自主导航小车(AGV)轨迹跟踪的模糊预测控制

针对非完整约束的轮式移动机器人WMR轨迹跟踪问题,以差速驱动式轮式移动机器人XAUT.AGV100为研究对象,对WMR的运动控制问题作了进一步的研究。本文在分析现有移动机器人运动控制方法的基础上,充分利用模糊控制和预测控制的优点,将模糊控制的思想引入到预测控制中,设计了模糊预测控制算法,并采用此方法控制自主导航小车AGV以提高其轨迹跟踪的快速性和运动的平稳性。理论仿真分析和实验研究均证明,采用所设计的模糊预测方法控制AGV,可有效提高AGV轨迹跟踪的快速性和运动平衡性。     

Robust tracking and distributed synchronization control of a multi-motor servomechanism with H-infinity performance

The multi-motor servomechanism (MMS) is a multi-variable, high coupling and nonlinear system, which makes the controller design challenging. In this paper, an adaptive robust H-infinity control scheme is proposed to achieve both the load tracking and multi-motor synchronization of MMS. This control scheme consists of two parts: a robust tracking controller and a distributed synchronization controller. The robust tracking controller is constructed by incorporating a neural network (NN) K-filter observer into the dynamic surface control, while the distributed synchronization controller is designed by combining the mean deviation coupling control strategy with the distributed technique. The proposed control scheme has several merits: 1) by using the mean deviation coupling synchronization control strategy, the tracking controller and the synchronization controller can be designed individually without any coupling problem; 2) the immeasurable states and unknown nonlinearities are handled by a NN K-filter observer, where the number of NN weights is largely reduced by using the minimal learning parameter technique; 3) the H-infinity performances of tracking error and synchronization error are guaranteed by introducing a robust term into the tracking controller and the synchronization controller, respectively. The stabilities of the tracking and synchronization control systems are analyzed by the Lyapunov theory. Simulation and experimental results based on a four-motor servomechanism are conducted to demonstrate the effectiveness of the proposed method.     

基于状态反馈线性化的阀控非对称缸系统模型预测控制

针对使用PID方法对阀控非对称液压缸位置控制中出现的超调问题,以及传统非线性模型预测控制优化求解计算时间较长的问题,提出了一种基于状态反馈线性化的阀控非对称缸模型预测控制方案。首先建立了阀控系统状态空间模型,运用微分几何理论讨论系统可反馈线性化的充要条件,并将非线性系统映射为新坐标空间内的线性系统模型;设计了反馈线性化模型预测控制器(Feedback Linearization Model Predictive Controller, FLMPC),讨论了线性系统下的约束问题,其中由于系统仿真预测时域远小于系统响应时间,对模型预测控制的损失函数加以修正。结果证明,在相同输入情况下,反馈线性化系统与原系统的位置误差满足控制需要,且在保证被控对象快速稳定控制的条件下,对比该算法与非线性模型预测控制的单步计算时间,证明该算法能够缩短计算时间。     

无人驾驶越野车辆纵向速度跟踪控制试验

以无人驾驶轻型战术轮式越野车辆为平台,开展模型预测纵向速度跟踪控制实车试验研究。针对平台控制特性设计合适的下位控制器,使用Matlab/Simulink与包含气压制动系统的TruckSim车辆联合仿真初步测试系统可行性,并在沥青路和土路分别进行实车试验。试验结果表明：模型预测速度跟踪控制系统能够克服气压制动延时长、整车质量重、越野路况行驶阻力波动大等模型误差和不确定干扰,自适应调节期望加速度大小,实现不同行驶工况高精度速度跟踪。试验过程驱动/制动切换平稳、无振荡,且能够像熟练驾驶员一样充分利用发动机辅助制动,必要时既不施加电控制动,也不请求发动机输出转矩。系统使用现代车辆易于获得的车辆状态参数,便于向其他车辆移植,可作为无人车辆车体控制得力技术加以推广。     

自动导引车路径跟踪和伺服控制的混合运动控制

对受到非完整约束和动力学影响的自动导引车(Automated guided vehicle,AGV),提出一种包含路径跟踪和伺服控制的混合运动控制模型。为消除AGV位姿偏差,在速度和加速度约束下,基于多步预测最优控制和智能预测迭代控制的路径跟踪技术,输出纠偏协调性最优的有限速度差控制量,并根据该控制量和AGV运行速度设置两驱动轮的目标速度。为消除驱动轮速度误差,以路径跟踪所需的伺服控制能力为决策偏好,采用多目标遗传算法优化伺服控制器的PID参数,保证两驱动轮的实际速度满足路径跟踪要求,并根据系统响应性能反馈速度和加速度约束。AGV路径跟踪试验表明,该混合运动控制模型可匹配路径跟踪技术的位姿纠偏能力与伺服控制技术的速度纠偏能力,有利于实现AGV运动性能的整体优化。     

高维磁悬浮控制系统二次状态反馈鲁棒稳定性研究

运用中心流形—范式综合方法 ,从理论上讨论了高维磁悬浮柔性转子控制系统二次状态反馈鲁棒稳定性问题。提出了此类高维控制系统渐近稳定的条件和二次状态反馈稳定定理 ,给出了此高维系统二次反馈控制律的构造方法 ;最后 ,对上述控制策略下的鲁棒性进行了分析和证明     

凿岩机器人轨迹跟踪自适应预测控制

将一种输入输出增量式线性时变模型作为对象的实时预测模型 ,采用加权限定记忆回归法来估计模型参数 ,进而提出一种自适应预测控制策略 ,并给出了单步预测最优控制律。简要介绍了凿岩机器人双三角钻臂的结构和运动特性 ,随后将本文提出的自适应预测控制策略用于双三角钻臂轨迹跟踪控制 ,仿真结果表明了该控制策略的可行性。     

基于模型预测控制的工业机器人曲面跟踪方法研究

工业机器人执行接触性作业任务时,通常需要稳定控制接触力,比如在磨抛过程中,不平稳的法向接触力容易影响表面质量。为解决力跟踪控制时法向控制速度易超调和不确定环境造成法向接触力不平稳的问题,提出一种基于模型预测控制的工业机器人曲面跟踪方法。首先,根据工件模型几何信息计算出末端工具的运动轨迹,再结合机器人当前位姿求解末端工具的笛卡儿速度;然后,建立末端工具与工件接触时的状态空间模型,并依据末端工具的姿态变化对法向阻尼系数进行在线调节;最后,根据实时力信号的反馈,利用模型预测控制算法对法向速度进行修正,实现曲面恒力跟踪。基于Staubli TX90工业机器人,在末端工具姿态不变和姿态改变的情况下分别进行了曲面跟踪实验,结果显示法向接触力波动范围分别为±1 N和±2 N,方差分别为0.038 1 N²和0.105 9 N²,能够达到较好的力跟踪效果。     

具有状态约束的电液伺服系统模型参考鲁棒自适应控制

针对电液伺服系统中的模型不确定性和状态约束问题,设计了一种模型参考鲁棒自适应控制(MRRAC)方法。将电液伺服系统的近似模型作为模型预测控制(MPC)的设计对象,在设计过程中考虑状态约束,并生成受约束的状态期望,作为后续伺服控制方法的参考指令。为了克服液压系统中的模型不确定性,基于反步法设计了鲁棒自适应控制器(RAC),实现了兼顾模型不确定性和状态约束的伺服控制。基于Lyapunov稳定性理论证明了所设计控制策略的闭环渐近稳定性,且系统所有信号均有界。仿真结果表明,控制器对于系统模型不确定性具有较强的鲁棒性,且可实现对指定状态的有效约束,充分验证了该控制策略的有效性。     

基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究

为了保证自动驾驶汽车轨迹跟踪的精度及行驶过程中的稳定性,提出一种基于车辆横向稳定状态在线识别和模糊算法的变预测时域模型预测控制（MPC）方法。针对车辆稳定状态的在线识别,采用k-means聚类算法对车辆行驶状态参数进行聚类分析,得到聚类质心,通过在线对比当前车辆状态量与不同聚类质心之间的欧氏距离获取车辆的实时安全等级。同时计算出当前车辆的轨迹跟踪横向偏移量,以这二者为输入,通过模糊控制算法在线计算出预测时域的变化量并输出给MPC控制器实现预测时域的自适应调整,最后求解出自动驾驶车辆跟踪轨迹的最优的控制序列,以达到在保持车辆稳定的前提下实现高精度轨迹跟踪控制的目的。CarSim/Simulink联合仿真结果表明,改进后的变预测时域MPC算法在提高自动驾驶汽车轨迹跟踪精度及横向稳定性方面的表现优于传统MPC控制器。     

分布式电驱动车辆状态感知与控制研究综述

分布式电驱动车辆转矩响应快、全轮独立可控、制动能量可回收且可大幅度提升整车能效,对增强车辆安全性、操纵稳定性和运行节能性具有重要的意义。但须研究解决过驱动系统复杂性、非线性耦合、轮路接触非线性和不确定性等核心问题,这依赖于研究先进的状态感知和控制方法。从控制和状态感知的角度,基于功能目标对现有研究进行分类,综述分布式电驱动车辆的最新研究进展。状态感知为控制系统提供准确、可靠、快速的运动状态反馈信号,但面临车速估计难、传统检测方法带宽受限、复杂未知路面影响等挑战。控制系统首要目标是车辆安全稳定性,进而提升整车能效,并可通过多目标优化拓展其他复合功能,但面临多目标耦合干涉、异构多尺度执行系统同步协调、附着条件未知不确定、在线实时计算与全工况测试等关键挑战。充分利用分布式电驱动系统机电信号测量准确、简便、带宽高的优势,协同利用智能车体系的多源异构传感信息,是状态感知技术发展的重要思路;进一步挖掘分布式电驱动转矩响应快、全轮电制动能量回馈等优势,突破复杂、全工况、不确定条件下的多目标优化控制方法,是解决控制系统所面临挑战的重要思路。     

轮式倒立摆的数学建模及状态反馈控制

轮式倒立摆是检验各种控制理论的理想模型,首先采取牛顿力学分析的方法,依次得出轮式倒立摆中直流电机、车体和摆杆动力学方程,从而基于小角度线性化方法得出轮式倒立摆的近似线性模型;然后基于Matlab进行轮式倒立摆的状态反馈控制,设计出其控制律,验证其可行性,但是轮式倒立摆的数学模型通常是经线性化处理后得出,为了提高仿真准确性,再基于虚拟样机技术,对轮式倒立摆进行Madab与ADAMS的联合仿真,仿真结果显示系统响应曲线在规定时间内迅速收敛至O附近．此结果不仅验证了联合仿真中状态反馈控制的正确性,而且表明联合仿真是控制理论研究中值得推广的方法。     

基于可变预测时域及速度的车辆路径跟踪控制

非线性模型预测控制(NMPC)在车辆路径跟踪控制中的应用日益广泛,但目前的研究成果中尚未深入考虑预测时域和速度对车辆路径跟踪控制性能的影响。为此,分析了预测时域、速度与车辆路径跟踪控制性能之间的关系;采用三次多项式拟合获得了能够保证车辆路径跟踪横向误差小于0.1 m的最佳预测时域和参考速度的控制律;改进了用于车辆路径跟踪控制的NMPC控制器,且改进后的NMPC控制器的性能通过仿真进行了验证。仿真结果表明:改进后的NMPC控制器的横向误差在0.092 8 m以内,航向误差在0.072 4 rad以内。相比传统NMPC控制器,改进后的NMPC控制器将最大横向误差减小了4.267 1 m以上,将最大航向误差减小了0.392 7 rad以上,路径跟踪控制性能得到了较大幅度的提高。     

Dynamics Modeling and Robust Trajectory Tracking Control for a Class of Hybrid Humanoid Arm Based on Neural Network

In order to solve the problem of trajectory tracking for a class of novel serial-parallel hybrid humanoid arm(HHA), which has parameters uncertainty, frictions, disturbance, abrasion and pulse forces derived from motors, a multistep dynamics modeling strategy is proposed and a robust controller based on neural network(NN)-adaptive algorithm is designed. At the first step of dynamics modeling, the dynamics model of the reduced HHA is established by Lagrange method. At the second step of dynamics modeling, the parameter uncertain part resulting mainly from the idealization of the HHA is learned by adaptive algorithm. In the trajectory tracking controller, the radial basis function(RBF) NN, whose optimal weights are learned online by adaptive algorithm, is used to learn the upper limit function of the total uncertainties including frictions, disturbances, abrasion and pulse forces. To a great extent, the conservatism of this robust trajectory tracking controller is reduced, and by this controller the HHA can impersonate mostly human actions. The proof and simulation results testify the validity of the adaptive strategy for parameter learning and the neural network-adaptive strategy for the trajectory tracking control.     

基于线性时变模型预测控制的自主车辆轨迹跟踪控制器设计与验证

随着自动驾驶技术的快速发展,精确的轨迹跟踪已经成为汽车工业和学术领域公认的实现自主车辆运动控制的核心技术之一。为提高自主车辆轨迹跟踪的实时性与准确性,提出一种应用于自主车辆的线性时变模型预测跟踪控制器（Linear time-varying model predictive controller,LTV-MPC）设计方法。根据运动学原理建立某自主无人小车的二自由度运动学模型,其次,基于该模型构建车辆轨迹跟踪系统的误差模型并利用线性参数化理论对其进行离散化,在模型预测控制框架内将该轨迹跟踪控制器的设计转化为一个线性二次规划最优问题。在一个实际搭建的自主车辆试验平台上对所提出控制器的有效性进行不同预设参考路径轨迹下的实车验证,结果表明,该自主车辆能够对所预设的实际参考道路轨迹进行快速、准确的轨迹跟踪控制,且具有较好的行驶稳定性能。