基于视觉信息的移动机器人动态避障方法

为了提高自主移动机器人的动态避障能力,提出了一种基于视觉信息的拟人动态避障方法,以视觉信息为决策依据,利用神经网络对障碍物的屏幕坐标和实际相对坐标进行非线性映射,在避障过程中只考虑障碍物相对于机器人的运动及可能的碰撞方式,无需考虑机器人和障碍物的运动速度和运动方向,仿真试验证明这种方法是可行而有效的．     

轮式移动机器人的滚动LQR轨迹跟踪控制

基于滚动优化思想提出了一种轮式移动机器人的LQR轨迹跟踪控制方法．在每一采样时刻,通过实时地对跟踪误差系统进行线性化得到线性化模型,并利用该模型通过求解LQR问题获得状态反馈控制律．文中给出的不同情况下跟踪‘8’字轨迹的仿真结果验证了该方法的有效性．     

基于幂次趋近律的麦克纳姆轮全向移动机器人轨迹跟踪控制

针对基于一般滑模的麦克纳姆轮全向移动机器人在轨迹跟踪过程中收敛速度慢、耗时长及控制存在抖振等问题,提出一种利用多幂次趋近律实现系统快速收敛的滑模控制.通过控制4个麦克纳姆轮的角速度实现机器人3个自由度的位置变化,完成3输入4输出的控制,根据所建的数学模型,使用多幂次趋近律在系统趋近滑模面的不同阶段进行针对性调节保证收敛速度,用双曲正切函数替换趋近律中的符号函数改善抖振问题,利用Lyapunov理论证明3输入4输出控制系统的稳定性,最后通过仿真验证所提出算法的有效性.     

四轮移动机器人轨迹跟踪的最优状态反馈控制

对具有量测噪声、模型噪声和输入信号干扰的四轮移动机器人轨迹跟踪的最优状态反馈控制进行研究.建立系统的运动学与动力学方程和轨迹生成方程,导出了相应的离散状态方程式,采用卡尔曼滤波器对伴有高斯白噪声的系统状态方程进行了状态估计,提出一种基于李亚普诺夫稳定性的最优状态反馈控制策略.给出了补偿输入信号干扰的自适应算法.仿真结果表明,所提出的控制算法,在四轮移动机器人轨迹跟踪中,能有效地抑制系统的模型、量测和输入信号中的随机噪声和扰动,提高系统的跟踪精度和动态响应速度,使系统具有优良的静、动态特性．     

Dead-reckoning/vision integrated navigation for mobile robot

0　INTRODUCTIONInordertofulfilamission ,amobilerobothastohaveanavigationsystem .Severaldifferenttechniques ,suchasGPS ,anddead reckoningandbeaconbasedsys tem[1～ 3] canbeusedforrobotnavigation .Foraparticularkindofmission ,arobotwillfulfil ,aproperkindofnavi gationsystemwillbeusedfortherobot.Sincealmostallnavigationsystemshavetheiradvantagesanddrawbacks ,sometimesasinglenavigationsystemcannotsatisfyalltherequirementsforfulfillingaparticulartask[4 ] .Sotwoorthreenavigationsystemshavetobei…     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

基于实时图像的乒乓机器人Kalman跟踪算法

针对乒乓球高速运动图像模糊、空气阻力以及摄像机成像畸变等因素导致的误差问题,提出一种自适应测量协方差的离散Kalman轨迹估计算法.该算法通过动态调整测量协方差的大小,实现了对目标运动轨迹的准确跟踪,并进一步为乒乓球落点预测和手臂击打奠定了基础.实验表明,在图像采集速率高于70 帧/s、乒乓球速度超过5 m/s的情况下,该算法能有效地克服测量噪声和数据丢失的干扰情况的影响,给出优良的跟踪结果.同时该算法跟踪精度高,计算量小,适用于高速目标跟踪的场合.     

Longitudinal and lateral slip control of autonomous wheeled mobile robot for trajectory tracking

This research formulates a path-following control problem subjected to wheel slippage and skid and solves it using a logic-based control scheme for a wheeled mobile robot (WMR). The novelty of the prop...     

An iterative linear quadratic regulator based trajectory tracking controller for wheeled mobile robot

We present an iterative linear quadratic regulator (ILQR) method for trajectory tracking control of a wheeled mobile robot system.The proposed scheme involves a kinematic model linearization technique,...     

Dynamic modeling and simulation for nonholonomic welding mobile robot

Based on the Newton-Euler method, the dynamic behaviors of the left and right driving wheels and the robot body for the welding mobile robot were derived. In order to realize the combination control of body turning and slider adjustment, the dynamic behaviors of sliders were also investigated. As a result, a systematic and complete dynamic model for the welding mobile robot was constructed. In order to verify the effectiveness of the above model, a sliding mode tracking control method was proposed and simulated, the lateral error stabilizes between ?0.2 mm and 0.2 mm, and the total distance of travel for the slider is consistently within ±2 mm. The simulation results verify the effectiveness of the established dynamic model and also show that the seam tracking controller based on the dynamic model has excellent performance in terms of stability and robustness. Furthermore, the model is found to be very suitable for practical applications of the welding mobile robot.     

基于模型预测控制的磨削机器人末端力跟踪控制算法

基于曲面预测与模型预测控制算法提出磨削机器人对连续曲面工作时的末端力控制算法。给出机械臂离散、线性化的动力学模型;根据曲面预测算法计算未来时刻的曲面坐标,通过快速算法和求逆解运算获得机械臂满足设定值时各关节的期望角度;由动态矩阵控制算法求得机械臂各关节的输入力矩,以实现对期望关节角的轨迹跟踪。在仿真试验中控制机械臂追踪未知连续曲面,证明了机械臂针对未知曲面作业时所提算法力控制的实时有效性,并且达到目标要求。     

基于参考模型的移动机器人直接自适应模糊控制

移动机器人是一个多种功能为一体的综合系统．在控制和规划方面缺乏智能性和鲁棒性。本文提出利用参考模型的直接型自适应模糊控制方法．即直接调整控制器的参数,直到把控制对象和参考模型之间的输入误差减少到10^-6的范围为止．运动控制效果很好。     

基于强化学习的机器人曲面恒力跟踪研究

针对机器人末端执行器和曲面工件接触时难以得到恒定接触力的问题,建立机器人末端执行器与曲面工件的接触模型.构建曲面接触力坐标系与机器人传感器测量坐标系之间的关系,利用基于概率动力学模型的强化学习（PILCO）算法对模型输出参数与接触状态的关系进行学习,对部分接触状态进行预测,强化学习根据预测的状态优化机器人位移输入参数,得到期望跟踪力信号. 实验中,将强化学习的输入状态改为一段时间内的状态平均值以减少接触状态下信号的干扰. 实验结果表明,利用PILCO算法在迭代8次后能够得到较稳定的力,相比于模糊迭代算法收敛速度较快,力误差绝对值的平均值减少了29%.     

移动机器人检测与跟踪系统的研究与设计

从智能控制与模式识别方法和传统控制理论相结合的思想出发，提出了一种自主移动机器人对运动目标检测和自动跟踪的识别与控制方法.建立了基于连续图像帧差分和二次帧差分的改进的图像HSI差分模型，给出了运动目标的特征分析和计算方法.通过特征匹配识别所需跟踪目标的区域，采用Kalman预报器对运动目标状态进行一步预测估计和两步增量式跟踪，可以快速平滑地实现移动机器人对运动目标的跟踪驱动控制.以移动机器人对汽车桩考的全过程进行监控为例，给出了移动机器人视觉检测识别和跟踪控制系统在汽车桩考中的应用.     

基于模型不确定补偿的轮式移动机器人反演复合控制

针对轮式移动机器人存在模型不确定性、非线性以及未建模的动态特性等因素,严重影响系统轨迹跟踪的稳定性和精确性,提出一种基于系统模型不确定性补偿的反演复合控制策略。基于非完整轮式移动机器人的运动学模型,采用反演控制思想以及李雅普诺夫稳定性判据设计轨迹跟踪的虚拟速度控制量,作为系统的持续激励输入。考虑轮式移动机器人具有模型不确定性和外部有界力矩干扰,根据轮式移动机器人的动力学模型推导得到系统不确定项,并采用具有高度非线性拟合特性的神经网络对其估计,得到模型的力矩控制量,且由李雅普诺夫稳定性分析得到不确定项的自适应律,实现自调整和实时轨迹跟踪。对比仿真表明,该复合控制策略能自适应的跟踪期望轨迹,与单一的反演控制、模型不确定性补偿控制策略、传统PID控制相比,均具有更好的鲁棒性和高的跟踪精度。     

移动服务机器人共享控制研究

移动服务机器人在提高老人/残疾人活动空间方面具有重要作用.针对机器人自主避障失败时存在安全问题,提出了基于共享控制的服务机器人系统.构建基于机器视觉与人眼视觉共享控制的机器人系统.研究服务机器人的共享策略问题和眼电信号角度与参考轨迹关系.引入人工场解决自适应轨迹跟踪算法的平滑性.仿真结果说明基于人工场导向方法能平滑逼近期望轨迹.实验结果表明本系统能够满足使用者的安全需求.     

基于混沌控制的多目标不确定环境下移动机器人路径规划

针对多目标不确定环境下移动机器人路径规划算法复杂的问题,提出了一种新的规划算法———混沌控制算法.该算法利用混沌控制原理,根据检测到的目标位置信息,分别采用线性和非线性方法构造目标函数,然后通过牛顿定理,进行路径规划,求出规划节点.最后对算法进行了模拟仿真.仿真结果表明,构造的目标函数在每个目标点周围形成了收敛区域,机器人移向哪一个目标点,由它的初始状态所在的吸引域决定,不必再施加其它控制.这样减少了规划的计算量,提高了路径规划的速度和精度,为以后研究包含多障碍物的不确定环境下的路径规划奠定了基础.     

双臂空间机器人的固定时间轨迹跟踪控制

针对双臂空间机器人轨迹跟踪控制问题,考虑系统跟踪误差收敛时间易受初始状态影响,提出与初始状态无关的固定时间非奇异快速终端滑模控制策略. 基于固定时间稳定性理论,设计改进的固定时间非奇异快速终端滑模面. 该滑模面解决了终端滑模控制的奇异问题,使得系统跟踪误差在远离、接近原点时均有较快的收敛速度. 为了削弱滑模控制存在的抖振现象和提高趋近阶段的收敛速度,提出改进的固定时间趋近律,应用李雅普诺夫理论证明闭环系统的固定时间稳定. 以双臂空间机器人为被控对象进行对比仿真,结果表明,所提控制策略具有更高的控制精度、更快的收敛速度和更强的鲁棒性.     

基于模糊神经网络的移动机器人自适应行为设计

将模糊控制和神经网络相结合,形成模糊神经网络(fuzzy neural network,FNN)控制器,利用联想记忆进行离线训练,用来记忆预先利用强化Q学习(Q-Learning,QL)在线训练获得的移动机器人自适应行为的模糊控制规则。FNN经过离线训练后,把规则隐含地分布在整个网络之中,在控制应用时,不必进行复杂的规则搜索和推理,无需查表,只需通过高速并行的分布计算就可产生最佳输出的自适应行为。仿真结果表明,由于输入模糊子集接近于网络所用的训练模糊子集,所以输出几乎和该条训练规则的结果相同。     

基于Bezier曲线模型的移动机器人路径规划算法

提出了一种基于Bezier曲线模型的路径规划方法,该算法能够有效地提高移动机器人控制的实时性和精确性。首先具体阐述了基于Bezier曲线模型的路径规划方法,给出确定移动机器人状态空间分量x,y和的方法,然后分析了该算法所具有的优点,最后通过仿真实验验证了所提出算法的正确性和可行性。