发明内容
有鉴于此,本发明提供一种多模态鲁棒自抗扰运动控制方法,实现多模态***的控制,提高了控制精度以及被控***的稳定性,使得多模态被控***具有较强的鲁棒性。
本发明首先提供了一种多模态鲁棒自抗扰运动控制方法,所述方法包括依次执行的如下步骤:根据被控***信息,判断被控***当前所处的控制模态;其中,所述被控***信息包括被控***的状态信息;根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。
在一种可能的实施方式中,所述方法还包括:根据所述被控***的控制目标,建立多模态的被控***模型;根据所述被控***模型和所述被控***的控制目标,确定被控***的控制模态。
在一种可能的实施方式中,所述方法还包括:建立控制器模型和扰动观测器模型;其中,所述控制模态对应不同的控制模型和扰动观测器模型;其中,所述扰动观测器模型,用于估计所述被控***的扰动参数;所述控制器模型,用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中,所述根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令,包括:根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令。
在一种可能的实施方式中,根据所述被控***的控制目标,建立多模态的被控***模型,包括:建立如下所述被控***模型:
其中,i=1,2,...,n,n表示所述被控***模型包括n个动态方程;k=1,2,...,m,m表示所述被控***模型包括m个不同的模态;
表示状态信息x
i的一阶导数;
表示被控***的状态信息构成的状态信息向量;
表示根据所述状态信息向量,利用径向基函数神经网络算法RBFNN得到的***状态向量
的连续函数;d
i表示状态信息x
i对应的扰动参数;u表示第k个模态下的控制输入,所述控制方法的实际指令;x
1和y表示所述被控***的状态输出。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:针对所述被控***模型,设计第k个模态对应的鲁棒自抗扰运动控制器;对于i=1时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
1表示被控***模型中第一个动态方程对应的控制指令,y
r为参考信号,表示被控***的控制目标,跟踪误差表示为e
1=x
1-y
r,
是扰动观测器针对状态信息x
1估计的扰动参数,
是观测误差,假设
是观测误差上界的估计值,
是
的一阶导数,tanh(·)是双曲正切函数;参数k
1>0,k′
1>0,λ
1>0,τ
1>0,l
1>0均为扰动观测器模型设计过程中可调节的参数,p
1为扰动观测器模型设计过程中的中间量,没有实际物理意义。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:对于1<i≤n-1时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
i表示被控***模型中第i个动态方程对应的控制指令,跟踪误差表示为e
i=x
i-α
i-1,
是扰动观测器针对状态信息x
i估计的扰动参数,
是观测误差,假设
是观测误差上界的估计值,
是
的一阶导数,tanh(·)是双曲正切函数;l
i>0,k
i>0,k′
i>0,λ
i>0,τ
i>0均为扰动观测器及控制器模型设计过程中可调节的参数,p
i为扰动观测器模型设计过程中的中间量,没有实际物理意义。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:对于i=n时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
n表示被控***模型中第n个动态方程对应的理想控制指令,跟踪误差表示为e
n=x
n-α
n,
是扰动观测器针对状态信息x
n估计的扰动参数,
是观测误差,假设
z
u=u-α
n为切换误差,表示理想控制指令与实际控制指令之间的差值,u为实际控制指令,
是θ
n的估计值,参数k
n>0,k′
n>0,λ
n>0,τ
n>0均为扰动观测器及控制器模型设计过程中可调节的参数,p
n为扰动观测器模型设计过程中的中间量,没有实际物理意义。
在一种可能的实施方式中,所述根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令,包括:当所述切换误差的绝对值在小于等于第一阈值时,将所述理想控制指令αn作为实际控制指令;当所述切换误差的绝对值在大于第一阈值时,对所述理想控制指令αn进行修正,得到实际控制指令。
在一种可能的实施方式中,所述当所述切换误差的绝对值在小于等于第一阈值时,将所述理想控制指令αn作为实际控制指令,当所述切换误差的绝对值在大于第一阈值时,对所述理想控制指令αn进行修正,得到实际控制指令,包括:
其中,0<ω<1,0<β<1,c和β为可调节的正参数。
本发明还提供了一种多模态鲁棒自抗扰运动控制***,所述***用于执行所述控制方法,所述***包括:控制模态判断模块,用于根据被控***信息,判断被控***当前所处的控制模态;其中,所述被控***信息包括被控***的状态信息;理想控制指令确定模块,用于根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;指令修正模块,用于根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。
在一种可能的实施方式中,所述多模态鲁棒自抗扰运动控制***,还包括:被控***模型建立模块,用于根据所述被控***的控制目标,建立多模态的被控***模型;根据所述被控***模型和所述被控***的控制目标,确定被控***的控制模态。
在一种可能的实施方式中,所述多模态鲁棒自抗扰运动控制***,还包括:控制器模型和扰动观测器模型建立模块,用于建立控制器模型和扰动观测器模型;其中,所述控制模态对应不同的控制模型和扰动观测器模型;其中,所述扰动观测器模型,用于估计所述被控***的扰动参数;所述控制器模型,用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中,所述指令修正模块,还用于根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令。
本发明的多模态鲁棒自抗扰运动控制方法,可以根据被控***信息,判断被控***当前所处的控制模态,根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。所述控制方法能够实现对理想控制指令的修正得到实际控制指令,抑制不同模态控制规律转换时被控***的瞬态响应,实现多模态***的控制,提高了控制精度以及被控***的稳定性,使得多模态被控***具有较强的鲁棒性。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
图1示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的示意图。
如图1所示,被控对象的执行机构可以向被控对象反馈执行机构的运动状态,传感器可以获取被控对象的状态信息。鲁棒自抗扰控制器,可以根据控制的目标和相关控制理论,构造标称控制器,利用非线性扰动观测器估计***的未知扰动,并对标称控制器进行补偿得可以实现自抗扰的鲁棒自抗扰控制器。所述多模态鲁棒自抗扰运动控制方法中可以包括多模态切换机制,该机制可以实现根据传感器获取的被控对象的状态信息,判断出被控对象当前所处的模态。所述多模态鲁棒自抗扰运动控制方法中也可以多模态条件下的事件触发机制,该机制可以实现根据传感器获取的被控对象的状态信息确定当前状态对应的理想控制指令,鲁棒自抗扰控制器可以根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令,将其通过控制网络传递给执行机构,进而实现对被控对象的运动控制,保证了执行机构在一定的阈值内不发生突变,即抑制不同控制模态转换时被控***的瞬态响应。图2示出本发明一实施例的一种多模态鲁棒自抗扰运动控制方法的流程图。
所述方法包括依次执行的如下步骤:
步骤S1:根据被控***信息,判断被控***当前所处的控制模态;其中,所述被控***信息包括被控***的状态信息;
步骤S2:根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;
步骤S3:根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。
通过判断被控***当前所处的控制模态,根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。所述控制方法能够实现对理想控制指令的修正得到实际控制指令,抑制不同模态控制规律转换时被***的瞬态响应,实现多模态***的控制,提高了控制精度以及被控***的稳定性,使得多模态被控***具有较强的鲁棒性。
在另一种可能的实施方式中,如图3所示,在步骤S1之前,还可以包括步骤S0。
步骤S0包括:根据所述被控***的控制目标,建立多模态的被控***模型;根据所述被控***模型和所述被控***的控制目标,确定被控***的控制模态;
建立控制器模型和扰动观测器模型;其中,所述控制模态对应不同的控制模型和扰动观测器模型;其中,所述扰动观测器模型,用于估计所述被控***的扰动参数;所述控制器模型,用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。
在一种可能的实施方式中,根据所述被控***的控制目标,建立多模态的被控***模型,包括:建立如下所述被控***模型:
其中,i=1,2,...,n,n表示所述被控***模型包括n个动态方程;k=1,2,...,m,m表示所述被控***模型包括m个不同的模态;
表示状态信息x
i的一阶导数;
表示被控***的状态信息构成的状态信息向量;
表示根据所述状态信息向量,利用径向基函数神经网络算法RBFNN得到的***状态向量
的连续函数;d
i表示状态信息x
i对应的扰动参数;u表示第k个模态下的控制输入,所述控制方法的实际指令;x
1和y表示所述被控***的状态输出。
在一种可能的实施方式中,例如所述被控***可以是无人机***,机器人***,机械臂***等存在运动控制的***。例如针对无人机被控***,可以根据无人机***的垂直上升,水平匀速飞行,水平加速飞行,水平减速飞行,垂直下降等控制目标,确定无人机***的多个控制模态:垂直上升模态,水平匀速飞行模态,水平加速飞行模态,水平减速飞行模态,垂直下降模态。可以根据无人机的所述多个控制目标建立无人机的多模态的被控***模型。
在一种可能的实施方式中,所述被控***是无人机***时,通过实际的飞行实验,获取足够多的飞行状态信息
得到被控***的状态信息构成的状态信息向量,以及获取足够多的飞机控制输入数据(或称控制指令)u。例如,无人机***的飞行状态信息包括速度,加速度,角速度等。根据所述状态信息向量,利用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)算法,得到的被控***状态向量的拟合函数
和
表达式,建立不同模态下的拟合函数数据库,根据所述函数构建被控***模型。在一种可能的实施方式中,将被控***状态向量的函数
和
存入数据库中,为后续控制器模型设计做准备。
通过实验获取大量的被控***的运动控制数据,得到被控***的状态信息构成的状态信息向量以及控制输入数据。根据所述状态信息向量,利用径向基函数神经网络RBFNN算法,得到的被控***状态向量的函数,从而建立多模态包括***模型。这样,通过建立多模态被控***解决了相关技术中设计的被控***模型相对简单,未考虑较为复杂且具有实际工程意义的***多模态特性,当模态切换时,被控***的稳定性不好,控制精度不高的技术问题。
多模态控制***模型建立过程中使用的RBFNN算法是本领域中常用的具有较好的逼近性能的算法,广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。本发明对根据状态信息向量,利用径向基函数神经网络得到被控***状态向量的函数
和
的具体实现方式不做限定。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:
针对所述被控***模型,设计第k个模态对应的鲁棒自抗扰运动控制器;
对于i=1时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
1表示被控***模型中第一个动态方程对应的控制指令,y
r为参考信号,表示被控***的控制目标,跟踪误差表示为e
1=x
1-y
r,
是扰动观测器针对状态信息x
1估计的扰动参数,
是观测误差,假设
是观测误差上界的估计值,
是
的一阶导数,tanh(·)是双曲正切函数;参数k
1>0,k′
1>0,λ
1>0,τ
1>0,l
1>0均为扰动观测器及控制器模型设计过程中可调节的参数,p
1为扰动观测器模型设计过程中的中间量,没有实际物理意义。
其中,上述扰动观测器模型和控制器模型中的被控***状态向量的函数
和
可以从前述拟合函数数据库中直接获取,本发明对此不进行特殊限定。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:对于1<i≤n-1时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
i表示被控***模型中第i个动态方程对应的控制指令,跟踪误差表示为e
i=x
i-α
i-1,
是扰动观测器针对状态信息x
i估计的扰动参数,
是观测误差,假设
是观测误差上界的估计值,
是
的一阶导数,tanh(·)是双曲正切函数;l
i>0,k
i>0,k′
i>0,λ
i>0,τ
i>0均为扰动观测器及控制器模型设计过程中可调节的参数,p
i为扰动观测器模型设计过程中的中间量,没有实际物理意义。
在一种可能的实施方式中,所述建立控制器模型和扰动观测器模型,包括:对于i=n时,建立如下扰动观测器模型:
建立如下控制器模型:
其中,α
n表示被控***模型中第n个动态方程对应的理想控制指令,跟踪误差表示为e
n=x
n-α
n,
是扰动观测器针对状态信息x
n估计的扰动参数,
是观测误差,假设
z
u=u-α
n为切换误差,表示理想控制指令与实际控制指令之间的差值,u为实际控制指令,
是θ
n的估计值,参数k
n>0,k′
n>0,λ
n>0,τ
n>0均为扰动观测器及控制器模型设计过程中可调节的参数,p
n为扰动观测器模型设计过程中的中间量,没有实际物理意义。
这样,针对已经建立的多模态被控***,设计出控制器模型和扰动观测器模型,解决了相关技术中仅对控制器的软件***结构的定义,但对于具体的控制器设计并未详细给出的技术问题。
在一种可能的实施方式中,根据被控***模型中建立的不同模态下***状态向量
的拟合函数
和
数据库。设计多模态切换机制,当***状态信息改变时,步骤S1中根据被控***信息,判断被控***当前所处的控制模态,即启动当前所处对应模态的控制器,然后所述控制器来确定与所述被控***当前所处的控制模态对应的理想控制指令。
这样,不同的控制模态对应于不同的控制器,提高了控制器输出的控制指令的准确性,进而提高了控制精度。而且,控制器的设计中考虑了模态切换时,被控***的瞬态响应可能产生突变的扰动,对***扰动进行观测估计,解决了由于存在扰动而导致的***消耗较多能源,同时可能损害***执行机构的技术问题。
在一种可能的实施方式中,所述根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令,可以包括:根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令。
在一种可能的实施方式中,所述根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令,可以包括:当所述切换误差的绝对值在小于等于第一阈值时,将所述理想控制指令αn作为实际控制指令;当所述切换误差的绝对值在大于第一阈值时,对所述理想控制指令αn进行修正,得到实际控制指令。
在一种可能的实施方式中,所述当所述切换误差的绝对值在小于等于第一阈值时,将所述理想控制指令αn作为实际控制指令,当所述切换误差的绝对值在大于第一阈值时,对所述理想控制指令αn进行修正,得到实际控制指令,包括:
其中,0<ω<1,0<β<1,c和β为可调节的正参数。
这样,当所述切换误差的绝对值在小于等于第一阈值时,将所述理想控制指令αn作为实际控制指令;当所述切换误差的绝对值在大于第一阈值时,对所述理想控制指令αn进行修正,得到实际控制指令。抑制不同控制模态转换时被控***的瞬态响应。当被控***发生模态切换时,对控制器即将输入到包括***的理想控制指令进行修正处理,具体而言是针对给定的第一阈值条件设置事件触发机制,保证执行器在一定阈值内不会发生突变。
在一种可能的实施方式中,设置第一阈值为|zu|≤β|u|+c,其中,u为前一控制模态对应的控制指令,c和β为在实验中可调节的适应对应的控制***的正参数。本发明不对c和β进行特殊限定。(1-ω)u+ωαn中的u为前一控制模态对应的控制指令,该式表示对前一控制模态对应的实际控制指令和当前控制模态对应的理想控制指令进行加权后得到当前控制模态对应的实际控制指令,该实际控制指令即是修正后的控制指令。
在一种可能的实施方式中,控制器中设置有事件触发机制,当控制器中的事件触发机制监测到当前控制模态对应的理想控制指令和控制模态切换之前的实际的控制指令相差过大时,开启指令修正机制,即对所述理想控制指令进行修正,得到实际输入到被控***的实际控制指令,保证执行器在一定阈值内不会发生突变,即抑制不同控制模态转换时被控***的瞬态响应。
图4示出本发明一实施例的鲁棒自抗扰控制器控制被控***的示意图。在一种可能的实施方式中,根据无人机***的控制目标,建立多模态的被控***模型。例如,无人机***包括垂直地面上升,水平匀速飞行,水平加速飞行,水平减速飞行,垂直地面下降等控制目标,根据所述多个控制目标建立无人机***的多模态控制模型。根据所述无人机***模型和所述无人机***的控制目标,确定被控***的多个控制模态,例如无人机***的水平匀速控制模态,加速上升控制模态,减速下降控制模态等控制模态。
如图4所示,被控***中包括传感器和执行机构,所述传感器用于感测被控***的状态信息。举例来说,当被控***为无人机***时,传感器可以感测无人机***的高度,速度,加速度,角速度等信息;所述执行机构可以是电动机,用于驱动无人机的运动。所述无人机***包括鲁棒自抗扰控制器和被控***。图4中的鲁棒自抗扰控制器可以获取被控***中传感器感测到的被控***的状态信息,根据该状态系信息判断被控***当前所处的控制模态,例如所述鲁棒自抗扰控制器判断出无人机***处于垂直于地面加速上升的控制模态,确定与所述被控***当前所处的加速上升控制模态对应的理想控制指令;根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。
在一种可能的实施方式中,图4中的鲁棒自抗扰控制器可以根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令。例如,当鲁棒自抗扰控制器中的事件触发机制检测到当前控制模态(加速上升控制模态)对应的理想控制指令和控制模态切换之前的控制模态(例如匀速水平飞行)对应的实际的控制指令相差过大时(即大于一定的阈值),开启指令修正机制,即对所述理想控制指进型修正,得到实际输入到被控***的实际控制指令,保证了执行机构在一定的阈值内不发生突变,即抑制不同控制模态转换时被控***的瞬态响应。
本发明还提供了一种多模态鲁棒自抗扰运动控制***,所述***用于执行所述控制方法,所述***包括:控制模态判断模块,用于根据被控***信息,判断被控***当前所处的控制模态;其中,所述被控***信息包括被控***的状态信息;理想控制指令确定模块,用于根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;指令修正模块,用于根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。
在一种可能的实施方式中,所述多模态鲁棒自抗扰运动控制***,还包括:被控***模型建立模块,用于根据所述被控***的控制目标,建立多模态的被控***模型;根据所述被控***模型和所述被控***的控制目标,确定被控***的控制模态。
在一种可能的实施方式中,所述多模态鲁棒自抗扰运动控制***,还包括:控制器模型建立模块,用于建立控制器模型和扰动观测器模型;其中,所述控制模态对应不同的控制模型和扰动观测器模型;其中,所述扰动观测器模型,用于估计所述被控***的扰动参数;所述控制器模型,用于根据所述被控***模型和所述扰动参数确定与所述被控***当前所处的控制模态对应的理想控制指令。在一种可能的实施方式中,所述指令修正模块,还用于根据所述理想控制指令和前一控制模态对应的实际控制指令对所述理想控制指令进行修正,得到修正后的实际控制指令。
根据本发明的多模态鲁棒自抗扰运动控制方法,可以根据被控***信息,判断被控***当前所处的控制模态,根据所述被控***当前所处的控制模态,确定与所述被控***当前所处的控制模态对应的理想控制指令;根据所述被控***信息和所述理想控制指令,确定所述被控***的实际控制指令。所述控制方法能够实现多模态***的控制,抑制不同模态控制规律转换时被控***的瞬态响应,提高了控制精度以及被控***的稳定性,使得多模态被控***具有较强的鲁棒性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。