CN205844788U - 一种基于arduino和云模型控制的两轮自平衡小车 - Google Patents
一种基于arduino和云模型控制的两轮自平衡小车 Download PDFInfo
- Publication number
- CN205844788U CN205844788U CN201620369492.6U CN201620369492U CN205844788U CN 205844788 U CN205844788 U CN 205844788U CN 201620369492 U CN201620369492 U CN 201620369492U CN 205844788 U CN205844788 U CN 205844788U
- Authority
- CN
- China
- Prior art keywords
- dolly
- model
- balancing
- cloud model
- arduino
- 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.)
- Expired - Fee Related
Links
Abstract
本实用新型涉及一种基于arduino和云模型控制的两轮自平衡小车,包括主控模块、小车姿态获取模块以及小车动力模块,所述主控模块包括arduino UNO R3主控板和云模型控制器。本实用新型与现有技术相比的有益效果是:本实用新型提出了一种基于云模型控制的两轮自平衡小车,以arduino作为核心处理器,采用了自带卡尔曼滤波和姿态解算的MPU6050模块来测量小车倾斜角度,根据测量的光电传感器输出脉宽值计算实时速度,通过云模型控制算法调节小车左右电机加速度,从而使其保持平衡。所述云模型控制算法是利用基于超熵的泛正太分布云模型替代了传统的PID精确控制,从而达到了更好的控制效果,也进一步提高了小车自平衡控制的抗干扰性。
Description
技术领域
本实用新型涉及两轮自平衡小车,尤其涉及一种基于arduino和云模型控制的两轮自平衡小车。
背景技术
两轮自平衡小车是一个参数多变,自然不平衡的运动系统,其平衡姿态的控制关键在于核心控制算法,目前控制算法多采用PID控制及其改进算法。两轮平衡车是由左右两个车轮和车体组成的多变量、强耦合、高度不稳定、非线性的控制系统,也是检测各种控制算法优劣的经典控制理论模型。中国文献“两轮自平衡小车的 PID 控制[J]”(黄亚新,耿安坤,陈楼等,电子世界,2013,18:81,136)采用经典PID算法实现了两轮小车的平衡控制,经典PID算法简单,不要求精确的系统模型。中国文献“基于PID和LQR控制的两轮自平衡小车研究[D]”(陆军,西安:西南交通大学,2012,6)中涉及的LQR算法是现代控制理论的典型代表,要求对系统建立精确模型。中国文献“基于 LQR 算法两轮自平衡小车的系统设计与研究[D]”(李洋,太原:太原理工大学,2011)通过仿真实验表明,LQR比PID算法具有更好的控制效果和范围。中国文献“两轮自平衡小车姿态平衡控制系统的研究[J]”(卢秀和,李海铭,薛鹏等,数字技术与应用,2013(2):10-11,13)中也采用了LQR线性二次型最优控制,结合系统建模实现了两轮自平衡较好的平衡姿态控制,并在仿真中得到验证。中国文献“双闭环控制方法在两轮自平衡小车中的应用研究[D]”(茹斐斐,河南大学,2013)中提出了一种双闭环的控制算法,内环采用根轨迹控制方法控制小车角度,外环采用模糊控制方法,把小车位置和速度作为输入量。中国文献“基于自校正 PID 控制的两轮自平衡小车[J]”(李天利,周东辉,陈远思,王马林,自动化应用,2015(02):71-73)则提出一种自校正的PID算法控制方案,利用其自适应特性对两轮小车进行姿态平衡控制,能使小车具有较好的快速性和稳定性。中国文献“基于PID神经网络的两轮自平衡小车研究[J]”(陈波,傅攀,陆军,机械工程与自动化,2014,12(06):154-156)是利用PID神经网络对两轮自平衡小车的系统辨识,并利用辨识结果对小车控制器参数进行调整,优化了控制器参数,改善了两轮小车的平衡性能。由于两轮自平衡小车具有强耦合性、非线性和不稳定性,因此难以建立精确的数学模型,中国文献“模糊控制研究及其在两轮自平衡小车中的应用[D]”(黄彦海,河南:河南大学,2014)设计了单一输入规则群(SIRMs)动态加权模糊控制器,对小车进行控制,也取得了较好的控制效果。中国文献“基于GA的两轮自平衡小车LQR最优控制器设计[J]”(杨凌霄,李晓阳,河南理工大学学报(自然科学版),2015,34(1):85-90)针对LQR最优控制器权重矩阵确定困难以及由此导致的响应速度慢等问题,提出一种通过遗传算法实现LQR控制器参数寻优的方法,相对于传统的极点配置和LQR方法具有更好的控制效果,响应速度更快,超调更小。中国文献“一种新型两轮自平衡小车的建模与控制[D]”(丁凤,武汉:华中科技大学,2012)设计滑模控制器除对小车进行较好的平衡控制外,还实现了小车在直线运动和拐弯运动的速度控制,并采用离线遗传算法获取刹车过程滑模控制器的最优参数,通过三级滑模切换控制实现小车的最优刹车。但PID算法控制方案的技术缺陷是小车自平衡的控制效果不佳、抗干扰性不强。
专利号为ZL201520805309.8的中国实用新型专利公开了一种两轮自平衡小车,属于机器人领域。所述两轮自平衡遥控小车,其特征在于:包括遥控终端和车体,所述车体分为车底和车身,所述车底设有车轮、驱动电机、光电编码器;所述车身上设有2层支架,下层支架上设有驱动电路板和电源;上层支架上设有单片机、传感器、红外接收器、显示屏和按键;所述单片机分别控制按键、传感器、光电编码器、红外接收器。通过显示屏可以及时显示小车当前速度等控制参数,方便使用人员的读取。使用人员还可以使用按键对小车当前速度的调整,可以有效解决人机互动的问题。但该实用新型采用的仍是PID算法控制方案,因此依然存在小车自平衡的控制效果不佳、抗干扰性不强的技术缺陷。
实用新型内容
为了解决上述现有两轮自平衡小车存在的技术缺陷,本实用新型采用泛正太分布的高斯云模型方法控制驱动电机的PWM信号,以实现两轮小车的自平衡控制的技术方案,具体如下:
一种基于arduino和云模型控制的两轮自平衡小车,包括主控模块、小车姿态获取模块以及小车动力模块,所述主控模块包括arduino UNO R3主控板和云模型控制器。
优选的是,所述小车姿态获取模块采用六轴传感器模块MPU6050。
在上述任一方案中优选的是,所述小车动力模块采用两个直流电机驱动车轮运动,采用L298P作为电机驱动器,同时驱动两个直流电机。
在上述任一方案中优选的是,所述云模型控制器的控制规则为:
IF小车前倾较大,THEN电机正转加速度较大;
IF小车前倾较小,THEN电机正转加速度较小;
IF小车前倾为零,THEN电机加速度为零;
IF小车后倾较小,THEN电机反转加速度较小;
IF小车后倾较大,THEN电机反转加速度较大。
在上述任一方案中优选的是,所述前倾较大为30°,所述前倾较小为10°,所述前倾为零为0°,所述后倾较小为-10°,所述后倾较大为-30°,将所述30°,10°,0°,-10°,-30°作为前件云的五个期望,对应控制电机加速度的后件云期望分别为250,80,0,-80,-250。
在上述任一方案中优选的是,所述前件云参数和后件云参数分别为:
前件云五规则 后件云五规则
(30°,20,2) (250,200,20)
(10°,8,0.8) (80,60,6)
(0°,0.3,0) (0,2,0.2)
(-10°,8,0.8) (-80,60,6)
(-30°,20,2) (-250,200,20)
本实用新型与现有技术相比的有益效果是:本实用新型提出了一种基于云模型控制的两轮自平衡小车,以arduino作为核心处理器,采用了自带卡尔曼滤波和姿态解算的MPU6050模块来测量小车倾斜角度,根据测量的光电传感器输出脉宽值计算实时速度,通过云模型控制算法调节小车左右电机加速度,从而使其保持平衡。所述云模型控制算法是利用基于超熵的泛正太分布云模型替代了传统的PID精确控制,从而达到了更好的控制效果,也进一步提高了小车自平衡控制的抗干扰性。
附图说明
图1为按照本实用新型的基于arduino和云模型控制的两轮自平衡小车的优选实施例的主控模块算法框架示意图;
图2为按照本实用新型的基于arduino和云模型控制的两轮自平衡小车的图1所示优选实施例中的云模型控制器的多规则生成器推理过程的框架示意图。
附图标记说明:
Ex:期望,指云滴在论域空间分布的期望,是最能够代表定性概念的点,是这个概念量化的最典型样本;
En:熵,“熵”这一概念最初是作为描述热力学的一个状态参量,此后又被引入统计物理学、信息论、复杂系统等,用以度量不确定的程度。在云模型中,熵代表定性概念的可度量粒度,熵越大,通常概念越宏观,也是定性概念不确定性的度量,由概念的随机性和模糊性共同决定。一方面, En是定性概念随机性的度量,反映了能够代表这个定性概念的云滴的离散程度;另一方面,又是定性概念亦此亦彼性的度量,反映了在论域空间可被概念接受的云滴的取值范围。用同一个数字特征来反映随机性和模糊性,也必然反映他们之间的关联性;
He:超熵,熵的不确定性度量,即熵的熵,由熵的随机性和模糊性共同决定。反映了每个数值隶属这个语言值程度的凝聚性,即云滴的凝聚程度。超熵越大,云的离散程度越大,隶属度的随机性也随之增大,云的厚度也越大;
CAi:前件云发生器; CBi:后件云发生器。
具体实施方式
为了更好地理解本实用新型,下面结合具体实施例对本实用新型作了详细说明,但是,显然可对本实用新型进行不同的变型和改型而不超出后附权利要求限定的本实用新型更宽的精神和范围。因此,以下实施例是具有示例性的而没有限制的含义。
如图1、2所示,一种基于arduino和云模型控制的两轮自平衡小车,包括主控模块、小车姿态获取模块以及小车动力模块,所述主控模块包括arduino UNO R3主控板和云模型控制器,所述小车姿态获取模块采用六轴传感器模块MPU6050,所述小车动力模块采用两个直流电机驱动车轮运动,采用L298P作为电机驱动器,同时驱动两个直流电机,所述云模型控制器的控制规则为:
IF小车前倾较大,THEN电机正转加速度较大;
IF小车前倾较小,THEN电机正转加速度较小;
IF小车前倾为零,THEN电机加速度为零;
IF小车后倾较小,THEN电机反转加速度较小;
IF小车后倾较大,THEN电机反转加速度较大。
所述前倾较大为30°,所述前倾较小为10°,所述前倾为零为0°,所述后倾较小为-10°,所述后倾较大为-30°,将所述30°,10°,0°,-10°,-30°作为前件云的五个期望,对应控制电机加速度的后件云期望分别为250,80,0,-80,-250。
所述前件云参数和后件云参数分别为:
前件云五规则 后件云五规则
(30°,20,2) (250,200,20)
(10°,8,0.8) (80,60,6)
(0°,0.3,0) (0,2,0.2)
(-10°,8,0.8) (-80,60,6)
(-30°,20,2) (-250,200,20)
所述云模型的前件云五规则参数和后件云五规则参数是按数字特征即期望Ex、熵En和超熵He依次表示:在前件云五规则中,每一组数值中的第一个数据30°,10°,0°,-10°,-30°代表期望值,每一组数值中的第二个数据20,8,0.3,8,20代表熵值,每一组数值中的第三个数据2,0.8,0,0.8,2代表超熵值;同理,在后件云五规则中,每一组数值中的第一个数据250,80,0,-80,-250代表期望值,每一组数值中的第二个数据200,60,2,60,200代表熵值,每一组数值中的第三个数据20,6,0.2,6,20代表超熵值。
由上述技术方案可知,本实用新型的硬件部分包括主控部分的硬件、小车姿态获取部分的硬件以及小车动力部分的硬件,软件部分除电机驱动程序和基于卡尔曼滤波的数据处理程序外,主要包括小车平衡系统的控制算法。所述arduino UNO R3主控板不仅仅是一款单片机,它还是一个开放源码的电子原型平台,拥有灵活易用的软件封装库和硬件模块,被广大DIY爱好者所喜爱。所述小车姿态获取部分的硬件采用的是InvenSense公司推出的一款低成本的六轴传感器模块MPU6050,包括三轴加速度和三轴角速度,该模块内部集成了卡尔曼滤波和姿态结算技术,并可通过串口直接读取三轴角度,角度输出精度达到0.01度,运动情况下角度输出精度在0.05度左右,完全满足平衡车和六轴飞行器等产品的要求。小车动力部分的硬件是通过两个直流电机驱动车轮运动,直流电机的驱动电路设计关系到整个系统的稳定性,因为电机反转时会产生反向电动势会干扰到电源系统内其他设备的运行,本实用新型采用L298P作为电机驱动器,是两路的H桥驱动,可同时驱动两个直流电机,输出电流可达2.5A;IN1、IN2分别连接arduino主控板的8、9引脚,EN1接arduino的10引脚,当EN1为高时,从IN1和IN2输入的PWM信号驱动电机1的转速和方向;同理,IN3、IN4分别连接arduino主控板的6、7引脚,EN2接arduino的11引脚,当EN2为高时,从IN3和IN4输入的PWM信号驱动电机2的转速和方向。
本实用新型的所述小车平衡系统的控制算法采用李德毅院士提出的云模型控制算法,利用基于超熵的泛正太分布云模型替代传统的PID精确控制,能够达到更好的控制效果,进一步提高小车自平衡控制的抗干扰性。
结合图1具体描述基于云模型的两轮自平衡小车控制系统的工作原理:
首先,根据安装完成的两轮小车重心的不同,调整并确定小车的平衡角度;姿态传感器反馈的小车角度和小车平衡角度的误差e作为云模型控制器的输入。
其次,设计五规则的云模型控制器,确定其控制规则和前、后件云的参数。
所述控制规则为:
IF小车前倾较大,THEN电机正转加速度较大;
IF小车前倾较小,THEN电机正转加速度较小;
IF小车前倾为零,THEN电机加速度为零;
IF小车后倾较小,THEN电机反转加速度较小;
IF小车后倾较大,THEN电机反转加速度较大。
所述控制规则可统一描述为IF Ai THEN Bi,为模糊语言,利用云模型实现对定性知识的定量转化。云模型中的每个云滴就是这个定性概念在定量上的一次实现。云模型的数字特征用期望Ex、熵En和超熵He来表示,把模糊性和随机性完全结合到了一起,构成定性和定量相互间的映射。根据控制系统的特性和控制经验,选定前倾较大为30°,前倾较小为10°,前倾为零为0°,后倾较小为-10°,后倾较大为-30°,将它们作为前件云的五个期望;对应控制电机加速度的后件云期望分别为:250,80,0,-80,-250。依据云模型理论的3En原则选择前、后件云的熵,超熵比熵小一个数量级。所选取的前、后件云参数值可根据实际控制效果进行调整。
结合图2具体描述云模型控制器的多规则生成器推理过程原理:
当一个确定的倾角误差23°产生时,它属于Ai的隶属度分别为μAi,会同时刺激多条规则发生器的前件云CAi,每个CAi产生一个或一组值触发相应的后件云发生器CBi,产生多组云团,将多组云团送入逆向云发生器,用最小二乘法拟合这些云团,生成正态虚拟云,取该虚拟云的期望值作为输出控制电机驱动器,从而调节电机加速度,实现两轮小车平衡控制。
所述云模型是由中国工程院院士李德毅提出的,处理定性概念与定量描述的不确定转换模型。随着不确定性研究的深入,越来越多的科学家相信,不确定性是这个世界的魅力所在,只有不确定性本身才是确定的。在众多的不确定性中,随机性和模糊性是最基本的。针对概率论和模糊数学在处理不确定性方面的不足,1995年我国工程院院士李德毅教授在概率论和模糊数学的基础上提出了云的概念,并研究了模糊性和随机性及两者之间的关联性。自李德毅院士等人提出云模型至今,云模型已成功的应用到自然语言处理、数据挖掘、决策分析、智能控制、图像处理等众多领域。
Claims (3)
1.一种基于arduino和云模型控制的两轮自平衡小车,包括主控模块、小车姿态获取模块以及小车动力模块,其特征在于,所述主控模块包括arduino UNO R3主控板和云模型控制器,所述主控模块的输入端与小车姿态获取模块相连接,所述主控模块的输出端与小车动力模块相连接。
2.如权利要求1所述的基于arduino和云模型控制的两轮自平衡小车,其特征在于,所述小车姿态获取模块采用六轴传感器模块MPU6050。
3.如权利要求1所述的基于arduino和云模型控制的两轮自平衡小车,其特征在于,所述小车动力模块采用两个直流电机驱动车轮运动,采用L298P作为电机驱动器,同时驱动两个直流电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201620369492.6U CN205844788U (zh) | 2016-04-28 | 2016-04-28 | 一种基于arduino和云模型控制的两轮自平衡小车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201620369492.6U CN205844788U (zh) | 2016-04-28 | 2016-04-28 | 一种基于arduino和云模型控制的两轮自平衡小车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN205844788U true CN205844788U (zh) | 2016-12-28 |
Family
ID=57628906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201620369492.6U Expired - Fee Related CN205844788U (zh) | 2016-04-28 | 2016-04-28 | 一种基于arduino和云模型控制的两轮自平衡小车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN205844788U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016920A (zh) * | 2017-06-06 | 2017-08-04 | 河池学院 | 一种智能小车控制系统开发的实验平台及其实验方法 |
CN108858133A (zh) * | 2017-05-10 | 2018-11-23 | 北盾(上海)智能科技有限公司 | 一种高仿人型机器人及其内部系统 |
CN110119146A (zh) * | 2019-04-30 | 2019-08-13 | 西安工程大学 | 一种自跟随平衡小车的控制系统及方法 |
-
2016
- 2016-04-28 CN CN201620369492.6U patent/CN205844788U/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108858133A (zh) * | 2017-05-10 | 2018-11-23 | 北盾(上海)智能科技有限公司 | 一种高仿人型机器人及其内部系统 |
CN107016920A (zh) * | 2017-06-06 | 2017-08-04 | 河池学院 | 一种智能小车控制系统开发的实验平台及其实验方法 |
CN110119146A (zh) * | 2019-04-30 | 2019-08-13 | 西安工程大学 | 一种自跟随平衡小车的控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105955206B (zh) | 一种基于数据驱动和参数混合优化的多轴运动控制方法 | |
CN106094860B (zh) | 四旋翼飞行器及其控制方法 | |
Liu et al. | Observer-based adaptive fuzzy tracking control for a class of uncertain nonlinear MIMO systems | |
CN205844788U (zh) | 一种基于arduino和云模型控制的两轮自平衡小车 | |
CN103823935B (zh) | 一种风电场三维远程监控系统 | |
CN106004523B (zh) | 一种分布式驱动电动汽车实时转矩优化控制的方法 | |
CN108638068B (zh) | 一种携带冗余度机械臂的飞行机器人控制系统设计方法 | |
CN106788028B (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
CN103853050A (zh) | 一种四旋翼飞行器的pid优化控制方法 | |
CN112936286B (zh) | 一种多柔性机械臂系统自适应一致性追踪控制方法及系统 | |
Zhang et al. | Time-optimal trajectory planning of serial manipulator based on adaptive cuckoo search algorithm | |
Wang et al. | An actuator fault detection and reconstruction scheme for hex-rotor unmanned aerial vehicle | |
CN114138010B (zh) | 一种基于加权偏差的多智能体高阶滑模编队控制方法 | |
CN103780188A (zh) | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 | |
CN110703692A (zh) | 一种基于虚拟结构法的多移动机器人分布式预测控制方法 | |
CN207718226U (zh) | 一种两轮自平衡小车自动跟随系统 | |
CN107069708B (zh) | 一种基于极限学习机的输电网线路有功安全校正方法 | |
CN113268040A (zh) | 一种数控机床伺服进给系统控制参数的优选方法 | |
Hu et al. | Modified linear active disturbance rejection control for uncertain robot manipulator trajectory tracking | |
Ding et al. | Application of fuzzy immune algorithm and soft computing in the design of 2-DOF PID controller | |
CN109828464A (zh) | 一种航天器自主姿态控制方法 | |
CN112507480A (zh) | 一种惯性参数辨识方法 | |
Liu et al. | Adaptive dynamic programming for optimal control of unknown nonlinear discrete-time systems | |
CN112016162A (zh) | 一种四旋翼无人机pid控制器参数优化方法 | |
CN107367957A (zh) | 一种卫星全物理仿真系统的转动惯量辨识方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161228 Termination date: 20190428 |