移动机器人的全局轨迹跟踪控制

考察了移动机器人的轨迹跟踪问题,针对以前沿袭线性化的思路设计的控制律带来的局部稳定特性,基于后退(backstepplng)方法的思想设计了具有全局渐近稳定的跟踪控制器.该方法将系统分解为低阶子系统来处理,利用中间虚拟控制量和部分Lyapunov函数简化了控制器的设计并具有直观的稳定性分析.仿真结果验证了所设计控制器的有效性.     

改进的Backstepping在移动机器人轨迹跟踪中的应用

以四轮移动机器人的运动学模型为研究对象,基于BackStepping的设计思想,通过构造一种简单的中间虚拟反馈变量,同时结合Lyapunov直接法设计了一种移动机器人轨迹跟踪控制律,并证明了系统在设计控制律下的全局稳定性;但控制律中含有未知参数,不同的参考轨迹都要重新调节才能达到良好的跟踪效果,因此利用极点配置的方法对这些参数进行了优化整定,从而保证了控制器的自适应性;文中以直线和圆为参考轨迹做了仿真实验;仿真结果表明该算法具有快速,精确,全局稳定的良好特性。     

基于动态参数的移动机器人轨迹跟踪控制

针对移动机器人轨迹跟踪控制问题,建立了机器人运动学模型,设计了基于Lyapunov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的取值.采用人工神经网络来动态地调解参数的大小,使控制器获得最优的性能.粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生早熟收敛,使优化陷入局部极小值.通过引入模拟退火算法、交叉算子和变异算子,设计了一种改进的粒子群优化算法,对人工神经网络的参数进行优化计算.最后,仿真计算结果表明了该方法的有效性.     

三轮驱动移动机器人轨迹跟踪控制

针对三轮驱动移动机器人在轨迹跟踪控制过程中运动不平滑的问题,建立了移动机器人在一定运动约束条件下的运动学模型。根据移动机器人位姿误差微分方程的描述,设计了基于后退时变状态反馈方法的移动机器人轨迹跟踪控制器。基于李雅普诺夫方法,对轨迹跟踪控制器的稳定性进行了分析,证明了该控制器能够保证闭环系统全局一致渐进稳定。仿真结果验证了运动学模型的正确性,以及轨迹跟踪控制器的有效性。     

基于智能优化的移动机器人轨迹跟踪控制

建立了机器人运动学模型,设计了基于Lyaponov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的大小。粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种改进粒子群优化算法,对控制器的参数进行优化设计。最后,通过仿真计算,证明了该方法的有效性。     

基于遗传算法的最优模糊控制器在非完整移动机器人轨迹跟踪中的应用

本文研究非完整移动机器人的轨迹跟踪控制问题·采用基于遗传算法的模糊控 制方案，使规则得到优化，有效地改善了控制性能，仿真实例表明这种方法是可行的·     

改进的人工蜂群算法在神经网络中的应用

人工蜂群算法是模拟蜜蜂采蜜行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。提出了一种改进的人工蜂群算法,并利用改进后的人工蜂群算法来优化传统BP算法（神经网络算法中的误差方向传播算法）中网络参数的权值。实验结果证明该优化算法提高了BP神经网络收敛解的精度,加快了BP神经网络收敛速度。     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

履带式移动机器人轨迹跟踪研究

详细分析了履带式移动机器人的受力特点,提出了一种适宜进行控制器设计的履带移动机器人模型.根据履带式移动机器人动力学模型和运动学模型,设计了机器人的轨迹跟踪控制器.利用Lyapunov稳定判据证明控制器的全局稳定性.在控制器的设计中考虑了履带一地面作用,引入参数对其描述.考虑到机器人动力学约束,引入机器人速度、加速度控制策略以保证机器人运动平滑.仿真实验验证了该方法的有效性和全局收敛.     

极坐标下基于迭代学习的移动机器人轨迹跟踪控制

为提高自主移动机器人对一类特殊轨迹的重复跟踪能力,在极坐标下建立了3轮全向移动机器人的运动学模型,结合离散时域下对轨迹跟踪问题的描述方法,采用开闭环P型迭代学习控制算法,并在给定条件下证明了其收敛性,随着迭代次数的增加,该算法能够有效改善动态不确定环境中系统的稳定性与收敛的快速性。通过将仿真结果作用于实际动态系统的初始控制输入,从而在实际环境下能以较少的迭代过程来获取控制律。实验结果表明,在仿真环境下机器人可以较好地跟踪玫瑰曲线,在实际机器人测试中,机器人能够较好地跟踪期望轨迹,从而证实了该方法对提高自主移动机器人轨迹跟踪能力的可行性与有效性。     

基于模糊CMAC的移动机器人轨迹跟踪控制

针对受非完整约束的移动机器人的轨迹跟踪问题,提出了一种基于模糊CMAC的轨迹跟踪控制策略。该策略利用模糊CMAC神经网络逼近移动机器人动力学模型的非线性和不确定,同时与速度误差结合起来构成力矩控制器,并用滑模项来补偿不确定性扰动对系统的影响。李亚普诺夫稳定性定理保证了系统的稳定性和跟踪误差的渐近收敛,仿真结果进一步验证了所提方法的有效性。     

四轮移动机器人智能预瞄轨迹跟踪控制

针对后轮驱动四轮移动机器人存在非完整约束、模型复杂等特点,提出一种基于多预瞄点的轨迹跟踪混合控制算法。该算法设计从仿人驾车的角度出发,根据不同路况通过模糊控制在线调节机器人的速度、预瞄点个数和预瞄距离。采用免疫控制方法在线整定PID控制器的参数。从控制稳定性角度出发提出轨迹偏离度评价指标。仿真结果表明该控制器的有效性。     

基于轨迹跟踪车式移动机器人编队控制

针对车式移动机器人的运动学模型特点, 提出一种基于轨迹跟踪多机器人编队控制方法. 首先利用编队结构参数确定队形, 根据编队轨迹和相关参数生成虚拟机器人, 把编队控制转化为跟随机器人对虚拟机器人的轨迹跟踪; 然后运用反步法构造车式移动机器人轨迹跟踪系统的Lyapunov 函数, 通过使该函数负定, 得到跟随机器人的轨迹跟踪控制器; 最后在Microsoft robotics developer studio 4 (MRDS4) 中搭建3D 仿真平台, 设计了3 组实验, 所得结果表明了所提出方法的有效性.     

一种改进的移动机器人轨迹跟踪迭代学习方法

通过对轮式移动机器人轨迹跟踪优化问题的研究,提出了一种适应性强、收敛速度快且跟踪误差小的迭代滤波学习控制方法,充分发挥了迭代学习控制和Kalman滤波算法的优势,通过引入状态补偿项和设计新的迭代学习增益矩阵对迭代学习律进行了改进。改进的迭代学习控制能够更快速、更精确、更有效地跟踪期望的圆轨迹。采用离散的Kalman滤波器对干扰和噪声进行滤波,抑制了干扰和噪声对轨迹跟踪的影响,使该控制算法更适合于工程应用。计算机实验和仿真表明该方法具有较好的轨迹跟踪能力。     

轮式移动机器人轨迹跟踪控制研究

针对轮式移动机器人参数摄动和内外部扰动等问题,提出一种新型的基于自适应扩张状态观测器的滑模控制算法。采用自适应虚拟速度控制器估计系统未知参数,滑模控制器抑制参数摄动和内外部扰动,非线性扩张状态观测器观测系统扰动并减小控制输入的抖振,实现了轨迹跟踪误差的快速收敛。利用Lyapunov稳定性理论证明了控制算法的稳定收敛性。将所提算法与传统自适应反演滑模算法进行对比,对比结果表明了所提算法的有效性和鲁棒性。     

采用惯性测量单元的移动机器人轨迹跟踪方法研究

对于非完整移动机器人的轨迹跟踪控制已有很多方法提出,但是这些方法或者是基于动力学模型或者是采用复杂的运动学模型,对于缺少强大计算设备且需要实时控制的工程应用是不适合的.本文针对非完整移动机器人提出了一种基于比例微分(proportional-differential,PD)控制器的实时轨迹跟踪控制方法.该方法运行在40 MHz的嵌入式控制器上的控制周期只有1～2 ms.通过将一个用于直流电机控制的非线性PID速度控制器与提出的轨迹控制器进行集成,实现了一个轮式移动机器人的运动控制.机器人轨迹跟踪实验系统中采用微机电系统(micro electro-mechanical system,MEMS)惯性测量单元检测轮式移动机器人的偏航角,实验结果验证了提出方法的有效性.     

改进QPSO算法的移动机器人轨迹跟踪控制方法

分析了智能群体的决策机制,发现在智能群体决策过程中,个体粒子参与决策的权利根据个体的优劣程度是不同的,提出了在量子粒子群优化（QPSO）算法中引入线性权重算子进一步提高QPSO算法的搜索效率及优化性能。分析了移动机器人轨迹跟踪控制的滑模变结构控制器设计方法,并采用指数趋近律和幂次趋近律相结合的方法,设计了新的滑模跟踪控制律,使用PSO算法、QPSO算法和改进算法优化了滑模跟踪控制器中的参数,通过两个实例验证了优化后的跟踪控制器的设计效果;设计效果的分析和比较表明了设计的跟踪控制器能够控制机器人实现对既定轨迹的跟踪,仿真结果显示改进QPSO算法能够在轨迹跟踪控制器的参数优化中取得更好的优化效果。