基于PPO的球形机器人目标跟随研究

球形机器人由于其优异的运动性能、出色的地形适应能力和防侧翻的特性,被广泛应用于水下探测、岸滩巡检等需要适应复杂环境的场景。然而球形机器人系统模型具有欠驱动、非线性的特点,运动控制问题复杂,在复杂应用环境下难以可靠跟随目标。为此,提出了一种基于近端策略优化(PPO)算法的球形机器人目标跟随方法。该方法基于深度强化学习理论,在球形机器人动力学模型的基础上,设计了简单高效的动作空间和表征完善的状态空间。并且为提高目标跟随方法的鲁棒性,该方法在奖励函数中引入人工势场,以使目标始终保持在机器人视野中心。仿真结果表明,所提方法能够满足既定场景的跟随需求,球形机器人使用该方法可以对随机运动目标进行可靠跟随。

基于MPC的球形机器人轨迹跟踪方法研究

单摆驱动式球形机器人运动存在欠驱动和非线性特性,导致轨迹跟踪难度较大。为此,提出了一种基于模型预测控制(MPC)的球形机器人轨迹跟踪控制方法。该方法首先利用拉格朗日动力学模型和参考运动轨迹,结合泰勒线性展开和时域离散处理,得到球形机器人运动状态偏差的预测模型。随后,以未来特定时段内轨迹跟踪误差最小为目标,在满足控制量和控制增量约束的条件下,利用二次规划对球形机器人长轴和短轴电机转矩进行滚动优化,同时在特定控制步长下不断根据优化结果进行电机转矩控制,最终实现对机器人参考轨迹的跟踪。仿真结果表明,与传统PID控制方法相比,所提MPC方法横向跟踪最大误差减少了0.664 4 m,纵向跟踪最大误差减少了0.112 1 m,跟踪误差曲线基本在0附近波动,具有明显的轨迹跟踪精度与稳定性优势。