一种基于扰动补偿的AGV滑模路径跟踪控制方法

本发明涉及agv控制，具体涉及一种基于扰动补偿的agv滑模路径跟踪控制方法。

背景技术：

1、自动导引车（automated guided vehicles，agv）是一种无需人工干预的自动运输设备，它配备了传感器和制导系统，可以沿着规划的路径行驶。agv以自动化程度高、稳定性好、操作灵活著称。近年来，agv在各个工业领域中发挥着越来越重要的作用，被广泛应用于智能仓储、生产线运输、集装箱装卸等场合。路径跟踪是agv的关键技术之一，研究如何在保证行车安全性和舒适性的前提下，控制车辆沿预定路径行驶。近年来，如何提高agv的路径跟踪精度受到了广泛关注。由于滑模控制具有鲁棒性强、响应速度快、物理实现简单等优点，在agv路径跟踪控制领域得到了广泛的应用。然而，由于滑模趋近律中的符号函数，当状态点到达滑模面时，系统状态很难严格地沿滑模面向平衡点滑动。相反，系统状态通过不断穿越滑模面接近平衡点，产生抖振现象。众所周知，抖振是不可取的，因为它可能触发高频未建模的动态，甚至导致系统不稳定。agv在实际运行过程中，不可避免的会受到未知外部扰动，对控制系统的稳定性有显著的负面影响。

2、因此，现需要一种能够有效消除滑模控制带来的系统抖振现象，实现高精度的路径跟踪的基于扰动补偿的agv滑模路径跟踪控制方法。

技术实现思路

1、本发明的主要目的在于提供一种基于扰动补偿的agv滑模路径跟踪控制方法，以解决现有技术中不能有效消除滑模控制带来的系统抖振现象，不能实现高精度的路径跟踪的问题。

2、为实现上述目的，本发明提供了一种基于扰动补偿的agv滑模路径跟踪控制方法，具体包括如下步骤：

3、s1，对agv进行运动学建模并建立agv位姿误差模型。

4、s2，设计一种由状态观测器以及rbf神经网络构成的等效扩张状态观测器eso。

5、s3，设计滑模控制器，包括：设计滑模等效控制律和设计改进变速控制律。

6、s4，基于rbf神经网络估计滑模控制器参数。

7、进一步地，步骤s1具体包括如下步骤：

8、s1.1，构建agv运动学模型：首先建立agv全局坐标系和局部坐标系，根据双轮差速驱动agv的线速度、角速度和位姿之间的关系建立运动学模型。

9、s1.2，基于步骤s1.1，根据agv实际状态与期望状态之间的关系建立位姿误差模型：

10、         （1）；

11、式中为agv纵向误差，为的变化率，为横向误差，为航向角误差，为的变化率，和分别为agv实际状态下的线速度和角速度，和分别为agv期望状态下的线速度和角速度，和分别为纵向扰动和航向角扰动。

12、进一步地，步骤s2设计状态观测器具体包括如下步骤：

13、s2.1， 令, ，将步骤s1.2中的agv位姿误差模型写成如公式（2）的矩阵形式：

14、   （2）；

15、式（2）中为系统矩阵，为输入矩阵，为控制输入，为非线性项，为输出矩阵，为的变化率。

16、设计的状态观测器为：

17、（3）；

18、式中，是状态观测器观测到的状态的估计值，是状态观测器增益，是非线性项的估计值。

19、s2.2，为了估计未知扰动，令，作为新的扩张状态，并且使用rbf神经网络进行估计。

20、取，，则式（2）所示的agv位姿误差模型被扩张为公式（4）的形式：

21、（4）；

22、式中，和将由rbf神经网络估计，和代表和的变化率。

23、进一步地，步骤s2中基于rbf神经网络进行扰动估计具体包括如下步骤：

24、s2.3，rbf神经网络隐含层和输出层之间的权值表示为，是第个神经元与输出层之间的连接权值；如果未知扰动由隐含层节点描述，则使用rbf神经网络对扰动的逼近表示为：

25、     （5）；

26、式中是理想权值，是高斯核函数，是神经网络输出值和系统扰动的真实值之间的有界逼近误差。

27、s2.4，使用rbf神经网络对未知扰动进行估计，未知扰动的估计值表示为：

28、（6）；

29、式（6）中是状态观测器的观测值，是输入为时的高斯核函数，是有界逼近误差的估计值，是权值的估计值并且根据式（7）所示的自适应律进行调整：

30、（7）。

31、式中，是需要设定的正常数，，代表状态估计误差，是对称正定矩阵，，是输入为x时的高斯核函数，是高斯核函数的估计值，是高斯核函数及其估计值之间的误差，令，则的估计值根据自适应律进行调整：

32、（8）。

33、基于新的扩展状态及式（6）所示的扰动估计值，agv纵向扰动和航向角扰动被表示为：

34、（9）；

35、（10）；

36、其中，是扩张状态的估计值，是扩张状态的估计值。

37、将式（9）和式（10）所示的扰动表达式代入式（1）所示的误差模型中，基于观测值的agv位姿误差模型表示为：

38、（11）。

39、进一步地，步骤s3中的滑膜等效控制律设计具体包括如下步骤：

40、s3.1，设计滑模面：

41、（12）；

42、式中，，是正的常数，，是当前时刻。

43、对滑模面求微分可得：

44、  （13）。

45、s3.2，根据滑模控制理论，令并且结合式（11）所示的agv位姿误差模型，得到等效控制律：

46、    （14）；

47、式中，，，和分别是线速度和角速度的等效控制律。

48、进一步地，步骤s3中的改进变速控制律的设计具体包括如下步骤：

49、s3.3，传统指数趋近律为：

50、（15）；

51、式中是指数趋近项，是等速趋近项；和是正的设计参数，用于调整趋近律的趋近速度。

52、s3.4，引入函数和双曲正切函数设计改进变速趋近律，函数和双曲正切函数的表达式如下：

53、（16）；

54、式中，，是函数在原点附近的边界层的长度，是非线性因子。

55、（17）；

56、s3.5，设计的改进变速趋近律为：

57、（18）；

58、将式（18）所示的改进变速趋近律展开得到：

59、（19）；

60、设计改进变速控制律为：

61、

62、（20）；

63、式中和是式（18）中所述的改进变速趋近律。

64、基于式（14）和式（20），agv滑模路径跟踪控制器为：

65、

66、（21）。

67、进一步地，步骤s4具体包括如下步骤：

68、s4.1，采用rbf神经网络对滑模控制器中切换控制项的增益系数进行估计，rbf神经网络的输入向量为滑模面及其导数，即，隐含层神经元的个数为6个，则神经网络的输出为：

69、（22）。

70、s4.2，评价函数设计为：

71、（23）；

72、式中是时刻的速度，是时刻的速度。

73、s4.3，通过基于梯度下降法计算评价函数的负梯度来更新参数：

74、（24）。

75、式中是第i个权值的更新学习增量，评价函数和的关系如下：

76、（25）。

77、s4.4，神经网络学习更新后的权值表示为：

78、（26）。

79、因此进行参数估计后，控制器（21）被表示为：

80、（27）。

81、本发明具有如下有益效果：

82、本发明设计了一种状态观测器与rbf神经网络相结合的等效扩张状态观测器eso，利用rbf神经网络对外部扰动进行补偿，提高了干扰估计的精度。通过rbf神经网络消除了等效扩张状态观测器eso扩张状态相关的参数调整，降低了全局参数整定的难度。提出了基于改进分段变速趋近律的滑模路径跟踪控制器。当系统状态点在边界层外时，能以较高的收敛速率收敛到边界层，当系统状态点在边界层内时，能保证平稳有效地到达状态点，抑制系统抖振现象。该控制器实现了agv的全局渐近稳定路径跟踪，且跟踪误差较小。采用rbf神经网络对滑模控制器参数进行估计，通过适当降低切换控制项的增益系数，有效地降低了系统抖振，进一步提高了路径跟踪的精度。