兩輪差速驅(qū)動移動機器人的運動模型與控制研究.pdf

1、隨著計算機、控制、人工智能等技術(shù)的日新月異，兩輪差速驅(qū)動移動機器人（TWDDMR，Two-wheeled Differentially Driven Mobile Robot）的應(yīng)用越來越廣泛，其智能化程度也越來越高。
　　隨著 TWDDMR應(yīng)用領(lǐng)域的不斷拓展，其將更多地工作在動態(tài)、未知非結(jié)構(gòu)化的環(huán)境之下，這對系統(tǒng)的運動控制提出了更高的要求。TWDDMR的運動控制問題一般可分為三大類：路徑跟蹤、軌跡跟蹤、點鎮(zhèn)定。軌跡跟蹤控制是TW

2、DDMR運動控制的基礎(chǔ)，也是研究熱點，在諸多行業(yè)有著極為重要的應(yīng)用和廣闊的前景。但是，TWDDMR系統(tǒng)是一個復(fù)雜的多輸入多輸出（MIMO）非線性，也是作為一類典型的非完整系統(tǒng)，具有時變、強耦合和飽和非線性等動力學(xué)特性，且在實際運動中，TWDDMR受到負載變化、摩擦力、道路情況及外界干擾等不確定因素的影響，這些都會給TWDDMR的軌跡跟蹤控制帶來極大的困難。
　　針對TWDDMR的軌跡跟蹤控制問題，本文的主要的研究工作如下：

3、　?、偬岢隽艘环N新型兩級雙層結(jié)構(gòu)（NTSDLS，Novel Two Stage and Double Layer Structure）的TWDDMR軌跡跟蹤控制器。
　　該控制器由運動學(xué)動態(tài)參數(shù)自適應(yīng)級和動力學(xué)解耦控制級兩級結(jié)構(gòu)級聯(lián)構(gòu)成，而且每一級結(jié)構(gòu)又分別由兩層結(jié)構(gòu)組成。
　　1）運動學(xué)動態(tài)參數(shù)自適應(yīng)級
　　針對 TWDDMR實時運動控制過程中存在負載變化、外界強干擾等不確定因素及系統(tǒng)的時變特性，提出了基于改進型RB

4、F神經(jīng)網(wǎng)絡(luò)的Back-stepping控制參數(shù)自整定的運動學(xué)控制器，其作為整個NTSDLS軌跡跟蹤控制器的外環(huán)，起著主導(dǎo)作用，主要用于實現(xiàn)高精度跟蹤。運動學(xué)動態(tài)參數(shù)自適應(yīng)級是由RBF神經(jīng)網(wǎng)絡(luò)層和Back-stepping控制器兩層結(jié)構(gòu)組成。具體就是先利用積分Back-stepping方法設(shè)計了運動學(xué)控制器，再并利用改進的RBF神經(jīng)網(wǎng)絡(luò)對控制增益進行了自整定，克服負載變化以及外界強干擾等不確定因素的影響，達到優(yōu)化控制器的控制效果。

5、　　2）動力學(xué)解耦控制級
　　針對TWDDMR的多變量、MIMO及強耦合等動力學(xué)特征，提出了基于改進型RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID動力學(xué)解耦控制器，其作為整個NTSDLS軌跡跟蹤控制器的內(nèi)環(huán)，用于克服 TWDDMR系統(tǒng)的非線性、強耦合等動力學(xué)特征對系統(tǒng)產(chǎn)生的負面影響。動力學(xué)解耦控制級是由RBF神經(jīng)網(wǎng)絡(luò)辨識器和PID控制器兩層結(jié)構(gòu)組成。具體就是首先利用 SR-UKF算法，從觀測的角度出發(fā)，設(shè)計 SR-UKF狀態(tài)在線觀測器，對 TWD

6、DMR系統(tǒng)狀態(tài)量以及某些無法直接測量的狀態(tài)量進行在線估計，再通過輸出方程為RBF神經(jīng)網(wǎng)絡(luò)辨識器提供TWDDMR系統(tǒng)的輸出數(shù)據(jù)。然后運用本文改進的RBF神經(jīng)網(wǎng)絡(luò)辨識器，在線辨識TWDDMR系統(tǒng)的非線性時變信息，自動調(diào)整PID控制器各項參數(shù)，從而獲取系統(tǒng)相應(yīng)各變量的控制量，消除變量之間的耦合作用，最終實現(xiàn)對TWDDMR系統(tǒng)的智能化解耦控制。
　　3）闡述了該控制器系統(tǒng)的控制結(jié)構(gòu)和原理，并用 Lyapunov穩(wěn)定性分析判據(jù)理論對本文提出

7、的控制器進行了穩(wěn)定性分析說明。
　?、诮WDDMR類等效耦合運動模型并對其進行優(yōu)化，提出基于SR-UKF算法的TWDDM模型的狀態(tài)-參數(shù)在線聯(lián)合估計方法。
　　針對建立的 TWDDMR的類等效耦合運動模型，進行了補充和優(yōu)化，對于最初建立的沒有考慮各驅(qū)動電機系統(tǒng)處于非線性飽和下限工作區(qū)的情況進行補充和推導(dǎo)，建立了更為完善、更加貼近實際系統(tǒng)的TWDDMR類等效耦合運動模型。
　　針對以往的最小二乘法、遺傳算法等辨識方法

8、，需要獲得非常充足的測量數(shù)據(jù)才能離線辨識出相應(yīng)的模型狀態(tài)參數(shù)，導(dǎo)致整個辨識周期時間長，工作量大，本文采用SR-UKF方法對TWDDMR的類等效耦合運動模型的狀態(tài)參數(shù)進行在線辨識，實時估計未知（時變）參數(shù)，完善系統(tǒng)當(dāng)前的模型信息，使數(shù)學(xué)模型能夠更準(zhǔn)確地反映系統(tǒng)的實際情況。SR-UKF方法通過QR分解、Cholesky因子更新和高效最小二乘法三種代數(shù)技術(shù)降低了計算復(fù)雜度，滿足快速性要求。
　?、鄞罱嘶?TWDDMR類等效耦合運動模