CN113805585B - 一种复杂约束下的移动机器人跟踪控制方法 - Google Patents

一种复杂约束下的移动机器人跟踪控制方法 Download PDF

Info

Publication number
CN113805585B
CN113805585B CN202111041211.6A CN202111041211A CN113805585B CN 113805585 B CN113805585 B CN 113805585B CN 202111041211 A CN202111041211 A CN 202111041211A CN 113805585 B CN113805585 B CN 113805585B
Authority
CN
China
Prior art keywords
robot
node
constraint
algorithm
control law
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
CN202111041211.6A
Other languages
English (en)
Other versions
CN113805585A (zh
Inventor
赵承浩
郑世祺
徐彬彬
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202111041211.6A priority Critical patent/CN113805585B/zh
Publication of CN113805585A publication Critical patent/CN113805585A/zh
Application granted granted Critical
Publication of CN113805585B publication Critical patent/CN113805585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种复杂约束下的移动机器人跟踪控制方法。方法包括如下步骤：设定机器人的起点和目标点，通过SLAM算法，利用激光雷达建图，在此基础上利用A‑STAR算法进行路径规划，然后根据规划的路径进行跟踪控制，使机器人完成导航任务。建立机器人的动力学模型，设定复杂约束机器人控制器，根据约束受限控制算法得到复杂约束虚拟控制率，使机器人不会破坏约束条件。激光雷达、编码器实时监测机器人的状态，并反馈给RBF自适应神经网络，神经网络算法通过逼近，抵消外界不确定影响。到达目的点，机器人停止运行，没到达目的点，则继续控制电机，直至到达目标点。本发明充分考虑了机器人运行过程中复杂约束情况，使机器人能够安全稳定的移动。

Description

一种复杂约束下的移动机器人跟踪控制方法
技术领域
本发明属于机器人轨迹跟踪控制技术领域，具体涉及一种复杂约束下的移动机器人跟踪控制方法。
背景技术
轮式移动机器人(WMRs)在工业和军事应用方面具有巨大的潜力，在过去的几十年里，这类小型车辆的智能控制发展取得了重大进展。移动机器人可用于工厂车间的自动货物装卸、野外道路环境勘测和数据测量和室内地形建模等等。为了更好地利用机器人协助完成各种任务，越来越多的研究人员从事相关研究。
在许多实际***中，为了确保机器人运行的安全性和稳定性，对机器人做复杂约束是很有必要的。如果机器人在运行中破坏了约束条件，很有可能造成机器人故障甚至致命事故。因此在***设计中加入复杂约束是很有意义的，也具有挑战性，现在关于移动机器人的大多数研究都没有考虑全状态包括位置、速度等复杂约束，而是只考虑一部分约束，因此如何设计满足约束条件的障碍Lyapunov函数是一个亟待解决的问题。同时机器人在运动过程中会遇到轮胎打滑、风力等影响，因此也需要设计有个合适的自适应神经网络函数去逼近干扰，保证机器人可以稳定运行。另外，机器人的路径规划算法也是机器人移动跟踪控制很重要的一部分，研究者一般采用Dijkstra算法或者最佳优先算法，Dijkstra算法从起点开始，计算从起点到下一个节点的移动成本。慢慢向外延伸，访问所有节点直到目标点，然后从目标点回溯寻找路径。Dijkstra算法可以确保找到最短路径，但需要大量计算。最佳优先算法有一个启发函数，该函数计算该节点到相对于目标节点的优先级，选择成本低的节点作为下一遍历点。虽然相比于Dijkstra算法快得多，但不能保证找到最短路径。所以本发明采用两种算法的结合体A-star算法，可以保证找到最优路径并且计算量较小。但A-star算法中启发函数的设计不同，会造成结果的很大差异，因此设计一个适用的启发函数也很有挑战性。
发明内容
为了解决上述问题，本发明提供了一种复杂约束下的移动机器人跟踪控制方法，主要包括以下步骤：
步骤1、输入机器人的目标点，并设定机器人的初始位置信息x1(0)和初始速度信息x2(0)，同时对机器人的每个部件进行受力分析，建立机器人的动力学模型，设置复杂约束移动机器人控制器。
步骤2、遥控控制机器人使用二维激光雷达扫描周围环境，通过SLAM算法对机器人所处的环境创建地图。
步骤3、利用A-star路径规划算法得到从起始点到目标点的最优路径，并计算得到最优路径，从而获得机器人期望轨迹，
Figure GDA0004056026970000021
分别代表期望位置和期望速度。
步骤4、通过激光雷达、编码器实时监测机器人的状态信息，获取机器人实时的位置信息和速度信息。
步骤5、设计复杂约束受限控制算法，根据机器人的实时状态信息，得到实际轨迹与期望轨迹的偏差，z1，z2分别代表位置偏差和速度偏差，把此偏差输入到复杂约束机器人控制器，通过约束受限控制算法得到复杂约束虚拟控制律，进而控制机器人不会破坏约束条件。
步骤6、同时将机器人的实时状态信息反馈给RBF神经网络，RBF自适应神经网络算法通过逼近未知非线性项，来确定自适应虚拟控制律
Figure GDA0004056026970000022
进而抵消外界诸如轮胎打滑、风力等不确定影响。
步骤7、将复杂约束虚拟控制律和自适应虚拟控制律进行结合，得到最终的实际控制律；
步骤8、实际控制律控制双轮移动机器人的电机转速，来控制机器人持续平稳的运行；
步骤9：判断机器人是否到达目标点，如果到达目标点，机器人停止运行，如果没有到达目标点，重复步骤3至8，直至到达目标点。
进一步的，步骤1中所述的动力学模型设计如下：
步骤1.1、本发明考虑简单的轮式机器人***，所述动力学模型描述如下：
Figure GDA0004056026970000023
其中，q＝[x，y]T表示位置向量，x和y分别表示机器人几何中心的横坐标和纵坐标。M(q)∈R2×2表示正定惯性矩阵，
Figure GDA0004056026970000031
表示向心矩阵和科里奥利矩阵，
Figure GDA0004056026970000032
表示地面摩擦，τd表示未知有界扰动，B(q)∈R2×2表示输入变换式矩阵，τ∈R2×1表示力矩的输入矢量，并且τ＝[τr，τl]，AT(q)λ∈R2×1表示非完整约束力。
步骤1.2、确定所述动力学模型后，我们定义x1＝q＝[x，y]T，
Figure GDA0004056026970000033
Figure GDA0004056026970000034
然后将所述动力学模型转换成下面形式：
Figure GDA0004056026970000035
其中，x1为位置状态信息，x2为速度状态信息；
Figure GDA0004056026970000036
G(t)表示***的集总不确定性。
进一步的，步骤3中所述的A-star路径规划算法如下：
f(n)＝g(n)+h(n)
其中g(n)表示从节点n到起始点的移动代价；f(n)表示第n个节点的综合优先级，算法根据节点的优先级大小选择下一个要遍历的节点；h(n)表示节点n到终点的期望代价，是快速优先算法的启发式函数；
所述A-star路径规划算法完整步骤描述如下：
步骤3.1、初始化开集和闭集；
步骤3.2、把初始点放入开集，并设优先级为最高；
步骤3.3、如果开集不为空，则从开集中选择优先级最高的节点作为节点n；
步骤3.3.1、如果节点n是目标节点：则完成路径规划，跟踪父节点n从终点到起点；
步骤3.3.2、如果节点n不是目标节点：将节点n从开集中移除，并置于闭集中。遍历节点n相邻的所有节点；
步骤3.3.2.1、如果n相邻的节点m在闭集中：跳过并检测下一个节点；
步骤3.3.2.2、如果n相邻的节点m既不在开集也不在闭集中：赋值n为m的父节点，把节点n设置为节点m的父节点，计算m的优先级，将节点m加入开集；
步骤3.3.2.3、如果n相邻的节点m在开集中：计算比较综合优先级f(m)的值，如果f(m)是开集中的最小值，则该节点m为父节点；
步骤3.3.3、判断节点m是否为目标节点，如果节点m是目标节点，则完成路径规划，跟踪父节点m从终点到起点；如果节点m不是目标节点，重复步骤3.3.2～步骤3.3.2.3，直至到达目标节点。
进一步的，所述启发式函数h(n)在A-star算法中有至关重要的作用。在极端情况下，如果h(n)是0，函数f(n)中只有g(n)发挥作用，A-star算法会变成Dijkstra算法。也就是说h(n)足够小，A-star算法遍历节点越多，算法运行速度越慢。反之，h(n)越大，A-star就会变成快速优先算法。
可以用下述启发式函数计算计算期望代价：
Figure GDA0004056026970000041
这个形式的启发函数可以计算直线距离和对角线距离。
其中nx，ny分别表示当前点的横纵坐标，中Px，Py分别表示目标点的横纵坐标。
进一步的，在步骤5中所述的复杂约束包括速度约束和位置约束，所述复杂约束受限控制算法的设计包括的速度约束受限控制设计和位置约束受限控制算法的设计：
步骤5.1、位置约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure GDA0004056026970000042
z1为位置偏差，然后选取满足约束条件的Lyapunov函数V1，V1＞0，
Figure GDA0004056026970000043
为满足位置约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure GDA0004056026970000044
其中位置约束虚拟控制律
Figure GDA0004056026970000045
Figure GDA0004056026970000046
运用杨氏不等式使得
Figure GDA0004056026970000047
进而确定合适的位置约束虚拟控制律α1；其中a1＞2k1H1，b1＜s1H1z1，a1、b1分别代表位置约束状态的上下限，a1、b1、k1均为常数。
步骤5.2、速度约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure GDA0004056026970000048
z2为速度偏差，然后选取满足约束条件的Lyapunov函数V2，V2＞0，
Figure GDA0004056026970000049
为满足速度约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure GDA0004056026970000051
其中速度约束虚拟控制律
Figure GDA0004056026970000052
Figure GDA0004056026970000053
运用杨氏不等式使得
Figure GDA0004056026970000054
进而确定合适的速度虚拟控制律α2；其中a2＞2k2H2，b2＜s2H2z2，a2、b2分别代表速度约束状态的上下限，a2、b2、k2均为常数。
步骤5.3、综合位置约束虚拟控制律和速度约束虚拟控制律，得到的动态复杂约束虚拟控制律α(t)。
进一步的，在步骤6中所述RBF自适应神经网络是一种三层的神经网络，包括输入层、隐含层和输出层；输入层到隐含层的转换是非线性的，而隐含层到输出层的转换是线性的。
所述RBF自适应神经网络算法设计如下：
对于一个未知的连续非线性函数G(z)，在紧集Ω∈R中，可以近似为：
G(Z)＝WTφ(Z)+δ(Z)
其中Z∈Ω是输入向量，W∈Rl是理想权向量，l是节点数。δ(Z)是近似误差，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数：
Figure GDA0004056026970000055
Figure GDA0004056026970000056
是高斯函数的中心，vi是高斯函数的宽度。
定义所述RBF自适应神经网络θTφ(z)+δz(z)，去近似不确定量G(t)，使得
G(t)＝θTφ(z)+δz(z)
上述等式近似成立时的θT，即为最合适的自适应虚拟控制律
Figure GDA0004056026970000057
进一步的，所述RBF自适应神经。网络算法通过对未知非线性项逼近，最终确定的自适应虚拟控制律为
Figure GDA00040560269700000512
其中
Figure GDA0004056026970000059
z2为速度偏差，a2、b2为常数，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数，
Figure GDA00040560269700000510
为虚拟控制律的导数。
进一步的步骤7中所述实际控制律为：
Figure GDA00040560269700000511
其中M为正定惯性矩阵，τ∈R2×1表示力矩的输入矢量，对数函数
Figure GDA0004056026970000061
Figure GDA0004056026970000062
z2为速度偏差，a2、b2、k为常数，
Figure GDA0004056026970000063
为自适应虚拟控制律，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数。
进一步的，所选取的位置和速度Lyapunov函数其一阶导数均小于0，使得所设计的最终复杂约束虚拟控制律能使***在时间趋于无穷大时稳定。
本发明提供的技术方案带来的有益效果是：本发明充分考虑了机器人运行过程中的复杂约束情况，通过位置约束受限控制和速度约束受限控制，保证机器人运行的安全性和稳定性，同时采用自适应RBF神经网络去逼近未知非线性项，进一步保证机器人运行的稳定性。另外，给出目标点，使用SLAM算法和激光雷达建图，通过A-star路径规划算法可自动计算出机器人的预定轨迹，避开障碍物。整个机器人***运行稳定，抗干扰能力强。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中种复杂约束下的移动机器人跟踪控制方法的流程图。
图2是表示***位置状态的仿真图。
图3是表示***速度状态的仿真图。
图4是表示***位置偏差的仿真图。
图5是表示***速度偏差的仿真图。
图6是本发明实施例中的机器人SLAM建图。
图7是本发明实施例中A-star算法循迹图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种复杂约束下的移动机器人跟踪控制方法
步骤1、matlab软件中，设置机器人质量m1＝10kg，，机器人车轮直径r＝0.1m，机器人宽度b＝0.5m，，机器人长度h＝0.5m，输入机器人的目标点，并设定机器人的初始位置信息x1(0)＝0.8和初始速度信息x2(0)＝0.6，同时对机器人的每个部件进行受力分析，建立机器人的动力学模型，设置复杂约束移动机器人控制器。
步骤2、使用TurtleBot3机器人，机器人上装载了激光雷达扫描，树莓派3以及32位MCU。遥控控制机器人使用二维激光雷达扫描周围环境，树莓派处理数据通过SLAM算法对机器人所处的环境进行地图建模。设置速度为0.2m/s，角速度为2rad/s。
步骤3、利用A-star路径规划算法得到从起始点到目标点的最优路径，从而获得机器人期望轨迹，
Figure GDA0004056026970000071
Figure GDA0004056026970000072
分别代表A-star算法计算出来的期望位置和期望速度。
步骤4、通过激光雷达、编码器实时监测机器人的状态信息，获取机器人实时的位置信息和速度信息。
步骤5、设计复杂约束受限控制算法，根据机器人的实时状态信息，得到实际轨迹与期望轨迹的偏差，z1，z2分别代表位置偏差和速度偏差，把此偏差输入到复杂约束机器人控制器，通过约束受限控制算法得到复杂约束虚拟控制律，进而控制机器人不会破坏约束条件。
步骤6、同时将机器人的实时状态信息反馈给RBF神经网络，RBF自适应神经网络算法通过逼近未知非线性项，来确定自适应虚拟控制律
Figure GDA0004056026970000073
进而抵消外界诸如轮胎打滑、风力等不确定影响。
步骤7、将复杂约束虚拟控制律和自适应虚拟控制律进行结合，得到最终的实际控制律；
步骤8、实际控制律控制双轮移动机器人的电机转速，来控制机器人持续平稳的运行；
步骤9：判断机器人是否到达目标点，如果到达目标点，机器人停止运行，如果没有到达目标点，重复步骤3至8，直至到达目标点。
进一步的，步骤1中所述的动力学模型设计如下：
步骤1.1、本发明考虑简单的轮式机器人***，所述动力学模型描述如下：
Figure GDA0004056026970000074
其中，q＝[x，y]T表示位置向量，x和y分别表示机器人几何中心的横坐标和纵坐标。M(q)∈R2×2表示正定惯性矩阵，
Figure GDA0004056026970000075
表示向心矩阵和科里奥利矩阵，
Figure GDA0004056026970000076
表示地面摩擦，τd表示未知有界扰动，B(q)∈R2×2表示输入变换式矩阵，τ∈R2×1表示力矩的输入矢量，并且τ＝[τr，τl]，AT(q)λ∈R2×1表示非完整约束力。
步骤1.2、确定所述动力学模型后，我们定义x1＝q＝[x，y]T，
Figure GDA0004056026970000081
Figure GDA0004056026970000082
然后将所述动力学模型转换成下面形式：
Figure GDA0004056026970000083
其中，x1为位置状态信息，x2为速度状态信息；
Figure GDA0004056026970000084
G(t)表示***的集总不确定性。
进一步的，步骤3中所述的A-star路径规划算法如下：
f(n)＝g(n)+h(n)
其中g(n)表示从节点n到起始点的移动代价；f(n)表示第n个节点的综合优先级，算法根据节点的优先级大小选择下一个要遍历的节点；h(n)表示节点n到终点的期望代价，是快速优先算法的启发式函数；
所述A-star路径规划算法完整步骤描述如下：
步骤3.1、初始化开集和闭集；
步骤3.2、把初始点放入开集，并设优先级为最高；
步骤3.3、如果开集不为空，则从开集中选择优先级最高的节点作为节点n；
步骤3.3.1、如果节点n是目标节点：则完成路径规划，跟踪父节点n从终点到起点；
步骤3.3.2、如果节点n不是目标节点：将节点n从开集中移除，并置于闭集中。遍历节点n相邻的所有节点；
步骤3.3.2.1、如果n相邻的节点m在闭集中：跳过并检测下一个节点；
步骤3.3.2.2、如果n相邻的节点m既不在开集也不在闭集中：赋值n为m的父节点，即把节点n设置为节点m的父节点，计算m的优先级，将节点m加入开集；
步骤3.3.2.3、如果n相邻的节点m在开集中：计算比较综合优先级f(m)的值，如果f(m)是开集中的最小值，则该节点m为父节点，并重新计算该值。
进一步的，在步骤3中所述启发式函数h(n)在A-star算法中有至关重要的作用。在极端情况下，如果h(n)是0，函数f(n)中只有g(n)发挥作用，A-star算法会变成Dijkstra算法。也就是说h(n)足够小，A-star算法遍历节点越多，算法运行速度越慢。反之，h(n)越大，A-star就会变成快速优先算法。
可以用下述启发式函数计算计算期望代价：
Figure GDA0004056026970000091
这个形式的启发函数可以计算直线距离和对角线距离。
其中nx，ny分别表示当前点的横纵坐标，中Px，Py分别表示目标点的横纵坐标。
进一步的，在步骤5中所述的复杂约束包括速度约束和位置约束，所述复杂约束受限控制算法的设计包括的速度约束受限控制设计和位置约束受限控制算法的设计：
步骤5.1、位置约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure GDA0004056026970000092
z1为位置偏差，然后选取满足约束条件的Lyapunov函数V1，V1＞0，
Figure GDA0004056026970000093
为满足位置约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure GDA0004056026970000094
其中位置约束虚拟控制律
Figure GDA0004056026970000095
Figure GDA0004056026970000096
运用杨氏不等式使得
Figure GDA0004056026970000097
进而确定合适的位置约束虚拟控制律α1；其中a1＞2k1H1，b1＜s1H1z1，a1、b1分别代表位置约束状态的上下限，a1、b1、k1均为常数。
步骤5.2、速度约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure GDA0004056026970000098
z2为速度偏差，然后选取满足约束条件的Lyapunov函数V2，V2＞0，
Figure GDA0004056026970000099
为满足速度约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure GDA00040560269700000910
其中速度约束虚拟控制律
Figure GDA00040560269700000911
Figure GDA00040560269700000912
运用杨氏不等式使得
Figure GDA00040560269700000913
进而确定合适的速度虚拟控制律α2；其中a2＞2k2H2，b2＜s2H2z2，a2、b2分别代表速度约束状态的上下限，a2、b2、k2均为常数。
步骤5.3、综合位置约束虚拟控制律和速度约束虚拟控制律，得到的动态复杂约束虚拟控制律α(t)。
进一步的，在步骤6中所述RBF自适应神经网络是一种三层的神经网络，包括输入层、隐含层和输出层；输入层到隐含层的转换是非线性的，而隐含层到输出层的转换是线性的。所述RBF自适应神经网络算法设计如下：
对于一个未知的连续非线性函数G(z)，在紧集Ω∈R，可以近似为：
G(Z)＝WTφ(Z)+δ(Z)
其中Z∈Ω是输入向量，W∈Rl是理想权向量，l是节点数。δ(Z)是近似误差，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数：
Figure GDA0004056026970000101
Figure GDA0004056026970000102
是高斯函数的中心，vi是高斯函数的宽度。
这里定义所述RBF自适应神经网络θTφ(z)+δz(z)，去近似不确定量G(t)，使得
G(t)＝θTφ(z)+δz(z)
上述等式近似成立时的θT，即为最合适的自适应虚拟控制律
Figure GDA0004056026970000103
进一步的，所述RBF自适应神经网络算法通过对未知非线性项逼近，最终确定的自适应虚拟控制律为
Figure GDA0004056026970000104
其中
Figure GDA0004056026970000105
z2为速度偏差，a2、b2为常数，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数，
Figure GDA0004056026970000106
为虚拟控制律的导数。
进一步的，步骤7中所述实际控制律为：
Figure GDA0004056026970000107
其中M为正定惯性矩阵，τ∈R2×1表示力矩的输入矢量，对数函数
Figure GDA0004056026970000108
Figure GDA0004056026970000109
z2为速度偏差，a2、b2、k为常数，
Figure GDA00040560269700001010
为自适应虚拟控制律，φ(Z)＝[φ1(Z)，...，φl(Z)]T∈Rl是高斯函数。
进一步的，所选取的位置和速度Lyapunov函数其一阶导数均小于0，使得所设计的最终复杂约束虚拟控制律能使***在时间趋于无穷大时稳定。
根据仿真图图2和图3可以看出，***状态可以稳定的跟踪期望值，偏差很小；根据仿真图图4和图5中，可以看出***的跟踪偏差都限制在非对称的时变约束范围内，从而确保***全状态在整个过程中都不违背约束条件。
图6是机器人用激光雷达在实验室中SLAM建图。图7是采用A-star算法循迹图。每间隔5s采样一张图片，可以看到机器人稳定运行躲过墙体障碍物，在20s后达到目标位置，并且没用破坏约束条件。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种复杂约束下的移动机器人跟踪控制方法，其特征在于：包括以下步骤：
步骤1、输入机器人的目标点，并设定机器人的初始状态，同时对机器人的每个部件进行受力分析，建立机器人的动力学模型，设置复杂约束机器人控制器；
步骤2、遥控控制机器人使用二维激光雷达扫描周围环境，通过SLAM算法创建环境地图；
步骤3、利用A-star路径规划算法在所述环境地图中进行规划，并计算得到最优路径，从而获得机器人期望轨迹；
步骤4、通过激光雷达、编码器实时监测机器人的状态信息；
步骤5、设计复杂约束受限控制算法，根据机器人的实时状态信息，得到实际轨迹与期望轨迹的偏差，把此偏差输入到复杂约束机器人控制器，通过约束受限控制算法得到复杂约束虚拟控制律；具体的，所述复杂约束受限控制算法的设计包括速度约束受限控制算法的设计和位置约束受限控制算法的设计：
步骤5.1、位置约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure FDA0004056026960000011
z1为位置偏差，然后选取满足约束条件的Lyapunov函数V1，V1>0，
Figure FDA0004056026960000012
为满足位置约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure FDA0004056026960000013
其中位置约束虚拟控制律
Figure FDA0004056026960000014
Figure FDA0004056026960000015
运用杨氏不等式使得
Figure FDA0004056026960000016
进而确定合适的位置约束虚拟控制律α1；其中a1>2k1H1，b1<s1H1z1，a1、b1分别代表位置约束状态的上下限，a1、b1、k1均为常数；
步骤5.2、速度约束受限控制算法设计如下：
采用backstepping的方法，基于对数函数
Figure FDA0004056026960000017
z2为速度偏差，然后选取满足约束条件的Lyapunov函数V2，V2>0，
Figure FDA0004056026960000018
为满足速度约束条件的Lyapunov函数，对所选取的Lyapunov函数求一阶导数，并化简得到
Figure FDA0004056026960000019
其中速度约束虚拟控制律
Figure FDA00040560269600000110
Figure FDA0004056026960000021
运用杨氏不等式使得
Figure FDA0004056026960000022
进而确定合适的速度虚拟控制律α2；其中a2>2k2H2，b2<s2H2z2，a2、b2分别代表速度约束状态的上下限，a2、b2、k2均为常数；
步骤5.3、综合位置约束虚拟控制律和速度约束虚拟控制律，得到的动态复杂约束虚拟控制律α(t)；
步骤6、同时将机器人的实时状态信息反馈给RBF自适应神经网络，RBF自适应神经网络算法通过逼近未知非线性项，来确定自适应虚拟控制律
Figure FDA00040560269600000210
步骤7、将复杂约束虚拟控制律和自适应虚拟控制律进行结合，得到最终的实际控制律；
步骤8、实际控制律控制机器人的电机转速，来控制机器人持续平稳的运行；
步骤9：判断机器人是否到达目标点，如果到达目标点，机器人停止运行，如果没有到达目标点，重复步骤3至8，直至到达目标点。
2.如权利要求1所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，步骤1中所述的动力学模型设计如下：
步骤1.1、所述动力学模型描述如下：
Figure FDA0004056026960000023
其中，q＝[x,y]T表示位置向量，x和y分别表示机器人几何中心的横坐标和纵坐标，M(q)∈R2×2表示正定惯性矩阵，
Figure FDA0004056026960000024
表示向心矩阵和科里奥利矩阵，
Figure FDA0004056026960000025
表示地面摩擦，τd表示未知有界扰动，B(q)∈R2×2表示输入变换式矩阵，τ∈R2×1表示力矩的输入矢量，并且τ＝[τr,τl]，AT(q)λ∈R2×1表示非完整约束力；
步骤1.2、确定所述动力学模型后，定义x1＝q＝[x,y]T,
Figure FDA0004056026960000026
Figure FDA0004056026960000027
然后将所述动力学模型转换成下面形式：
Figure FDA0004056026960000028
其中，x1为位置状态信息，x2为速度状态信息；
Figure FDA0004056026960000029
G(t)表示***的集总不确定性。
3.如权利要求1所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，步骤3中所述的A-star路径规划算法如下：
f(n)＝g(n)+h(n)
其中g(n)表示从节点n到起始点的移动代价；f(n)表示第n个节点的综合优先级，算法根据节点的优先级大小选择下一个要遍历的节点；h(n)表示节点n到终点的期望代价；
所述A-star路径规划算法完整步骤描述如下：
步骤3.1、初始化开集和闭集；
步骤3.2、把初始点放入开集，并设优先级为最高；
步骤3.3、如果开集不为空，则从开集中选择优先级最高的节点作为节点n；
步骤3.3.1、如果节点n是目标节点，则完成路径规划，跟踪父节点n从终点到起点；
步骤3.3.2、如果节点n不是目标节点：将节点n从开集中移除，并置于闭集中；遍历节点n相邻的所有节点；
步骤3.3.2.1、如果n相邻的节点m在闭集中：跳过并检测下一个节点；
步骤3.3.2.2、如果n相邻的节点m既不在开集也不在闭集中，赋值n为m的父节点，计算m的优先级，将节点m加入开集；
步骤3.3.2.3、如果n相邻的节点m在开集中：计算比较综合优先级f(m)的值，如果f(m)是开集中的最小值，则该节点m为父节点；
步骤3.3.3、判断节点m是否为目标节点，如果节点m是目标节点，则完成路径规划，跟踪父节点m从终点到起点；如果节点m不是目标节点，重复步骤3.3.2～步骤3.3.2.3，直至到达目标节点。
4.如权利要求3所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，所述期望代价公式如下：
Figure FDA0004056026960000031
其中nx，ny分别表示当前点的横纵坐标，中Px，Py分别表示目标点的横纵坐标。
5.如权利要求1所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，在步骤6中，所述RBF自适应神经网络是一种三层的神经网络，包括输入层、隐含层和输出层；输入层到隐含层的转换是非线性的，而隐含层到输出层的转换是线性的；
所述RBF自适应神经网络算法设计如下：
利用所述RBF自适应神经网络θTφ(z)+δz(z)，去近似不确定量G(t)，使得
G(t)＝θTφ(z)+δz(z)
上述等式成立时对应的θT，即为最合适的自适应虚拟控制律
Figure FDA0004056026960000041
6.如权利要求1所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，所述RBF自适应神经网络算法通过对未知非线性项逼近，最终确定的自适应虚拟控制律为
Figure FDA0004056026960000042
其中
Figure FDA0004056026960000043
z2为速度偏差，a2、b2为常数，φ(Z)＝[φ1(Z),...,φl(Z)]T∈Rl是高斯函数，
Figure FDA0004056026960000044
为虚拟控制律的导数。
7.如权利要求1所述的一种复杂约束下的移动机器人跟踪控制方法，其特征在于，步骤7中所述实际控制律为：
Figure FDA0004056026960000045
其中m为正定惯性矩阵，τ∈R2×1表示力矩的输入矢量，对数函数
Figure FDA0004056026960000046
Figure FDA0004056026960000047
z2为速度偏差，a2、b2、k为常数，
Figure FDA0004056026960000048
为自适应虚拟控制律，φ(Z)＝[φ1(Z),...,φl(Z)]T∈Rl是高斯函数。
CN202111041211.6A 2021-09-07 2021-09-07 一种复杂约束下的移动机器人跟踪控制方法 Active CN113805585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041211.6A CN113805585B (zh) 2021-09-07 2021-09-07 一种复杂约束下的移动机器人跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041211.6A CN113805585B (zh) 2021-09-07 2021-09-07 一种复杂约束下的移动机器人跟踪控制方法

Publications (2)

Publication Number Publication Date
CN113805585A CN113805585A (zh) 2021-12-17
CN113805585B true CN113805585B (zh) 2023-03-21

Family

ID=78940524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041211.6A Active CN113805585B (zh) 2021-09-07 2021-09-07 一种复杂约束下的移动机器人跟踪控制方法

Country Status (1)

Country Link
CN (1) CN113805585B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109465825A (zh) * 2018-11-09 2019-03-15 广东工业大学 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN112612209A (zh) * 2020-12-14 2021-04-06 哈尔滨工业大学 基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10406685B1 (en) * 2017-04-20 2019-09-10 X Development Llc Robot end effector control
CN109866752B (zh) * 2019-03-29 2020-06-05 合肥工业大学 基于预测控制的双模式并行车辆轨迹跟踪行驶***的方法
CN110286683B (zh) * 2019-07-15 2020-07-24 北京科技大学 一种履带式移动机器人的自主行驶路径跟踪控制方法
CN110865641B (zh) * 2019-10-30 2022-06-24 吉首大学 一种反演滑模控制的轮式移动机器人的轨迹跟踪方法
CN111618864B (zh) * 2020-07-20 2021-04-23 中国科学院自动化研究所 基于自适应神经网络的机器人模型预测控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109465825A (zh) * 2018-11-09 2019-03-15 广东工业大学 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN112612209A (zh) * 2020-12-14 2021-04-06 哈尔滨工业大学 基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chenghao Zhao.Hierarchical_Adaptive_Tracking_Control_for_Mobile_Robots_With_Multiple_Constraints.2021,全文. *

Also Published As

Publication number Publication date
CN113805585A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110703762B (zh) 一种复杂环境下水面无人艇混合路径规划方法
Stahl et al. Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios
Liu et al. Combined speed and steering control in high-speed autonomous ground vehicles for obstacle avoidance using model predictive control
Paden et al. A survey of motion planning and control techniques for self-driving urban vehicles
Ren et al. Integrated model predictive and torque vectoring control for path tracking of 4‐wheel‐driven autonomous vehicles
Magid et al. Voronoi-based trajectory optimization for UGV path planning
Yang et al. Automatic parking path planning of tracked vehicle based on improved A* and DWA algorithms
CN113867341B (zh) 一种高精度循迹和控制的巡逻车路径规划及跟踪方法
Bulsara et al. Obstacle avoidance using model predictive control: An implementation and validation study using scaled vehicles
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
Huy et al. A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine
Quan et al. Agv motion balance and motion regulation under complex conditions
CN113805585B (zh) 一种复杂约束下的移动机器人跟踪控制方法
Smit et al. Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Tahirovic et al. Passivity-based model predictive control for mobile vehicle motion planning
Klančar et al. Combined stochastic-deterministic predictive control using local-minima free navigation
Feng et al. Dynamic steering control of conventionally steered mobile robots
Chen et al. A robust trajectory planning method based on historical information for autonomous vehicles
Han et al. Hybrid path planning algorithm for mobile robot based on a* algorithm fused with dwa
Elsheikh et al. Practical path planning and path following for a non-holonomic mobile robot based on visual servoing
Jafari et al. Reactive path planning for emergency steering maneuvers on highway roads
Nejad et al. Real time localization, path planning and motion control for autonomous parking in cluttered environment with narrow passages
Liu et al. Research on real-time positioning and map construction technology of intelligent car based on ROS
Dou et al. A novel relative navigation control strategy based on relation space method for autonomous underground articulated vehicles
Zhang et al. Obstacle avoidance control of the AGV with Actuator Dead Zones Based on Fixed-time Disturbance Observers and Command Filtering

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