具有参数不确定性的轮式移动机器人自适应backstepping控制

针对参数不确定的轮式移动机器人的轨迹跟踪问题,设计自适应跟踪控制器.基于移动机器人的动力学模型,采用backstepping积分方法,通过逐步递推选择适当的Lyapunov函数,设计基于状态反馈的自适应控制器,并进行了相应的稳定性分析.与传统PID控制进行仿真对比,结果表明提出的自适应控制策略能较好地补偿系统参数摄动的影响,提高了移动机器人的轨迹跟踪性能和鲁棒性.     

含驱动器动力学的移动机器人编队自适应控制

针对含有驱动器及编队动力学的多非完整移动机器人编队控制问题,基于领航者-跟随者[l-ψ]控制结构,通过反步法设计了一种将运动学控制器与驱动器输入电压控制器相结合的新型控制策略。采用径向基神经网络（RBFNN）对跟随者及领航者动力学非线性不确定部分进行在线估计,并通过自适应鲁棒控制器对神经网络建模误差进行补偿。该方法不但解决了移动机器人编队控制的参数与非参数不确定性问题,同时也确保了机器人编队在期望队形下对指定轨迹的跟踪;基于Lyapunov方法的设计过程,保证了控制系统的稳定与收敛;仿真结果表明了该方法的有效性。     

基于自适应反步法的轮式移动机器人跟踪控制

轮式移动机器人是一种典型的非完整约束系统.基于反步法提出一种自适应扩展控制器,对含有未知参数的非完整轮式移动机器人动力学系统进行轨迹跟踪控制并且Lyapunov稳定性理论保证跟踪误差渐近收敛到零.为了克服速度跳变产生滑动,加入了神经动力学模型对控制器进行改进.以两驱动轮移动机器人为例,利用运动学自适应控制器设计出转矩控制器,有效解决了不确定非完整轮式移动机器人动力学系统的轨迹跟踪问题.仿真结果证明该方法的正确性和有效性.     

一类不确定非完整动力学系统的鲁棒镇定及其在移动机器人中的应用

本文讨论了一类带有未知惯性参数、动静态摩擦及外界干扰的非完整动力学系统的控制问题．基于变结构控制的思想，给出了该系统的镇定方法，使得Ｐｏｍｅｔ［３］关于非完整运动学系统的时变光滑镇定律可推广到相应的带有参数不确定和干扰的动力学系统上．最后，将所得结果应用于一类移动机器人的镇定控制，仿真结果验证了该方法的有效性．     

一类不确定非完整动力学系统的鲁棒镇定及其在移动机器人中的应用

本文讨论了一类带有未知惯性参数、动静态摩擦及外界干扰的非完整动力学系统的控制问题．基于变结构控制的思想，给出了该系统的镇定方法，使得Ｐｏｍｅｔ［３］关于非完整运动学系统的时变光滑镇定律可推广到相应的带有参数不确定和干扰的动力学系统上．最后，将所得结果应用于一类移动机器人的镇定控制，仿真结果验证了该方法的有效性．     

一种新型的机器人自适应跟踪控制器研究

针对神经动力学模型描述的非完整移动机器人系统,研究了其在未知参数和不确定性干扰下的轨迹跟踪控制问题.基于反演技术提出了一种转矩控制器,利用Lyapunov稳定性理论和中间虚拟控制量保证跟踪误差渐进收敛到零.不但能够得到稳定跟踪所需速度,并且有效解决了不确定非完整移动机器人动力学系统的轨迹跟踪问题,具有设计方法简单,鲁棒性强的特点.仿真结果验证了所设计的控制器的有效性和正确性.     

野外移动机器人滑动效应的在线建模和跟踪控制

针对野外移动机器人的滑动效益建模和补偿控制问题进行了研究.以履带式移动机器人为研究对象,将履带和地面之间的滑动效应建模为时变的滑动参数,由此建立起带滑动参数的机器人运动学和动力学模型,并采用基于方根无色卡尔曼滤波(SR-uKF)的在线非线性估计方法对机器人的位姿和滑动参数进行联合估计.在此基础上,提出了一种基于动态反馈...     

具有未校准视觉参数的移动机器人的跟踪控制

基于未校准视觉反馈的非完整运动学系统具有参数不确定性,较一般的运动学系统更加复杂.根据视觉反馈和非完整移动机器人的链式标准形式,研究了具有未标定摄像机视觉参数的移动机器人的轨迹跟踪控制问题.利用固定在天花板上的摄像机系统提出运动学跟踪误差模型,并对该误差系统模型提出了一种动态反馈跟踪控制器;对具有不确定机械参数的动力学模型,提出一种自适应力矩控制器,该控制器保证了实际机器人状态渐近跟踪给定的参考轨迹,并通过Lyapunov方法严格证明了整个闭环系统的稳定性.仿真结果证实了所提出的控制器的有效性.     

UHF-RFID环境下的移动机器人定位方法

研究UHF-RFID环境中移动机器人的定位问题,提出一种基于自适应UKF滤波器组的移动机器人定位方法,融合UHF-RFID和机器人内部传感器信息,以实现初始位姿未知的移动机器人定位.首先,利用UHF-RFID系统对移动机器人进行初始定位,并根据其初始位置信息随机生成移动机器人的初始状态估计集;然后,考虑UHF-RFID系统定位的量化误差,应用自适应UKF方法对机器人的状态估计集进行预测和更新,并对状态估计集进行有效地裁剪、筛选以及更新,以提高滤波器的估计精度和稳定性.仿真结果表明,相比于标准UKF滤波方法,自适应UKF滤波器组方法具有更高的定位精度和更快的收敛速度.     

基于神经网络的不确定移动机器人鲁棒自适应跟踪控制

针对含运动学未知参数以及动力学模型不确定的非完整轮式移动机器人轨迹跟踪问题,基于Radical Basis Function（径向基函数）神经网络,提出了一种鲁棒自适应控制器.首先,考虑移动机器人运动学参数未知的情况,提出了一种含自适应参数的运动学控制器,用以补偿参数不确定性导致的系统误差;其次,利用神经网络控制技术,对于机器人在移动中动力学模型不确定问题,提出了一种具有鲁棒性的动力学控制器,使得移动机器人可以在不知道具体动力学模型的情况下跟踪到目标轨迹;最后利用Lyapunov稳定性理论证明了整个系统的稳定性.通过数值仿真验证了所设计的控制器的可行性.     

一种用于移动机器人状态和参数估计的自适应UKF算法

For improving the estimation accuracy and the convergence speed of the unscented Kalman filter(UKF),a novel adaptive filter method is proposed.The error between the covariance matrices of innovation measurements and their corresponding estimations/predictions is utilized as the cost function.On the basis of the MIT rule,an adaptive algorithm is designed to update the covariance of the process uncertainties online by minimizing the cost function.The updated covariance is fed back into the normal UKF.Such an adaptive mechanism is intended to compensate the lack of a priori knowledge of the process uncertainty distribution and to improve the performance of UKF for the active state and parameter estimations.The asymptotic properties of this adaptive UKF are discussed.Simulations are conducted using an omni-directional mobile robot,and the results are compared with those obtained by normal UKF to demonstrate its effectiveness and advantage over the previous methods.     

一种用于移动机器人状态和参数估计的自适应UKF算法

为了提高 UKF 的估计精度和收敛性, 提出了一种新的自适应滤波方法. 新息方差阵的测量值和其相应的估计/预测值的差被用于构造指标函数. MIT 规则被用于构造自适应机制以指标函数最小来在线更新过程不确定性的方差值. 更新后的方差反馈给常规 UKF. 这种自适应机制主要用于补偿过程噪声分布的先验信息不足以及提高 UKF 状态和参数的主动估计性能. 讨论了自适应 UKF 的渐进稳定性. 在全方位移动机器人上进行了仿真, 结果表明与常规的 UKF 相比自适应 UKF 更有效更精确.     

An Adaptive Unscented Kalman Filter-based Controller for Simultaneous Obstacle Avoidance and Tracking of Wheeled Mobile Robots with Unknown Slipping Parameters

A novel unified control approach is proposed to simultaneously solve tracking and obstacle avoidance problems of a wheeled mobile robot (WMR) with unknown wheeled slipping. The longitudinal and lateral slipping are processed as three time-varying parameters and an Adaptive Unscented Kalman Filter (AUKF) is designed to estimate the slipping parameters online More specifically, an adaptive adjustment of the noise covariances in the estimation process is implemented using a technique of covariance matching in the Unscented Kalman Filter (UKF) context. A stable unified controller is applied to simultaneously handle tracking and obstacle avoidance for this WMR system to compensate for the unknown slipping effect. Applying Lyapunov stability theory, it is proved that tracking errors of the closed-loop system are asymptotically convergent regardless of unknown slipping, the tracking errors converge to the zero outside the obstacle detection region and obstacle avoidance is guaranteed inside the obstacle detection region. The effectiveness and robustness of the proposed control method are validated through simulation and experimental results.     

基于迁移学习的移动机器人单帧图像坡度检测算法

针对未知环境下移动机器人平稳上坡控制对坡度感知精度的要求,本文提出了一种基于迁移学习的移动机器人单帧图像坡度检测算法。利用室内图像标准数据集训练深度卷积神经场?全连接超像素池化网络(deep convolutional neural field-fully connected superpixel pooling network, DCNF-FCSP)并获得室内单帧图像深度估计网络模型;将DCNF-FCSP模型中前5个图像特征提取层的网络参数迁移至室外图像深度估计网络中;固定室外图像深度估计网络中图像特征提取部分的网络参数,利用室外图像数据集对剩余5层的网络参数进行训练,从而得到室外单帧图像深度估计网络;将其应用在移动机器人坡度检测中,根据单帧斜坡图像估计出斜坡角度。标准数据集和实际场景的深度估计和坡度检测实验表明:本文所提出的基于迁移学习的移动机器人单帧图像坡度检测算法能够仅根据移动机器人车载相机采集的单帧斜坡RGB图像就可估计出精确的斜坡角度,满足移动机器人在未知环境中对坡度感知精度的要求。     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波（UKF）移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

含有摩擦补偿的全方位移动机器人自抗扰控制

本文针对全方位移动机器人轨迹追踪中的摩擦补偿问题,提出了一种改进的非线性自抗扰控制器.首先建立了含有经典静态摩擦模型的全方位移动机器人动力学模型.其次,基于该模型设计非线性控制器和线性扩张状态观测器并给出了系统的稳定性分析.通过将模型已知项加入线性扩张状态观测器中得到摩擦力的估计值,并将估计值用于非线性控制器中摩擦补偿部分.为减小摩擦力对机器人低速运动轨迹追踪控制的影响,非线性控制器采用变增益控制器进行轨迹追踪控制.最后通过仿真结果验证本文提出控制器的有效性.     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题，提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题，并补偿低成本的惯性传感器陀螺仪和加速度计的误差，从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统，实验结果表明UKF参数设计简单，姿态估计误差小于EKF，方差估计优于EKF，估计精度、计算量基本与EKF相当．因此，UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．     

基于平方根UKF的SLAM算法

同步定位与地图构建（SLAM）是移动机器人实现真正自主的关键,无迹卡尔曼滤波（UKF）由于直接利用系统非线性模型而在SLAM问题中得到广泛的应用。基于平方根滤波可以确保协方差矩阵的非负定的思想,将平方根UKF应用到SLAM问题中,确保了SLAM算法的稳定性,并得到了较高的估计精度。仿真结果表明,该算法是有效的。