一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法

1.本发明涉及机器人轨道跟踪技术领域，具体指一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法。


背景技术：

2.随着机器人技术的不断发展，移动机器人在现实生活中的应用范围不断扩大。轨迹跟踪作为轮式移动机器人控制领域中的一个重要问题，得到了广泛的研究。反步法、自适应控制、滑模控制、扰动观测器等技术都可应用于轮式移动机器人的轨迹跟踪控制。
3.现有方法一般基于机器人重心与其驱动中心是重合的状态下，实现轮式机器人的轨迹跟踪。然而机器人重心与其驱动中心是重合的状态是一种理想状态。因此在现实中，由于机械设计、传感器装配、负载不均等因素，轮式移动机器人的重心与驱动中心往往是不重合的。因此，常规的轨迹跟踪方法往往会存在一些偏差，对与跟踪轨迹的精度有一定的影响。
4.另一方面，在大部分的研究中也都假设移动机器人在运动过程中车轮与地面之间满足纯滚动无滑动的条件，但由于路面结冰、湿滑、轮胎磨损以及快速转弯等因素都会导致移动机器人发生车轮打滑的情况，严重影响轮式机器人轨迹跟踪精度，甚至导致轮式移动机器人无法跟踪参考轨迹。


技术实现要素：

5.本发明根据现有技术的不足，提出一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法，结合机器人重心与其驱动中心不重合以及车轮存在打滑状态的情况下，通过神经网络的参数整定方法，实现了对参考轨迹的精准的快速跟踪。
6.为了解决上述技术问题，本发明的技术方案为：
7.一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法，包括以下步骤：
8.步骤1、建立运动学模型
9.建立重心与其驱动中心不重合的状态下轮式移动机器人的运动学模型；
10.步骤2、建立轨迹跟踪误差系统模型；
11.步骤3、通过所建立的轨迹跟踪误差系统模型，设计运动学控制器打滑参数的自适应估计律；
12.步骤4，通过神经网络方法，实现对运动学控制器的控制参数进行在线整定。
13.作为优选，所述步骤1中，所述建立的运动学模型引入有针对左右轮打滑程度的打滑参数。
14.作为优选，所述步骤1中所建立的运动学模型为，
[0015][0016]
其中[x，y，θ]为轮式移动机器人的位姿，w
l
和wr为左、右轮的角速度，r为车轮半径，b为左、右驱动轮到驱动轮轴中心的距离，d为轮式移动机器人的质心到驱动轮轴中心的距离，ρ
l
和ρr为左右轮的打滑参数。
[0017]
作为优选，所述步骤2中，基于车轮打滑状态下建立的跟踪误差系统模型为：
[0018][0019]
其中：
[0020][0021]
上式中的xe、ye和θe为轮式移动机器人的轨迹误差，vr与wr为期望线速度与期望角速度，v为线速度，w为角速度。
[0022]
作为优选，所述步骤3中，运动学控制器和打滑参数的自适应估计律的设计还基于李雅普诺夫函数，所述李雅普诺夫函数如下：
[0023][0024]
其中x、y的表达式如下：
[0025][0026][0027]
与分别为左右轮滑动参数的估计误差，设与分别为左右轮滑动参数的估计值。
[0028]
作为优选，所述步骤3中设计的运动学控制器如下：
[0029][0030][0031]
其中k
x
、ky、与k
θ
为控制器的控制参数。
[0032]
作为优选，所述步骤3中设计的左、右轮滑动参数的自适应估计律如下：
[0033][0034]
[0035]
上式中η
l
、ηr为自适应增益。
[0036]
作为优选，所述步骤4中使用神经网络对运动学控制器的控制参数进行在线调整的算法为：
[0037][0038][0039][0040]
上式中k
x
、ky、k
θ
为运动学控制器的控制参数，分别为k
x
、ky、k
θ
的变化率，t
step
为每次进行控制参数更新的时间步长。
[0041]
本发明具有以下的特点和有益效果：
[0042]
采用上述技术方案，针对现实中轮式移动机器人重心与驱动中心不重合的情况，另外还引入车轮打滑参数，通过建立轮式移动机器人的运动学系统模型，设计了运动学控制器和打滑参数的自适应估计律，保证了跟踪误差能够收敛到0，从而大大提高了轨迹跟踪的精度，并通过神经网络对控制参数进行在线整定，提高了轮式移动机器人的轨迹跟踪速度以及轨迹跟踪的精度。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1是本发明实施例的原理图。
[0045]
图2是本发明实施例中的运动学模型模型示意图。
[0046]
图3是本发明实施例中轨迹跟踪误差示意图。
[0047]
图4是本发明实施例中圆形轨迹的跟踪效果图。
[0048]
图5是本发明实施例中神经网络结构图。
具体实施方式
[0049]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0050]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0051]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0052]
实施例1
[0053]
本实施例提供了一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法，包括以下步骤：
[0054]
步骤1、建立运动学模型
[0055]
建立重心与其驱动中心不重合的状态下轮式移动机器人的运动学模型；
[0056]
针对车轮打滑状态下的轮式移动机器人，引入描述左右轮打滑程度的打滑参数ρ
l
和ρr，并建立运动学模型；
[0057]
步骤2、建立轨迹跟踪误差系统模型；
[0058]
步骤3、通过所建立的轨迹跟踪误差系统模型，设计运动学控制器打滑参数的自适应估计律；
[0059]
步骤4，通过神经网络方法，实现对运动学控制器的控制参数k
x
，ky和k
θ
进行在线整定。
[0060]
上述技术方案中，建立轮式移动机器人的运动学系统模型时，考虑了现实情况下存在机器人重心与其驱动中心不重合，从而大大提高了轨迹跟踪的精度，另外还引入车轮打滑参数，通过建立轮式移动机器人的运动学系统模型，设计了运动学控制器和打滑参数的自适应估计律，确保了跟踪误差能够收敛到0，并通过神经网络对控制参数进行在线整定，提高了轮式移动机器人的轨迹跟踪速度以及轨迹跟踪的精度。
[0061]
具体的，如图2所示，所述步骤1中所建立的运动学模型为，
[0062][0063]
其中[x，y，θ]为轮式移动机器人的位姿，w
l
和wr为左、右轮的角速度，r为车轮半径，b为左、右驱动轮到驱动轮轴中心的距离，d为轮式移动机器人的质心到驱动轮轴中心的距离，ρ
l
和ρr为左右轮的打滑参数。
[0064]
可以理解的，上述技术方案中，通过在运动学模型定义了w
l
和wr为左、右轮的角速度，r为车轮半径，b为左、右驱动轮到驱动轮轴中心的距离，d为轮式移动机器人的质心到驱动轮轴中心的距离，从而解决了现实情况下存在机器人重心与其驱动中心不重合，从而大大提高了轨迹跟踪的精度。另外，在运动学模型中引入ρ
l
和ρr为左右轮的打滑参数，通过建立轮式移动机器人的运动学系统模型，进一步的提高了轨迹跟踪的精度和效率。
[0065]
进而再设计了运动学控制器和打滑参数的自适应估计律，确保了跟踪误差能够收敛到0。
[0066]
具体的，打滑参数的表达式如下所示：
[0067]
ρ
l
＝(1-i
l
)
[0068]
ρr＝(1-ir)
[0069]il
与ir为左、右轮的打滑率，表达式如下：
[0070][0071]
其中vr与v
l
为左、右轮相对地面的实际线速度，其表达式如下：
[0072]vl
＝rw
l
ρ
l
[0073]
vr＝rwrρr[0074]
本发明的进一步设置，如图3所示，所述步骤2中，基于车轮打滑状态下建立的跟踪误差系统模型为：
[0075][0076]
其中：
[0077][0078]
上式中的xe、ye和θe为轮式移动机器人的轨迹误差，vr与wr为期望线速度与期望角速度，v为线速度，w为角速度。
[0079]
上述技术方案中，在步骤1的基础上，在建立跟踪误差系统模型，进一步减小轨迹跟踪的误差，进而提高了轨迹跟踪的精度。
[0080]
本发明的进一步设置，所述步骤3中，运动学控制器和打滑参数的自适应估计律的设计还基于李雅普诺夫函数，所述李雅普诺夫函数如下：
[0081][0082]
其中x、y的表达式如下：
[0083][0084][0085]
与分别为左右轮滑动参数的估计误差，设与分别为左右轮滑动参数的估计值。与的关系如下：
[0086][0087][0088]
上述技术方案中，提出了通过李雅普诺夫函数，设计运动学控制器和打滑参数的自适应估计律，可以理解的，李雅普诺夫函数(lyapunov function)是用来证明一动力系统或自治微分方程稳定性的函数。针对自治系统的李雅普诺夫定理，直接使用李雅普诺夫候选函数的特性，从而寻找一个系统平衡点附近的稳定性。从而提高了该运动学控制器和打滑参数的自适应估计律的稳定性。进而提高了轨迹跟踪的精度
[0089]
具体的，所述步骤3中设计的运动学控制器如下：
[0090][0091][0092]
其中k
x
、ky、与k
θ
为控制器的控制参数。
[0093]
进一步的，所述步骤3中设计的左、右轮滑动参数的自适应估计律如下：
[0094][0095][0096]
上式中η
l
、ηr为自适应增益。的表达式如下：
[0097][0098][0099][0100][0101][0102][0103]
本发明的进一步设置，如图5所示，所述步骤4中使用神经网络对运动学控制器的控制参数进行在线调整的算法为：
[0104][0105][0106][0107]
上式中k
x
、ky、k
θ
为运动学控制器的控制参数，分别为k
x
、ky、k
θ
的变化率，t
step
为每次进行控制参数更新的时间步长。
[0108]
上述技术方案中，通过神经网络的引入，从而对运动学控制器的控制参数不断进行在线的调整，从而确保了跟踪误差能够收敛到0，进而不断提高轨迹跟踪的精度。
[0109]
具体的，的表达式如下：
[0110]
[0111][0112][0113]
其中η
x
、ηy、η
θ
代表学习率，且都大于0，的表达式如下：
[0114][0115][0116][0117][0118]
其中：
[0119]
[0120][0121][0122][0123][0124][0125][0126][0127]
实施例2
[0128]
本实施例与实施例1的区别在于，本实施例公开了一种包括实施例1中所述基于神经网络的轮式机器人自适应轨迹跟踪控制方法的存储介质。
[0129]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。