CN111221318A - 一种基于模型预测控制算法的多机器人状态估计方法 - Google Patents

一种基于模型预测控制算法的多机器人状态估计方法 Download PDF

Info

Publication number
CN111221318A
CN111221318A CN201911267979.8A CN201911267979A CN111221318A CN 111221318 A CN111221318 A CN 111221318A CN 201911267979 A CN201911267979 A CN 201911267979A CN 111221318 A CN111221318 A CN 111221318A
Authority
CN
China
Prior art keywords
robot
control algorithm
predictive control
model predictive
time
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
CN201911267979.8A
Other languages
English (en)
Other versions
CN111221318B (zh
Inventor
杨儒伟
成慧
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911267979.8A priority Critical patent/CN111221318B/zh
Publication of CN111221318A publication Critical patent/CN111221318A/zh
Application granted granted Critical
Publication of CN111221318B publication Critical patent/CN111221318B/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于模型预测控制算法的多机器人状态估计方法，在模型预测控制算法的损失函数中添加对控制量的约束和构建待约束项的有限时域内的滚动时域优化算法；通过求解预测控制算法中的N个时刻的序列信息并将序列信息在机器人群中进行传播，在丢包后也能通过其中一刻的序列信息预估机器人的状态；构造了在有限时域内带控制量约束的滚动时域优化算法，实现了在多机器人***在物理环境进行信息交换时，对存在传输数据丢包情况下的机器人进行稳定、准确、快速的状态预测。

Description

一种基于模型预测控制算法的多机器人状态估计方法
技术领域
本发明涉及机器人控制领域，更具体地，涉及一种基于模型预测控制算法的多机器人状态估计方法。
背景技术
机器人因为执行任务的高效性而获得了具大关注，目前机器人已应用于安防巡逻、抗震救灾、农业植保、航空测绘、制造业、仓储物流等领域。相比于单个机器人，多机器人***协作执行任务具有更高的效率，能有效地缩短作业任务所需的时间。同时多机器人***实施作业任务的鲁棒性更强，不易受到单个机器人故障等影响。在多机器人***分布式协同控制方法中，机器人之间通常通过无线通信信道进行信息交互，以获得其它机器人的实时状态等信息，从而实现多机器人***的分布式协同控制。但无线通信易受环境影响，例如城市楼宇遮挡或复杂电磁环境，在复杂环境下会出现通信不稳定的情况。接收方机器人从上一次应用***输入时刻起，未在单位控制时间间隔内成功接收发送方机器人信息，则被认为丢包。当丢包发生时时，接收方机器人需要估计发送方机器人的状态，如位置、速度等，以保持多机器人***控制的稳定性。
常用的机器人状态估计方法有基于模型预测控制算法的估计方法，该方法考虑机器人的运动学与动力学模型，同时基于运动学与动力学模型预测机器人未来时刻的状态，模型预测控制在机器人领域得到广泛的应用。模型预测控制算法基于机器人的运动学与动力学模型构建带约束的损失函数，它通过历史信息和未来输入预测未来***响应，但常用于解决单个机器人的状态预测，缺少解决多机器人在通信不稳定下进行状态估计的机制。
发明内容
本发明为克服上述现有技术中模型预测控制算法只能够解决单个机器人的状态预测的问题，提供一种基于模型预测控制算法的多机器人状态估计方法，该方法通过构造带控制量约束的模型预测控制算法，将单机器人的状态估计扩展到多机器人的状态估计，以解决多机器人通过无线网络交互传输信息时，由于发送方机器人与接收方机器人之间存在传输数据丢包而导致接收方机器人难以确定发送方机器人状态的问题。
为解决上述技术问题，本发明采用的技术方案是：提供一种基于模型预测控制算法的多机器人状态估计方法，在模型预测控制算法的损失函数中，添加对控制量的约束，然后通过求解模型预测控制算法得到N个时刻的序列信息；每个机器人构造的模型预测控制算法的约束项为：
‖ui(t)-ui+1(t-1)‖≤α
其中，ui(t)为t时刻模型预测控制算法输出的第i个控制序列，ui+1(t-1)为t-1时刻模型预测控制算法输出的第i+1个控制序列，α为阈值；
在模型预测算法中构建带约束项的有限时域内的滚动时域优化算法，机器人的状态空间模型的公式为：
Figure BDA0002313399910000021
其中，
Figure BDA0002313399910000022
为t+1时刻由机器人的状态空间模型计算出的机器人***响应，对应机器人状态；A为作为在
Figure BDA0002313399910000023
上的状态变换模型；β为作为在控制器向量ut上的输入-控制模型；ut为t时刻机器人***的***输入，对应机器人控制量；νt为通信状态，νt∈{0,1}，通信失败时νt取值为0，通信成功时vt取值为1；n为连续通信失败次数，α为约束阈值，若连续通信失败次数为n，则***输入估计误差为nα。
优选的，具体的步骤如下：
步骤一：模型预测控制算法通过求解带约束的损失函数，并求解得到N个时刻的序列信息；
步骤二：发送方机器人通过将自身的状态信息以及模型预测控制算法求解的N个时刻序列信息发送给集群内其它机器人；
步骤三：接收方机器人接收集群内发送方机器人的状态信息以及N个时刻的序列信息；
步骤四：接收方机器人成功接收该发送方机器人发送的状态信息以及序列信息，则更新该发送方机器人的状态信息，存储该发送方机器人的N个时刻的求解控制序列信息；同时将记录该发送方机器人丢包次数的变量赋值为O；
接收方机器人未成功接收发送方机器人发送的状态信息以及序列信息，则将记录该发送方机器人丢包次数的变量加1，并读取最近一次成功接收的N个时刻的序列信息；通过记录该发送方丢包次数变量的大小获取N个时刻的序列信息的其中一个时刻，并用于代表发送方机器人的状态估计。
优选的，模型预测控制算法中的损失函数包括用于机器人之间保持队形的损失函数、用于机器人之间避免碰撞的损失函数和用于避免机器人与障碍物发生碰撞的损失函数。
优选的，用于机器人之间保持队形的损失函数具体如下：
Figure BDA0002313399910000031
其中，
Figure BDA0002313399910000032
为t时刻机器人i的领航者集合；
Figure BDA0002313399910000033
为t时刻机器人i的位置；dij(t)为t时刻机器i和机器j的期望距离；βij(t)为t时刻机器人i与机器j的距离保持权重。
集群机器人需要保持一定的队形，跟随者通过与领航者保持相对距离来保持整个队形形状。
优选的，集群机器人在复杂环境运动时整个队形会随着环境的改变而改变，此时需要保证集群机器人在运动过程中保持一定的距离。用于机器人之间避免碰撞的损失函数具体如下：
Figure BDA0002313399910000034
其中，
Figure BDA0002313399910000035
为t时刻机器人i的位置；ri为机器人i的安全半径；rj为机器人j的安全半径；ki,j为机器人i和机器人j的躲避距离；Si(t)为t时刻机器人i的附近机器人集合；τ为躲避参数。
优选的，集群机器人在运行的过程中需要躲避障碍物，用于避免机器人与障碍物碰撞的损失函数具体如下：
Figure BDA0002313399910000036
其中，
Figure BDA0002313399910000037
为t时刻机器人i的位置；
Figure BDA0002313399910000038
为t时刻障碍物的位置；ti为机器人i的安全半径；ro为障碍物的半径；ki,o为机器人i和障碍物o的躲避距离；
Figure BDA0002313399910000039
为t时刻机器人i的附近障碍物的集合；τ为躲避参数。
优选的，在实施步骤一前，初始化机器人并通过路径规划算法为机器人规划路径。
优选的，在所述步骤一中，通过将规划的路径、集群内其它机器的状态信息、周围障碍物的状态信息作为损失函数的参数，传入模型预测控制算法，将上一时刻模型预测控制算法求解N个时刻的控制序列信息作为约束参数传入模型预测控制算法，并求得当前时刻模型预测控制算法的N个时刻的序列信息。
与现有技术相比，本发明的有益效果是：在通信信号丢失的场景下，针对在丢包时刻机器人的状态估计问题，本发明通过传输模型预测算法的序列信息，实现通信不稳定环境下的多机器人***状态估计，同时构造了在有限时域内带控制量约束的滚动时域优化算法，实现了在多机器人***在物理环境进行信息交换时，对存在传输数据丢包情况下的机器人进行稳定、准确、快速的状态预测。
附图说明
图1是本发明的一种基于模型预测控制算法的多机器人状态估计方法的框架流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
实施例1
如图1所示为一种基于模型预测控制算法的多机器人状态估计方法的实施例，包括以下步骤：
预步骤：初始化机器人并通过路径规划算法为机器人规划路径。机器人根据全局地图信息、机载传感器构建的局部地图信息、起点和目标点等信息，利用路径规划算法为机器人规划一条可行的期望路径。
步骤一：在模型预测控制算法的损失函数中，添加对控制量的约束，然后通过将规划的路径、集群内其它机器的状态信息、周围障碍物的状态信息作为损失函数的参数，传入模型预测控制算法，将上一时刻模型预测控制算法求解N个时刻的控制序列信息作为约束参数传入模型预测控制算法，并求得当前时刻模型预测控制算法的N个时刻的序列信息。
具体的，每个机器人构造的模型预测控制算法的约束项为：
‖ui(t)-ui+1(t-1)‖≤α
其中，ui(t)为t时刻模型预测控制算法输出的第i个控制序列，ui+1(t-1)为t-1时刻模型预测控制算法输出的第i+1个控制序列，α为阈值；
在模型预测算法中构建带约束项的有限时域内的滚动时域优化算法，机器人的状态空间模型的公式为：
Figure BDA0002313399910000051
其中，
Figure BDA0002313399910000052
为t+1时刻由机器人的状态空间模型计算出的机器人***响应，对应机器人状态；A为作为在
Figure BDA0002313399910000053
上的状态变换模型；B为作为在控制器向量ut上的输入-控制模型；ut为t时刻机器人***的***输入，对应机器人控制量；νt为通信状态，vt∈{0,1}，通信失败时vt取值为0，通信成功时vt取值为1；n为连续通信失败次数，α为约束阈值，若连续通信失败次数为n，则***输入估计误差为nα。
步骤二：发送方机器人通过将自身的状态信息以及模型预测控制算法求解的N个时刻序列信息发送给集群内其它机器人；
步骤三：接收方机器人接收集群内发送方机器人的状态信息以及N个时刻的序列信息；
步骤四：接收方机器人成功接收该发送方机器人发送的状态信息以及序列信息，则更新该发送方机器人的状态信息，存储该发送方机器人的N个时刻的求解控制序列信息；同时将记录该发送方机器人丢包次数的变量赋值为O；
接收方机器人未成功接收发送方机器人发送的状态信息以及序列信息，则将记录该发送方机器人丢包次数的变量加1，并读取最近一次成功接收的N个时刻的序列信息；通过记录该发送方丢包次数变量的大小获取N个时刻的序列信息的其中一个时刻，并用于代表发送方机器人的状态估计。
本实施例的有益效果：在通信信号丢失的场景下，针对在丢包时刻机器人的状态估计问题，本发明通过传输模型预测算法的序列信息，实现通信不稳定环境下的多机器人***状态估计，同时构造了在有限时域内带控制量约束的滚动时域优化算法，实现了在多机器人***在物理环境进行信息交换时，对存在传输数据丢包情况下的机器人进行稳定、准确、快速的状态预测。
实施例2
本实施例在实施例1的基础上，具体限定模型预测控制算法中的损失函数，包括用于机器人之间保持队形的损失函数、用于机器人之间避免碰撞的损失函数和用于避免机器人与障碍物发生碰撞的损失函数。
具体的，用于机器人之间保持队形的损失函数具体如下：
Figure BDA0002313399910000061
其中，
Figure BDA0002313399910000062
为t时刻机器人i的领航者集合；
Figure BDA0002313399910000063
为t时刻机器人i的位置；dij(t)为t时刻机器i和机器j的期望距离；βij(t)为t时刻机器人i与机器j的距离保持权重。
集群机器人需要保持一定的队形，跟随者通过与领航者保持相对距离来保持整个队形形状。
具体的，集群机器人在复杂环境运动时整个队形会随着环境的改变而改变，此时需要保证集群机器人在运动过程中保持一定的距离。用于机器人之间避免碰撞的损失函数具体如下：
Figure BDA0002313399910000064
其中，
Figure BDA0002313399910000065
为t时刻机器人i的位置；ri为机器人i的安全半径；rj为机器人j的安全半径；ki,j为机器人i和机器人j的躲避距离；Si(t)为t时刻机器人i的附近机器人集合；τ为躲避参数。
还有的，集群机器人在运行的过程中需要躲避障碍物，用于避免机器人与障碍物碰撞的损失函数具体如下：
Figure BDA0002313399910000066
其中，
Figure BDA0002313399910000067
为t时刻机器人i的位置；
Figure BDA0002313399910000068
为t时刻障碍物的位置；ri为机器人i的安全半径；ro为障碍物的半径；ki,o为机器人i和障碍物o的躲避距离；
Figure BDA0002313399910000069
为t时刻机器人i的附近障碍物的集合；τ为躲避参数。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，在模型预测控制算法的损失函数中，添加对控制量的约束，然后通过求解模型预测控制算法得到N个时刻的序列信息；每个机器人构造的模型预测控制算法的约束项为：
||ui(t)-ui+1(t-1)||≤α
其中，ui(t)为t时刻模型预测控制算法输出的第i个控制序列，ui+1(t-1)为t-1时刻模型预测控制算法输出的第i+1个控制序列，α为阈值；
在模型预测算法中构建带约束项的有限时域内的滚动时域优化算法，机器人的状态空间模型的公式为：
Figure FDA0002313399900000011
其中，
Figure FDA0002313399900000012
为t+1时刻由机器人的状态空间模型计算出的机器人***响应，对应机器人状态；A为作为在
Figure FDA0002313399900000013
上的状态变换模型；B为作为在控制器向量ut上的输入-控制模型；ut为t时刻机器人***的***输入，对应机器人控制量；vt为通信状态，vt∈{0，1}，通信失败时νt取值为0，通信成功时νt取值为1；n为连续通信失败次数，α为约束阈值，若连续通信失败次数为n，则***输入估计误差为nα。
2.根据权利要求1所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，具体的步骤如下：
步骤一：模型预测控制算法通过求解带约束的损失函数，并求解得到N个时刻的序列信息；
步骤二：发送方机器人通过将自身的状态信息以及模型预测控制算法求解的N个时刻序列信息发送给集群内其它机器人；
步骤三：接收方机器人接收集群内发送方机器人的状态信息以及N个时刻的序列信息；
步骤四：接收方机器人成功接收该发送方机器人发送的状态信息以及序列信息，则更新该发送方机器人的状态信息，存储该发送方机器人的N个时刻的序列信息；同时将记录该发送方机器人丢包次数的变量赋值为0；
接收方机器人未成功接收发送方机器人发送的状态信息以及序列信息，则将记录该发送方机器人丢包次数的变量加1，并读取最近一次成功接收的N个时刻的序列信息；通过记录该发送方丢包次数变量的大小获取N个时刻的序列信息的其中一个时刻，并用于代表发送方机器人的状态估计。
3.根据权利要求2所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，模型预测控制算法中的损失函数包括用于机器人之间保持队形的损失函数、用于机器人之间避免碰撞的损失函数和用于避免机器人与障碍物发生碰撞的损失函数。
4.根据权利要求3所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，用于机器人之间保持队形的损失函数具体如下：
Figure FDA0002313399900000021
其中，
Figure FDA0002313399900000022
为t时刻机器人i的领航者集合；
Figure FDA0002313399900000023
为t时刻机器人i的位置；dij(t)为t时刻机器i和机器j的期望距离；βij(t)为t时刻机器人i与机器j的距离保持权重。
5.根据权利要求3所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，用于机器人之间避免碰撞的损失函数具体如下：
Figure FDA0002313399900000024
其中，
Figure FDA0002313399900000025
为t时刻机器人i的位置；ri为机器人i的安全半径；rj为机器人j的安全半径；ki，j为机器人i和机器人j的躲避距离；Si(t)为t时刻机器人i的附近机器人集合；τ为躲避参数。
6.根据权利要求3所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，用于避免机器人与障碍物碰撞的损失函数具体如下：
Figure FDA0002313399900000026
其中，
Figure FDA0002313399900000027
为t时刻机器人i的位置；
Figure FDA0002313399900000028
为t时刻障碍物的位置；ri为机器人i的安全半径；ro为障碍物的半径；ki，o为机器人i和障碍物o的躲避距离；
Figure FDA0002313399900000029
为t时刻机器人i的附近障碍物的集合；τ为躲避参数。
7.根据权利要求2-6任一所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，在实施步骤一前，初始化机器人并通过路径规划算法为机器人规划路径。
8.根据权利要求7所述的一种基于模型预测控制算法的多机器人状态估计方法，其特征在于，在所述步骤一中，通过将规划的路径、集群内其它机器的状态信息、周围障碍物的状态信息作为损失函数的参数，传入模型预测控制算法，将上一时刻模型预测控制算法求解N个时刻的控制序列信息作为约束参数传入模型预测控制算法，并求得当前时刻模型预测控制算法的N个时刻的序列信息。
CN201911267979.8A 2019-12-11 2019-12-11 一种基于模型预测控制算法的多机器人状态估计方法 Active CN111221318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911267979.8A CN111221318B (zh) 2019-12-11 2019-12-11 一种基于模型预测控制算法的多机器人状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911267979.8A CN111221318B (zh) 2019-12-11 2019-12-11 一种基于模型预测控制算法的多机器人状态估计方法

Publications (2)

Publication Number Publication Date
CN111221318A true CN111221318A (zh) 2020-06-02
CN111221318B CN111221318B (zh) 2023-03-28

Family

ID=70808174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911267979.8A Active CN111221318B (zh) 2019-12-11 2019-12-11 一种基于模型预测控制算法的多机器人状态估计方法

Country Status (1)

Country Link
CN (1) CN111221318B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113001541A (zh) * 2021-02-20 2021-06-22 深圳市科服信息技术有限公司 一种机器人自动化控制方法
CN113093780A (zh) * 2021-04-06 2021-07-09 中山大学 一种基于降阶极点配置法的机器人平衡控制方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106573370A (zh) * 2014-04-17 2017-04-19 软银机器人欧洲公司 基于线性预测位置和速度控制器的全方向轮式人形机器人
CN108305250A (zh) * 2018-01-30 2018-07-20 昆明理工大学 非结构化机器人视觉检测机械零件的同步识别与定位方法
US20180247209A1 (en) * 2017-02-28 2018-08-30 Accenture Global Solutions Limited Interpretation of predictive models using semantic grouping
CN109491389A (zh) * 2018-11-23 2019-03-19 河海大学常州校区 一种具有速度约束的机器人轨迹跟踪方法
CN109656236A (zh) * 2019-01-28 2019-04-19 中国石油大学(华东) 一种基于周期性预测神经网络的工业数据故障预测方法
CN109885052A (zh) * 2019-02-26 2019-06-14 华南理工大学 基于全向移动机器人运动学建模的误差模型预测控制方法
CN109977212A (zh) * 2019-03-28 2019-07-05 清华大学深圳研究生院 对话机器人的回复内容生成方法和终端设备
CN110398967A (zh) * 2019-07-24 2019-11-01 西安电子科技大学 一种采用离散化方法的多机器人协同轨迹信息处理方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106573370A (zh) * 2014-04-17 2017-04-19 软银机器人欧洲公司 基于线性预测位置和速度控制器的全方向轮式人形机器人
US20170144299A1 (en) * 2014-04-17 2017-05-25 Softbank Robotics Europe Omnidirectional wheeled humanoid robot based on a linear predictive position and velocity controller
US20180247209A1 (en) * 2017-02-28 2018-08-30 Accenture Global Solutions Limited Interpretation of predictive models using semantic grouping
CN108305250A (zh) * 2018-01-30 2018-07-20 昆明理工大学 非结构化机器人视觉检测机械零件的同步识别与定位方法
CN109491389A (zh) * 2018-11-23 2019-03-19 河海大学常州校区 一种具有速度约束的机器人轨迹跟踪方法
CN109656236A (zh) * 2019-01-28 2019-04-19 中国石油大学(华东) 一种基于周期性预测神经网络的工业数据故障预测方法
CN109885052A (zh) * 2019-02-26 2019-06-14 华南理工大学 基于全向移动机器人运动学建模的误差模型预测控制方法
CN109977212A (zh) * 2019-03-28 2019-07-05 清华大学深圳研究生院 对话机器人的回复内容生成方法和终端设备
CN110398967A (zh) * 2019-07-24 2019-11-01 西安电子科技大学 一种采用离散化方法的多机器人协同轨迹信息处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张少波: "非完整轮式移动机器人轨迹跟踪及避障控制研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
张颖等: "基于双模式模型预测控制算法的多智能体编队控制", 《上海海事大学学报》 *
纪嘉文等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113001541A (zh) * 2021-02-20 2021-06-22 深圳市科服信息技术有限公司 一种机器人自动化控制方法
CN113093780A (zh) * 2021-04-06 2021-07-09 中山大学 一种基于降阶极点配置法的机器人平衡控制方法及装置
CN113093780B (zh) * 2021-04-06 2022-01-14 中山大学 一种基于降阶极点配置法的机器人平衡控制方法及装置

Also Published As

Publication number Publication date
CN111221318B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN112799386B (zh) 基于人工势场与强化学习的机器人路径规划方法
US10168674B1 (en) System and method for operator control of heterogeneous unmanned system teams
EP3939302A1 (en) Low latency wireless communication system for teleoperated vehicle environments
CN110162035B (zh) 一种集群机器人在有障碍物场景中的协同运动方法
CN111221318B (zh) 一种基于模型预测控制算法的多机器人状态估计方法
US11334069B1 (en) Systems, methods and computer program products for collaborative agent control
CN112506194B (zh) 一种移动机器人集群分布式安全学习控制方法
CN112462797A (zh) 一种利用灰色预测模型的视觉伺服控制方法及***
CN114020013B (zh) 一种基于深度强化学习的无人机编队避撞方法
CN110940341A (zh) 路径规划方法、机器人及计算机可读存储介质
He et al. Integral reinforcement learning‐based approximate minimum time‐energy path planning in an unknown environment
CN105722030A (zh) 一种dtn网络中节点位置预测方法
Thummalapeta et al. Survey of containment control in multi-agent systems: concepts, communication, dynamics, and controller design
Weihua et al. Robust decentralized formation flight control
Lin et al. Research on UUV obstacle avoiding method based on recurrent neural networks
CN112799385A (zh) 一种基于引导域人工势场的智能体路径规划方法
Abaee Shoushtary et al. Team Robot Motion Planning in Dynamics Environments Using a New Hybrid Algorithm (Honey Bee Mating Optimization‐Tabu List)
Li et al. Optimizing Consensus-based multi-target tracking with Multiagent Rollout control Policies
CN112508277A (zh) 一种水下多目标定位方法、终端设备及存储介质
Jacinto et al. Navigation of autonomous vehicles using reinforcement learning with generalized advantage estimation
CN112731914A (zh) 一种5g智慧工厂的云化agv应用***
CN114518762B (zh) 机器人避障装置、避障控制方法和机器人
US20220103272A1 (en) Device and method for assessing a state of a radio channel
US20210374573A1 (en) Method and Devices for Latency Compensation
Mathews et al. Scalable decentralised control for multi-platform reconnaissance and information gathering tasks

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