约束非完整移动机器人轨迹跟踪的非线性预测控制

针对存在非完整约束和控制输入约束的轮式移动机器人动力学模型,研究了其全动态误差系统准无限时域非线性模型预测控制策略,通过沿名义轨迹在线线性化获取局部稳定化控制器及不变终端域,以跟踪"8"字形轨迹为例进行了仿真,结果表明,闭环系统在满足控制输入条件下具有良好的跟踪性能。     

轮式移动机器人轨迹跟踪控制的参数化方法

在轮式移动机器人控制系统状态空间模型的基础上,通过分析两轮独立驱动的移动机器人的动力学方程,给出轮式移动机器人轨迹跟踪控制问题的数学描述;基于线性系统的特征结构配置和模型参考理论提出一种轮式移动机器人轨迹跟踪控制的参数化方法,设计系统的反馈镇定控制器和前馈跟踪控制器.仿真结果表明,提出的控制方案是行之有效的.     

基于非线性模型预测的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control, NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速为控制输入量,建立非线性状态空间方程作为控制算法的预测模型。其次,定义最优化函数和四旋翼无人机控制约束,将轨迹跟踪控制问题转换为非线性最优化求解问题。最后,通过多重打靶法求解得到的最优控制量作为四旋翼无人机的输入信号。为验证NMPC算法的跟踪性能,在Matlab中搭建仿真平台进行对比实验,结果表明,与PID和串级模型预测控制(model predict control, MPC)及改进MPC方法相比,NMPC算法能够在满足约束的情况下完成轨迹跟踪任务,误差小、精度高,并具有抗干扰能力。     

合作机器人的关键技术及实验研究

为了使合作机器人(Cobot)在同一作业空间内与人直接进行物理合作,对Cobot的不完全约束关节机构和虚拟轨迹控制2项关键技术进行了建模及实验研究.建立了基于双超越离合器的不完全约束关节机构的模型及约束控制模型,并以五杆式Cobot为实验样机对关节机构的被动约束特性进行了实验验证.提出了基于操作力的轨迹规划方法,建立了轨迹规划模型,并对Cobot跟踪给定直线和圆弧轨迹进行了实验研究.研究结果表明,不完全约束关节机构具有被动特性,可以约束Cobot关节的运动状态;轨迹规划方法可以实现Cobot的轨迹控制.文中的研究成果经过进一步完善,可以应用到合作机器人系统,对完善人机合作技术、扩大机器人产业和提高机器人的作业水平等具有重要的实际意义.     

基于自适应终端滑模控制器的机械手跟踪控制

针对具有不确定性的机械手轨迹跟踪控制问题,提出一种自适应二阶终端滑模控制器设计方法。设计一类非线性不确定系统的自适应二阶终端滑模算法,使得不连续符号函数包含在控制微分项,实际控制作用连续;采用自适应律克服不确定性上界未知问题,基于Lyapunov方法证明系统稳定性;针对机械手轨迹跟踪问题,基于所提出控制方法设计机械手自适应终端滑模控制方案;通过对双关节机械手轨迹跟踪仿真研究,验证所提出控制策略的有效性。     

板球系统的非线性摩擦补偿控制

为提高位置控制精度,提出了基于非线性观测器的板球系统摩擦非线性补偿控制方法。在扩展的系统状态空间中构造了非线性状态观测器估计摩擦力。由输入输出精确反馈线性化和最优控制理论设计了考虑摩擦补偿的镇定位置控制器。根据变结构控制理论设计了可精确消除摩擦的跟踪位置控制器。仿真结果说明了上述摩擦非线性补偿控制方法的可行性。镇定控制实验表明非线性摩擦补偿控制明显减小了稳态位置偏差。跟踪控制实验表明摩擦补偿控制明显提高了轨迹跟踪控制精度。     

分布式预测的无人机编队控制

针对四旋翼无人机编队形成与保持问题,文中设计了一种分布式预测控制方法,基于状态输入约束下的编队运动模型,将编队的形成与保持过程转化为在线滚动优化问题,设计了分布式交互控制律,给出了编队系统稳定的充分条件,并以文中算法和未引入假设状态轨迹代价函数的控制算法进行了仿真和对比。仿真结果表明：相较于传统算法,文中算法编队在队形保持方面将队形误差收敛速度提高1 s;在轨迹跟踪方面将位置误差收敛速度提高2 s;并且3个方向速度均能在2 s左右达成一致最终收敛至期望速度。证明了文中所设计控制算法的有效性。     

广义不确定时滞系统的可二次镇定性

着重讨论了一类广义不确定时滞系统的鲁棒控制问题，给出了对容许不确定性，系统可二次镇定和满足从干扰输入到控制输出的H∞范数界约束的无记忆状态反馈鲁棒H∞控制的分析结果，得到了H∞范数界约束下广义不确定时滞系统可二次镇定的充分条件。     

基于终端滑模的移动机器人轨迹跟踪控制

分析了具有不确定性非完整约束移动机器人系统的轨迹跟踪问题。在运动学模型分析的基础上,利用非奇异终端滑模技术,提出了一种新的轨迹跟踪控制算法,该算法消除了传统滑模控制带来的奇异问题。基于后退方法的思想设计系统状态变量,将系统分解为低阶子系统处理,简化了控制律的设计。结合Lyapunov方法,证明了在该控制律作用下,对满足一定速度条件的期望轨迹,移动机器人完全能够实现轨迹跟踪。仿真实验结果表明了该方法的有效性。     

多关节机器人的非奇异终端模糊滑模控制

针对多关节机械臂轨迹跟踪控制,提出了一种非奇异终端模糊滑模控制方法.采用模糊控制调节滑模控制的切换增益,改善了非奇异终端滑模控制的局限性,利用积分的方法自动对系统的建模误差和干扰的上界进行评估,实现了对建模误差和干扰的自动跟踪,削弱了抖振.文中利用李亚普诺夫定理证明了系统的稳定性,仿真结果证明了其有效性.     

An adaptive cascade trajectory tracking control for over-actuated autonomous electric vehicles with input saturation

This paper presented a novel adaptive cascade nonlinear trajectory tracking control scheme of over-actuated autonomous electric vehicles involving input saturation. First, a nonlinear vehicle dynamic model with input saturation is established, which can accurately describe the features of uncertainties and coupling of autonomous electric vehicles, and the hyperbolic tangent function is designed to estimate the saturation function for dealing with the input saturation problem. Then, a novel adaptive cascade trajectory tracking control scheme is designed. An adaptive neural network-based terminal sliding control law is proposed for producing the generalized force/moment in real-time, the asymptotic stability of this adaptive control system is proven by Lyapunov theory, and a quasi-newton distribution law is designed to determine the optimum tire forces that guarantee the actual generalized forces/moment are close to the desired values. Finally, simulation results demonstrate the effectiveness of the proposed control scheme.     

Stewart液压平台轨迹跟踪自适应滑模控制

Stewart液压平台是一个多输入多输出（MIMO）非线性系统,其耦合运动过程中存在参数不确定性与干扰影响其轨迹跟踪精度,针对此问题,考虑了系统参数的不确定性,利用Backstepping方法结合滑模控制与自适应控制的优点,推导得到系统的多级自适应滑模控制器,以增强系统运行过程中对运动与力的跟踪性能.利用AMESim与MATLAB的联合仿真方法进行验证,与传统基于各缸位置偏差的比例 积分 微分（PID）控制器相比,结果表明,该方法在系统参数不确定所引起的干扰下,能更有效地降低各缸的位置和力的跟踪误差,从而提高了运动平台末端的动态跟踪精度.     

迭代学习PMLSM跟踪控制

在具有重复运动轨迹跟踪系统中,为了抑制永磁同步直线电机系统模型的不确定性、外部扰动,提高跟踪精度,提出用前馈-反馈结构来控制PMLSM的运动过程。重复迭代学习前馈控制可以提高系统轨迹跟踪性能,而IP反馈控制对参数变化和外部扰动有很好的抑制作用,提高系统的稳定性。Matlab仿真结果验证了方法的有效性。     

变轨迹制导律技术研究及发展动态

变轨迹制导律的设计是在现代空间飞行器、高超声速飞行器、导弹设计过程中的关键技术。将变轨迹制导律划分为带末端约束的末制导律及标称制导律,概述了2类变轨迹制导律的技术难点,对带末端碰撞约束角的末制导律、标称制导律的在线规划算法,以及标称制导律的轨迹跟踪方法进行了综述,并分析了其可能的研究方向。     

AGV建模和自适应模糊滑模跟踪控制研究

介绍了自动导引小车AGV的跟踪控制技术的研究现状;建立了AGV跟踪误差系统运动学和动力学的混合模型;针对AGV的初始位存在误差或给定轨迹不连续时,传统PID轨迹跟踪控制器会使其初始速度产生一个较大跳变的问题,将滑模变结构控制技术与自适应模糊控制技术相结合,提出了一种基于模糊滑模的AGV自适应模糊路径跟随和轨迹跟踪控制器。仿真和实验结果表明,给出的自适应模糊滑模控制器不仅有较好的轨迹跟踪控制效果,而且具有较强的鲁棒性。     

柔性机械臂动力学建模及非线性控制器设计

针对轴向不伸长的Ｅｕｌｅｒ－Ｂｅｒｎｏｕｌｉ梁，采用假设模态法，根据能量一致性原理，利用变形约束方程的小变形假设条件，对带有末端荷载的柔性机械臂推导出考虑动力刚化影响的柔性机械臂有限维一致线性动力学方程。为实现柔性机械臂关节转角运动轨迹的精确跟踪采用基于输入输出部分线性化的控制方法设计非线生控制器，对该非线性动力学模型进行了解耦并产生理想关节转角运动轨迹的控制输入。     

Implementation of MPC-Based Trajectory Tracking Considering Different Fidelity Vehicle Models

In order to investigate how model fidelity in the formulation of model predictive control(MPC) algorithm affects the path tracking performance, a bicycle model and an 8 degrees of freedom(DOF) vehicle model, as well as a 14-DOF vehicle model were employed to implement the MPC-based path tracking controller considering the constraints of input limit and output admissibility by using a lower fidelity vehicle model to control a higher fidelity vehicle model. In the MPC controller, the nonlinear vehicle model was linearized and discretized for state prediction and vehicle heading angle, lateral position and longitudinal position were chosen as objectives in the cost function. The wheel step steering and sine wave steering responses between the developed vehicle models and the Carsim model were compared for validation before implementing the model predictive path tracking control. The simulation results of trajectory tracking considering an 8-shaped curved reference path were presented and compared when the prediction model and the plant were changed. The results show that the trajectory tracking errors are small and the tracking performances of the proposed controller considering different complexity vehicle models are good in the curved road environment. Additionally, the MPC-based controller formulated with a high-fidelity model performs better than that with a low-fidelity model in the trajectory tracking.