輪式機器人的移動系統(tǒng)建模及基于模型學習的跟蹤控制研究.pdf

1、隨著移動機器人被賦予的任務需求及其接觸環(huán)境的多樣性不斷增加，使其在執(zhí)行任務過程中所面臨的隨機因素變得越來越多。輪式移動機器人作為本文的研究對象，目前所面臨的主要困難包括：動態(tài)系統(tǒng)的高精度建模，對外界環(huán)境的認知，車輪與地面作用力學理論的實際應用等，這些因素通常導致機器人具有模型不確定性，給機器人的精確控制帶來了很大難度，需要發(fā)展先進的控制方法來解決復雜系統(tǒng)的控制問題。為此，本文建立了復雜的輪式機器人系統(tǒng)模型，提出了先進的模型學習方法，并且

2、基于模型學習方法研究了輪式移動機器人的跟蹤控制問題。
　　系統(tǒng)模型是機器人技術研究的基本工具，輪式機器人的運動學模型和動力學模型是解決其控制問題的基礎?；谳喪綑C器人在硬質(zhì)地面上的有非完整約束方程，建立了車輪縱向滑轉(zhuǎn)和側(cè)向滑移情況的機器人系統(tǒng)運動學與動力學模型。結(jié)合輪—地相互作用的地面力學方程和輪式機器人的運動學建模過程，建立了輪式機器人在松軟斜坡上發(fā)生車輪滑轉(zhuǎn)、側(cè)偏和沉陷的動力學模型。
　　輪式機器人系統(tǒng)模型的不確定性在很

3、大程度上影響了跟蹤控制的精度。為提高控制系統(tǒng)的精度，利用具有非線性特性的神經(jīng)網(wǎng)絡模型進行在線辨識，包括前饋的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡的模型辨識。考慮到遞歸神經(jīng)網(wǎng)絡的隱層單元存在神經(jīng)元再激勵而產(chǎn)生時延現(xiàn)象，基于Lyapunov穩(wěn)定性理論、線性矩陣不等式技巧和李代數(shù)性質(zhì)，提出了時延遞歸神經(jīng)網(wǎng)絡全局漸近穩(wěn)定和全局指數(shù)穩(wěn)定的新判據(jù)。
　　為應用觀測數(shù)據(jù)辨識具有不確定性的機器人系統(tǒng)模型，研究了具有非參數(shù)化的高斯過程回歸(G

4、PR)模型，能夠降低噪聲對觀測數(shù)據(jù)的影響，進而實現(xiàn)系統(tǒng)潛變量模型的高精度辨識?；贑holesky分解的高斯過程模型更新方法保證了數(shù)據(jù)不斷增多時的模型學習速度。根據(jù)監(jiān)督型神經(jīng)網(wǎng)絡和高斯過程在貝葉斯回歸問題上的相似性，建立了貝葉斯回歸網(wǎng)絡模型。根據(jù)局部學習理論提出了新穎的聚類算法，進而建立了局部貝葉斯回歸網(wǎng)絡(LBRN)。針對復雜系統(tǒng)的模型學習，LBRN具有學習速速快、辨識精度高和魯棒性強的特點。
　　為實現(xiàn)輪式機器人在硬質(zhì)地面上的

5、軌跡跟蹤控制，應用模型學習方法設計了有效的控制律。針對具有模型參數(shù)不確定性的輪式機器人，應用RBF神經(jīng)網(wǎng)絡反饋誤差學習算法設計軌跡跟蹤控制器，其中神經(jīng)網(wǎng)絡對不確定的非線性動力學模型進行在線辨識，通過仿真實現(xiàn)了準確的軌跡跟蹤控制。為降低車輪縱向滑轉(zhuǎn)對軌跡跟蹤的影響，建立了滑轉(zhuǎn)參數(shù)計算公式，結(jié)合滑轉(zhuǎn)參數(shù)補償和神經(jīng)網(wǎng)絡設計控制器，通過仿真實現(xiàn)了車輪滑轉(zhuǎn)的軌跡跟蹤控制。車輪縱向滑轉(zhuǎn)和側(cè)向滑移耦合情況很難進行滑轉(zhuǎn)和側(cè)滑參數(shù)估計，利用局部貝葉斯回歸

6、網(wǎng)絡方法對機器人打滑動力學模型進行離線辨識，通過仿真實現(xiàn)了基于打滑模型的軌跡跟蹤控制。
　　為實現(xiàn)輪式機器人在松軟地面上發(fā)生車輪滑轉(zhuǎn)、滑移和沉陷等情況的路徑跟蹤控制，結(jié)合地面力學理論和模型學習方法設計有效的跟蹤控制律。分析輪—地作用力學模型和設計單輪實驗平臺，基于動態(tài)反向傳播算法的遞歸神經(jīng)網(wǎng)絡模型在線辨識未知的地面參數(shù)?？紤]到多參數(shù)耦合的輪—地作用力學模型在車輪驅(qū)動控制中很難直接應用，采用高斯過程回歸方法和單輪實驗平臺的數(shù)據(jù)觀測對

7、實際需要的輪—地作用力學模型進行了辨識，實現(xiàn)了由車輪驅(qū)動力矩來控制車輪的滑轉(zhuǎn)率、沉陷量和掛鉤牽引力。針對松軟地面上具有不確定性的復雜輪式機器人系統(tǒng)，建立了系統(tǒng)模型輸入輸出的映射關系式。應用局部貝葉斯回歸網(wǎng)絡方法進行模型辨識，并且建立了有效的控制器，通過仿真實現(xiàn)了松軟地形上的路徑跟蹤控制。
　　本文建立了輪式移動機器人的系統(tǒng)模型，分析了系統(tǒng)模型具有不確定性的復雜情況，研究了神經(jīng)網(wǎng)絡、高斯過程回歸和局部貝葉斯回歸網(wǎng)絡的模型學習方法，并