具有不确定滑转的轮式移动机器人轨迹跟踪控制方法

轮式移动机器人在松软复杂地形条件下容易发生车轮滑转,影响轨迹跟踪精度.为提高机器人在该情况下的轨迹跟踪准确性,提出了一种基于容错控制的自适应滑转补偿控制器.首先,考虑车轮滑转率建立了四轮移动机器人运动学模型,并构建了相应的轨迹跟踪误差模型;然后,根据容错控制方法设计了滑转补偿项,并基于Lyapunov稳定性理论证明了自适应滑转补偿控制器的稳定性,实现了对由车轮滑转引起的速度误差的准确补偿;最后,利用四轮移动机器人进行了两种工况下的实验验证.结果表明,设计的控制器能够使移动机器人在未知的车轮滑转率条件下准确跟踪理想路径,并且相较于常规控制器有更强的鲁棒性和更高的跟踪精度.

基于神经网络的轮式移动机器人非线性模型预测控制研究

针对轮式移动机器人受到障碍物干扰导致运动轨迹跟踪误差较大问题,提出了神经网络非线性模型预测(NN-NMP)控制方法,并对轮式移动机器人避障效果进行仿真验证。建立了轮式移动机器人运动模型,并且定义了机器人运动方程式。设计非线性模型预测控制方法,引用神经网络算法,通过训练多层神经网络对非线性模型预测控制误差进行逼近,从而使轮式移动机器人控制系统具有更好的避障能力。设置3种不同环境,利用Matlab软件对轮式移动机器人避障结果进行仿真,对比和分析轮式移动机器人采用2种控制方法的输出结果。结果显示:在无障碍物环境中,采用传统比例-积分-微分(PID)控制方法和NN-NMP控制方法,轮式移动机器人均能较好地按照期望轨迹进行移动。在有障碍物环境中,采用传统PID控制方法,轮式移动机器人虽然能够躲避障碍物,但是跟踪误差较大。采用NN-NMP控制方法,轮式移动机器人不仅能够躲避障碍物,而且跟踪误差相对较小。采用NN-NMP控制方法,能够降低轮式移动机器人跟踪误差,具有较好的避障能力。

轮式移动机器人的反演二次滑模优化轨迹跟踪控制策略研究

为提高轮式移动机器人(WMR)轨迹跟踪控制的精度,提出一种反演二次滑模优化控制策略。首先,基于WMR的运动学与动力学模型,设计运动学反演滑模控制器和动力学反演积分滑模控制器,并通过Lya-punov稳定性理论证明控制器的稳定性。然后,利用粒子群优化(PSO)算法,对控制器的参数寻优。最后,考虑外部扰动以及系统输入饱和的情况,利用Matlab/Simulink对该控制策略进行仿真验证。结果表明,所提出的控制策略在保证系统鲁棒性和实时性的同时,还提高了系统的控制精度。

轮式移动机器人自适应主动容错控制研究

为提高应用于新型冠状病毒感染病区室内空气消毒的轮式移动机器人的可靠性,提出了一种基于自适应神经网络的主动容错控制策略。在设计好移动机器人的虚拟样机后,推导了其运动学模型,得到了系统输入输出的关系。设计了一种自适应主动容错控制策略来提高轮式移动机器人轨迹跟踪控制的鲁棒性与可靠性。在控制框架中,结合神经网络和扩展卡尔曼滤波技术来提高故障诊断器对系统执行器故障检测的准确性;设计了非线性动态逆控制器和自适应故障补偿器来提高系统状态量的响应速度与跟踪精度。接着,通过Lyapunov函数证明了所设计控制器的稳定性。仿真结果表明,与其他2种现有的控制器相比,自适应主动容错控制器能够有效地诊断并补偿系统执行器故障,而且能保证轮式移动机器人在平面内具有较高的跟踪精度。

轮式移动机器人复合分层抗干扰轨迹跟踪控制

针对存在多种不同类型干扰的非完整轮式移动机器人,提出了一种复合分层抗干扰跟踪控制策略。通过引入直流电机模型,分别设计了非线性干扰观测器(nonlinear disturbance observer,NDO)和扩张状态观测器(extended state observer,ESO)来估计摩擦、空气阻力以及负载变化引起的参数不确定等不同类型扰动。随后,基于观测器估计值设计反馈控制器来跟踪期望速度。在整体控制方案中,运动学控制器位于外环,为轮式移动机器人的内环控制器提供所需的期望速度指令。最后,仿真验证了所提方法的有效性。

侧滑和打滑下的轮式移动机器人轨迹跟踪控制

针对未知侧滑和打滑干扰下轮式移动机器人(WMR)轨迹控制中,存在模型不确定性、外部干扰等扰动导致传统滑模控制易出现收敛精度不足、控制输入抖振的问题,提出一种基于非线性扩展状态观测器的自适应二阶滑模跟踪控制方法(ASOSMC-NESO)。首先建立了侧滑与打滑条件下的轮式移动机器人运动学和动力学模型;其次,由反步法设计运动学控制器,为动力学提供虚拟速度;接着,针对外部干扰设计了非线性扩展状态观测器,以估计总扰动;然后,基于二阶积分滑模的思想将积分滑模和非奇异快速终端滑模面相结合,设计了动力学控制器,并给出了控制器稳定性分析。实验结果表明,对比一阶滑模控制方法,该控制方法误差最大值在线性和非线性轨迹下,分别下降约89.53%和16.28%,而且控制输入基本不受干扰影响。由此可见,ASOSMC-NESO能有效提高WMR在未知侧滑和打滑下的控制精度,并有效削减抖振和提升WMR轨迹跟踪鲁棒性。

联合CTC和Transformer的轮式移动机器人语音控制研究

针对人机交互过程中手动控制轮式移动机器人步骤繁琐且双手受到限制的问题,提出并实现基于深度学习算法的轮式移动机器人语音控制系统。系统选取树莓派4B开发板作为主控制器,科大讯飞6阵列语音模块作为语音采集器,STM32单片机作为底层轮式移动机器人的控制器。语音识别算法部分设计基于Transformer的端到端语音识别模型,并加入连续时序分类算法来辅助模型的训练,模型的收敛速度和鲁棒性都得到相应的提升。模型在AISHELL-1语音数据集上测试的字错率为5.57%,相对于Transformer单独训练,字错率相对下降5.1%。经过平台搭建和实验,实现轮式移动机器人根据用户语音指令完成相对应动作的目的,有利于提高工作效率和解放用户的双手。

离轴拖挂轮式移动机器人跟踪控制研究

针对离轴拖挂轮式移动机器人挂车的轨迹跟踪控制问题,基于拖车和挂车运动轨迹的相对曲率关系提出了一种动态跟踪方法。建立离轴拖挂轮式移动机器人的运动学模型和动力学模型。通过拖车和挂车位置几何关系给出了两车的速度关系,进而得到两车运动轨迹相对曲率之间的关系。基于曲率关系将挂车的运动任务转化为拖车的运动任务,并结合动态跟踪方法设计比例积分反馈控制器完成拖车的运动任务。最后通过模拟仿真实现了挂车精确的轨迹跟踪控制,仿真结果表明在所提控制器的作用下,挂车在拖车的拉拽下可精确地跟踪目标轨迹曲线。由于所使用的动态跟踪方法引入了目标轨迹曲线的相对曲率,极大地提高了跟踪的精确性。

基于终端约束MPC的轮式移动机器人轨迹跟踪控制

针对轮式移动机器人具有非线性特性和时域约束从而导致跟踪精度较低的问题,提出了一种终端约束MPC(model predictive control)的控制方案。首先,将轮式移动机器人的状态误差方程作为预测模型;其次,在成本函数中加入终端约束,设计了合适的终端域和终端惩罚矩阵,迫使系统在有限时域内跟踪上期望轨迹;然后,利用Lyapunov稳定性框架,建立终端约束MPC控制方案在系统中可行性和稳定性的充分条件;最后,通过在圆形及双移线两种工况下与传统模型预测控制进行对比实验,验证了终端约束MPC控制方案的有效性。仿真表明,相比于传统模型预测控制,终端约束MPC在预测范围内更好地满足了约束条件,从而提高了系统的稳定性和跟踪精度。

轮式移动机器人在卫勤保障中的应用综述

介绍了轮式移动机器人(wheeled mobile robot,WMR)的概念、发展路线及其在国内外卫勤保障中的应用现状,分析了各国WMR的优点和存在的不足,阐述了WMR的关键技术,指出了越障能力优化、战场感知信息交互能力提升、续航能力增强是WMR未来的发展方向。

基于LESO的轮式移动机器人滑模轨迹跟踪控制

针对轮式移动机器人在车轮打滑情况下的轨迹跟踪控制问题,提出了一种利用线性扩张状态观测器(Linear Extended State Observer,LESO)和积分滑模面的控制方案。首先,根据车轮打滑情况下的非完整约束条件建立轮式移动机器人的运动学模型。根据动能函数和拉格朗日方程建立其动力学模型。将这两种模型相结合得到力矩与速度相关的数学模型。其次,利用LESO对该数学模型进行扩张,并对总扰动进行估计。基于实际速度与虚拟速度之差设计带有积分项的滑模面,将扰动估计值前馈结合滑模面设计动力学控制器,并给出速度跟踪误差在有限时间内收敛的证明。最后,与基于超螺旋干扰观测器设计的控制方案仿真相比,所提出方案角速度跟踪误差在1 s左右时已趋于零,车轮力矩值稳定在3 N·m左右,且无锯齿抖动,扰动误差在1~5 s时波动更小,5~20 s时未出现明显锯齿抖动,仿真结果表明所提方案跟踪效果更好,抗干扰能力更强,观测精度更高。

基于曲率跟踪方法的轴上拖挂轮式移动机器人的运动控制设计

目的针对轴上拖挂轮式移动机器人中的挂车对目标轨迹精确跟踪控制问题,提出了一种能够跟踪挂车理想运动轨迹曲线相对曲率的双环控制方法。方法首先通过梳理轴上拖挂轮式移动机器人受到的非完整约束建立出运动学模型,并通过欧拉-拉格朗日方程建立其动力学模型;然后利用运动学方程推导出挂车的理想运动轨迹曲线的相对曲率和拖车与挂车理想偏航角之差之间满足的重要函数关系式;最后基于该核心关系式,利用姿态误差系统的外环速度控制器和动力学模型的内环比例积分反馈控制器组成的双环控制方法来实现给定的跟踪任务。结果仿真结果表明,对于外环系统,外环速度控制器使得姿态跟踪误差在经过一段时间的变化后全都趋近于零,实际的姿态变量最终稳定地趋近于目标姿态变量;对于内环系统,内环比例积分反馈控制器使得速度跟踪误差经过短暂的调整后趋近于零,实际速度值最终稳定地趋近于参考的速度值。结论设计的双环控制器可以有效地实现姿态跟踪和速度跟踪,能够使挂车精确地跟踪理想运动轨迹曲线,由于在姿态跟踪过程中引入了挂车运动轨迹曲线的相对曲率,该方法可以极大地提高轨迹跟踪的精确度。

一类轮式移动机器人的滑模轨迹跟踪控制研究

文中研究了一类存在匹配和非匹配不确定性的轮式移动机器人(Wheeled Mobile Robot,WMR)的轨迹跟踪控制问题。提出了WMR的动力学模型,并将该模型转换为状态空间方程形式。通过改进超扭曲算法结合Lypunov稳定性理论,设计出系统的2阶滑模控制器。该控制器不仅可以使滑动变量快速收敛到零,而且使系统状态具有良好的跟踪效果。通过一个数值算例验证了所提出理论的有效性,确保了系统的跟踪性能。

能耗最优下轮式移动机器人作业路径规划的最优节点A^(*)算法

轮式移动机器人以蓄电池作为能源,能够提供的能量有限,以更省能量作为前提进行路径规划是一个热门研究方向。根据轮式移动机器人在运行时的能耗组成,综合电机效率、地面摩擦、地形、速度变化、转弯等多因素,建立了能耗模型;基于A^(*)算法,利用最优节点的搜索方式,提出能耗最优下轮式移动机器人作业路径规划最优节点A^(*)算法;通过仿真实验,与最短距离约束条件、能耗最优约束条件下A^(*)算法路径规划结果进行对比,所提算法既实现在单位距离能耗降低,又缩短规划寻路时间,验证了所提算法的有效性。

轮式移动机器人滑移轨迹跟踪控制策略研究

针对轮式移动机器人在滑移条件下的轨迹跟踪问题,提出一种自适应模糊控制策略。利用模糊状态观测器对未知的复杂系统模型进行速度估计和补偿,通过设计输出向量将位置约束转换为输出约束,并构造Barrier Lyapunov函数来保证机器人的运动约束,在此基础上设计更简单的纵向滑移模型,利用李亚普诺夫定理分析闭环系统的稳定性,证明了闭环系统中所有信号都是有界的。最后通过仿真和实验验证了自适应模糊控制策略在轮式机器人纵向滑移情况下的有效性和实用性。

多个轮式移动机器人沿同一轨迹曲线运动的编队控制研究

针对多个轮式移动机器人在狭长路段的编队运动,在领航-跟随法的框架下,研究了含输出约束的多个轮式移动机器人的编队控制设计问题。提出的控制策略可在系统受到外界干扰时,实现领航者和跟随者沿同一目标轨迹曲线运动并保持一定的距离。对于领航者,设计了基于动态跟踪目标的控制器,将原跟踪控制问题转化为对轨迹曲线曲率的跟踪。对于跟随者,基于运动中领航者与跟随者之间的几何关系,利用虚拟结构方法和障碍李雅普诺夫函数方法设计了一种鲁棒控制器,保证了跟随误差在一定范围,且使所有跟随者都能精确完成编队运动任务。数值模拟结果表明了所提控制策略的有效性。

轮式移动机器人机械系统设计过程中的难点和新型设计方案研究

轮式移动机器人近十年来得到了迅速发展,有着广阔的市场,吸引了非常多的投资机构。近年来,几家轮式移动机器人的头部企业的竞争也进入了白热化,场景适用性、易用性、可靠性、低成本也是这些企业争夺的关键点,而机械系统的设计可靠性、满足场景的速度要求、整个机器人本体的成本、生产、实施和维护的便捷性,正是这些需要企业研发时必需考虑的关键点。本文主要针对这些轮式移动机器人的关键点展开了研究,并提出了相应的解决方案,旨在为类似研究与应用提供一定的参考。

动态输入约束机制在轮式移动机器人统一控制中的应用

轮式移动机器人在自主导航、环境监测和物流等领域具有广泛的应用前景。然而,实现轮式移动机器人的高精度轨迹跟踪和镇定控制面临诸多挑战,其中包括复杂的非确定性和输入有界约束。为了解决这些问题,本研究旨在探讨动态输入约束机制在轮式移动机器人统一控制中的应用。

基于模糊分数阶PID控制的轮式移动机器人轨迹跟踪研究

轮式移动机器人的轨迹跟踪是目前学者研究的热点问题之一。为了使其能够按照预定设置目标轨迹进行移动,文章作者绘制了轮式移动机器人平面简图,建立其动力学模型;利用模糊规则对传统PID控制器加以改进,并根据模糊理论在线调整PID控制器参数,最终得到轮式移动机器人的最优控制参数;采取不同环境对轮式移动机器人跟踪误差进行仿真分析,检验模糊分数阶PID控制器的优势。研究结果显示:在无干扰波形中设置轮式移动机器人移动目标,两种控制效果差别不大。在有干扰波形中设置轮式移动机器人移动目标,PID控制器输出误差明显增大,而模糊分数阶PID控制器输出误差保持不变,可以看出模糊分数阶PID控制器能够更好地服务轮式移动机器人,使其具有强大的抗干扰能力,效果较好。

农用轮式移动机器人视觉导航系统

从整体组成、农田环境中跟踪路径识别、机器人相对于跟踪路径位姿计算、系统实时性和鲁棒性改善、横向控制等几个方面对农用轮式移动机器人视觉导航系统进行了比较全面的研究。基于通用小型四轮拖拉机研制了农用轮式机器人实验原型样机 ,用人工绿篱模拟农作物行开展了初步实验 ,结果显示 ,原型样机在纵向速度为 0 .2 7m/ s和 0 .94 m/