数学建模社区-数学中国

标题: 轮式机器人的移动系统建模及基于模型学习的跟踪控制研究 [打印本页]

作者: 雩风三日 时间: 2020-12-15 16:48
标题: 轮式机器人的移动系统建模及基于模型学习的跟踪控制研究
轮式机器人的移动系统建模及基于模型学习的跟踪控制研究

   随着移动机器人被赋予的任务需求及其接触环境的多样性不断增加，使其在执行任务过程中所面临的随机因素变得越来越多。轮式移动机器人作为本文的研究对象，口前所面临的主要困难包括:动态系统的高精度建模，对外界环境的认知，车轮与地面作用力学理论的实际应用等，这些因素通常导致机器人具有模型不确定性，给机器人的精确控制带来了很大难度，需要发展先进的控制方法来解决复杂系统的控制问题。为此，本文建立了复杂的轮式机器人系统模型，提出了先进的模型学习方法，并且基于模型学习方法研究了轮式移动机器人的跟踪控制问题。
   系统模型是机器人技术研究的基本工具，轮式机器人的运动学模型和动力学模型是解决其控制问题的基础。基于轮式机器人在硬质地面上的有非完整约束方程，建立了车轮纵向滑转和侧向滑移情况的机器人系统运动学与动力学模型。结合轮一地相互作用的地面力学方程和轮式机器人的运动学建模过程，建立了轮式机器人在松软斜坡上发生车轮滑转、侧偏和沉陷的动力学模型。
   轮式机器人系统模型的不确定性在很大程度上影响了跟踪控制的精度。为提高控制系统的精度，利用具有非线性特性的神经网络模型进行在线辨识，包括前馈的径向基函数(RBF)神经网络和递归神经网络的模型辨识。考虑到递归神经网络的隐层单元存在神经元再激励而产生时延现象，基于Lyapunov稳定性理论、线性矩阵不等式技巧和李代数性质，提出了时延递归神经网络全局渐近稳定和全局指数稳定的新判据。
   为应用观测数据辨识具有不确定性的机器人系统模型，研究了具有非参数化的高斯过程回归(GPR)模型，能够降低噪声对观测数据的影响，进而实现系统潜变量模型的高精度辨识。基于Cholesky分解的高斯过程模型更新方法保证了数据不断增多时的模型学习迷度。根据监督型神经网络和高斯过程在贝叶斯回归问题上的相似性，建立了贝叶斯回归网络模型。根据局部学习理论提出了新颖的聚类算法，进而建立了局部贝叶斯回归网络(LBRN)。针对复杂系统的模型
学习，LBRN具有学习迷迷快、辨识精度高和鲁棒性强的特点。
   为实现轮式机器人在硬质地面上的轨迹跟踪控制，应用模型学习方法设计了有效的控制律。针对具有模型参数不确定性的轮式机器人，应用RBF神经网络反馈误差学习算法设计轨迹跟踪控制器，其中神经网络对不确定的非线性动力学模型进行在线辨识，通过仿真实现了准确的轨迹跟踪控制。为降低车轮纵向滑转对轨迹跟踪的影响，建立了滑转参数计算公式，结合滑转参数补偿和神经网络设计控制器，通过仿真实现了车轮滑转的轨迹跟踪控制。车轮纵向滑转和侧向滑移藕合情况很难进行滑转和侧滑参数估计，利用局部贝叶斯回归网络方法对机器人打滑动力学模型进行离线辨识，通过仿真实现了基于打滑模型的轨迹跟踪控制。
为实现轮式机器人在松软地面上发生车轮滑转、滑移和沉陷等情况的路径跟踪控制，结合地面力学理论和模型学习方法设计有效的跟踪控制律。分析轮一地作用力学模型和设计单轮实验平台，基于动态反向传播算法的递归神经网络模型在线辨识未知的地面参数。考虑到多参数藕合的轮一地作用力学模型在车轮驱动控制中很难直接应用，采用高斯过程回归方法和单轮实验平台的数据观测对实际需要的轮一地作用力学模型进行了辨识，实现了由车轮驱动力矩来
控制车轮的滑转率、沉陷量和挂钩牵引力。针对松软地面上具有不确定性的复杂轮式机器人系统，建立了系统模型输入输出的映射关系式。应用局部贝叶斯回归网络方法进行模型辨识，并且建立了有效的控制器，通过仿真实现了松软地形上的路径跟踪控制。
本文建立了轮式移动机器人的系统模型，分析了系统模型具有不确定性的复杂情况，研究了神经网络、高斯过程回归和局部贝叶斯回归网络的模型学习方法，并且应用于轮式移动机器人的控制系统设计，实现了机器人在不同地面上的准确跟踪控制。

关键词:轮式移动机器人;模型学习;神经网络;高斯过程回归;地面力学;跟踪控制

_轮式机器人的移动系统建模及基于模型学习的跟踪控制研究.caj

17.51 MB, 下载次数: 2, 下载积分: 体力 -2 点

欢迎光临数学建模社区-数学中国 (http://www.madio.net/)