基于模糊控制与预测控制切换的翼伞系统航迹跟踪控制

以翼伞系统的六自由度模型为基础,针对翼伞系统的平面航迹跟踪问题,对已有的预测控制器进行改进,提出模糊控制和广义预测控制相互切换的控制模式．利用横向轨迹误差法,在翼伞偏航角误差较大的情况下,采用模糊控制,直至偏航角误差达到设定的较小范围内,切换为广义预测控制,对翼伞航迹进行精确的制导,在一定程度上减少了处理器的运算量．采用真实的翼伞参数建立仿真模型,结果验证了这一控制方法的有效性．     

基于终端滑模机器人模糊自适应路径跟踪控制

对质心位置未知的移动机器人系统设计了基于快速终端滑模的模糊自适应路径跟踪控制方法。该方法采用模糊逻辑系统逼近控制器中的未知函数,基于李亚普诺夫稳定性分析方法对未知参数设计自适应律,并设计鲁棒控制器来补偿逼近误差。该方法不但可以保证闭环系统中的所有信号有界,而且可使跟踪误差在有限时间内收敛到原点的小邻域内。仿真结果验证了方法的有效性。     

A path following control of an unmanned autonomous forklift

In this paper, the development of an unmanned autonomous forklift is discussed. A system configuration using vision, laser ranger finder, sonar, etc. for autonomous navigation is presented. The kinematics of a spin-turn mechanism is analyzed first, and then the obtained kinematics equations are transformed to the equations represented by path variables. These equations are nonlinear state equations to be used for control purposes. A time varying feedback control law via the chained form of Murray and Sastry [12] is derived. The effectiveness of the proposed control law is examined through simulations and experiments. Recommended by Editorial Board member Sooyong Lee under the direction of Editor Jae-Bok Song. This work was supported by the Korea Research Foundation Grant funded by the Korean Government (MOEHRD) (The Regional Research Universities Program/Institute of Logistics Information Technology). Tua Agustinus Tamba received the B.S. degree in Engineering Physics from Institute of Technology Bandung, Indonesia, in 2006. He is currently a graduate student at the School of Mechanical Engineering, Pusan National University, Busan, Korea. His research interests include control of unmanned vehicles and path planning technologies for autonomous robots. Bonghee Hong received the B.S., M.S., and Ph.D. degrees in Computer Science and Engineering from Seoul National University in 1982, 1984, and 1988, respectively. Dr. Hong joined the Department of Computer Science and Engineering at Pusan National University (PNU) in 1989 and now he is a Professor. Dr. Hong is the Director of the Research Institute of Logistics Information Technology (LIT) at PNU. Dr. Hong received the Korean Minister Award in 2006 and the University Excellence Innovation Award in 2007. His current research interests include theory of database systems, RTLS systems, RFID middleware, RFID database, and stream data processing. Keum-Shik Hong received the B.S. degree in Mechanical Design and Production Engineering from Seoul National University in 1979, the M.S. degree in Mechanical Engineering from Columbia University, New York, in 1987, and both the M.S. degree in Applied Mathematics and the Ph.D. degree in Mechanical Engineering from the University of Illinois at Urbana-Champaign (UIUC) in 1991. From 1991 to 1992, he was a Postdoctoral Fellow at UIUC. Since Dr. Hong joined the School of Mechanical Engineering at Pusan National University, Korea, in 1993, he is now a Professor. During 1982–85, he was with Daewoo Heavy Industries, Incheon, Korea, where he worked on vibration, noise, and emission problems of vehicles and engines. Dr. Hong serves as Editor-in-Chief of the Journal of Mechanical Science and Technology and serves as an Associate Editor in various IEEE and IFAC conferences editorial boards. He also served as an Associate Editor for the Journal of Control, Automation, and Systems Engineering and has been serving as an Associate Editor for Automatica (2000–2006) and as an Editor for the International Journal of Control, Automation, and Systems (2003–2005). His laboratory, Integrated Dynamics and Control Engineering Laboratory, was designated as a National Research Laboratory by the Ministry of Science and Technology of Korea in 2003. Dr. Hong received Fumio Harashima Mechatronics Award in 2003 and the Korean Government Presidential Award in 2007. He is a Member of ASME, IEEE, ICROS, KSME, KSPE, KIEE, and KINPR. Dr. Hong’s current research interests include nonlinear systems theory, adaptive control, distributed parameter system control, robotics, vehicle control, and innovative control applications to engineering problems.     

基于神经网络的水下机器人三维航迹跟踪控制

本文研究了水下机器人三维航迹跟踪控制问题.在充分考虑了模型中不确定水动力系数和外界海流干扰的基础上,提出了基于神经网络的自适应输出反馈控制方法.控制器由3部分组成:基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项.神经网络所需的自适应学习信号由线性观测器提供.基于Lyapunov稳定性理论证明了控制系统的稳定性.最后针对某AUV进行了空间三维航迹跟踪控制仿真实验,结果表明设计的控制器可以较好地克服时变非线性水动力阻尼对系统的影响,并对外界海流干扰有较好的抑制作用,可以实现三维航迹的精确跟踪.     

加入临时路径的移动机器人路径跟踪模糊控制

对含不确定性的移动机器人系统设计了路径跟踪模糊控制方法。该方法引入临时路径,使机器人先从初始位置出发沿临时路径行进,当移动到期望路径附近时,再让机器人跟踪期望路径。整个控制过程只需要一个模糊控制器,极大地减少了工作量,并引进积分环节以消除稳态误差。仿真和实验结果验证了该方法的有效性。     

深度纯追随的拟人化无人驾驶转向控制模型

目的 在无人驾驶系统技术中,控制车辆转向以跟踪特定路径是实现驾驶的关键技术之一,大量基于传统控制的方法可以准确跟踪路径,然而如何在跟踪过程中实现类人的转向行为仍是当前跟踪技术面临的挑战性问题之一。现有传统转向模型并没有参考人类驾驶行为,难以实现过程模拟。此外,现有大多数基于神经网络的转向控制模型仅仅以视频帧作为输入,鲁棒性和可解释性不足。基于此,本文提出了一个融合神经网络与传统控制器的转向模型：深度纯追随模型（deep pure pursuit,deep PP）。方法 在deep PP中,首先利用卷积神经网络（convolutional neural network,CNN）提取驾驶环境的视觉特征,同时使用传统的纯追随（pure pursuit,PP）控制器融合车辆运动模型以及自身位置计算跟踪给定的全局规划路径所需的转向控制量。然后,通过拼接PP的转向结果向量和视觉特征向量得到融合特征向量,并构建融合特征向量与人类转向行为之间的映射模型,最终实现预测无人驾驶汽车转向角度。结果 实验将在CARLA（Center for Advanced Research on Language Acquisition）仿真数据集和真实场景数据集上进行,并与Udacity挑战赛的CNN模型和传统控制器进行对比。实验结果显示,在仿真数据集的14个复杂天气条件下,deep PP比CNN模型和传统转向控制器更贴近无人驾驶仪的转向指令。在使用均方根误差（root mean square error,RMSE）作为衡量指标时,deep PP相比于CNN模型提升了50.28%,相比于传统控制器提升了35.39%。最后,真实场景实验验证了提出的模型在真实场景上的实用性。结论 本文提出的拟人化转向模型,综合了摄像头视觉信息、位置信息和车辆运动模型信息,使得无人驾驶汽车的转向行为更贴近人类驾驶行为,并在各种复杂驾驶条件下保持了高鲁棒性。     

Adaptive path planning and tracking system based on model predictive control for autonomous vehicle local obstacle avoidance

Path planning and tracking control are the key technologies of autonomous vehicle. The planned path and tracking results affect driving stability and safety directly. In this paper, an improved local path planning method based on model predictive control is proposed to match the variation of vehicle speed and road adhesion coefficient. A two-layer model predictive control (MPC) path planning and tracking system is further designed to validate the method and the simulation results show that the proposed solution solves the problem of excessive avoidance and reduces the lateral deviation with the reference path.     

基于L2干扰抑制的水下机器人三维航迹跟踪控制

为实现自治水下机器人(AUV)的三维航迹跟踪控制,考虑了非线性水动力阻尼对AUV系统的影响和外界海流干扰作用,提出了基于L2干扰抑制的鲁棒神经网络控制方法.该方法基于李雅普诺夫稳定性理论,设计神经网络控制器补偿非线性水动力阻尼和外界的海流干扰,再将神经网络的估计误差当做AUV系统的外部干扰用L2干扰抑制控制器予以消除.最后针对某AUV进行了螺旋线三维下潜跟踪控制仿真实验,结果表明设计的控制器可以较好地克服时变非线性水动力阻尼对系统的影响,并对外界海流干扰有较好的抑制作用,可以实现AUV三维航迹的精确跟踪.     

基于改进模糊算法的水面无人艇自主避障

为了提高水面无人艇（USV）在未知、复杂环境下的连续避障性能,提出一种具有速度反馈的模糊避障算法。USV利用激光扫描雷达与多路超声波传感器感知周围环境,通过对障碍物信息进行分组并设置权值的方式进行多传感器数据融合,并在模糊控制的基础上根据环境情况自动调整航速;进而提出一种考虑障碍物所有分布情况的更全面的模糊控制规则表,增强了USV对复杂环境的适应能力。实验结果表明,所提方法能通过与环境交互调整USV航速使其成功避障并优化避障路径,具有良好的可行性和有效性。     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

小型四旋翼无人机双闭环轨迹跟踪与控制

近年来, 无人飞行器控制繁荣发展对控制精度与品质要求日益增高. 为了应对这一挑战, 本文基于奇异摄 动的思想设计了四旋翼无人机非线性轨迹跟踪控制器. 首先, 基于牛顿欧拉定律建立了四旋翼无人飞行器非线性 奇异摄动形式的数学模型. 然后, 引入奇异摄动理论, 通过时间尺度分解的方法将系统解耦成内环快子系统和外环 慢子系统. 再者, 根据非线性动态逆的思想分别建立快、慢伪线性子系统, 并基于此分别设计外环轨迹跟踪、内环稳 定子控制器, 综合子控制器生成应用于原系统的全阶控制器以兼顾跟踪精度和鲁棒特性. 针对内环快系统, 采用线 性二次调节控制器以实现稳定快速地控制飞行器旋转动态; 针对外环慢系统, 运用经典的比例–微分–积分控制器 以跟踪所给定的轨迹. 最后给出了仿真实例说明本文结论的有效性.     

无人水面艇复合自适应轨迹跟踪控制

针对存在模型参数不确定性和极易受到风、浪、流等时变干扰的欠驱动无人水面艇的轨迹跟踪控制问题,根据扰动观测器能对不确定项和外界干扰进行估计和补偿且具有鲁棒性特点,提出一种基于复合扰动观测器的自适应轨迹跟踪控制。该复合自适应观测器利用跟踪误差和估计误差共同调节自适应参数,在不激励高频未建模动态的情况下,该复合自适应闭环控制系统可得到更快的收敛速度和更高的跟踪精度。理论分析和仿真实验证明了所提出的无人水面艇复合自适应控制的有效性。     

多无人机模糊多目标分布式地面目标协同追踪

针对城市环境中多约束条件下多无人机协同追踪地面目标问题,综合考虑具有不同重要性等级的多个优化目标,提出了一种基于分布式预测控制的模糊多目标航迹规划方法.首先,考虑城市环境中建筑物对无人机视线遮挡、无人机和传感器能量消耗等因素,分别采用目标覆盖度、控制输入代价和开关量形式传感器能耗等为目标函数,将多无人机协同追踪航迹规划转化为多目标优化问题;然后,基于分布式预测控制框架,利用每架无人机未来有限时域内的预测状态,构建多无人机之间的避碰约束,并结合最小转弯半径等约束,形成分布式协同航迹规划模型;最后,针对多个优化目标的不同重要性等级要求,利用模糊满意优化思想将目标模糊化,并根据更重要目标具有更重要满意度的原则,将优先等级表示为松弛满意度序,通过在线求解得到有限时域内每架无人机的局部航迹;与传统多目标加权算法仿真结果对比,验证了所提方法的有效性,充分说明了该方法能够获得同时满足目标优化和重要性等级要求的最优航迹.     

基于模糊混合控制的自治水下机器人路径跟踪控制

基于模糊混合控制策略,本文提出了一种用于非线性欠驱动自治水下机器人的鲁棒路径跟踪控制方法.利用Sugeno型模糊推理系统,将PD滑模控制器与非奇异终端滑模控制器光滑连接,构造了模糊混合控制器.它能充分融合这两类控制器的优势,无论系统远离平衡点还是在其附近,都能取得快速收敛的效果.如果,借助于非时间参考量,将该混合控制器用于自治水下机器人路径跟踪控制,将有利于提高它在不确定环境中的跟踪能力.最后,通过仿真计算结果验证了该控制策略的有效性.     

自治飞艇直接自适应模糊路径跟踪控制

针对具有模型不确定和未知外部干扰的自治飞艇, 提出了直接自适应模糊路径跟踪控制方法. 该方法由路径跟踪控制和自适应模糊控制两部分组成. 首先基于飞艇的平面运动模型设计路径跟踪控制律, 包括制导律计算、偏航角跟踪和速度控制3 部分; 然后构造直接自适应模糊控制器逼近路径跟踪控制律中的不确定项. 稳定性分析证明所设计的控制律能使飞艇跟踪给定的期望路径, 跟踪误差收敛到原点的小邻域内. 仿真结果验证了所提出方法的有效性.

     

基于运动预测的路径跟踪最优控制研究

针对自动导引车的路径跟踪.提出一种基于运动预测的线性二次型调节器优化模型.在速度约束下.从全局角度通过运动预测达到多步控制的最优协调性.在目标函数中只包含速度控制量,避免了加权矩阵选择的难题,算法的快速性由控制步数的最小化来保证.数字仿真和实验均表明.对于不同速度和路径偏差,该算法均能产生可实现的最优控制序列,同步、快速和平稳地消除两种偏差,且计算量小,可满足嵌入式控制系统实时滚动优化的需求.     

电铲履带系统Adams ATV动态仿真

针对重型履带系统复杂的车辆 地面力学问题，使用Adams ATV模块建立电铲整机模型，准确计算在软地面爬坡、转弯和越障等工况下履带系统的驱动力矩和支重轮受力。爬坡工况下履带系统驱动力矩仿真结果与理论值基本一致，转弯工况下驱动力矩理论值与仿真结果的相对误差在2.5%～26.2%区间；原地转弯所需驱动力矩与12.5°坡角爬坡所需驱动力矩接近。在硬地面越障时，支重轮受力最大值占整机总重力的41.8%。与实际使用值对比结果表明，仿真结果和理论计算值可作为方案设计的参考，且理论计算值偏于保守；各工况计算结果可为动力配置和后继强度设计提供依据。     

四旋翼无人机三维航迹规划及跟踪控制

无人机航迹规划是指根据地形和威胁分布,规划出满足任务要求的合理航迹.为了满足三维空间快速规划的需求,提出了一种基于人工势场的三维航迹规划方法.首先,定义了目标和威胁物的虚拟力函数,推导出了三维空间参数约束方程,并采用联合威胁概念解决三维空间局部极小和振动问题;其次,引入空间圆弧插补技术生成光滑航迹;此外,为方便跟踪控制,提出了航迹时域化方法;最后,利用动态系统全局渐近稳定定理,设计具有全局Lipschitz的闭环系统,实现了具有内外环严格稳定性的双环轨迹跟踪控制.仿真结果验证了航迹规划和跟踪算法的有效性.     

干扰下的无人直升机自适应反步法鲁棒跟踪控制

针对无人直升机干扰下的鲁棒轨迹跟踪问题,设计了一种自适应反步控制方法.鉴于作用在直升机上的干扰是产生跟踪误差的主要原因,该方法的主要思想是寻求一种方法来补偿这种干扰.首先,将未建模动态如外部阵风干扰、配平误差、机身、垂尾、平尾以及其他可忽略的动态产生的力和力矩看成一种组合干扰,从而建立了一个方便反步法控制器设计的简化模型.当设计好反步法控制器后,设计了一个非线性自适应律来估计这种组合干扰,并通过将干扰估计值整合到反步控制器中,使得闭环跟踪系统的鲁棒稳定性得到了保证,即基于李雅普诺夫稳定性理论证明了所设的控制器对于干扰主动阻隔,特别是低频干扰的主动阻隔是有效的.最后,两个仿真研究验证了该方法是优于常规反步法和积分反步法的.     

基于Dubins路径的无人艇运动规划算法

针对无人艇运动规划问题,通过Dubins路径的理论分析,提出一种利用纯粹几何方法的Dubins路径计算方法。该方法中没有出现解方程组的运算,而是首先根据无人艇运动状态计算转向圆,然后利用几何方法计算转向圆间的公切线,最后通过公切线连接得到Dubins路径。通过5组仿真实验验证了所提方法的有效性。前4组仿真实验分别设计了计算Dubins路径过程中可能出现的各种情形,以验证算法适用于多种情况的Dubins路径计算。最后一组仿真实验用于无人艇的路径规划及运动状态调整,仿真结果表明,基于Dubins路径的无人艇运动规划算法是可行的。