CN107168058B - 一种基于合作控制机制的机器人滚动优化控制方法 - Google Patents

一种基于合作控制机制的机器人滚动优化控制方法 Download PDF

Info

Publication number
CN107168058B
CN107168058B CN201710387869.XA CN201710387869A CN107168058B CN 107168058 B CN107168058 B CN 107168058B CN 201710387869 A CN201710387869 A CN 201710387869A CN 107168058 B CN107168058 B CN 107168058B
Authority
CN
China
Prior art keywords
robot
time
actual
actual robot
virtual
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.)
Active
Application number
CN201710387869.XA
Other languages
English (en)
Other versions
CN107168058A (zh
Inventor
吕强
陈跃跃
陈迪龙
石厅
张波涛
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201710387869.XA priority Critical patent/CN107168058B/zh
Publication of CN107168058A publication Critical patent/CN107168058A/zh
Application granted granted Critical
Publication of CN107168058B publication Critical patent/CN107168058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于合作控制机制的机器人滚动优化控制方法。本发明首先引入虚拟机器人，建立虚拟机器人的动力学模型。该虚拟机器人可沿障碍物的边缘运动；然后，根据合作控制理论，在滚动优化的框架下，通过实际机器人与虚拟机器人之间的安全距离，实际机器人与虚拟机器人速度一致性、以及实际机器人到达目标位置的距离，构建成本函数；求解成本函数获得机器人的运动控制序列，并将第一个控制信号作用到机器人上，控制机器人安全有效运行。本发明弥补了传统局部路径规划方法的不足，降低了传统局部路径规划方法的复杂性，避免了机器人“陷入”环境中非目标位置，可以在动态不确定环境下，免碰撞的到达指定的目标位置。

Description

一种基于合作控制机制的机器人滚动优化控制方法
技术领域
本发明属于自动化技术领域，涉及一种基于合作控制机制的机器人滚动优化控制方法。
背景技术
路径规划问题是机器人领域中的基础问题之一，相应的机器人路径规划技术则成为机器人运动控制中的一项基础技术。该项技术主要是控制机器人能够安全有效地从初始位置到达指定的目标位置。根据环境信息是否已知，可分为全局路径规划技术和局部路径规划技术，特别是局部路径规划技术，由于涉及到了未知动态环境，使得该技术一直以来受到全世界的强烈关注。传统的局部路径规划技术将“规划”和“控制”分开，也就是说，先完成机器人感知范围内的路径设定，然后采用轨迹跟踪控制方法控制机器人沿着路径运动。但此类技术计算相对复杂，不能有效控制机器人工作在动态不确定环境中，使得机器人可能会“陷入”环境中非目标位置，在此背景下，本发明弥补了此技术的不足之处。
发明内容
本发明的目标是针对现有技术的不足之处，提出一种基于合作控制机制的机器人滚动优化控制方法，具体是引入虚拟机器人，使得该虚拟机器人可以沿着障碍物的边缘运动；在此基础上，基于合作控制理论，在滚动优化的框架下，建立成本函数；求解成本函数，获得最优控制序列，仅使用最优控制序列中第一个控制信号控制机器人运动。该方法能够在每一次的采样过程中求解控制序列，并仅使用第一个控制信号，这样就能有效的控制机器人在动态不确定环境中运动，并降低传统方法运算的复杂性。
本发明方法的步骤包括：
(一)建立实际机器人与虚拟机器人的动力学模型。具体方法是：
①建立实际机器人的动力学模型：
Figure BDA0001306810170000021
其中：u(k)是实际机器人在第k时刻的控制信号；x(k)是实际机器人在第k时刻的位置；x(k+1)是实际机器人在第k+1时刻的位置；v(k)是实际机器人在第k时刻的速度；v(k+1)是实际机器人在第k+1时刻的速度。
②建立虚拟机器人动力学模型：
Figure BDA0001306810170000022
Figure BDA0001306810170000023
Figure BDA0001306810170000024
其中：
Figure BDA0001306810170000025
是虚拟机器人在第k时刻的位置；
Figure BDA0001306810170000026
是虚拟机器人在第k时刻的速度；P是2×2转换矩阵；I是2×2单位矩阵；yk是实际机器人检测范围内障碍物边缘上的任意一点位置；ak是过点yk的单位法向量；上标T表示矩阵的转置。
(二)基于合作控制理论，在滚动优化的框架下，建立成本函数，具体方法是：
①基于合作控制理论，建立实际机器人和虚拟机器人之间安全距离的成本函数：
Figure BDA0001306810170000027
其中：d是预先给定的安全距离；
Figure BDA0001306810170000028
是第j个虚拟机器人在第k时刻的位置；||·||表示2范数；M是虚拟机器人的个数。
②基于合作控制理论，建立实际机器人与虚拟机器人速度一致性成本函数：
Figure BDA0001306810170000031
其中：
Figure BDA0001306810170000032
是第j个虚拟机器人在第k时刻的速度。
③建立实际机器人与目标位置的成本函数：
||x(k)-G|| (5)
其中：G是目标位置。
④基于式(3)、(4)、(5)，在滚动优化框架下，建立实际机器人运动控制的成本函数：
Figure BDA0001306810170000033
其中：x(l|k)是实际机器人在第k时刻预测的第k+l时刻的位置；
Figure BDA0001306810170000034
是第j个虚拟机器人在第k时刻预测的第k+l时刻的位置；v(l|k)是实际机器人在第k时刻预测的第k+l时刻的速度；
Figure BDA0001306810170000035
是第j个虚拟机器人在第k时刻预测的第k+l时刻的速度；x(N|k)是实际机器人在第k时刻预测的第k+N时刻的位置；N是预测长度。
(三)基于合作控制机制的滚动优化控制器结构如下：
Figure BDA0001306810170000036
其中：
Figure BDA0001306810170000037
是第k时刻获得的最优控制信号序列；u*(0|k)表示实际机器人在第k时刻获得的最优控制信号；u*(N-1|k)表示实际机器人在第k时刻获得的k+N-1时刻的最优控制信号；u(0|k)表示实际机器人在第k时刻预测的控制信号；u(N-1|k)表示实际机器人在第k时刻预测的k+N-1时刻的控制信号；min表示取最小值；s.t.表示以下为约束条件。
(四)将实际机器人在k时刻获得的最优的控制序列
Figure BDA0001306810170000041
中的第一个最优控制信号u*(0|k)施加给实际机器人。
本发明提出的基于合作控制机制的机器人滚动优化控制方法弥补了传统的局部路径规划技术的不足,能够控制机器人安全有效地运行在动态不确定的环境中，避免了机器人“陷入”环境中非目标位置。
具体实施方式
以一具体移动机器人为例，基于合作控制机制的机器人滚动优化控制方法的实施步骤如下：
(一)在第k＝0时刻，初始化实际机器人***参数，安全距离d＝2m，实际机器人初始位置x(0)＝[0m，0m]T，实际机器人初始速度v(0)＝[0m/s，0m/s]，目标位置G＝[100m，100m]T。
(二)建立实际机器人与虚拟机器人的动力学模型。具体方法是：
①建立实际机器人的动力学模型：
Figure BDA0001306810170000042
其中：u(k)是实际机器人在第k时刻的控制信号；x(k)是实际机器人在第k时刻的位置；x(k+1)是实际机器人在第k+1时刻的位置；v(k)是实际机器人在第k时刻的速度；v(k+1)是实际机器人在第k+1时刻的速度。
②建立虚拟机器人动力学模型：
Figure BDA0001306810170000043
Figure BDA0001306810170000044
Figure BDA0001306810170000045
其中：
Figure BDA0001306810170000046
是虚拟机器人在第k时刻的位置；
Figure BDA0001306810170000047
是虚拟机器人在第k时刻的速度；P是2×2转换矩阵；I是2×2单位矩阵；yk是实际机器人检测范围内障碍物边缘上的任意一点位置；ak是过点yk的单位法向量；上标T表示矩阵的转置。从式(2)可以看出，根据实际机器人在第k时刻的位置x(k)和速度v(k)，以及机器人检测到的障碍物边缘的任意一点yk和过该点的法向量ak，可以获得第k时刻虚拟机器人的位置
Figure BDA0001306810170000051
和速度
Figure BDA0001306810170000052
(三)基于合作控制理论，在滚动优化的框架下，建立成本函数，具体方法是：
①基于合作控制理论，建立实际机器人和虚拟机器人之间安全距离的成本函数：
Figure BDA0001306810170000053
其中：d是预先给定的安全距离；
Figure BDA0001306810170000054
是第j个虚拟机器人在第k时刻的位置；||·||表示2范数；M是虚拟机器人的个数。在实际机器人的检测范围内，存在M个障碍物，每一个障碍物边缘都存在一个虚拟机器人沿着障碍物边缘运动，也就存在M个虚拟机器人。
②基于合作控制理论，建立实际机器人与虚拟机器人速度一致性成本函数：
Figure BDA0001306810170000055
其中：
Figure BDA0001306810170000056
是第j个虚拟机器人在第k时刻的速度。
③建立实际机器人与目标位置的成本函数：
||x(k)-G|| (5)
其中：G是目标位置。
④基于式(3)、(4)、(5)，在滚动优化框架下，建立实际机器人运动控制的成本函数：
Figure BDA0001306810170000057
其中：x(l|k)是实际机器人在第k时刻预测的第k+l时刻的位置；
Figure BDA0001306810170000058
是第j个虚拟机器人在第k时刻预测的第k+l时刻的位置；υ(l|k)是实际机器人在第k时刻预测的第k+l时刻的速度；
Figure BDA0001306810170000061
是第j个虚拟机器人在第k时刻预测的第k+l时刻的速度；x(N|k)是实际机器人在第k时刻预测的第k+N时刻的位置；N是预测长度。
(四)基于合作控制机制的滚动优化控制器如下：
Figure BDA0001306810170000062
其中：
Figure BDA0001306810170000063
是实际机器人在第k时刻获得的最优控制信号序列；u*(0|k)表示实际机器人在第k时刻获得的最优控制信号；u*(N-1|k)表示实际机器人在第k时刻获得的k+N-1时刻的最优控制信号；u(0|k)表示实际机器人在第k时刻预测的控制信号；u(N-1|k)表示实际机器人在第k时刻预测的k+N-1时刻的控制信号；min表示取最小值；s.t.表示以下为约束条件。对于每一个在第k时刻预测的控制信号序列u(0|k)，...，u(N-1|k)，实际机器人预测的位置和速度可以采用式(1)计算，相应的虚拟机器人预测的位置和速度可以采用式(2)计算，因此可以计算实际机器人运动控制成本函数(6)。执行式(7)获得使实际机器人运动控制成本函数(6)最小的最优控制序列
Figure BDA0001306810170000064
(五)根据实际要求，在每个采样时间上，根据(7)式计算实际机器人在第k时刻获得的最优控制信号序列
Figure BDA0001306810170000065
并将第一个控制信号u*(0|k)控制实际机器人，最终控制机器人安全到达目标位置。

Claims (1)

1.一种基于合作控制机制的机器人滚动优化控制方法，该方法包括以下步骤：
(一)建立实际机器人与虚拟机器人的动力学模型；具体方法是：
①建立实际机器人的动力学模型：
Figure FDA0001306810160000011
其中：u(k)是实际机器人在第k时刻的控制信号；x(k)是实际机器人在第k时刻的位置；x(k+1)是实际机器人在第k+1时刻的位置；v(k)是实际机器人在第k时刻的速度；v(k+1)是实际机器人在第k+1时刻的速度；
②建立虚拟机器人动力学模型：
Figure FDA0001306810160000012
其中：
Figure FDA0001306810160000013
是虚拟机器人在第k时刻的位置；
Figure FDA0001306810160000014
是虚拟机器人在第k时刻的速度；P是2×2转换矩阵；I是2×2单位矩阵；yk是实际机器人检测范围内障碍物边缘上的任意一点位置；ak是过点yk的单位法向量；上标T表示矩阵的转置；
(二)基于合作控制理论，在滚动优化的框架下，建立成本函数，具体方法是：
①基于合作控制理论，建立实际机器人和虚拟机器人之间安全距离的成本函数：
Figure FDA0001306810160000015
其中：d是预先给定的安全距离；
Figure FDA0001306810160000016
是第j个虚拟机器人在第k时刻的位置；||·||表示2范数；M是虚拟机器人的个数；
②基于合作控制理论，建立实际机器人与虚拟机器人速度一致性成本函数：
Figure FDA0001306810160000021
其中：
Figure FDA0001306810160000022
是第j个虚拟机器人在第k时刻的速度；
③建立实际机器人与目标位置的成本函数：
||x(k)-G|| (5)
其中：G是目标位置；
④基于式(3)、(4)、(5)，在滚动优化框架下，建立实际机器人运动控制的成本函数：
Figure FDA0001306810160000023
其中：x(l|k)是实际机器人在第k时刻预测的第k+l时刻的位置；
Figure FDA0001306810160000024
是第j个虚拟机器人在第k时刻预测的第k+l时刻的位置；υ(l|k)是实际机器人在第k时刻预测的第k+l时刻的速度；
Figure FDA0001306810160000025
是第j个虚拟机器人在第k时刻预测的第k+l时刻的速度；x(N|k)是实际机器人在第k时刻预测的第k+N时刻的位置；N是预测长度；
(三)基于合作控制机制的滚动优化控制器结构如下：
Figure FDA0001306810160000026
其中：
Figure FDA0001306810160000027
是第k时刻获得的最优控制信号序列；u*(0|k)表示实际机器人在第k时刻获得的最优控制信号；u*(N-1|k)表示实际机器人在第k时刻获得的k+N-1时刻的最优控制信号；u(0|k)表示实际机器人在第k时刻预测的控制信号；u(N-1|k)表示实际机器人在第k时刻预测的k+N-1时刻的控制信号；min表示取最小值；s.t.表示以下为约束条件；
(四)将实际机器人在第k时刻获得的最优的控制序列
Figure FDA0001306810160000031
中的第一个最优控制信号u*(0|k)施加给实际机器人。
CN201710387869.XA 2017-05-27 2017-05-27 一种基于合作控制机制的机器人滚动优化控制方法 Active CN107168058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710387869.XA CN107168058B (zh) 2017-05-27 2017-05-27 一种基于合作控制机制的机器人滚动优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710387869.XA CN107168058B (zh) 2017-05-27 2017-05-27 一种基于合作控制机制的机器人滚动优化控制方法

Publications (2)

Publication Number Publication Date
CN107168058A CN107168058A (zh) 2017-09-15
CN107168058B true CN107168058B (zh) 2020-04-07

Family

ID=59820957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710387869.XA Active CN107168058B (zh) 2017-05-27 2017-05-27 一种基于合作控制机制的机器人滚动优化控制方法

Country Status (1)

Country Link
CN (1) CN107168058B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146845B (zh) * 2019-04-17 2021-07-27 杭州电子科技大学 一种事件驱动的固定时间电磁源定位方法
CN113366400B (zh) * 2019-12-20 2023-07-21 百度时代网络技术（北京）有限公司 自动驾驶车辆的动态成本函数的实现方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9669828B2 (en) * 2012-06-01 2017-06-06 Toyota Motor Engineering & Manufacturing North America, Inc. Cooperative driving and collision avoidance by distributed receding horizon control
CN105739303B (zh) * 2015-12-29 2019-11-22 沈阳航空航天大学 基于滚动时域法的多无人机协同打击任务分配方法
CN106292290B (zh) * 2016-09-28 2019-01-29 浙江工业大学 一种轮式移动机器人点镇定滚动优化控制方法

Also Published As

Publication number Publication date
CN107168058A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
Chen et al. RBFNN-based adaptive sliding mode control design for delayed nonlinear multilateral telerobotic system with cooperative manipulation
Liang et al. Leader-following formation tracking control of mobile robots without direct position measurements
Li et al. Adaptive RBFNNs/integral sliding mode control for a quadrotor aircraft
Wen et al. Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation
CN101402199B (zh) 基于视觉的手眼式低伺服精度机器人抓取移动目标的方法
CN105159304A (zh) 接近并跟踪空间非合作目标的有限时间容错控制方法
CN111015649A (zh) 一种驱控一体化控制***
CN106970646B (zh) 基于自适应积分反步的四旋翼飞行器控制方法
CN107168058B (zh) 一种基于合作控制机制的机器人滚动优化控制方法
CN103240739A (zh) 一种移动机械臂分散集中自主切换控制方法
CN108614560A (zh) 一种移动机器人视觉伺服保性能跟踪控制方法
CN102880062B (zh) 基于非线性模型预测的智能小车2.5维视觉伺服控制方法
CN113829343A (zh) 基于环境感知的实时多任务多人人机交互***
CN116610137B (zh) 一种基于干扰预示的高超声速飞行器强抗扰控制方法
CN110262513B (zh) 一种海洋机器人轨迹跟踪控制结构的设计方法
CN106406096B (zh) 一种适用于飞行器横侧向机动的耦合利用协调控制方法
Tsai et al. Backstepping aggregated sliding-mode motion control for automatic 3D overhead cranes
Ye et al. Velocity decomposition based planning algorithm for grasping moving object
Li et al. Formation control of a group of AUVs using adaptive high order sliding mode controller
CN107962562A (zh) 一种多自由度机械臂视觉伺服***组建方法
CN103737603B (zh) 一种流水线上机械臂精确控制***及控制方法
CN116604565A (zh) 一种机器人可变导纳的力引导控制方法及***
CN116714780A (zh) 一种旋翼飞行机械臂及空中快速抓取的规划和控制方法
CN114347031B (zh) 一种考虑时变时滞的移动机械臂避碰控制方法及装置
CN110614636A (zh) 一种视觉伺服机器人测量时滞补偿方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170915

Assignee: ZHEJIANG DINGCHE TECHNOLOGY Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2021330000777

Denomination of invention: A robot rolling optimization control method based on cooperative control mechanism

Granted publication date: 20200407

License type: Common License

Record date: 20211129

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170915

Assignee: ZHEJIANG CHENGMEI TECHNOLOGY Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2021330000842

Denomination of invention: A robot rolling optimization control method based on cooperative control mechanism

Granted publication date: 20200407

License type: Common License

Record date: 20211230

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170915

Assignee: LEO GROUP PUMP (ZHEJIANG) Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022980024262

Denomination of invention: A rolling optimal control method of robot based on cooperative control mechanism

Granted publication date: 20200407

License type: Common License

Record date: 20221202

Application publication date: 20170915

Assignee: Taizhou Zhongheng Machinery Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022980024263

Denomination of invention: A rolling optimal control method of robot based on cooperative control mechanism

Granted publication date: 20200407

License type: Common License

Record date: 20221202