CN115562275A - 一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 - Google Patents
一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 Download PDFInfo
- Publication number
- CN115562275A CN115562275A CN202211242128.XA CN202211242128A CN115562275A CN 115562275 A CN115562275 A CN 115562275A CN 202211242128 A CN202211242128 A CN 202211242128A CN 115562275 A CN115562275 A CN 115562275A
- Authority
- CN
- China
- Prior art keywords
- heading machine
- mlrnn
- algorithm
- pid
- roadway
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003245 coal Substances 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 239000011435 rock Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 208000011597 CGF1 Diseases 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000004039 social cognition Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 13
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 43
- 230000005641 tunneling Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000036346 tooth eruption Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001070941 Castanea Species 0.000 description 1
- 235000014036 Castanea Nutrition 0.000 description 1
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation 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, 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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
本发明提供一种基于MLRNN‑PID算法的煤矿履带式掘进机智能导航控制方法,用于抑制履带式掘进机出现位置偏移、姿态畸形等偏离预定轨迹的现象。该方法包括:建立全宽横轴式掘进机位姿数学模型,获取掘进机机身位姿调整参数;建立基于粒子群算法的掘进机纠偏路径优化模型,确定目标函数和约束条件;利用粒子群算法设置优化变量,以掘进机最短行进总距离为目标规划出一条最优纠偏路径;设计基于MLRNN‑PID控制器的结构;用布谷搜索算法优化MLRNN‑PID控制器增益;用基于序列学习的最小二乘算法对MLRNN‑PID控制器增益进行在线自适应调整。本发明的方法能够有效控制履带式掘进机按照规划路径达到预定位置,提高系统的控制精度和响应速度,实现掘进装备定向导航,完成巷道掘进。
Description
技术领域
本发明属于液压控制领域,尤其涉及一种基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法。
背景技术
目前,在煤矿领域存在采掘失衡严重问题,所以智能化掘进系统是当前煤炭领域亟待解决的难题。智能化掘进井下作业主要包括位姿检测、自主纠偏和自主截割等环节。其中,在实现掘进机自主纠偏的前提下,为保证巷道成型质量,掘进机纠偏路径规划是实现巷道掘进智能化的关键。目前主要通过人工来控制掘进机的姿态进行纠偏,纠偏效果主要取决于操作人员的技术熟练程度,若操作人员技术不熟练,在控制液压马达的过程中会出现超调或欠调的情况,掘进机的纠偏轨迹将成为蛇形轨迹。因此,掘进机纠偏主要问题在于如何规划一条受限巷道空间履带式掘进机的纠偏最优路径,以及如何快速、准确调整液压马达流量的大小来控制掘进机回到设计的巷道中线上。当前学术领域针对车辆的路径规划算法、轨迹跟踪控制律以及导航定位技术均有广泛研究。但其中面向履带式掘进机在工程作业环境下的纠偏路径规划与轨迹纠偏则较为有限,并且井下多采用监控方法来辅助操作人员对掘进装备进行控制,但掘进质量仍旧依赖于掘进装备的控制精度。加之多数研究仅涵盖规划、跟踪或定位的单一研究领域,因此需要对掘进装备路径规划和智能导航控制技术进行大量的研究。
发明内容
本发明提出一种基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,主要用于抑制履带式掘进机出现位置偏移、姿态畸形等偏离预定轨迹的现象,能够有效控制履带式掘进机按照规划路径达到预定位置,提高系统的控制精度和响应速度,实现掘进装备定向导航,完成巷道掘进。
为了解决上述问题,本发明采用如下的技术方案:
一种基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,包括:
(1)根据掘进机行进特点及巷道约束条件,建立全宽横轴式掘进机位姿数学模型,获取掘进机机身位姿调整参数;然后,建立基于粒子群算法的掘进机纠偏路径优化模型,确定目标函数和约束条件;
(2)利用粒子群优化算法设置优化变量为掘进机每个步长变化的纠偏角度,目标函数为掘进机从初始位置到终点位置的总距离,以掘进机最短行进总距离为目标规划出一条最优纠偏路径;
(3)设计基于混合局部递归神经网络(MLRNN)的PID控制器的结构;
(4)用布谷搜索算法(CSA)的优化方法初始化混合局部递归神经网络的PID(MLRNN-PID)控制器增益;
(5)用基于序列学习的最小二乘算法对MLRNN-PID控制器增益进行在线自适应调整。
进一步地,在本发明的一优选实施方案中,步骤(1)的具体实现步骤包括:
基于全宽横轴式掘进机在巷道内的极限角度,得到掘进机在巷道中可能出现的最大的偏向位姿:
上式中,l为掘进机最大有效长度,D为滚筒宽度,x为掘进机左侧履带后端至巷道右侧的距离;
为使滚筒截齿避免受到较大阻力,即
上式中,θmax为掘进机最大偏角,e为滚筒截齿长度;
掘进机在直巷道中每次行进转动的角度θ,则第n次的调整角度为:
上式中,μn-1为掘进机上一次转动后掘进机与水平轴线之间的夹角,BE为巷道宽度的一半,O′B′为掘进机自身重心点到尖点的距离,s为掘进机移动步距。
进一步地,在本发明的一优选实施方案中,步骤(2)的具体实现步骤包括:
在全宽横轴式掘进机纠偏路径规划中,采用粒子群优化算法的种群规模为2000,最大迭代次数为150,自身认知因子c1和社会认知因子c2均为1.5,ωmax=0.9,ωmin=0.4;根据掘进机纠偏路径规划的实际要求,综合考虑路径规划的可行性和安全性,其适应度函数如下表示:
上式中,f表示掘进机从初始位置到终点位置的总距离,n表示达到中心线需要的步数,di表示每一步的步长,de表示最后一步的步长;
掘进机路径规划问题是一种带约束的优化问题,约束条件为避免滚筒截齿和煤岩分离,根据前面位姿模型得:
上式中,θn′为第n次的调整角度,e为滚筒截齿长度。
进一步地,在本发明的一优选实施方案中,步骤(3)的具体实现步骤包括:
基于MLRNN的PID控制器的结构由三个节点组成,分别充当比例、积分和微分节点;
隐藏层神经元H1、H2和H3的输出用elink1和elink2表示如下:
如果z-1是单位延迟算子,节点2和节点3的输出表示如下:
H3(k)=φ(h13elink1(k))+h23elink2(k))(1-z-1) (25)
考虑到单输入单输出系统,隐层输出矩阵可表示为:
H=[H1 H2 H3] (26)
输出权重矩阵可以表示为:
Q=[Q1 Q2 Q3] (27)
MLRNN-PID控制器的最终输出为:
τ=Q1H1(k)+Q2H2(k)+Q3H3(k) (28)
在矩阵形式中,上述方程可以矩阵形式表示为
τ=HQ (29)
进一步地,在本发明的一优选实施方案中,步骤(4)的具体实现步骤包括:
用布谷搜索算法对MLRNN-PID控制器进行优化,需要首先选择合适的目标函数,选择Link1和Link2的绝对误差(IAE)的积分为目标函数,对其最小化,用下式表示,聚合适应度函数AOF被设计为两个链路的IAE的加权和;
Of1=∫|e1(t)|dt (30)
Of2=∫|e2(t)|dt (31)
AOF=w1Of1+w2Of2 (32)
上式中,w1和w2分别是分配给目标函数Of1和Of2的权重。
进一步地,在本发明的一优选实施方案中,步骤(5)的具体实现步骤包括:
开发了局部递归神经网络的在线训练算法:
E=R-HQ,||E||2=(R-HQ)T(R-HQ) (33)
||E||2=RTR-2HRTQ+Q2HTH (34)
需要对MLRNN-PID控制器进行训练,以调整Q和H,从而使误差||E||2最小化。
其中,E为误差,R为系统目标输出向量,||E||2为平方误差,T为权值矩阵,Hf是矩阵H的Moore–Penrose广义逆,其给出最小范数最小二乘解;
使用CSA计算初始权重,在MLRNN-PID控制器中使用CSA优化输出权重作为输出权重,并重新调整隐藏层权重以获得最小范数最小二乘解,使用CSA计算的输出层的优化权重来重新初始化隐藏层矩阵;
H0=QfT (37)
使用(23)重新调整隐藏层权重hij,一旦获得隐藏层和输出层权重,对于每个输入数据块或单个数据,采用基于递归最小二乘解的顺序学习算法来更新MLRNN-PID控制器的权重;
与现有技术相比,本发明的主要优势在于:
1.本发明针对煤矿受限巷道全宽横轴式掘进机行进特点及巷道约束问题,建立了掘进机位姿数学模型,分析了掘进机在巷道极限偏角,得到掘进机在巷道中出现最大偏向位姿值的计算方法及纠偏路径的约束参数;并利用粒子群优化算法将掘进机纠偏路径规划问题转化成掘进机每一步长变化的角度问题,根据适应度函数及约束条件,建立以掘进机最短行进总距离为目标掘进机的优化模型,来规划出一条最优纠偏路径。
2.本发明开发了基于混合局部递归神经网络的PID控制器并用于掘进机行走机构的轨迹跟踪控制,MLRNN-PID控制器的主要优点是结构简单、学习能力强、灵活性强,适用于非线性、时变和不确定系统,在线更新MLRNN-PID控制器的参数对于处理这些复杂性是必要的;使用布谷搜索算法计算MLRNN-PID控制器的初始增益,然后导出顺序学习算法以在线方式调整输出层的权重,以处理机器人操作器的高度复杂、时变和非线性动力学;结果表明,所提出的MLRNN-PID控制器的性能受参数不确定性和外部干扰的影响最小。
3.本发明建立了掘进机液压系统传递函数模型,以巷道环境模型、掘进机结构参数作为输入,通过路径规划算法得到掘进机纠偏规划策略与跟踪策略,为掘进机运动控制提供输入参量,通过基于混合局部递归神经网络的PID控制算法控制输出掘进机行走机构液压马达的转速,进而得到左右履带的输出速度,完成掘进机的自主纠偏运动;在matlab/simulink软件中建立了掘进机纠偏控制模型,并通过不同工况的模拟分析,验证控制模型的可行性,并将MLRNN-PID控制算法与PID控制性能对比,验证了MLRNN-PID控制算法在掘进机纠偏方面的优越性及可行性,并通过实验室掘进机模型开展试验验证;证明了本发明的方法能够抑制履带式掘进机出现位置偏移、姿态畸形等偏离预定轨迹的现象,并有效控制履带式掘进机按照规划路径达到预定位置,提高系统的控制精度和响应速度,实现掘进装备定向导航,完成巷道掘进。
附图说明
图1为本发明的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法的流程图;
图2为本发明实施例中掘进机最大偏角示意图;
图3为本发明实施例中掘进机转向位姿示意图;
图4为本发明实施例中掘进机轨迹偏离示意图,其中,(a)表示掘进机行驶方向偏离巷道中线,(b)表示掘进机位置偏离巷道中线,但是方向与巷道中线平行,(c)表示掘进机位置和方向偏离均偏离巷道中线;
图5为本发明实施例中粒子群算法流程示意图;
图6为本发明实施例中掘进机行走机构液压系统传递函数模型图;
图7为本发明实施例中掘进机纠偏控制系统结构图;
图8为本发明实施例中掘进机纠偏MLRNN-PID控制系统结构示意图;
图9为本发明实施例中基于神经网络的PID控制算法的实施流程图;
图10为本发明仿真实例1中掘进机纠偏路径规划示意图;
图11为本发明仿真实例1中收敛迭代图;
图12为本发明仿真实例2中掘进机纠偏路径规划示意图;
图13为本发明仿真实例2中收敛迭代图;
图14为本发明仿真实例3中掘进机纠偏路径规划示意图;
图15为本发明仿真实例3中收敛迭代图;
图16为本发明仿真实例4中BP-PID与MLRNN-PID控制系统仿真模型;
图17(a)为本发明仿真实例4中阶跃信号响应曲线图;
图17(b)为本发明仿真实例4中阶跃信号响应误差曲线图;
图18(a)为本发明仿真实例4中正弦信号响应曲线图;
图18(b)为本发明仿真实例4中正弦信号响应误差曲线图;
图19(a)为本发明仿真实例4中脉冲信号响应曲线图;
图19(b)为本发明仿真实例4中脉冲信号响应误差曲线图;
图20(a)为本发明仿真实例5中轨迹跟踪曲线之一;
图20(b)为本发明仿真实例5中轨迹跟踪曲线之二;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例
全宽横轴式掘进机在封闭环境空间内作业,掘进机在作业过程中,既要保证掘进机在受限的巷道空间内有足够的调整空间,也要确保掘进机高质量的完成所需尺寸的巷道断面截割成形。因此,掘进机在其适用的综掘工作面巷道内的位姿参数是在一定范围内变动的,而不是处于任意的位姿状态。通过分析如图1所示的全宽横轴式掘进机在巷道内的极限角度,可以得到掘进机在巷道中可能出现的最大的偏向位姿。设CF长度为x,因此BC长为D-x,可得:
式中,l为掘进机最大有效长度,D为滚筒宽度;
如图2所示,滚筒在截割煤岩的时候,截齿的一部分会内嵌在煤岩里,此时掘进机若偏离正确轨迹,会导致滚筒截齿的一边过于深入煤岩,会受到较大阻力。为使滚筒截齿避免受到较大阻力,即
式中,θmax为掘进机最大偏角,e为滚筒截齿长度;
如图3所示,掘进机以自身重心点为基准进行转向,设掘进机机体宽度为d,长为L,滚筒宽度为D,掘进机第一次转动以掘进机中心O为圆心,OA为半径进行旋转,与巷道外壁交与B点,则掘进机转动角度为θ。由图中可以看出,转角满足如下关系式:
转动θ角后,掘进机沿OD方向向前掘进s长度后到O’达点,进行第二次转动,图3中灰色、蓝色、绿色、红色的长方体分别代表没转动前、第一次转动、推进s距离、第二次转动的掘进机的位置。从图2中可以得到第二次转动角θ’的公式为:
整理得:
类似可以递推在直巷道中每次行进转动的角度,第n次的调整角度为:
整理得:
式中,μn-1为掘进机上一次转动后掘进机与水平轴线之间的夹角,BE为巷道宽度的一半,O′B′为掘进机自身重心点到尖点的距离,s为掘进机移动步距。
全宽横轴式掘进机作业时,要求掘进机按掘进巷道的中心线轨迹行进作业。掘进施工流程为:根据掘进机当前位姿调整机身方向角,保证机身的行进方向与待掘进巷道中心线重合;按照巷道断面形状,利用截割机构截割煤岩并利用机身前后的铲板机构和输送机将落煤运送出去,截割完成后,调整机身方向角和速度以实现机身前移,完成1个截距的掘进,进入下一个施工程序,循环行进。每完成1个截距,机身配备的位姿检测系统会测量当前的机身中心位置坐标,判断是否与设计的巷道中心线有所偏移,进而规划后续的掘进轨迹并调整工作参数。
巷道掘进施工作业过程中,掘进机纠偏主要是控制掘进机左右履带运动使掘进机中心位置与巷道中心线位置重合,实现对机身位置的调整。掘进机在掘进的时候,如果轨迹偏差超过误差允许范围,就需要重新对掘进机的作业路线进行规划,使掘进机能够重新回到设定的巷道中线轨迹中。
如图4所示的掘进机轨迹偏离巷道的简化示意图,图4(a)表示掘进机行驶方向偏离巷道中线,图4(b)表示掘进机位置偏离巷道中线,但是方向与巷道中线平行,(c)表示掘进机位置和方向偏离均偏离巷道中线,规定掘进机偏角α向左偏为正,向右偏为负;偏距A向左偏为正,向右偏为负。对于图3中三种情况的纠偏策略如下:
(1)、对于图4(a)情况,掘进机机身只是方向偏离巷道中线,偏角为θ,当θ<0时,控制掘进机左履带反转,右履带正转,使机身存在一定偏向角,然后控制左右履带同时正转向前移动一个步距s,完成1个截距。然后机身配备的位姿检测系统会测量当前的机身中心位置坐标,判断机身当前位置是否与设计的巷道中心线有所偏移,若偏距和偏距没有达到限定值,继续控制掘进机使机身存在一定偏向角,向前移动一个步距s,直至中心距小于限定值。当θ>0时,控制掘进机左履带正转,右履带反转,直至偏航角小于限定值。
(2)、对于图4(b)情况,掘进机机身中线位置偏离巷道中线,偏距为A,当A>0时,控制掘进机左履带正转,右履带反转,使机身存在一定偏向角,然后控制左右履带同时正转向前移动一个步距s,完成1个截距。然后机身配备的位姿检测系统测量当前的机身中心位置坐标,判断是否与设计的巷道中心线有所偏移,若偏距没有达到限定值,继续控制掘进机使机身存在一定偏向角,向前移动一个步距s,直至中心距小于限定值。当A<0时,则方向相反。
(3)、对于图4(c)情况,掘进机中线位置和方向均偏离巷道中线,偏距为A,偏角为α,当A>0、α>0时,其纠偏策略同4(b)。
粒子群算法用无质量、无体积的粒子作为个体,并为每个粒子规定了简单的行为规则,从而使整个粒子群表现出复杂的行为特性.在PSO算法中,每个粒子都是优化问题的一个可行解,并由目标函数为之确定一个适应值。每个粒子根据个体经验和群体经验向更好的位置飞行,搜寻全局最优解。按照追随当前最优粒子的原理,粒子Xi将按式(10)和式(11)改变速度和位置。
其中:d=1,2...,n;i=1,2...,m。m为种群规模;t为当前进化代数;r1和r2为分布于[0,1]的随机数;c1和c2为加速常数,分别称为自身认知因子和社会认知因子,用来调整pi和gi的影响强度。参数ω随着迭代次数由最大惯性权重ωmax线性递减到最小惯性权重ωmin。ω=ωmax-(ωmax-ωmin)Ic/Imax。其中:Imax为最大迭代次数;Ic为进化的当前代数。
在全宽横轴式掘进机纠偏路径规划中,种群规模为2000,最大迭代次数为150,自身认知因子c1和社会认知因子c2均为1.5,ωmax=0.9,ωmin=0.4。良好的适应性函数对PSO优化算法尤为重要。根据掘进机纠偏路径规划的实际要求,综合考虑路径规划的可行性和安全性,其适应度函数如式(12)所示。
式中,f表示掘进机从初始位置到终点位置的总距离,n表示达到中心线需要的步数,di表示每一步的步长,de表示最后一步的步长。
掘进机路径规划问题是一种带约束的优化问题,约束条件为避免滚筒截齿和煤岩分离,根据前面位姿模型得:
如图5所示,粒子群算法的步骤如下:
(1)初始化粒子规模,最大迭代数、最大惯性权值和最小惯性权值,自身认知因子,群体认知因子;
(2)计算粒子的适应度值,计算当前各粒子的个体最优值以及种群的全局最优值;
(3)通过公式(10)、(11)更新粒子的速度及位置,并作碰撞检验,对碰撞位置进行约束调整;
(4)根据公式(12)计算位置更新后各粒子的适应度值并更新个体最优适应度值以及全局最优适应度值;
(5)判断是否达到最大迭代次数,是则结束循环输出最优粒子;否则返回进入步骤(2)。
掘进机的行走机构为左右两侧履带,均采用液压驱动。掘进机行走机构液压系统为阀控马达系统,通过电液比例阀阀芯位移控制,调整马达流量,进而实现两侧液压马达的转速控制。
掘进机行走液压缸控制阀为控制掘进机左右行走的控制部分,当阀芯线圈两端感应控制电压通电后阀芯在电磁力的作用下产生位移,以此实现电液阀的换向。比例阀线圈电压、电磁力与电流的关系为:
F=KI (15)
式中L为线圈电感,Ra为线圈与放大器电阻,K为电流放大系数。
建立比例阀衔铁动力学方程并进行拉氏变换后代入可得比例阀位移与控制电压之间的数学关系,如式16所示:
由此可得比例阀输出的流量与控制输入量之间的数学关系如式17所示:
式17中K1为比例阀流量放大系数,Kc为流量压力系数,B为阻尼系数,Δp为外负载压力差。
掘进机行走机构液压系统通过比例阀位移的调整完成定位液压缸的位移控制,从而决定柱塞变量泵的流量,柱塞栗转动一周进行一次吸油与排油,若不考虑柱塞泵泄漏,液压缸的流量即为柱塞泵的流量,液压缸的流量方程与外负载动力学方程并经过拉式变化后即可得到液压缸位移与控制输入量之间的数学关系为
式中,Q为负载流量,A1为液压缸活塞有效面积,L为液压缸的活塞位移,C1为液压缸总泄漏系数,Vt1为液压缸容积,βe为系统弹性模量,m2为活塞与负载质量,B2为液压缸活塞与负载的粘性阻尼系数,k2为液压缸负载弹簧刚度,FL为作用于液压缸负载外力。掘进机液压马达在建模过程中忽略液压管道对流体的摩擦流失,并假设马达内油温弹性模量、体积弹性模量与供油压力为常数,可得流量连续方程为:
式19中Vm为液压马达的理论弧度排量;θ为液压马达转角;Cm为马达总泄漏系数;P为系统压力;Vt2为液压马达总容积;βe为系统有效容积弹性系数。而液压马达的转速方程为ωm=dθ/dt,经由拉式变换可得ωm(s)=sθ(s)。同时对掘进机液压马达进行动力学分析可得:
式20中Jm为行走机构液压马达及负载的总转动惯量;Bm为液压马达及负载的总黏性阻尼系数;G为外负载扭转刚度;TL为作用于液压马达上的外负载转矩。式19与20经由拉式变换可得:
T(s)=Jmθ(s)s2+Bmθ(s)s+Gθ(s)+TL(s) (22)
基于对掘进机行走机构液压系统分析,可得掘进机行走机构的液压系统模型,模型控制输入量为比例阀的电压控制信号,最终控制输出量为马达转速(转矩),进而控制掘进机履带速度与驱动轮驱动力矩,传递函数如图6所示。
PID控制方法常用于控制液压系统控制,由于掘进机行走机构液压系统的非线性较强且巷道路况复杂多变,传统PID控制无法满足其自主纠偏运动的控制需求,若要获得良好的控制效果,就必须通过准确调整PID控制参数,这种参数可以从很多非线性组合中可以找到最佳配合关系,而利用神经网络的非线性映射和自学习能力,可以找出PID控制参数的最佳配合方法,从而实现控制参数的在线自适应调整,使自主纠偏运动的控制效果达到最佳。
MLRNN-PID控制器
基于MLRNN的PID控制器的结构,如图7所示。该结构由三个节点组成,分别充当比例、积分和微分节点。
隐藏层神经元H1、H2和H3的输出可以用elink1和elink2表示如下:
如果z-1是单位延迟算子,节点2和节点3的输出可以用表示如下:
H3(k)=φ(h13elink1(k))+h23elink2(k))(1-z-1) (25)
考虑到单输入单输出系统,隐层输出矩阵可以表示为:
H=[H1 H2 H3] (26)
输出权重矩阵可以表示为:
Q=[Q1 Q2 Q3] (27)
MLRNN-PID控制器的最终输出为:
τ=Q1H1(k)+Q2H2(k)+Q3H3(k) (28)
在矩阵形式中,上述方程可以矩阵形式表示为
τ=HQ (29)
基于布谷搜索算法的MLRNNPID-PID控制器优化
用布谷搜索算法对MLRNN-PID控制器进行优化,需要首先选择合适的目标函数。对于本工作,所选择的目标函数是Link1和Link2的绝对误差(IAE)的积分,对其最小化,用下式表示。聚合适应度函数AOF被设计为两个链路的IAE的加权和。选择这些目标函数的原因是为了减少实际轨迹和期望轨迹之间的误差。
Of1=∫|e1(t)|dt (30)
Of2=∫|e2(t)|dt (31)
AOF=w1Of1+w2Of2 (32)
w1和w2分别是分配给目标函数Of1和Of2的权重。
局部递归神经网络的在线训练算法
E=R-HQ,||E||2=(R-HQ)T(R-HQ) (33)
||E||2=RTR-2HRTQ+Q2HTH (34)
需要对MLRNN-PID控制器进行训练,以调整Q和H,从而使误差||E||2最小化。
其中,E为误差,R为系统目标输出向量,||E||2为平方误差,T为权值矩阵,Hf是矩阵H的Moore–Penrose广义逆,其给出最小范数最小二乘解。如果已知隐藏层的权重,可以使用(36)在单个步骤中解析地计算输出的权重。在传统的基于梯度的方法中,误差必须递归地反向传播,因此常规的基于梯度方法的训练时间相当大。
由于输出权重是在单个步骤中计算的,因此训练速度可以比传统的基于梯度的方法快100-1000倍。随机假设输入权重,在本工作中,使用CSA计算初始权重。在MLRNN-PID控制器中使用CSA优化输出权重作为输出权重,并重新调整隐藏层权重以获得最小范数最小二乘解。使用CSA计算的输出层的优化权重来重新初始化隐藏层矩阵。
H0=QfT (37)
使用(23)重新调整隐藏层权重hij,一旦获得隐藏层和输出层权重,对于每个输入数据块或单个数据,采用基于递归最小二乘解的顺序学习算法来更新MLRNN-PID控制器的权重。
如图8和9所示,基于神经网络的PID控制算法的步骤如下:
步骤1:首先确定BP网络的结构,即输入层节点数和隐含层的节点个数,选取不同层的权重的初始值ωli(0),ωij(0),确定学习速率μ和惯性系数ɑ;
步骤2:根据给定和反馈信号r(k)和y(k),计算误差:
e(k)=r(k)-y(k) (39)
步骤3:确定输入量;
步骤4:根据上式,计算各层PID控制器中神经元的输入,将Kp、Ki、Kd作为输出层的输出;
步骤5:根据增量式公式计算控制输出u(k);
步骤6:进行神经网络学习,通过神经网络自适应调节隐含层和输出层的权重ωli(k)和ωij(k),实现对Kp、Ki、Kd的在线调整;
步骤7:令k=k+1,返回步骤2。
为了验证粒子群优化算法对全宽横轴式掘进机进行纠偏路径规划的有效性。以EJM340/4-2型全宽横轴式掘进机为仿真对象,其尺寸参数如下:长度11.6m,宽度5m,高度2.6m。掘进机每次前进步距为1m。根据式(1)、(2)计算出该掘进机一次最大能调整角度为1.955°。实验平台为Matlab2018,对三种掘进机位姿状态纠偏路径规划进行验证。
仿真实例1方向偏离巷道中线仿真验证
仿真条件为掘进机机身只是方向偏离巷道中线,偏角α=5°。本仿真实例中掘进机纠偏路径规划仿真结果如图10所示,需要走8步,其中最后一步只需要走444.36mm就可以让掘进机中点重新回到巷道中心线上;然后控制掘进机转-1.519°即可让掘进机机体回到正确位置。掘进机走的步长数和调整角度如表1所示。
表1掘进机纠偏路径规划结果
调整步数n | 1 | 2 | 3 | 4 |
调整角度θ/° | 1.352 | 1.274 | 1.237 | 1.162 |
步长s/mm | 1000 | 1000 | 1000 | 1000 |
调整步数n | 5 | 6 | 7 | 8 |
调整角度θ/° | 1.128 | -1.766 | -1.457 | -1.353 |
步长s/mm | 1000 | 1000 | 1000 | 444.36 |
如图11所示,本仿真实例中粒子群算法求解迭代,适应度为掘进机从初始位置回到巷道中线位置所走过的总距离。从图11中可以看出在迭代23次时函数达到最优值。即找到一条最优路径,其路径总长度为7444.36mm。
仿真实例2位置偏离巷道中线仿真验证
掘进机初始位置距离巷道中线偏距为200mm,偏角为0°。本仿真实例中掘进机纠偏路径规划仿真结果如图12所示。掘进机需要走5步,其中最后一步只需要走742.49mm就可以让掘进机中点重新回到巷道中心线上。然后控制掘进机转-1.144°即可让掘进机机体回到巷道中线上。掘进机走的步长数和调整角度如表2所示。
表2掘进机纠偏路径规划结果
调整步数n | 1 | 2 | 3 | 4 | 5 |
调整角度θ/° | 1.443 | 1.371 | 1.155 | -1.287 | -1.536 |
步长s/mm | 1000 | 1000 | 1000 | 1000 | 742.49 |
如图13所示,本仿真实例中粒子群算法求解迭代,适应度为掘进机从初始位置回到巷道中线位置所走过的总距离。从图13中可以看出在迭代27次时函数达到最优值。即找到一条最优路径,其路径总长度为4762.49mm。
仿真实例3位置、方向均偏离巷道中线仿真验证
掘进机初始位置距离巷道中线偏距为220mm,偏角为6°,本仿真实例中掘进机纠偏路径规划仿真结果如图14所示。掘进机需要走4步,其中最后一步只需要走832.71mm就可以让掘进机中点重新回到巷道中心线上。然后控制掘进机转-1.355°即可让掘进机机体回到正确位置。掘进机走的步长数和调整角度如表3所示。
表3掘进机纠偏路径规划结果
调整步数/n | 1 | 2 | 3 | 4 |
调整角度θ/° | -1.246 | -1.253 | -1.082 | -1.06 |
步长s/mm | 1000 | 1000 | 1000 | 832.71 |
如图15所示,本仿真实例中粒子群算法求解迭代,适应度为掘进机从初始位置回到巷道中线位置所走过的总距离。从图中可以看出在迭代26次时函数达到最优值。即找到一条最优路径,其路径总长度为3832.71mm。
仿真实例4控制系统性能仿真验证
如图16所示,运用Simulink软件建立BP-PID与MLRNN-PID控制系统仿真模型,比较BP-PID和MLRNN-PID不同控制算法下控制效果。
为检验控制算法的基本性能,为该控制系统施加阶跃输入信号,图17(a)和图17(b)所示为基于MLRNN-PID和BP-PID的掘进机纠偏运动控制的阶跃信号响应曲线与阶跃信号响应误差曲线,与BP-PID控制系统相比,MLRNN-PID控制系统响应时间缩短了25.8%,超调量降低了85.9%,由此可得MLRNN-PID控制系统具有更好的动态与静态性能。
为检验系统在恶劣工况下的工作性能与重复定位性能,为系统施加正弦与方波输入信号,仿真结果如图18(a)、图18(b)、图19(a)、图19(b)所示。与BP-PID控制系统相比,MLRNN-PID控制算法在设定的恶劣工况下保持良好的跟踪与重复定位性能,正弦信号与方波信号下响应时间分别减少了75.4%与77.8%,由外界干扰因素引起的动态误差降低了74.7%与66.8%,因此MLRNN-PID控制可在复杂工况下保持良好的精度与稳定性。
仿真实例5轨迹跟踪控制仿真验证
对MLRNN-PID控制的掘进机进行纠偏点轨迹跟踪控制仿真,仿真结果如图19所示。
从图20(a)可以看出,实际轨迹在起始点有一定的角度误差,经过调整之后,大约在掘进机运动到3m左右误差减小到几乎为0,并在以后的轨迹内保持误差几乎为0。
从图20(b)可以看出,实际轨迹在起始点有一定的角度误差,经过调整之后,大约在掘进机运动到2m左右误差减小到几乎为0,并在以后的轨迹内保持误差几乎为0。
综上所述,本发明可以快速、准确的规划一条最优纠偏路径,基于仿真结果验证了纠偏路径规划算法、MLRNN-PID运动控制算法的可行性与优越性以及掘进机自主纠偏控制系统的可行性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,实现步骤包括:
(1)根据掘进机行进特点及巷道约束条件,建立全宽横轴式掘进机位姿数学模型,获取掘进机机身位姿调整参数;然后,建立基于粒子群算法的掘进机纠偏路径优化模型,确定目标函数和约束条件;
(2)利用粒子群优化算法设置优化变量为掘进机每个步长变化的纠偏角度,目标函数为掘进机从初始位置到终点位置的总距离,以掘进机最短行进总距离为目标规划出一条最优纠偏路径;
(3)设计基于混合局部递归神经网络的PID控制器的结构;
(4)用布谷搜索算法的优化方法初始化混合局部递归神经网络的PID控制器增益;
(5)用基于序列学习的最小二乘算法对混合局部递归神经网络的PID控制器增益进行在线自适应调整。
2.根据权利要求1所述的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,步骤(1)的具体实现步骤包括:
基于全宽横轴式掘进机在巷道内的极限角度,得到掘进机在巷道中可能出现的最大的偏向位姿:
上式中,l为掘进机最大有效长度,D为滚筒宽度,x为掘进机左侧履带后端至巷道右侧的距离;
为使滚筒截齿避免受到较大阻力,即
上式中,θmax为掘进机最大偏角,e为滚筒截齿长度;
掘进机在直巷道中每次行进转动的角度θ,则第n次的调整角度为:
上式中,μn-1为掘进机上一次转动后掘进机与水平轴线之间的夹角,BE为巷道宽度的一半,O′B′为掘进机自身重心点到尖点的距离,s为掘进机移动步距。
3.根据权利要求1所述的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,步骤(2)的具体实现步骤包括:
在全宽横轴式掘进机纠偏路径规划中,采用粒子群优化算法的种群规模为2000,最大迭代次数为150,自身认知因子c1和社会认知因子c2均为1.5,ωmax=0.9,ωmin=0.4;根据掘进机纠偏路径规划的实际要求,综合考虑路径规划的可行性和安全性,其适应度函数如下表示:
上式中,f表示掘进机从初始位置到终点位置的总距离,n表示达到中心线需要的步数,di表示每一步的步长,de表示最后一步的步长;
掘进机路径规划问题是一种带约束的优化问题,约束条件为避免滚筒截齿和煤岩分离,根据前面位姿模型得:
上式中,θn′为第n次的调整角度,e为滚筒截齿长度。
4.根据权利要求1所述的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,步骤(3)的具体实现步骤包括:
基于MLRNN的PID控制器的结构由三个节点组成,分别充当比例、积分和微分节点;
隐藏层神经元H1、H2和H3的输出用elink1和elink2表示如下:
如果z-1是单位延迟算子,节点2和节点3的输出表示如下:
H3(k)=φ(h13elink1(k))+h23elink2(k))(1-z-1) (25)
考虑到单输入单输出系统,隐层输出矩阵可表示为:
H=[H1 H2 H3] (26)
输出权重矩阵可以表示为:
Q=[Q1 Q2 Q3] (27)
MLRNN-PID控制器的最终输出为:
τ=Q1H1(k)+Q2H2(k)+Q3H3(k) (28)
在矩阵形式中,上述方程可以矩阵形式表示为:
τ=HQ (29)
5.根据权利要求1所述的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,步骤(4)的具体实现步骤包括:
用布谷搜索算法对MLRNN-PID控制器进行优化,需要首先选择合适的目标函数,选择Link1和Link2的绝对误差的积分为目标函数,对其最小化,用下式表示,聚合适应度函数AOF被设计为两个链路的IAE的加权和;
Of1=∫|e1(t)|dt (30)
Of2=∫|e2(t)|dt (31)
AOF=w1Of1+w2Of2 (32)
上式中,w1和w2分别是分配给目标函数Of1和Of2的权重。
6.根据权利要求1所述的基于MLRNN-PID算法的煤矿履带式掘进机智能导航控制方法,其特征在于,步骤(5)的具体实现步骤包括:
开发局部递归神经网络的在线训练算法:
E=R-HQ,||E||2=(R-HQ)T(R-HQ) (33)
||E||2=RTR-2HRTQ+Q2HTH (34)
需要对MLRNN-PID控制器进行训练,以调整Q和H,从而使误差||E||2最小化;
其中,E为误差,R为系统目标输出向量,||E||2为平方误差,T为权值矩阵,Hf是矩阵H的Moore–Penrose广义逆,其给出最小范数最小二乘解;
使用CSA计算初始权重,在MLRNN-PID控制器中使用CSA优化输出权重作为输出权重,并重新调整隐藏层权重以获得最小范数最小二乘解,使用CSA计算的输出层的优化权重来重新初始化隐藏层矩阵;
H0=QfT (37)
使用(23)重新调整隐藏层权重hij,一旦获得隐藏层和输出层权重,对于每个输入数据块或单个数据,采用基于递归最小二乘解的顺序学习算法来更新MLRNN-PID控制器的权重;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242128.XA CN115562275A (zh) | 2022-10-11 | 2022-10-11 | 一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242128.XA CN115562275A (zh) | 2022-10-11 | 2022-10-11 | 一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115562275A true CN115562275A (zh) | 2023-01-03 |
Family
ID=84744414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242128.XA Pending CN115562275A (zh) | 2022-10-11 | 2022-10-11 | 一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115562275A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311353A (zh) * | 2023-10-12 | 2023-12-29 | 三一重型装备有限公司 | 井下自动移车方法、系统、作业机械、设备、介质和芯片 |
CN117516550A (zh) * | 2024-01-04 | 2024-02-06 | 三一重型装备有限公司 | 路径规划方法及系统、可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN108694390A (zh) * | 2018-05-15 | 2018-10-23 | 南京邮电大学 | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 |
-
2022
- 2022-10-11 CN CN202211242128.XA patent/CN115562275A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN108694390A (zh) * | 2018-05-15 | 2018-10-23 | 南京邮电大学 | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 |
Non-Patent Citations (2)
Title |
---|
X CHEN: "H-DrunkWalk: Collaborative and adaptive navigation for heterogeneous MAV swarm", ACM TRANSACTIONS ON SENSOR NETWORKS (TOSN), 31 January 2020 (2020-01-31) * |
张旭辉: "悬臂式掘进机视觉导航与定向掘进控制技术", 煤炭学报, 6 July 2020 (2020-07-06) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311353A (zh) * | 2023-10-12 | 2023-12-29 | 三一重型装备有限公司 | 井下自动移车方法、系统、作业机械、设备、介质和芯片 |
CN117516550A (zh) * | 2024-01-04 | 2024-02-06 | 三一重型装备有限公司 | 路径规划方法及系统、可读存储介质 |
CN117516550B (zh) * | 2024-01-04 | 2024-03-15 | 三一重型装备有限公司 | 路径规划方法及系统、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115562275A (zh) | 一种基于mlrnn-pid算法的煤矿履带式掘进机智能导航控制方法 | |
CN110989576B (zh) | 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法 | |
CN109343341B (zh) | 一种基于深度强化学习的运载火箭垂直回收智能控制方法 | |
CN111413966B (zh) | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 | |
CN109799814B (zh) | 基于运动学模型的履带无人车辆轨迹跟踪控制器设计方法 | |
Shi et al. | Planning the trajectory of an autonomous wheel loader and tracking its trajectory via adaptive model predictive control | |
CN106094813B (zh) | 基于模型相关强化学习的仿人机器人步态控制方法 | |
CN107092266B (zh) | 一种移动车轨迹跟踪控制方法 | |
Cross et al. | Estimating terrain parameters for a rigid wheeled rover using neural networks | |
CN103197675A (zh) | 地下铲运机自主行驶和避障运动控制及目标路径规划方法 | |
Li et al. | A model based path planning algorithm for self-driving cars in dynamic environment | |
CN114510063B (zh) | 一种无人履带车辆及其轨迹跟踪控制方法和系统 | |
CN113848905B (zh) | 基于神经网络和自适应控制的移动机器人轨迹跟踪方法 | |
CN111271071A (zh) | 一种基于模糊自适应神经网络的盾构机姿态控制方法 | |
CN110109363B (zh) | 一种轮式移动机器人编队的神经网络自适应控制方法 | |
CN110058521B (zh) | 一种考虑误差影响的悬臂式掘进机行进纠偏方法 | |
CN111829528B (zh) | 仿生滑翔机器海豚的实时路径规划方法及系统 | |
Sadeghian et al. | Design of an adaptive sliding mode controller for a novel spherical rolling robot | |
Wang et al. | Parallel structure of six wheel-legged robot model predictive tracking control based on dynamic model | |
Qu et al. | Path Correction of the Boom Road‐Header in Coal Mining Based on State Estimation | |
Yan et al. | Model predictive control for unmanned tracked vehicle path following | |
Reda et al. | Deep learning-based automated vehicle steering | |
Sun et al. | Accelerating the Validation of Motion Control for a 4WD4WS Ground Vehicle Using a Hierarchical Controller Hardware-in-the-loop System | |
CN114839875B (zh) | 履带式深海集矿车内外环控制方法及系统 | |
Tang et al. | Trajectory tracking of unmanned tracked vehicle based on model-free algorithm for off-road driving conditions |
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 |