力学模型求解得到引导无人车和跟随无人车的控制力矩以实现多无人车协同载运系统的轨迹跟踪。
2.根据权利要求1所述的多无人车协同载运系统轨迹跟踪控制方法,其特征在于,步骤S101中针对引导无人车建立的无约束动力学模型的函数表达式为:
上式中,qg为引导无人车的状态变量,t为时间,为状态变量qg的二阶导数,为状态变量qg的一阶导数,Mg(qg,t)表示引导无人车的质量/惯性矩阵,表示引导无人车的广义力矩阵,表示引导无人车的广义约束力矩阵,下标g表示引导无人车,且有:
其中,mg为引导无人车的质量,rg为引导无人车的车轮半径,θg为引导无人车的方位角,Ig为引导无人车的质心转动惯量,lg为引导无人车的1/2车宽,(xg,yg)为引导无人车在二维平面上的质心坐标,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,ugrf为引导无人车右前轮的驱动力矩,uglf为引导无人车左前轮的驱动力矩;步骤S101中针对负载建立的无约束动力学模型的函数表达式为:
上式中,qc为负载的状态变量,t为时间,为状态变量qc的二阶导数,为状态变量qc的一阶导数,Mc(qc,t)表示负载的质量/惯性矩阵,表示负载的广义力矩阵,表示负载的广义约束力矩阵,下标c表示负载,且有:
其中,mc为负载的质量,Ic为负载的质心转动惯量,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,(xc,yc)为负载在二维平面上的质心坐标;步骤S101中针对跟随无人车建立的无约束动力学模型的函数表达式为:
上式中,qf为跟随无人车的状态变量,t为时间,为状态变量qf的二阶导数,为状态变量qf的一阶导数,Mf(qf,t)表示跟随无人车的质量/惯性矩阵,表示跟随无人车的广义力矩阵,表示跟随无人车的广义约束力矩阵,下标f表示跟随无人车,且有:
3.根据权利要求2所述的多无人车协同载运系统轨迹跟踪控制方法,其特征在于,步骤S101中针对多无人车协同载运系统建立的约束方程包括引导无人车轨迹约束,跟随无人车轨迹约束,引导无人车和跟随无人车之间的完整约束,以及引导无人车、负载和跟随无人车之间的几何约束,其中引导无人车轨迹约束的函数表达式如下式所示:
xg=racost,yg=rbcost,(16)
跟随无人车轨迹约束的函数表达式如下式所示:
引导无人车和跟随无人车之间的完整约束的函数表达式如下式所示:
(xg-xf)2+(yg-yf)2=D2,(18)
引导无人车、负载和跟随无人车之间的几何约束的函数表达式如下式所示:
xg+xf-2xc=0,yg+yf-2yc=0,(19)
其中,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,D为跟随无人车与引导无人车之间需要保持的恒定距离,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间。
4.根据权利要求3所述的多无人车协同载运系统轨迹跟踪控制方法,其特征在于,步骤S101中将约束方程转化为二阶形式后,得到的引导无人车轨迹约束的二阶形式为:
得到的跟随无人车轨迹约束的二阶形式为:
得到的引导无人车和跟随无人车之间的完整约束的二阶形式为:
得到的引导无人车、负载和跟随无人车之间的几何约束的二阶形式为:
5.根据权利要求4所述的多无人车协同载运系统轨迹跟踪控制方法,其特征在于,步骤S101中引入零阶形式和一阶形式的轨迹误差的约束方程包括:
e1=xg-a cost, (25)
e2=yg-b sint, (26)
6.根据权利要求5所述的多无人车协同载运系统轨迹跟踪控制方法,其特征在于,步骤S101中建立矩阵形式的系统总约束方程的函数表达式为:
其中,(xg,yg)为引导无人车在二维平面上的质心坐标,(xf,yf)为跟随无人车在二维平面上的质心坐标,t为时间,ra为椭圆轨迹长半轴,rb为椭圆轨迹短半轴,为引导无人车的质心坐标x轴分量xg的二阶导数,为引导无人车的质心坐标y轴分量yg的二阶导数,为引导无人车的方位角θg的二阶导数,为质心坐标x轴分量xg的一阶导数,为质心坐标y轴分量yg的一阶导数,为引导无人车的方位角θg的一阶导数,为负载的质心坐标x轴分量xc的二阶导数,为负载的质心坐标y轴分量yc的二阶导数,为负载的方位角θc的二阶导数,为跟随无人车的质心坐标x轴分量xf的二阶导数,为跟随无人车的质心坐标y轴分量yf的二阶导数,为跟随无人车的方位角θf的二阶导数,为质心坐标x轴分量xf的一阶导数,为质心坐标y轴分量yf的一阶导数,为跟随无人车的方位角θf的一阶导数,α、β为大于0的常数,e为实际轨迹与理想轨迹之间的误差的零阶形式,为实际轨迹与理想轨迹之间的误差e的一阶导数,为实际轨迹与理想轨迹之间的误差e的二阶导数,e1为引导无人车的轨迹误差的x轴分量,e2为引导无人车的轨迹误差的y轴分量,e3为跟随无人车的轨迹误差,为引导无人车的轨迹误差的x轴分量e1的一阶导数,为引导无人车的轨迹误差的y轴分量e2的一阶导数,为跟随无人车的轨迹误差e3的一阶导数。
9.一种多无人车协同载运系统轨迹跟踪控制系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述多无人车协同载运系统轨迹跟踪控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~8中任意一项所述多无人车协同载运系统轨迹跟踪控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041767.XA CN115328144A (zh) | 2022-08-29 | 2022-08-29 | 多无人车协同载运系统轨迹跟踪控制方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041767.XA CN115328144A (zh) | 2022-08-29 | 2022-08-29 | 多无人车协同载运系统轨迹跟踪控制方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115328144A true CN115328144A (zh) | 2022-11-11 |
Family
ID=83927273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211041767.XA Pending CN115328144A (zh) | 2022-08-29 | 2022-08-29 | 多无人车协同载运系统轨迹跟踪控制方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115328144A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880193A (zh) * | 2023-07-19 | 2023-10-13 | 合肥工业大学 | 基于乌卡模型的领航-跟随多无人车协同系统的控制方法 |
-
2022
- 2022-08-29 CN CN202211041767.XA patent/CN115328144A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880193A (zh) * | 2023-07-19 | 2023-10-13 | 合肥工业大学 | 基于乌卡模型的领航-跟随多无人车协同系统的控制方法 |
CN116880193B (zh) * | 2023-07-19 | 2024-02-23 | 合肥工业大学 | 多无人车协同系统的控制方法及其控制装置、终端、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111923905B (zh) | 对轨迹进行估计的系统和方法 | |
Liniger et al. | Optimization‐based autonomous racing of 1: 43 scale RC cars | |
Febbo et al. | Moving obstacle avoidance for large, high-speed autonomous ground vehicles | |
Kloeser et al. | NMPC for racing using a singularity-free path-parametric model with obstacle avoidance | |
Li et al. | A sampling-based local trajectory planner for autonomous driving along a reference path | |
CN105068543B (zh) | 一种基于pid控制的背负型agv两轮同步方法 | |
CN115328144A (zh) | 多无人车协同载运系统轨迹跟踪控制方法、系统及介质 | |
Santos et al. | Analysis of a fast control allocation approach for nonlinear over-actuated systems | |
Berntorp | Particle filtering and optimal control for vehicles and robots | |
Feraco et al. | Combined lane keeping and longitudinal speed control for autonomous driving | |
Flad et al. | Individual driver modeling via optimal selection of steering primitives | |
Sun et al. | Fuzzy-model-based H∞ dynamic output feedback control with feedforward for autonomous vehicle path tracking | |
Worrall et al. | Autonomous planetary rover control using inverse simulation | |
Alfiany et al. | Kinematics and dynamics analysis of an autonomous three-wheeled bicycle modeling | |
Xie et al. | Dynamic image-based visual servoing for unmanned aerial vehicles with bounded inputs | |
Reda et al. | Model-based control strategy for autonomous vehicle path tracking task | |
CN113815644A (zh) | 减少估计自主车辆动力学的不确定性的系统和方法 | |
Kousik et al. | Technical report: Safe, aggressive quadrotor flight via reachability-based trajectory design | |
Feng et al. | Active Lane‐Changing Control of Intelligent Vehicle on Curved Section of Expressway | |
Arrigoni et al. | MPC-based framework for autonomous ground vehicles in a complex environment | |
Ao et al. | Research on coupled control algorithm for trajectory tracking of rear-wheel distributed drive vehicles | |
Adam et al. | Modeling and Analysis of Omnidirectional Wheeled Vehicles Using Velocity-Based Impedance Control | |
US11845422B2 (en) | Path tracking control for self-driving of vehicle with yaw moment distribution | |
US11845465B2 (en) | Autonomous lateral control of vehicle using direct yaw moment control | |
Debrouwere et al. | Optimal tube following for robotic manipulators |
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 |