CN116382101A - 考虑不确定性的轮式移动机器人自适应控制方法及系统 - Google Patents

考虑不确定性的轮式移动机器人自适应控制方法及系统 Download PDF

Info

Publication number
CN116382101A
CN116382101A CN202310652806.8A CN202310652806A CN116382101A CN 116382101 A CN116382101 A CN 116382101A CN 202310652806 A CN202310652806 A CN 202310652806A CN 116382101 A CN116382101 A CN 116382101A
Authority
CN
China
Prior art keywords
robot
control
mobile robot
equation
module
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
Application number
CN202310652806.8A
Other languages
English (en)
Other versions
CN116382101B (zh
Inventor
杨强
刘可
曾颖
喻成林
张洪源
朱明�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202310652806.8A priority Critical patent/CN116382101B/zh
Publication of CN116382101A publication Critical patent/CN116382101A/zh
Application granted granted Critical
Publication of CN116382101B publication Critical patent/CN116382101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了考虑不确定性的轮式移动机器人自适应控制方法及系统，属于轮式移动机器人的控制技术领域，其方法包括：S1.建立轮式移动机器人的运动学模型；S2.根据机器人的起点和终点，确定机器人从起点到终点的期望运动轨迹；S3.根据机器人的实际运动轨迹和期望的运动轨迹，建立误差向量；S4.根据误差向量，建立轮式移动机器人轨迹跟踪自适应控制模型；S5.计算轮式移动机器人轨迹跟踪自适应控制模型的控制量；S6.将S5计算出的控制量作用到机器人，并更新机器人的位姿状态；判断机器人是否到达期望的终点，如果是，则控制停止，否则转到S3。本发明提高了轮式移动机器人的环境适应能力。

Description

考虑不确定性的轮式移动机器人自适应控制方法及系统
技术领域
本发明涉及轮式移动机器人的控制技术领域，尤其是涉及一种考虑不确定性的轮式移动机器人自适应控制方法及系统。
背景技术
移动机器人是近些年研究的热点问题，随着机器人市场的发展，移动机器人运用场景也越来越复杂，经常受到未知不确定性因素的影响，如环境中的不确定性，机器人器件老化引起参数变化，运动中遇到外界扰动等，对机器人运动控制的鲁棒性要求日益提高。
发明内容
本发明提供一种考虑不确定性的轮式移动机器人自适应控制方法及系统，以提高了轮式移动机器人的环境适应能力。
本发明实施例的一方面公开了考虑不确定性的轮式移动机器人自适应控制方法，包括如下步骤：
S1.建立轮式移动机器人的运动学模型，如公式1所示：
Figure SMS_1
；
其中，
Figure SMS_11
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure SMS_5
为机器人的姿态角，/>
Figure SMS_7
为机器人运动过程中的线速度，/>
Figure SMS_2
为转动角速度，/>
Figure SMS_9
为机器人在/>
Figure SMS_13
方向和/>
Figure SMS_15
的速度分量，/>
Figure SMS_12
为模型的控制量，/>
Figure SMS_16
和/>
Figure SMS_3
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure SMS_6
与
Figure SMS_8
为未知参数，/>
Figure SMS_10
与/>
Figure SMS_14
为未知的外界干扰，且/>
Figure SMS_17
和/>
Figure SMS_4
满足公式2:
Figure SMS_18
；
其中，
Figure SMS_20
、/>
Figure SMS_23
、/>
Figure SMS_25
、/>
Figure SMS_21
、/>
Figure SMS_22
、/>
Figure SMS_24
、/>
Figure SMS_26
、/>
Figure SMS_19
为非负常数；
S2.根据机器人的起点
Figure SMS_27
和终点/>
Figure SMS_28
，确定机器人从起点到终点的期望运动轨迹/>
Figure SMS_29
，如公式3所示：
Figure SMS_30
；
其中，
Figure SMS_31
为已知期望轨迹的控制输入，并且/>
Figure SMS_32
；
S3.根据机器人的实际运动轨迹
Figure SMS_33
和期望的运动轨迹/>
Figure SMS_34
，建立误差向量/>
Figure SMS_35
，如公式4所示：
Figure SMS_36
；
记
Figure SMS_37
，/>
Figure SMS_38
，对公式4求导，并将公式1与公式3代入，可得/>
Figure SMS_39
的导数，如公式5所示：
Figure SMS_40
；
S4.根据误差向量
Figure SMS_41
，建立轮式移动机器人轨迹跟踪自适应控制模型，如公式6所示：
Figure SMS_42
；
其中，
Figure SMS_43
，
Figure SMS_44
，/>
Figure SMS_45
和/>
Figure SMS_46
为自适应参数，其自适应率如公式7所示：
Figure SMS_47
；
其中，
Figure SMS_48
、/>
Figure SMS_49
、/>
Figure SMS_50
、/>
Figure SMS_51
、/>
Figure SMS_52
且均常数；
S5.根据公式6和公式7计算轮式移动机器人自适应控制模型的控制量
Figure SMS_53
；
S6.将S5计算出的控制量
Figure SMS_54
作用到机器人，并更新机器人的位姿状态
Figure SMS_55
；
S7.判断机器人是否到达期望的终点
Figure SMS_56
，如果是，则控制停止，否则转到S3。
本发明实施例的另一方面公开了考虑不确定性的轮式移动机器人自适应控制系统，包括：
运动学模型建立模块，用于建立轮式移动机器人的运动学模型，如公式1所示：
Figure SMS_57
；
其中，
Figure SMS_64
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure SMS_58
为机器人的姿态角，/>
Figure SMS_62
为机器人运动过程中的线速度，/>
Figure SMS_60
为转动角速度，/>
Figure SMS_65
为机器人在/>
Figure SMS_69
方向和/>
Figure SMS_72
的速度分量，/>
Figure SMS_68
为模型的控制量，/>
Figure SMS_73
和/>
Figure SMS_61
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure SMS_63
与/>
Figure SMS_66
为未知参数，/>
Figure SMS_70
与/>
Figure SMS_67
为未知的外界干扰，且/>
Figure SMS_71
和/>
Figure SMS_59
满足公式2:
Figure SMS_74
；
其中，
Figure SMS_76
、/>
Figure SMS_79
、/>
Figure SMS_81
、/>
Figure SMS_77
、/>
Figure SMS_78
、/>
Figure SMS_80
、/>
Figure SMS_82
、/>
Figure SMS_75
为非负常数；
期望运动轨迹确定模块，用于根据机器人的起点
Figure SMS_83
和终点
Figure SMS_84
，确定机器人从起点到终点的期望运动轨迹/>
Figure SMS_85
，如公式3所示：
Figure SMS_86
；
其中，
Figure SMS_87
为已知期望轨迹的控制输入，并且/>
Figure SMS_88
；
误差向量计算模块，用于根据机器人的实际运动轨迹
Figure SMS_89
和期望的运动轨迹/>
Figure SMS_90
，建立误差向量/>
Figure SMS_91
，如公式4所示：
Figure SMS_92
；
记
Figure SMS_93
，/>
Figure SMS_94
，对公式4求导，并将公式1与公式3代入，可得/>
Figure SMS_95
的导数，如公式5所示：
Figure SMS_96
；
轮式移动机器人轨迹跟踪自适应控制模型建立模块，用于根据误差向量
Figure SMS_97
，建立轮式移动机器人轨迹跟踪自适应控制模型，如公式6所示：
Figure SMS_98
；
其中，
Figure SMS_99
，
Figure SMS_100
，/>
Figure SMS_101
和/>
Figure SMS_102
为自适应参数，其自适应率如公式7所示：
Figure SMS_103
；
其中，
Figure SMS_104
、/>
Figure SMS_105
、/>
Figure SMS_106
、/>
Figure SMS_107
、/>
Figure SMS_108
且均常数；
控制量计算模块，用于根据公式6和公式7计算轮式移动机器人自适应控制模型的控制量
Figure SMS_109
；
控制模块，用于将计算出的控制量
Figure SMS_110
作用到机器人，并更新机器人的位姿状态/>
Figure SMS_111
，判断机器人是否到达期望的终点/>
Figure SMS_112
，如果是，则控制停止，否则重新计算误差向量和控制量，直至机器人到达期望的终点。
在一些实施例中，考虑不确定性的轮式移动机器人自适应控制系统还包括：
处理器，分别与所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块连接；
存储器，与所述处理器连接，并存储有可在所述处理器上运行的计算机程序；其中，所述处理器执行所述计算机程序时，控制所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块工作，以实现如上所述的考虑不确定性的轮式移动机器人自适应控制方法。
综上所述，本发明至少具有以下有益效果：
本发明首先建立考虑不确定性因素影响下的轮式移动机器人运动模型，然后通过设计轮式移动机器人轨迹跟踪自适应控制模型（器），使得轮式移动机器人按照期望的轨迹运动，从而完成轨迹跟踪目标；提高了轮式移动机器人的环境适应能力，降低甚至避免了不确定性因素对轮式移动机器人在运动过程中的影响，对轮式移动机器人，如电力巡检机器人，安防巡逻机器人等，具有重要的应用价值。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明中所涉及的考虑不确定性的轮式移动机器人自适应控制方法的步骤示意图。
图2为本发明中所涉及的考虑不确定性的轮式移动机器人自适应控制系统的模块示意图。
图3为本发明中所涉及的轮式移动机器人简化模型的示意图。
图4为本发明中所涉及的直线轨迹跟踪效果示意图。
图5为本发明中所涉及的圆形轨迹跟踪效果示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明实施例的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下文的公开提供了许多不同的实施方式或例子用来实现本发明实施例的不同结构。为了简化本发明实施例的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明实施例。此外，本发明实施例可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。
下面结合附图对本发明的实施例进行详细说明。
如图1所示，本发明实施例的一方面公开了考虑不确定性的轮式移动机器人自适应控制方法，包括如下步骤：
S1.考虑外界不确定性项对机器人模型的影响，为了更好地描述移动机器人的运动状态，根据一般的移动机器人运动学模型（如图3所示的轮式移动机器人简化模型），在模型中引入不确定非线性函数，来描述机器人在实际运动过程中所受到不确定性的影响。建立考虑不确定性因素影响的轮式移动机器人运动学模型，如公式1所示：
Figure SMS_113
；
其中，
Figure SMS_120
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure SMS_116
为机器人的姿态角，/>
Figure SMS_118
为机器人在/>
Figure SMS_117
方向和/>
Figure SMS_122
的速度分量，/>
Figure SMS_121
为机器人运动过程中的线速度，/>
Figure SMS_125
为转动角速度，/>
Figure SMS_123
为模型的控制量，/>
Figure SMS_127
和/>
Figure SMS_114
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure SMS_119
与
Figure SMS_124
为未知参数，/>
Figure SMS_128
与/>
Figure SMS_126
为未知的外界干扰，且/>
Figure SMS_129
和/>
Figure SMS_115
满足公式2:
Figure SMS_130
；
其中，
Figure SMS_131
、/>
Figure SMS_134
、/>
Figure SMS_136
、/>
Figure SMS_132
、/>
Figure SMS_135
、/>
Figure SMS_137
、/>
Figure SMS_138
、/>
Figure SMS_133
为非负常数。
从公式1和公式2可以看出：机器人运动到不同位置坐标，即
Figure SMS_139
不同，线速度和角速度上可受到不同的不确定性因素影响，而且该不确定性可以具有不同的非线性形式，因此，本说明书中考虑的不确定性因素范围广，具有一般性。而本发明的目的是：针对移动机器人的轨迹控制问题，尤其是针对机器人在实际工作环境中遇到不确定环境、自身不确定参数或外界干扰等，给定期望的参考轨迹/>
Figure SMS_140
，考虑移动机器人在运动过程中不确定因素的影响，设计控制器/>
Figure SMS_141
，使机器人的运动轨迹/>
Figure SMS_142
跟踪期望轨迹
Figure SMS_143
。
S2.根据机器人的起点
Figure SMS_144
和终点/>
Figure SMS_145
，确定机器人从起点到终点的期望运动轨迹/>
Figure SMS_146
，/>
Figure SMS_147
为/>
Figure SMS_148
方向和/>
Figure SMS_149
的期望速度分量，如公式3所示：
Figure SMS_150
；
其中，
Figure SMS_151
为已知期望轨迹的控制输入，并且/>
Figure SMS_152
；
S3.根据机器人的实际运动轨迹
Figure SMS_153
和期望的运动轨迹/>
Figure SMS_154
，建立误差向量/>
Figure SMS_155
，如公式4所示：
Figure SMS_156
；
记
Figure SMS_157
，/>
Figure SMS_158
，对公式4求导，并将公式1与公式3代入，可得/>
Figure SMS_159
的导数，如公式5所示：
Figure SMS_160
；
S4.根据误差向量
Figure SMS_161
，建立轮式移动机器人轨迹跟踪自适应控制模型（器），如公式6所示：
Figure SMS_162
；
其中，
Figure SMS_163
，
Figure SMS_164
，/>
Figure SMS_165
和/>
Figure SMS_166
为自适应参数，其自适应率如公式7所示：
Figure SMS_167
；
其中，
Figure SMS_168
、/>
Figure SMS_169
、/>
Figure SMS_170
、/>
Figure SMS_171
、/>
Figure SMS_172
且均常数；
S5.根据公式6和公式7计算轮式移动机器人自适应控制模型（器）的控制量
Figure SMS_173
；
S6.将S5计算出的控制量
Figure SMS_174
作用到机器人，并更新机器人的位姿状态
Figure SMS_175
；
S7.判断机器人是否到达期望的终点
Figure SMS_176
，如果是，则控制停止，否则转到S3。
闭环系统稳定性证明：
基于Lyapunov稳定理论，证明闭环系统的稳定性。选取候选的Lyapunov函数如公式8所示：
Figure SMS_177
；
对公式8求导可得公式9：
Figure SMS_178
；
将公式1至公式7代入公式9可得公式10：
Figure SMS_179
；
从公式10可知,选取较大的
Figure SMS_180
和/>
Figure SMS_181
值，/>
Figure SMS_182
能收敛到一个任意小的区域，从而使得
Figure SMS_183
任意小，即机器人的实际运动轨迹/>
Figure SMS_184
与期望轨迹/>
Figure SMS_185
的偏差任意小，机器人跟踪上了期望的运动轨迹，证明完成。
在一实施例中，期望轨迹为过零直线y=x,且小车的参考速度为1m/s,参考角速度速度为0rad/s则此时参考模型可以描述为公式11：
Figure SMS_186
；
机器人在运动过程中，受到不确定性的影响，根据经验，假设系统受到的不确定性因素可以用如下非线性函数描述公式12：
Figure SMS_187
；
很明显，机器人受到的不确定性因素满足公式2，如公式13：
Figure SMS_188
；
值得指出的是：在机器人自适应控制器的设计时，用不到不确定性因素的相关信息，只要求系统受到的不确定性满足如公式2即可。
则机器人的实际运动学模型为公式14：
Figure SMS_189
；
自适应控制器（轮式移动机器人自适应控制模型）：
选取参数
Figure SMS_190
、/>
Figure SMS_191
、/>
Figure SMS_192
，/>
Figure SMS_193
以及/>
Figure SMS_194
，得自适应控制器的明确表达式公式15：
Figure SMS_195
；
其中
Figure SMS_196
，则此时的自适应参数/>
Figure SMS_197
和/>
Figure SMS_198
的自适应率为公式16：
Figure SMS_199
；
期望轨迹的起始点坐标为（1，1），实际轨迹的起始点坐标为（0，1），仿真结果如图4所示。从图4可以看出，机器人的运动轨迹很好地跟踪上了期望的运动轨迹直线。
在一实施例中，期望轨迹是以（-0.5,2.5）为圆心，半径为2的圆轨迹，且小车的参考速度为2m/s,参考角速度速度为1rad/s则此时参考模型为公式17:
Figure SMS_200
；
假设系统带不确定性项
Figure SMS_201
，
Figure SMS_202
，如公式18:
Figure SMS_203
；
此时机器人的实际运动学模型为公式19：
Figure SMS_204
；
同样选取参数
Figure SMS_205
、/>
Figure SMS_206
、/>
Figure SMS_207
，/>
Figure SMS_208
以及/>
Figure SMS_209
，得到控制器的表达式如公式20：
Figure SMS_210
；
其中
Figure SMS_211
，则此时的自适应参数/>
Figure SMS_212
和/>
Figure SMS_213
的自适应率为公式21：
Figure SMS_214
；
期望轨迹的起始点坐标为（1，1），实际轨迹的起始点坐标为（0，1），仿真结果如图5所示。从图5可以看出，机器人的运动轨迹很好地跟踪上了期望的运动轨迹圆，仿真结果验证了自适应控制器的有效性。
综上，针对轮式移动机器人在实际环境的运动过程中，受到不确定性因素影响的问题，提出了考虑不确定性的轮式移动机器人自适应控制方法，首先在一般的运动学模型中加入非线性不确定性项，建立一个带不确定性项的轮式移动机器人运动学模型；其次根据改变的模型设计自适应控制器并选取Lyapunov函数证明系统的稳定性；最后将确定的控制量作用与机器人，实现轨迹跟踪。基于Matlab，考虑不确定性项影响的情况下，分别对直线和圆轨迹进行轨迹跟踪仿真，验证了算法的有效性。
如图2所示，本发明实施例的另一方面公开了考虑不确定性的轮式移动机器人自适应控制系统，包括：
运动学模型建立模块，用于建立轮式移动机器人的运动学模型，如公式1所示：
Figure SMS_215
；
其中，
Figure SMS_225
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure SMS_219
为机器人的姿态角，/>
Figure SMS_221
为机器人运动过程中的线速度，/>
Figure SMS_222
为转动角速度，/>
Figure SMS_226
为机器人在/>
Figure SMS_229
方向和/>
Figure SMS_231
的速度分量，/>
Figure SMS_227
为模型的控制输入，/>
Figure SMS_230
和/>
Figure SMS_217
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure SMS_223
与/>
Figure SMS_218
为未知参数，/>
Figure SMS_220
与/>
Figure SMS_224
为未知的外界干扰，且/>
Figure SMS_228
和/>
Figure SMS_216
满足公式2:
Figure SMS_232
；
其中，
Figure SMS_233
、/>
Figure SMS_237
、/>
Figure SMS_239
、/>
Figure SMS_235
、/>
Figure SMS_236
、/>
Figure SMS_238
、/>
Figure SMS_240
、/>
Figure SMS_234
为非负常数；
期望运动轨迹确定模块，用于根据机器人的起点
Figure SMS_241
和终点/>
Figure SMS_242
，确定机器人从起点到终点的期望运动轨迹/>
Figure SMS_243
，如公式3所示：
Figure SMS_244
；
其中，
Figure SMS_245
为已知期望轨迹的控制输入，并且/>
Figure SMS_246
；
误差向量计算模块，用于根据机器人的实际运动轨迹
Figure SMS_247
和期望的运动轨迹/>
Figure SMS_248
，建立误差向量/>
Figure SMS_249
，如公式4所示：
Figure SMS_250
；
记
Figure SMS_251
，/>
Figure SMS_252
，对公式4求导，并将公式1与公式3代入，可得/>
Figure SMS_253
的导数，如公式5所示：
Figure SMS_254
；
轮式移动机器人轨迹跟踪自适应控制模型建立模块，用于根据误差向量
Figure SMS_255
，建立轮式移动机器人轨迹跟踪自适应控制模型，如公式6所示：
Figure SMS_256
；
其中，
Figure SMS_257
，
Figure SMS_258
，/>
Figure SMS_259
和/>
Figure SMS_260
为自适应参数，其自适应率如公式7所示：
Figure SMS_261
；
其中，
Figure SMS_262
、/>
Figure SMS_263
、/>
Figure SMS_264
、/>
Figure SMS_265
、/>
Figure SMS_266
且均常数；
控制量计算模块，用于根据公式6和公式7计算轮式移动机器人自适应控制模型的控制量
Figure SMS_267
；
控制模块，用于将计算出的控制量
Figure SMS_268
作用到机器人，并更新机器人的位姿状态/>
Figure SMS_269
，判断机器人是否到达期望的终点/>
Figure SMS_270
，如果是，则控制停止，否则重新计算误差向量和控制量，直至机器人到达期望的终点。/>
在一些实施例中，考虑不确定性的轮式移动机器人自适应控制系统还包括：
处理器，分别与所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块连接；
存储器，与所述处理器连接，并存储有可在所述处理器上运行的计算机程序；其中，所述处理器执行所述计算机程序时，控制所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块工作，以实现如上所述的考虑不确定性的轮式移动机器人自适应控制方法。
以上所述实施例是用以说明本发明，并非用以限制本发明，所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。
由以上详细说明，可使本领域普通技术人员明了本发明的确可达成前述目的，实已符合专利法的规定。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例有关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的各个方面可以完全由硬件实施、可以完全由软件（包括固件、常驻软件、微代码等）实施、也可以由硬件和软件组合实施。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等的面向对象程序设计语言、如C程序设计语言、VisualBasic、Fortran2103、Perl、COBOL2102、PHP、ABAP的常规程序化程序设计语言、如Python、Ruby和Groovy的动态程序设计语言或其它程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所申明的客体需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。

Claims (3)

1.考虑不确定性的轮式移动机器人自适应控制方法，其特征在于，包括如下步骤：
S1.建立轮式移动机器人的运动学模型，如公式1所示：
Figure QLYQS_1
；
其中，
Figure QLYQS_13
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure QLYQS_3
为机器人的姿态角，/>
Figure QLYQS_8
、
Figure QLYQS_5
、/>
Figure QLYQS_7
为对应变量的一阶导数，/>
Figure QLYQS_10
为机器人运动过程中的线速度，/>
Figure QLYQS_14
为转动角速度，为机器人在横坐标和纵坐标方向的速度分量， />
Figure QLYQS_11
为模型的控制量，/>
Figure QLYQS_15
和
Figure QLYQS_4
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure QLYQS_6
与/>
Figure QLYQS_9
为环境中的不确定参数，/>
Figure QLYQS_12
与/>
Figure QLYQS_16
为未知的外界干扰，且/>
Figure QLYQS_17
和/>
Figure QLYQS_2
满足公式2:
Figure QLYQS_18
；
其中，
Figure QLYQS_21
、/>
Figure QLYQS_23
、/>
Figure QLYQS_24
、/>
Figure QLYQS_20
、/>
Figure QLYQS_22
、/>
Figure QLYQS_25
、/>
Figure QLYQS_26
、/>
Figure QLYQS_19
为非负常数；
S2.根据机器人的起点
Figure QLYQS_27
和终点/>
Figure QLYQS_28
，确定机器人从起点到终点的期望运动轨迹/>
Figure QLYQS_29
，d为终点的定位标记，r为运动中的定位标记，如公式3所示：
Figure QLYQS_30
；
其中，
Figure QLYQS_31
为已知期望运动轨迹的控制输入，并且/>
Figure QLYQS_32
，/>
Figure QLYQS_33
、/>
Figure QLYQS_34
、/>
Figure QLYQS_35
为对应变量的一阶导数；
S3.根据机器人的实际运动轨迹
Figure QLYQS_36
和期望的运动轨迹/>
Figure QLYQS_37
，建立误差向量/>
Figure QLYQS_38
，e为误差的定位标记，如公式4所示：
Figure QLYQS_39
；
记
Figure QLYQS_40
，/>
Figure QLYQS_41
，对公式4求导，并将公式1与公式3代入，可得/>
Figure QLYQS_42
的导数，/>
Figure QLYQS_43
、/>
Figure QLYQS_44
、/>
Figure QLYQS_45
为对应变量的一阶导数，如公式5所示：
Figure QLYQS_46
；
S4.根据误差向量
Figure QLYQS_47
，建立轮式移动机器人轨迹跟踪自适应控制模型，如公式6所示：
Figure QLYQS_48
；
其中，
Figure QLYQS_49
，
Figure QLYQS_50
，/>
Figure QLYQS_51
和/>
Figure QLYQS_52
为自适应参数，其自适应率如公式7所示：
Figure QLYQS_53
；
其中，
Figure QLYQS_54
、/>
Figure QLYQS_55
、/>
Figure QLYQS_56
、/>
Figure QLYQS_57
、/>
Figure QLYQS_58
且均常数；
S5.根据公式6和公式7计算轮式移动机器人自适应控制模型的控制量
Figure QLYQS_59
；
S6.将S5计算出的控制量
Figure QLYQS_60
作用到机器人，并更新机器人的位姿状态/>
Figure QLYQS_61
；
S7.判断机器人是否到达期望的终点
Figure QLYQS_62
，如果是，则控制停止，否则转到S3。
2.考虑不确定性的轮式移动机器人自适应控制系统，其特征在于，包括：
运动学模型建立模块，用于建立轮式移动机器人的运动学模型，如公式1所示：
Figure QLYQS_63
；
其中，
Figure QLYQS_65
为机器人质心在移动平面下的横坐标和纵坐标，/>
Figure QLYQS_69
为机器人的姿态角，/>
Figure QLYQS_73
为机器人运动过程中的线速度，/>
Figure QLYQS_67
为转动角速度，为机器人在横坐标和纵坐标方向的速度分量，/>
Figure QLYQS_71
为模型的控制量，/>
Figure QLYQS_74
和/>
Figure QLYQS_76
为非线性函数，分别表示移动机器人运动过程中遇到的不确定性对机器人线速度和角速度的影响；/>
Figure QLYQS_64
与/>
Figure QLYQS_68
为未知参数，/>
Figure QLYQS_72
与/>
Figure QLYQS_75
为未知的外界干扰，且/>
Figure QLYQS_66
和/>
Figure QLYQS_70
满足公式2:
Figure QLYQS_77
；
其中，
Figure QLYQS_80
、/>
Figure QLYQS_81
、/>
Figure QLYQS_84
、/>
Figure QLYQS_78
、/>
Figure QLYQS_82
、/>
Figure QLYQS_83
、/>
Figure QLYQS_85
、/>
Figure QLYQS_79
为非负常数；
期望运动轨迹确定模块，用于根据机器人的起点
Figure QLYQS_86
和终点/>
Figure QLYQS_87
，确定机器人从起点到终点的期望运动轨迹/>
Figure QLYQS_88
，如公式3所示：
Figure QLYQS_89
；
其中，
Figure QLYQS_90
为已知期望轨迹的控制输入，并且/>
Figure QLYQS_91
；
误差向量计算模块，用于根据机器人的实际运动轨迹
Figure QLYQS_92
和期望的运动轨迹
Figure QLYQS_93
，建立误差向量/>
Figure QLYQS_94
，如公式4所示：
Figure QLYQS_95
；
记
Figure QLYQS_96
，/>
Figure QLYQS_97
，对公式4求导，并将公式1与公式3代入，可得
Figure QLYQS_98
的导数，如公式5所示：
Figure QLYQS_99
；
轮式移动机器人轨迹跟踪自适应控制模型建立模块，用于根据误差向量
Figure QLYQS_100
，建立轮式移动机器人轨迹跟踪自适应控制模型，如公式6所示：
Figure QLYQS_101
；
其中，
Figure QLYQS_102
，
Figure QLYQS_103
，/>
Figure QLYQS_104
和/>
Figure QLYQS_105
为自适应参数，其自适应率如公式7所示：
Figure QLYQS_106
；
其中，
Figure QLYQS_107
、/>
Figure QLYQS_108
、/>
Figure QLYQS_109
、/>
Figure QLYQS_110
、/>
Figure QLYQS_111
且均常数；
控制量计算模块，用于根据公式6和公式7计算轮式移动机器人自适应控制模型的控制量
Figure QLYQS_112
；
控制模块，用于将计算出的控制量
Figure QLYQS_113
作用到机器人，并更新机器人的位姿状态
Figure QLYQS_114
，判断机器人是否到达期望的终点/>
Figure QLYQS_115
，如果是，则控制停止，否则重新计算误差向量和控制量，直至机器人到达期望的终点。
3.根据权利要求2所述的考虑不确定性的轮式移动机器人自适应控制系统，其特征在于，还包括：
处理器，分别与所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块连接；
存储器，与所述处理器连接，并存储有可在所述处理器上运行的计算机程序；其中，所述处理器执行所述计算机程序时，控制所述运动学模型建立模块、期望运动轨迹确定模块、误差向量计算模块、轮式移动机器人轨迹跟踪自适应控制模型建立模块、控制量计算模块和控制模块工作，以实现权利要求1所述的考虑不确定性的轮式移动机器人自适应控制方法。
CN202310652806.8A 2023-06-05 2023-06-05 考虑不确定性的轮式移动机器人自适应控制方法及系统 Active CN116382101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310652806.8A CN116382101B (zh) 2023-06-05 2023-06-05 考虑不确定性的轮式移动机器人自适应控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310652806.8A CN116382101B (zh) 2023-06-05 2023-06-05 考虑不确定性的轮式移动机器人自适应控制方法及系统

Publications (2)

Publication Number Publication Date
CN116382101A true CN116382101A (zh) 2023-07-04
CN116382101B CN116382101B (zh) 2023-09-01

Family

ID=86971560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310652806.8A Active CN116382101B (zh) 2023-06-05 2023-06-05 考虑不确定性的轮式移动机器人自适应控制方法及系统

Country Status (1)

Country Link
CN (1) CN116382101B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102023569A (zh) * 2010-09-01 2011-04-20 重庆大学 两轮轮式机器人点镇定增量式智能控制方法
CN103487050A (zh) * 2013-10-10 2014-01-01 哈尔滨工业大学 一种室内移动机器人定位方法
CN103926839A (zh) * 2014-04-23 2014-07-16 浙江师范大学 一种轮式移动机器人的运动分段控制方法
CN104111634A (zh) * 2013-04-17 2014-10-22 珠海格力电器股份有限公司 智能家居系统及控制方法
CN104317299A (zh) * 2014-11-11 2015-01-28 东南大学 一种基于轮式移动机器人轨迹跟踪的混合控制方法
CN204408387U (zh) * 2015-01-13 2015-06-17 烟台智慧云谷云计算有限公司 一种远程节能物联网终端控制系统
WO2015158884A2 (en) * 2014-04-17 2015-10-22 Aldebaran Robotics Omnidirectional wheeled humanoid robot based on a linear predictive position and velocity controller
CN106125728A (zh) * 2016-07-05 2016-11-16 上海电机学院 一种四驱轮式移动机器人轨迹跟踪控制方法
CN111650929A (zh) * 2020-03-02 2020-09-11 南阳师范学院 一种自适应滑模控制方法、系统及移动机器人控制器
CN112083652A (zh) * 2020-08-27 2020-12-15 东南大学 一种多用途轮式移动机器人轨迹跟踪控制方法
CN113848905A (zh) * 2021-09-24 2021-12-28 西北工业大学 基于神经网络和自适应控制的移动机器人轨迹跟踪方法
CN114047722A (zh) * 2021-11-23 2022-02-15 成都信息工程大学 基于mpc的自适应位姿修正的路径跟踪控制方法
WO2022071822A1 (en) * 2020-09-29 2022-04-07 Limited Liability Company "Topcon Positioning Systems" Maneuvering system for autonomous wheeled robot for optimally reaching starting point
CN115097834A (zh) * 2022-06-27 2022-09-23 广东工业大学 一种机器人自适应轨迹跟踪控制方法、设备及介质
CN116039636A (zh) * 2022-12-15 2023-05-02 南通大学 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
CN116166013A (zh) * 2023-02-15 2023-05-26 东南大学 抗滑动干扰的轮式移动机器人虚拟参考轨迹跟踪控制方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102023569A (zh) * 2010-09-01 2011-04-20 重庆大学 两轮轮式机器人点镇定增量式智能控制方法
CN104111634A (zh) * 2013-04-17 2014-10-22 珠海格力电器股份有限公司 智能家居系统及控制方法
CN103487050A (zh) * 2013-10-10 2014-01-01 哈尔滨工业大学 一种室内移动机器人定位方法
WO2015158884A2 (en) * 2014-04-17 2015-10-22 Aldebaran Robotics Omnidirectional wheeled humanoid robot based on a linear predictive position and velocity controller
CN103926839A (zh) * 2014-04-23 2014-07-16 浙江师范大学 一种轮式移动机器人的运动分段控制方法
CN104317299A (zh) * 2014-11-11 2015-01-28 东南大学 一种基于轮式移动机器人轨迹跟踪的混合控制方法
CN204408387U (zh) * 2015-01-13 2015-06-17 烟台智慧云谷云计算有限公司 一种远程节能物联网终端控制系统
CN106125728A (zh) * 2016-07-05 2016-11-16 上海电机学院 一种四驱轮式移动机器人轨迹跟踪控制方法
CN111650929A (zh) * 2020-03-02 2020-09-11 南阳师范学院 一种自适应滑模控制方法、系统及移动机器人控制器
CN112083652A (zh) * 2020-08-27 2020-12-15 东南大学 一种多用途轮式移动机器人轨迹跟踪控制方法
WO2022071822A1 (en) * 2020-09-29 2022-04-07 Limited Liability Company "Topcon Positioning Systems" Maneuvering system for autonomous wheeled robot for optimally reaching starting point
CN113848905A (zh) * 2021-09-24 2021-12-28 西北工业大学 基于神经网络和自适应控制的移动机器人轨迹跟踪方法
CN114047722A (zh) * 2021-11-23 2022-02-15 成都信息工程大学 基于mpc的自适应位姿修正的路径跟踪控制方法
CN115097834A (zh) * 2022-06-27 2022-09-23 广东工业大学 一种机器人自适应轨迹跟踪控制方法、设备及介质
CN116039636A (zh) * 2022-12-15 2023-05-02 南通大学 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
CN116166013A (zh) * 2023-02-15 2023-05-26 东南大学 抗滑动干扰的轮式移动机器人虚拟参考轨迹跟踪控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANUSHREE.R，等: "Design and Development of Novel Control Strategy for Trajectory Tracking of Mobile Robot: Featured with Tracking Error Minimization", IEEE, pages 1 - 6 *
田智予，等: "事件触发的自适应移动机器人轨迹跟踪控制", 电子机械工程, vol. 39, no. 2, pages 59 - 64 *

Also Published As

Publication number Publication date
CN116382101B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Sun et al. An efficient online trajectory generating method for underactuated crane systems
Wen et al. Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation
Hu et al. Adaptive backstepping trajectory tracking control of robot manipulator
Ogbemhe et al. Towards achieving a fully intelligent robotic arc welding: a review
Bastani Safe reinforcement learning with nonlinear dynamics via model predictive shielding
Tomić et al. Learning quadrotor maneuvers from optimal control and generalizing in real-time
Jin et al. Fixed-time path-following control of an autonomous vehicle with path-dependent performance and feasibility constraints
CN104199291B (zh) 基于耗散理论的tora系统自适应控制方法
Wilson et al. Dynamic task execution using active parameter identification with the Baxter research robot
Yousuf et al. Dynamic modeling and tracking for nonholonomic mobile robot using PID and back‐stepping
CN116382101B (zh) 考虑不确定性的轮式移动机器人自适应控制方法及系统
Cheng et al. Trajectory tracking control of nonholonomic mobile robots by backstepping
Mbede et al. Exponential tracking control using backstepping approach for voltage-based control of a flexible joint electrically driven robot
Korayem et al. Integrated nonlinear suboptimal control‐and‐estimator based on the state‐dependent differential Riccati equation approach
Zhen et al. Robust approximate constraint following control for SCARA robots system with uncertainty and experimental validation
Lin et al. An improved artificial potential field method for path planning of mobile robot with subgoal adaptive selection
Gao et al. Receding horizon tracking control for wheeled mobile robots with time-delay
Peng et al. Adaptive robust quadratic stabilization tracking control for robotic system with uncertainties and external disturbances
Li et al. Neural adaptive tracking control for wheeled mobile robots
Shahbazzadeh et al. Trajectory tracking control for mobile robots considering position of mass center
Guo et al. Trajectory tracking of unicycle-type robots with constraints
Mamakoukas et al. Superlinear convergence using controls based on second-order needle variations
Low Design, implementation, and experimental validation of a cascaded trajectory tracking controller for nonholonomic car-like wheeled mobile robots with velocity and steering controllers in the loops
Yuan et al. Navigation and collision avoidance for nonholonomic robots using quadrupole potential function
Esteban et al. Learning deep robot controllers by exploiting successful and failed executions

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