本发明涉及自动控制技术领域，尤其涉及一种自动引导运输车、其控制方法及控制系统。
背景技术：
自导引运输车(automatedguidedvehicleagv)是一种自动化物料搬运设备。其装备有电磁或光学等自动导引装置，能够沿预定的目标导引路径行驶，具有安全保护以及各种移载功能。对agv的运动控制是实现自导引叉车高精度、稳定流畅运行的的关键技术之一。传统控制器的设计依赖于被控对象的精确模型，而在车辆空载和重载等不同情况下，相关的运动模型会产生不同的变化。而且，叉车本身的模型是非线性的，应用传统的线性控制算法的效果并不理想。
目前，对agv常用的运动控制方法通常有线性模型控制方法、最优控制方法、神经网络控制方法几种。
其中，线性模型控制方法一般用于可以建立精确数学模型的线性系统的控制。最常见的是pid控制方法，通过比例、积分、微分三个环节处理误差，产生相应的控制输出，使误差逐渐趋近于零。该方法控制算法简单、可靠性高，已被广泛应用于过程控制和运动控制。但其参数整定方法过于繁杂，常规pid参数往往整定不良，性能欠佳。
最优控制方法是在满足一定约束条件下，寻求最优控制策略，使得性能指标取得极大值或极小值。该方法需要建立精确的叉车运动学和动力学模型，然后从一组允许的控制方案中找出一个最优的方案。但由于agv运动的复杂性，难以建立其精确的模型，所谓最优也只能是理论上的。
神经网络控制方法适用于非线性系统的控制，但神经网络控制方法需要把一切问题的特征都变为数字，把一切推理都变为数值计算，对于行走路径较为复杂的自导引叉车来说，把叉车在不同偏差和速度下的所有信息采集完全是不可能的，当数据不充分时，神经网络就无法工作，也就无法保证agv行走的精确性。
在实现本发明过程中，发明人发现相关技术存在以下问题：在现有的几种控制策略中，线性模型控制方法需要针对被控对象建立精确的数学模型，控制参数确定后就无法更改，不具有自适应能力，很难对工业型agv偏差的变化、环境的变化和运动特性的变化做出在线调整，从而影响路径跟踪精度。而最优控制算法的鲁棒性不够好，当叉车的参数或叉车的运行环境发生微小的变化时，无法保证控制效果。另外，神经网络控制方法的学习速度慢而且可能收敛于目标函数某个质量不高的局部最优点，同时，网络中的各神经元和权不能赋予明确的物理意义，这样不能充分利用已有的知识来改善网络的结构设计以加快学习速度并避免低质局部最优点。
技术实现要素：
针对上述技术问题，本发明实施例提供了一种自动引导运输车、其控制方法及控制系统，以实现对自导引运输车的精确控制，避免现有控制策略导致的缺陷。
本发明实施例的第一方面提供一种自动引导运输车的控制方法。所述自动引导运输车具有预定的目标移动路径，所述控制方法包括：建立自动引导运输车的运动学模型；获取所述自动引导运输车的运动参数，并通过所述运动学模型，计算所述自动引导运输车的位姿数据；根据所述位姿数据和目标移动路径的误差，使用区间ii型模糊控制算法，计算所述自动引导运输车的调整量；通过所述调整量，控制所述自动引导运输车沿目标移动路径移动。
可选地，所述位姿数据和目标移动路径的误差具体包括：与目标移动路径的法向误差以及角度误差。
可选地，所述根据所述预期位姿数据和目标移动路径的偏差，使用区间ii型模糊控制算法，计算自动引导运输车的目标转向角度，具体包括：确定用于描述输入变量和输出变量的模糊语言变量以及所述模糊语言变量的模糊子集的隶属度函数；根据经验知识，建立包含控制规则的规则库；通过量化因子，将所述输入变量转换为对应的输入模糊变量；根据所述输入模糊变量，通过所述规则库计算与所述输入模糊变量对应的输出模糊变量；对所述输出模糊变量进行降型和解模糊后，获得输出变量；所述输入变量为与目标移动路径的法向误差以及角度误差，所述输出变量为自动引导运输车的转向角度。
可选地，所述确定所述模糊语言变量的模糊子集的隶属度函数，具体包括：使用变论域方法，通过伸缩因子实时在线调整所述隶属度函数的参数，所述伸缩因子为指数型伸缩因子。
可选地，在所述目标移动路径为拐弯时，所述通过所述调整量，控制所述自动引导运输车沿目标移动路径移动，具体包括：根据所述自动引导运输车在拐弯前的初始位姿数据、拐弯后的终点位置，通过所述自动引导运输车的动力学模型，计算所述自动引导运输车的控制量；使用所述区间ii型模糊控制算法对所述控制量进行调整，获得对应的调整量；输出所述调整量以控制所述自动引导运输车沿目标移动路径移动。
本发明第二方面提供了一种应用于自动引导运输车的模糊控制系统。该模糊控制系统包括：用于描述输入变量和输出变量的模糊语言变量组成的模糊集合，所述模糊语言变量的模糊子集具有对应的隶属度函数；由预设的控制规则组成的规则库；用于执行基于规则库的模糊推理，输出与输入模糊量对应的输出模糊量及其隶属度函数的推理机；用于将输入变量模糊化为使用模糊语言变量描述的输入模糊量的模糊化模块；以及用于将输出模糊量解模糊为输出变量的解模糊模块。
可选地，所述模糊集合包括5个模糊语言变量；所述模糊语言变量的隶属度函数为三角形隶属函数。
可选地，所述推理机使用takagi-sugeno方法执行所述模糊推理。
可选地，所述解模糊模块具体用于：使用改进的相向搜索算法对所述输出模糊量进行降型；并且使用对应的比例因子，将降型后的输出模糊量转化为输出变量。
本发明第三方面提供了一种自动引导运输车。该自动引导运输车包括：采集所述自动引导运输车的运动参数的激光雷达，至少一个存储器；与所述至少一个存储器和激光雷达通信连接的处理器，其中，所述存储器存储有可被所述至少一个处理器执行的指令程序，所述指令程序被所述至少一个处理器执行，以使所述至少一个处理器获取所述运动参数，执行如上所述的方法。
本发明第四方面提供了一种计算机程序产品。所述计算机程序产品包括：非易失性计算机可读存储介质以及内嵌于所述非易失性计算机可读存储介质的计算机程序指令；所述计算机程序指令包括用以使处理器获取所述运动参数，以执行如上任一项所述的方法的指令。
本发明实施例提供的技术方案中，应用区间ii型模糊控制的控制策略，使agv在路径跟踪过程中，具有更好的鲁棒性，对于agv本身参数以及运行环境的微小变化具有一定的适应能力，可应用于更多不同的场景中。另外，通过建立agv运动学模型的方式，可以提高agv的位姿数据的运算速率，从而提高整个控制算法的运行速度，使得agv具有更高的运行速度。
附图说明
图1为本发明实施例的自动引导运输车的控制方法的一个实施例示意图；
图2为本发明实施例的三轮叉车在任意位置的运动状态的个实施例示意图；
图3为本发明实施例的三轮叉车进行转弯的一个实施例示意图；
图4为本发明实施例的区间ii型和区间i型模糊控制效果对比的一个实施例示意图；
图5为本发明实施例的模糊控制系统的一个实施例示意图；
图6为本发明实施例的模糊子集的三角形隶属度函数的一个实施例示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作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。
模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的控制策略，其本质上是一种非线性的控制。现有的模糊控制算法已经在一些实际应用中有不少成功的应用，由于其并不需要确定被控系统的精确描述，因而可以在一些复杂的，无法精确描述的系统中使用。
在自动引导运输车(agv)的运行使用过程中，agv具有规定的移动线路或者移动规则，例如沿底面上的某些标识物移动或者在两个厂房之间来回移动。agv可以根据传感器获取的，与agv当前的运动位姿数据(即agv的运动相关姿态数据，包括运动的速度、位置、转向角度、车体角度等一系列不同的数据)作为输入数据，经过控制器的计算后，输出相应的输出量施加在agv上，从而使agv能够在可容忍的误差范围内，满足该规定的移动路线或者移动规则，从而实现智能化的自动引导功能。
所述自动引导运输车(agv)属于轮式机器人范畴，其具体可以是任何合适的，具备自动导航功能的轮式移动平台。本领域技术人员可以理解的是，本发明实施例提供的控制方法可以应用在任何合适的自动引导运输车(agv)上。所述agv可以具有一种或者多种不同类型的传感器，例如激光雷达、惯性传感器等，获取当前agv的运动相关数据并提供至处理器，由处理器执行所述控制方法中的一个或者多个步骤来后，输出相应的调整量来控制agv，实现路径跟踪或者其他控制目标。
所述处理器具体可以是任何合适的，可用于进行逻辑运算的电子器件或者运算平台，例如中央处理器、dsp等。所述处理器为执行所述控制方法中的一个或者多个步骤相应的软件程序可以存储在一个或者多个存储器中，供处理器在执行时调用。
在本发明实施例中，使用术语“预定的目标移动路径”表示上述agv的移线路或者移动规则。亦即，agv的控制器的控制目标。
请参阅图1，为本发明实施例提供的自动引导运输车的控制方法。该方法可以包括如下步骤：
步骤101：建立自动引导运输车的运动学模型。运动学模型是一种理想化的数学模型，能够根据当前的采集数据，计算预测在理想化状态下，agv对应的具体位姿数据。其具体建立的过程可以根据运动学原理进行推导获得，由实际应用的agv所决定。
为陈述简便，以下以三轮叉车为例，详细描述其运动学模型建立过程：
请参阅图2，所述三轮叉车包括车体、舵轮a以及从动轮b和从动轮c。其中，叉车的舵轮a在前，从动轮b、c在后，舵轮a既是转向轮也是驱动轮。
假设所述三轮叉车本体、所有车轮和系统运行表面均为刚体；车轮在运行平面上的运动是无滑动的；叉车以恒定速度行驶。
图2为所述三轮叉车在任意位置的运动状态的示意图。其中，
在某一位置时，三轮叉车的速度瞬时圆心为p点，位于直线bc与舵轮速度方向垂线的交点。根据几何关系，可以得出如下算式：
转弯半径:
叉车前进速度:
假设舵轮a的转向角速度为ωa，则舵轮a与车体k的中心线夹角为：
叉车作为刚体相对于p点的角速度ω为：
将算式(1)、(2)和(3)代入(4)计算获得叉车最终的角速度：
车体中心线和舵轮a与x轴正向夹角分别为
γ＝α+β(7)
叉车运动速度在x，y轴方向上的分量为
根据以上方程对算式(5)进行积分后，可以计算获得舵轮a的坐标方程为
根据图2中三轮叉车的几何关系，可以得到d点的坐标方程为
算式(9)和(10)即为叉车运动过程中轨迹的一般方程，即三轮叉车的运动学模型。在该运动学模型中，输入三轮叉车的实时速度和舵轮转角后，即可计算对应的叉车位置(即位姿数据)。
步骤102：获取所述自动引导运输车的运动参数，并通过所述运动学模型，计算所述自动引导运输车的位姿数据。
所述运动参数是指建立的运动学模型计算位姿数据所需要的输入参数，例如上述实施例中的实时速度和舵轮转角。具体的运动参数是由建立的运动学模型所确定的，可以是通过相应的传感器采集获得，也可以是对传感器采集获得的数据进行一定的运算后获得。
所述位姿数据是指自动引导运输车的运动状态。在理想的状态下，其应当与自动引导运输车的预定的目标移动路径相符，从而使得agv能够沿设计的路线移动。
本领域技术人员可以理解的是，可以通过例如航位推算等方法，在运动参数的检测周期内，计算对应的agv的位姿，从而使其沿规定线路行驶。位姿计算的速率决定了agv的运行速率。
步骤103：根据所述位姿数据和目标移动路径的误差，使用区间ii型模糊控制算法，计算所述自动引导运输车的调整量。
在步骤102中，使用的是理想化的运动学模型，但由于实际情况与理想情况之间的偏差或者不相符，会导致实际位姿数据和目标移动路径之间存在一定的误差，控制器需要根据这些误差和agv的实际情况进行反馈或者其他的控制，输出相应的调整量，调整agv的位姿从而保证agv能够沿目标移动路径移动。例如，所述位姿数据和目标移动路径的误差具体可以包括：与目标移动路径的法向误差以及角度误差。
步骤103中使用的是模糊控制策略中的区间ii型模糊控制算法，其需要处理的误差为通过运动学模型推算获得的位姿数据和目标移动路径之间的误差。控制算法的输出则为自动引导运输车的调整量。
步骤104：通过所述调整量，控制所述自动引导运输车沿目标移动路径移动。在确定调整量后，可以对自动引导运输车进行相应的控制，使其保持在可容忍的误差范围内移动。所述调整量可以是对动力系统的调整量或者是其它与运动相关的调整量，例如实施例中提供的三轮叉车的舵轮的转向角度。
整个控制方法是一个负反馈的过程，在具有足够的运算能力下，agv能够根据当前的实际情况的变化，及时的调整自身的运动，从而保持在目标移动路径上。通常的，这样的控制过程也可以被称为“路径跟踪”，亦即实现agv在特定路径上的跟踪。
在本发明实施例中，针对路径跟踪中的鲁棒性问题，采用区间ii型模糊控制算法，使得控制方法对应的负反馈系统对叉车本身参数和运行环境的微小变化具有一定的适应能力，可以应用于不同的场景。而且，建立叉车运动学模型，采用航位推算法在激光雷达定位周期内根据运动学模型和返回的叉车速度和方位角计算叉车的位姿，提高位姿数据的生成速率，进而提高控制算法的运行速率，使agv具有更高的运行速度。
以下以上述实施例提供的三轮叉车在转弯时的控制过程为例，详细描述上述控制方法：
请参阅图3，为图2所示的三轮叉车的转弯过程。其中，转弯半径可以根据叉车进入弯道时的初始状态(xs，ys，zs)和弯道的终点位置(xe，ye，ze)进行计算。
根据所述三轮叉车的初始位置和弯道终点位置可以确定两条分别经过这两点的直线，由如下算式表示：
ls:y＝ksx+bs，ks＝tanzs，bs＝ys-xs·tanzs(11)
le:y＝kex+be，ke＝tanze，be＝ye-xe·tanze(12)
两条直线的交点f的坐标(xf，yf)为：
点f到点(xs，ys，zs)的距离为
假设所述三轮叉车在曲线路径上转过的角度为θ，那么
由算式(14)和(15)可得三轮叉车转弯半径r和圆心(xo1，yo1)分别为
此时，叉车曲线行驶的终点将会和设定的终点在切向上有微小的变动，由d变为d′。但这并不会影响路径跟踪的效果，d′坐标为
本领域技术人员可以理解的是，使用区间ii型模糊控制算法相较于其他算法更适合非线性和无法获取精确模型的系统。而相较于i性模糊控制算法，其具有更高的鲁棒性。
请参阅图4，为本发明实施例提供的控制效果对比示意图，可以看出，使用ii型控制算法具有更小的超调量和更快的稳定速度。在曲线部分配合计算得到的舵轮固定转向角度，可以有效降低舵轮转向角度的变化幅度，从而提高叉车转弯的稳定性和流畅性，并且保证上一段路径的误差不会累计到当前曲线部分。
本发明实施例还进一步的提供了模糊控制系统。该模糊控制系统是用于实现上述实施例所述的区间ii型模糊控制算法的系统，其与区间ii型模糊控制算法相对应，可应用于agv的控制方法中，执行区间ii型模糊控制算法从而实现精确的路径跟踪，适应不同的应用场景。
请参阅图5，为本发明实施例提供的模糊控制系统的结构示意图。该模糊控制系统包括：用于描述输入变量和输出变量的模糊语言变量组成的模糊集合501、由预设的控制规则组成的规则库502、推理机503、模糊化模块504以及解模糊模块505。
其中，所述模糊语言变量的模糊子集具有对应的隶属度函数。所述推理机503用于执行模糊推理。亦即根据规则库502的预设的控制规则，确定输出与输入模糊量对应的输出模糊量及其隶属度函数。所述模糊化模块504和解模糊模块505分别用于将输入变量模糊化为输入模糊量的以及将输出模糊量解模糊为输出变量。
在本实施例提供的模糊控制系统中，将步骤103确定的位姿数据和目标移动路径的误差作为输入变量，通过模糊化模块504模糊化为输入模糊量后，由推理机503执行模糊推理，输出相应的输出模糊量，最后由解模糊模块505重新解模糊为具体的调整量，实现对于自动因扫运输车的负反馈控制。
在模糊控制系统中，规则库内使用的控制规则均是由一系列的条件语句组成的。条件语句中均使用模糊语言变量来描述输入变量和输出变量的状态。因此，模糊集合504中的元素数量越多，相对应的控制规则就越复杂，相应的控制性能也越好。为了平衡复杂度与控制性能之间的关系，在一些实施例中，所述模糊集合501中可以使用5个模糊语言变量，包括负大、负小、零、正小、正大；亦即模糊集合f＝{nb,ns,ze,ps,pb}。
进一步地，在模糊控制系统中，还需要确定各个模糊语言变量的模糊子集。亦即确定各个子集的隶属度函数。
假设模糊语言变量对应的模糊论域为[-n,n]，则n＝6时，各个子集对应的区间为：{nb:[-6,-3],ns:[-6,0],ze:[-3,3],ps:[0,6],pb:[3,6]}。在区间ii型模拟算法中，各个模糊子集对应的隶属度函数具有上隶属度函数和下隶属度函数(具体如图6所示)。所述隶属度函数的具体形状则可以根据实际情况所调整或者选择，例如三角形、梯形、钟型、正态型、高斯型、s型、z型、两边高斯型或者п型等。较佳的是，为实现更高的分辨率和控制灵敏度，选择使用三角形隶属度函数。
如上所述，对一些非线性系统和模型难以确定的系统，采用模糊控制的优势尤其明显，但是模糊控制方法控制会因为规则不够多、模糊子集ze的范围太大，导致其高精度的控制问题不理想。但是，仅仅简单的通过制定足够多的控制规则在模糊控制方法中既不现实也不利于应用。
较佳的是，可以采用变论域方法实时在线调整模糊控制器隶属度函数的参数。所述变论域方法就是在规则库不变的前提下，模糊集论域随着误差变小而收缩，随着误差增大而扩展，这样的，论域收缩就相当于增加了控制规则，从而达到提高控制精度的目的，提高叉车路径跟踪的误差调整速度和精度。
可选地，论域的收缩和扩展可以使用积分型或者指数型的伸缩因子来实现。在本实施例中，变论域方法采用指数型伸缩因子，具体如下算式表示：
其中，|x|为模糊化后的变量，n由模糊集论域[-n,n]确定，ε为充分小的正数，用于保证伸缩因子α(x)的避零性。
所述规则库中的控制规则为条件语句“if…then”的形式。其中，“if…”为前件，“then”为后件，为输出控制量的模糊集。在本发明实施例中，与上述实施例题提供的控制方法相对应地，该控制系统是双输入单输出的控制系统，输入分别为与目标移动路径的法向误差epn以及角度误差eα。由此，条件语句为“ifaandb，thenc”，规则库502包含的规则具体如下表所示：
本领域技术人员可以理解的是，该规则库具体可以根据实际情况或者先验知识确定，例如根据驾驶经验或者相关的专家知识确定。
确定了模糊控制系统中的必要参数以后，由推理机执行模糊推理的过程，以获得相应的输出，亦即输出模糊量及其对应的隶属度函数。具体可以使用任何合适的模糊推理方法来实现，例如mamdani最小推理和takagi-sugeno最大乘积推理。在本实施例中，可以选择使用takagi-sugeno最大乘积推理以简化计算复杂度。
推理机求得的输出还需要进行降型和解模糊的过程，方可转换为相应的，可以使用的调整量。其中，降型的过程是非常重要的部分，在一些实施例中，可以使用km算法或者ekm算法来完成。在另一些实施例中，为了进一步的提高模糊集降型求解的概率，还可以使用改进的相向搜索算法eods来完成输出模糊量的降型。
由于模糊系统使用的描述语音与常规准确的控制描述并不相同。因此，输入变量和输出变量(即调整量)均需要经过论域的转换。
在一些实施例中，所述模糊模块可以通过设置相应的量化因子，令量化因子与输入变量相乘(即令法向误差epn与量化因子ke相乘以及角度误差eα与量化因子kα相乘)来实现模糊化的处理过程。
假设输入变量的基本论域为[-e,e]，模糊集的论域为[-n,n]则输入变量的量化因子为：k＝n/e。
相对应地，所述解模糊模块则通过设置相应的比例因子，令变量从模糊集论域转换到基本论域。假设输出变量的基本论域为[-u,u]，模糊集论域为[-m,m]，则比例因子为kβ＝u/m。
通过上述实施例提供的模糊控制系统，可以实现上述控制方法中的区间ii型模糊控制算法，在确定输入变量法向误差epn和角度误差eα后，经过计算推理后输出相应的清晰可以使用的调整量(即舵轮转向角度)，使agv沿目标移动路径移动。在该模糊控制系统中，引入了变论域方法，可以缩小模糊控制的稳态误差，从而提高叉车路径跟踪的误差调整速度和精度。并且，通过计算固定转向角配合模糊控制微调，可以降低舵轮转向角度的变化幅度，使叉车运行更流畅稳定。
本发明实施例还进一步提供了一种计算机程序产品，包括存储在非易失性计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时时，使所述计算机执行上述任意方法实施例中的agv控制方法，例如，执行以上描述的图1中的方法步骤101-104或者实现图5所示的模糊控制系统。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。