机器人自适应转向单神经元pid控制方法

机器人自适应转向单神经元pid控制方法
【专利摘要】本发明公开了一种机器人自适应转向单神经元PID控制方法，首先建立机器人转向系统的转向模型，然后构建RBF神经网络，最后构建PID控制系统。本发明针对机器人转向系统的机械结构及数学模型的特点，设计了基于RBF在线辨识的机器人转向单神经元PID控制，将RBF神经网络与单神经元PID控制相结合应用于非线性的机器人转向系统，既充分利用了RBF神经网络最佳逼近性能的特点和单神经元适应性强的优点，也克服了PID控制中学习算法的不足。
【专利说明】
机器人自适应转向单神经元PID控制方法
技术领域
[0001] 本发明涉及机器人控制方法领域，具体是一种机器人自适应转向单神经元PID控 制方法。
【背景技术】
[0002] 物联网是"万物沟通"的、具有全面感知、可靠传送、智能处理特征的连接物理世界 的网络，实现了任何时间、任何地点及任何物体的连结。但是，针对农田环境物联网监测区 域中布置的传感器节点，会出现能量耗尽、数据处理能力弱和节点故障所引起的局部网络 瘫痪问题，移动机器人可以作为一个移动传感节点，替代故障节点，解决局部网络瘫痪的问 题。
[0003] 由于农田环境复杂，遍布沟、渠和作物;地面松软，易使机器人滑移沉陷，需要机器 人躲避，这就对机器人的运动控制提出了更高的要求。
[0004] 自动转向控制技术是机器人实现自动导航控制的基础，也是研究机器人的核心问 题之一。差速转向是机器人常用的转向方法，机器人的控制器大都采用PID控制器或最优控 制器，常规的PID控制器为单偏差控制器，很难适应机器人这个复杂的转向系统，最优控制 一般都把被控对象简化为线性时不变系统，这将降低机器人的稳定性。有些学者提出具有 良好跟踪性和鲁棒性的变结构控制，但是存在需要通过实验确定加速度达到律中的参数和 有待实验验证其可靠性的问题。

【发明内容】

[0005] 本发明的目的是提供一种机器人自适应转向单神经元PID控制方法，以实现对机 器人的自动转向控制。
[0006] 为了达到上述目的，本发明所采用的技术方案为：
[0007] 机器人自适应转向单神经元PID控制方法，所述机器人作为移动传感节点，机器人 的前两轮为转向轮，后两轮为驱动轮，其特征在于:包括以下步骤：
[0008] (1)、建立机器人转向系统的转向模型：
[0009] 构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机作为转向器的 转向系统，该转向系统包括同轴连接两转向轮的轮轴，轮轴上铰接有一对梯形臂，两梯形臂 上端之间铰接有转向横拉杆，步进电机为两相混合步进电机，步进电机与一个转向摇臂传 动连接，转向摇臂臂端与一个转向直拉杆铰接，转向直拉杆杆端与一个转向节臂铰接，转向 节臂臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向控制器发出转向信号时，步 进电机通过花键带动转向摇臂旋转，转向摇臂带动转向直拉杆作竖直方向的平动，再带动 转向节臂做转动，转向节臂带动梯形臂和左轮转动，同时梯形臂带转动向横拉杆作横行平 移，从而带动右侧的转向节臂转动，实现右轮的转向；
[0010] 由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式（1)所 示：
[0011] G(S) = 0'/0i (1)，
[0012] 公式（1)中，0'是步进电机的输出角度，0:代表步进电机的输入角度，经过微分方 程推导得转子的运动方程如公式(2)所示：

[0014]公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg.m;f是电 机或变速机构折合到电机轴上的粘性摩擦系数，单位是kg .m. s/rad; _是摩擦转矩;入是 极距角；是永磁体交链磁通;P是转子齿数；
[0015]在零初始条件下，当iA=iB=i〇,对公式⑵进行拉普拉斯变换，可推导出相应的转 向系统传递函数模型如公式(3)所示：
[0017] 公式（3)中，10是额定相电流；
是无阻尼固有频率沁= f7(2J wnp)是装减系数；
[0018] (2)、构建RBF神经网络：
[0019] RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐含层权值固 定为1，负责信号的传递，隐含层由一组高斯基函数神经元构成，隐含层到输出层之间权值 可调，而输出层的激励函数为线性函数，因此输出层是隐含层输出的线性组合;RBF的隐单 兀按公式(4)输出：
[0021] 公式(4)中?,^/,..,，&丨是输入矢量;hi(xk)是第i个隐单元的输出；ci = [Cil，Ci2, ...Cim]是第i个隐单元高斯函数的中心矢量;b = [bl，b2, ? ? ?，bm]是基宽向量;W = [W1，W2, . . .，Wm]是隐含层到输出层的权向量；I |xk-Ci| I表示向量x4Pci之间的距离，随着该 向量距离的增大匕^"的值迅速减小，因此对每一个输入xk，只有中心靠近3的少数几个隐 含层神经元处于激活状态；
[0022] 根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的 输出如公式(5)所示：
[0024] (3)、构建PID控制系统：
[0025] 基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部分构成，利 用神经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信息的变化， 对被控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的参数，达到 PID控制器参数的在线自整定，包括以下步骤：
[0026] (3 ? 1)、设计RBF神经网络辨识器RBFNNI:
[0027] 取x= [u(k)，u(k_l)，y(k_l)]为RBFNNI的输入向量，其中，u(k)，y(k)分别为转向 系统的控制值和反馈值，逼近误差e m=y(k)_ym(k)，性能指标函数选取为：
[0029]根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中 学习速率q和动量因子a按照公式(8)实现实时更新：
[0031] RBFNNI通过对转向系统的在线辨识获取Jacobian辨识信息送往SNPID，以调整单 神经元控制器的参数，Jacobian矩阵为，
[0033] (3 ? 2)、设计单神经元PID控制器SNPID:
[0034] SNPID是将PID控制规律融入神经网络之中的新型控制器，隐含层中含有比例P、积 分I、微分D三个单元，该控制器利用RBFNNI提供的Jacobian信息，在线调整PID控制器中kP， kukd三个参数，实现PID控制器参数的在线自整定;该控制器实质上为一变系数的比例、积 分、微分控制器，学习算法是自适应的，所以本质上是非线性的；自适应性是通过单神经元 加权系数wi (k)的调整实现，控制和学习算法如下：
[0035]设系统输入指令为rin(k)，实际输出为y(k)，系统的控制误差为e(k)=rin(k)-y (k)。单神经元的输入为：
[0037]离散控制为：
[0039]公式（11)中，K>0为单神经元的比例系数;Wi (k)为单神经元网络的权系数，性能指 标函数取为：
[0040] Jc = 0.5[rin(k)-y(k) ]2 = 0.5e2(k) (12)，
[0041] 加权系数的调整量为：
[0043]
*所以被控对象的Jacobian信息可以由
取代，由此可得调整后的 加权系数如公式(14)所示：
[0045] %，rU,nd，分别为比例、积分、微分的学习速率，对不同的权系数分别进行调整。
[0046] 本发明提出利用具有最佳逼近性能的RBF神经网络对转向系统进行在线辨识，快 速跟踪其信息的变化，在此基础上，单神经元PID控制器SNID(single neuron PID controller)利用BFNNI(RBF neural network identifier)辨识器提供的辨识信息，实时 调整PID控制器参数，结合专门的转向机械机构来实施机器人的自动转向，能够达到良好的 自动转向控制效果。
[0047] 本发明针对机器人转向系统的机械结构及数学模型的特点，设计了基于RBF在线 辨识的机器人转向单神经元PID控制，将RBF神经网络与单神经元PID控制相结合应用于非 线性的机器人转向系统，既充分利用了 RBF神经网络最佳逼近性能的特点和单神经元适应 性强的优点，也克服了PID控制中学习算法的不足。仿真及实验结果表明该控制器具有鲁棒 性好，精度高的优点，具有重要的实用价值。
【附图说明】
[0048]图1为转向系统结构原理示意图。
[0049] 图2为RBF神经网络结构图。
[0050] 图3为基于RBF在线辨识的单神经元PID控制框图。
[00511图4为偏差e的曲线图。
[0052]图5为偏差de的变化曲线图。
[0053]图6为kP，ki，kd随时间的变化曲线图。
[0054] 图 7 为y = sin(2*pi*k*t)+cos(2*pi*k*t/2)的响应曲线图。
[0055] 图8为基于PID和基于RBF在线辨识的单神经元PID控制机器人转向的误差曲线图。
【具体实施方式】
[0056] 机器人自适应转向单神经元PID控制方法，机器人作为移动传感节点，机器人的前 两轮为转向轮，后两轮为驱动轮，包括以下步骤：
[0057] (1 )、建立机器人转向系统的转向模型：
[0058] 构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机6作为转向器的 转向系统，如图1所示，该转向系统包括同轴连接两转向轮1的轮轴，轮轴上铰接有一对梯形 臂2,两梯形臂2上端之间铰接有转向横拉杆7,步进电机6为两相混合步进电机，步进电机6 与一个转向摇臂5传动连接，转向摇臂5臂端与一个转向直拉杆4铰接，转向直拉杆4杆端与 一个转向节臂3铰接，转向节臂3臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向 控制器发出转向信号时，步进电机6通过花键带动转向摇臂5旋转，转向摇臂5带动转向直拉 杆4作竖直方向的平动，再带动转向节臂3做转动，转向节臂3带动梯形臂2和左轮转动，同时 梯形臂2带转动向横拉杆7作横行平移，从而带动右侧的转向节臂3转动，实现右轮的转向；
[0059] 由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式（1)所 示：
[0060] G(S) = 0，/0i (1)，
[0061] 公式（1)中，0'是步进电机的输出角度，代表步进电机的输入角度，经过微分方 程推导得转子的运动方程如公式(2)所示：
[0063] 公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg. m; f是电
机或变速机构折合到电机轴上的粘性摩擦系数，单位是kg .m. s/rad; ?是摩擦转矩;入是 极距角；是永磁体交链磁通;P是转子齿数；
[0064] 在零初始条件下，当iA=iB = io,对公式(2)进行拉普拉斯变换，可推导出相应的 转向系统传递函数模型如公式(3)所示：
[0066] 公式(3)中，1〇是额定相电流；是无阻尼固有频率4 = f/(2Jconp) 是装减系数；
[0067] (2)、构建RBF神经网络：
[0068]如图2所示，RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐 含层权值固定为1，负责信号的传递，隐含层由一组高斯基函数神经元构成，隐含层到输出 层之间权值可调，而输出层的激励函数为线性函数，因此输出层是隐含层输出的线性组合； RBF的隐单元按公式(4)输出：
[0070] 公式⑷中，，.../f是输入矢量也(/)是第i个隐单元的输出；Cl = [Cil，Ci2, ...Cim]是第i个隐单元高斯函数的中心矢量;b = [bl，b2, ? ? ?，bm]是基宽向量;W = [W1，W2, . . .，Wm]是隐含层到输出层的权向量；I |xk-Ci| I表示向量x4Pci之间的距离，随着该 向量距离的增大匕^"的值迅速减小，因此对每一个输入xk，只有中心靠近3的少数几个隐 含层神经元处于激活状态；
[0071] 根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的 输出如公式(5)所示：
[0073] (3)、构建PID控制系统：
[0074] 如图3所示，基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部 分构成，利用神经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信 息的变化，对被控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的 参数，达到PID控制器参数的在线自整定，包括以下步骤：
[0075] (3 ? 1)、设计RBF神经网络辨识器RBFNNI:
[0076]取x= [u(k)，u(k_l)，y(k_l)]为RBFNNI的输入向量，其中，u(k)，y(k)分别为转向 系统的控制值和反馈值，逼近误差em=y(k)_ym(k)，性能指标函数选取为：
[0078]根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中 学习速率q和动量因子a按照公式(8)实现实时更新：
[0080] RBFNNI通过对转向系统的在线辨识获取Jacobian辨识信息送往SNPID，以调整单 神经元控制器的参数，Jacobian矩阵为，
[0082] (3 ? 2)、设计单神经元PID控制器SNPID:
[0083] SNPID是将PID控制规律融入神经网络之中的新型控制器，隐含层中含有比例P、积 分I、微分D三个单元，该控制器利用RBFNNI提供的Jacobian信息，在线调整PID控制器中kP， kukd三个参数，实现PID控制器参数的在线自整定;该控制器实质上为一变系数的比例、积 分、微分控制器，学习算法是自适应的，所以本质上是非线性的；自适应性是通过单神经元 加权系数wi (k)的调整实现，控制和学习算法如下：
[0084]设系统输入指令为rin(k)，实际输出为y(k)，系统的控制误差为e(k)=rin(k)-y (k)。单神经元的输入为：
[0088]公式（11)中，K>0为单神经元的比例系数;wi(k)为单神经元网络的权系数，性能指 标函数取为：
[0089] Jc = 0.5[rin(k)-y(k) ]2 = 0.5e2(k) (12)，
[0090] 加权系数的调整量为：
[0092]
，所以被控对象的Jacobian信息可以由
，由此可得调整后的 加权系数如公式(14)所示：
[0094] %，rU,nd，分别为比例、积分、微分的学习速率，对不同的权系数分别进行调整。
[0095] 转向系统仿真：
[0096] 取机器人转向系统的参数如下：(K=3.38*10-4Wb，J = 4.08*10-5Kg.m2，f = 0.011Kg.m/rad/s，I〇=l .6A，所以从公式(3)可知机器人转向系统的传递函数为：
[0098]采用Z变换对该传递函数离散化，取采样周期为0.001s，离散化后如11=[1-1.7059 0.76368]，num=[0 0.030186 0.027578],得如下输出差分方程，
[0100]以叉1{=[11(1<-1，：7(10，：7(1<-1)]为1?1^顺1的3个输入变量，：7 = 8；[11(2*卩;[*1<:*1:)+(308 (2*pi*k*t/2)为控制系统的参考输入信号，RBF网络基函数半径取b = 0.53，单神经元比例 系数k = 0.55,加权系数初值取《1 = 0.03，《2 = 0.01，《3 = 0.02，取控制器参数学习速率％ = 0.3，ru = 0. 18，nd = 0.25,取采样时间为lms，经过1000个采样周期后，仿真结果如图4~7所 示。从这些仿真结果曲线可以看出：
[0101 ] (1)在图4、图5显不的系统输出偏差和偏差变化率曲线中，控制系统输出响应的前 50个采样周期，偏差变化率ec逐渐增大，偏差e逐渐减小，表明系统的控制精度由于RBFNNI 的准确辨识和SNPID参数的自适应调整而提高，控制系统的输出快速逼近参考曲线。
[0102] (2)从图6的PID控制参数自适应整定的曲线可知:在系统输出响应的前50个采样 周期，由于偏差逐渐减小，比例增益匕从25降到22,以减小响应速度;在前500周期内，为了 抑制超调，微分增益参数kd逐渐增大，500个采样周期后，由于偏差减小，偏差变化率保持稳 定，kd略有减小;为了防止震荡，在前50个周期积分增益ki自适应的从0.7调整到0.9，50个周 期后，由于偏差减小稳定在0的附近，lu保持较大的值0.9,以消除系统的稳态误差。
[0103] (3)图7显示基于RBF在线辨识的单神经元PID控制和常规PID控制分别对y = sin (2*pi*k*t)+cos(2*pi*k*t/2)的响应曲线，其中实线是参考曲线，虚线是基于RBF在线辨识 的机器人转向单神经元PID控制的输出曲线，双划线是PID控制输出的曲线，在初始50个采 样周期，由于RBFNNI刚刚开始辩识，SNPID初值参数的选择未必最为恰当，参数的调整未能 很好的适应输入信号的变化，其控制效果与常规PID控制一样较差，经过50个采样周期后， RBFNNI能够较精确的辨识对象，获得精确的转向信息，SNPID的参数随着准确的辨识信息的 输入而进行相应的调整，控制效果得以的改善，明显的优于PID控制。
[0104] 转向系统实验验证：
[0105]为验证仿真实验结果，在自主研制的机器人上进行了实时控制试验。该转向系统 由SEED-DEC-2812嵌入式控制模板控制，SEED-DEC-643高清晰图像处理平台为控制器提供 转向信息。DEC2812输出PWM，通过驱动电路驱动转向轮，运动时编码盘产生的脉冲数和脉冲 频率提供机器人的角度位置和转速。当机器人以8m/s的速度运行，以y = 12*sin(2*pi*k*t) +cos(2*pi*k*t/2)为参考路径，分别以PID和基于RBF在线辨识的单神经元PID控制机器人 转向，其误差曲线如图8,其中，虚线是PID控制的误差曲线，实线是基于RBF在线辨识的单神 经元PID控制的误差曲线，采用后者控制的机器人转向，其误差范围在-0.0045~0.0052 rad之间，而采用前者的误差范围为在-0.0094~0.0126rad之间，当机器人在[0,200]， [400,700]，[900，1000]ms这三个时间段内运行时，由于跟踪的路径较为平滑，这两种控制 方法都有较好的跟踪效果，偏差较小，当机器人在[300，400 ]和[700，900 ]ms这两个时间段 内运行时，跟踪的路径是两个转角，由于PID控制不能自适应的调整控制参数，因而产生较 大的偏差，相反，基于RBF在线辨识的单神经元PID控制器具有自适应调整控制参数的能力， 偏差就较小。试验结果表明基于RBF在线辨识的机器人转向单神经元PID控制具有更高的精 度和稳定性。
【主权项】
1.机器人自适应转向单神经元PID控制方法，所述机器人作为移动传感节点，机器人的 前两轮为转向轮，后两轮为驱动轮，其特征在于:包括以下步骤： (1 )、建立机器人转向系统的转向模型： 构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机作为转向器的转向 系统，该转向系统包括同轴连接两转向轮的轮轴，轮轴上铰接有一对梯形臂，两梯形臂上端 之间铰接有转向横拉杆，步进电机为两相混合步进电机，步进电机与一个转向摇臂传动连 接，转向摇臂臂端与一个转向直拉杆铰接，转向直拉杆杆端与一个转向节臂铰接，转向节臂 臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向控制器发出转向信号时，步进电 机通过花键带动转向摇臂旋转，转向摇臂带动转向直拉杆作竖直方向的平动，再带动转向 节臂做转动，转向节臂带动梯形臂和左轮转动，同时梯形臂带转动向横拉杆作横行平移，从 而带动右侧的转向节臂转动，实现右轮的转向； 由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式(1)所示： G(S) = 0'/0i (1)， 公式(1)中，0'是步进电机的输出角度，代表步进电机的输入角度，经过微分方程推导 得转子的运动方程如公式(2)所示：公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg.m;f是电机或 变速机构折合到电机轴上的粘性摩擦系数，单位是kg. m. s/rad; _是摩擦转矩;入是极距 角；巾m是永磁体交链磁通;P是转子齿数； 在零初始条件下，当iA=iB = io,对公式(2)进行拉普拉斯变换，可推导出相应的转向系 统传递函数模型如公式(3)所示：公式(3)中，1〇是额定相电流；是无阻尼固有频率 减系数； (2)、构建RBF神经网络： RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐含层权值固定为 1，负责信号的传递，隐含层由一组高斯基函数神经元构成，隐含层到输出层之间权值可调， 而输出层的激励函数为线性函数，因此输出层是隐含层输出的线性组合;RBF的隐单元按公 式(4)输出：公式(4)中，/ =[<,.<，...,1,/；^是输入矢量;111(0)是第1个隐单元的输出；(31=[(3 11， Ci2, . . .Cim]是第i个隐单元高斯函数的中心矢量;b=[bi，b2, . . .，bm]是基宽向量;W=[wi, W2, . . .，Wm]是隐含层到输出层的权向量；| |xk_Ci | |表示向量X$Pci之间的距离，随着该向量 距离的增大lu(Xk)的值迅速减小，因此对每一个输入xk，只有中心靠近3的少数几个隐含层 神经元处于激活状态； 根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的输出 如公式(5)所示：(3)、构建PID控制系统： 基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部分构成，利用神 经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信息的变化，对被 控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的参数，达到PID 控制器参数的在线自整定，包括以下步骤： (3.1) 、设计RBF神经网络辨识器RBFNNI: 取叉=[11(1〇，11仏-1)，7仏-1)]为1^卩顺1的输入向量，其中，11(1〇,7(1〇分别为转向系统 的控制值和反馈值，逼近误差em=y(k)_ym(k)，性能指标函数选取为：根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中学习 速率q和动量因子a按照公式(8)实现实时更新：RBFNNI通过对转向系统的在线辨识获取Jacobian辨识信息送往SNPID，以调整单神经 元控制器的参数，Jacobian矩阵为，(3.2) 、设计单神经元PID控制器SNPID: SNPID是将PID控制规律融入神经网络之中的新型控制器，隐含层中含有比例P、积分I、 微分D三个单元，该控制器利用RBFNNI提供的Jacobian信息，在线调整PID控制器中kP，ki，kd 三个参数，实现PID控制器参数的在线自整定;该控制器实质上为一变系数的比例、积分、微 分控制器，学习算法是自适应的，所以本质上是非线性的；自适应性是通过单神经元加权系 数Wi (k)的调整实现，控制和学习算法如下： 设系统输入指令为rin(k)，实际输出为y(k)，系统的控制误差为e(k)=rin(k)-y(k)。 单神经元的输入为：离散控制为：公式（11)中，K>0为单神经元的比例系数;Wl(k)为单神经元网络的权系数，性能指标函 数取为： Jc = 0.5[rin(k)-y(k)]2 = 0.5e2(k) (12), 加权系数的调整量为：所以被控对象的Jacobian信息可以由取代，由此可得调整后的加权 系数如公式(14)所示：%，化，取，分别为比例、积分、微分的学习速率，对不同的权系数分别进行调整。
【文档编号】G05B11/42GK106054598SQ201610297395
【公开日】2016年10月26日
【申请日】2016年5月5日
【发明人】朱诚, 焦俊, 辜丽川, 吴国栋, 乔焰, 王超, 王永梅, 许正荣, 范国华
【申请人】安徽农业大学