机器人的控制方法、装置、机器人和存储介质制造方法及图纸

本发明专利技术公开了一种机器人的控制方法、装置、机器人和存储介质。该控制方法，包括以下步骤：获取所述机器人的混合偏差值和所述混合偏差值对应的变化率；基于模型预测控制算法、混合偏差值和变化率、得到被跟踪路径和第一控制量、以及第一控制量是否为全局最优解，所述被跟踪路径用于描述在未来预设时间段中，所述机器人的轨迹；基于模糊控制算法、混合偏差值、变化率和所述被跟踪路径中N个采集点的曲率值、得到第二控制量；基于不同的情形情况，预测控制量为第一控制量，或者第一、第二控制量加权，但第一控制量权重高，或者第一、第二控制量加权，但第二控制量权重高。从而能够获取该机器人的最优控制量。人的最优控制量。人的最优控制量。

【技术实现步骤摘要】
机器人的控制方法、装置、机器人和存储介质


[0001]本专利技术涉及机器人路径控制
，尤其涉及一种机器人的控制方法、装置、机器人和存储介质。

技术介绍

[0002]机器人的无人自主导航是通过如全球定位系统(Global Positioning System，GPS)、超宽带(Ultra Wide Band，UWB)等设备采集车辆实时的偏差值(例如，位置信息和位姿信息等)，然后将采集的信息输入给路径规划模块，进而规划出一条最优路径，并传给路径跟踪控制模块，计算得到最优控制量并下发给执行机构，完成自动驾驶。机器人能够从其所在位置沿着一条已经规划好的可行路径进行跟踪操作，快速地到达指定地点，这便是机器人的路径跟踪问题。路径跟踪控制是机器人自动驾驶系统中最基本也是最核心的功能，是实现自动驾驶的最终手段。
[0003]模型预测控制(Model Predictive Control，MPC)算法是一种常用的机器人路径跟踪控制算法，模型预测控制是利用优化的方法，将一个车辆误差的控制问题转化为求解最优解的问题。
[0004]在大多数情况下，整个优化问题是一个凸问题，那么经过优化一定可以获取到整个预测周期的最优控制量(例如，驱动轮的角速度，车头偏向角等)，在滚动迭代中这种特性得到延续，使得整个控制过程快速平稳。但是在实际的场景中，由于变量本身的非线性特性，求解计算会不时出现一些异常数据，而这些数据往往会引起车身的摆动，进而使得控制环境恶化，反过来影响预测控制的计算。以内点法求解为例，可能会出现以下的失败情况：求解达到最大迭代次数、求解下降速度太慢、求解未达到最佳的精度、求解结果不可靠即算法收敛到一个不可行的点、求解返回值不能发生、求解迭代发散、求解恢复失败即算法不知道如何进行、求解计算搜索方向失败且无法恢复、求解遇到无效数字、求解自由度太小有太多的相等约束、求解遇到未知的内部错误等。
[0005]可以看到模型预测控制存在很大的风险，计算失败后会获取到的无效的结果，或者直接无法得到结果。而目前的预测控制方法还没有很好的方法应对这样的情况，大致的方案都是将车辆降至最低速运行，直到计算恢复正常，或者是直接停车重新初始化启动。
[0006]因此，在基于模型预测控制算法求解最优控制量时，如何处理这些失败情况，就成为一个亟待解决的问题。

技术实现思路

[0007]有鉴于此，本专利技术的主要目的在于提供一种机器人的控制方法、装置、机器人和存储介质。
[0008]为达到上述目的，本专利技术的技术方案是这样实现的：一种机器人的控制方法，包括以下步骤：
[0009]获取所述机器人的混合偏差值E和所述混合偏差值E对应的变化率ΔE，混合偏差
值E＝f(E1,E2,...,E
num
)，其中，num为自然数、且num≤3，E1,E2,...,E
num
为num个互不相同的偏差，f()为函数；
[0010]基于模型预测控制算法、混合偏差值E、变化率ΔE和预设的被跟踪路径、得到第一控制量U1、以及第一控制量U1是否为全局最优解，所述被跟踪路径用于描述在未来预设时间段中，所述机器人的轨迹；基于模糊控制算法、混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值、得到第二控制量U2，其中，N为自然数，且N≥2；
[0011]当第一控制量U1是全局最优解时，预测控制量U3＝U1；当第一控制量U1不是全局最优解、且|U1‑
U2|>预设阀值时，所述预测控制量U3＝U2，其中，预设阀值>0，第一控制量U1、第二控制量U2和预测控制量U3同时为机器人底部的驱动轮的角速度、或同时为车头偏向角。
[0012]作为本专利技术实施例的一种改进，时间被划分为多个连续的时间段，在每个时间段中均运行所述控制方法；还包括以下步骤：获取上一次执行所述控制方法所得到的预测控制量U3，以所述预测控制量U3设置所述机器人，当U3是全局最优解时，执行以下操作：当第一控制量U1不是全局最优解、且|U1‑
U2|≤所述预设阀值、且|U1‑
U3|≤所述预设阀值时，所述预测控制量U3＝U1*K1+U2*K2，0.5<K1≤1，K2＝1
‑
K1；当第一控制量U1不是全局最优解、且|U1‑
U2|≤所述预设阀值、且|U1‑
U3|>所述预设阀值时，所述预测控制量U3＝U1*K1+U2*K2，0≤K1≤0.5，K2＝1
‑
K1。
[0013]作为本专利技术实施例的一种改进，不同的时间段的长度均相等且为T；以时间先后次序排列，N个采集点中的最后一个与当前采集点之间的距离的ds＝Win*V
max
/f，其中，f＝1/T，Win为所述模型预测控制算法中的窗口大小，V
max
为所述机器人的最高运动速度。
[0014]作为本专利技术实施例的一种改进，num＝2，E1为横向误差，E2为角度误差，其中，横向为所述机器人的前进方向。
[0015]作为本专利技术实施例的一种改进，所述“基于模糊控制算法、混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值、得到第二控制量U
2”具体包括：对混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值共N+2个输入值x
i
均采用高斯隶属度函数获取每个输入值对应的隶属度，其中，高斯隶属度函数为其中，x1为对混合偏差值E，x2为变化率ΔE，x3，x4，...，x
N+2
分别为第1个采集点的曲率值，第2个采集点的曲率值，...，第N个采集点的曲率值，i＝1，2，...，N+2；采用Mamdani推理法得到t范式，第j条规则的前提条件为α
j
，各输入变量的隶属度为μ1，μ2，...，μ
N+2
，则α
j
＝μ1*μ2*...*μ
N+2
，j＝1，2，...，M，M为模糊规则的数量；最终的输出量为y
j
为第j条模糊规则中模糊输出语言变量对应的输出值。
[0016]作为本专利技术实施例的一种改进，还包括以下步骤：将混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值共N+2个输入值x
i
输入预设的模糊神经网络，得到δ
i
、μ
i
和y
j
；所述模糊神经网络包括：输入层、输入模糊层、模糊规则层，归一化层和输出层；所述输入层用于接收N+2个输入值x
i
；所述输入模糊层用于：其中，j∈{1,2,...,q
i
}，q
i
为第i个输入值x
i
的模糊分割数，μ
ij
是x
i
对应的隶属度函数的参数μ
i
，σ
ij
是x
i
对应的
隶属度函数的参数σ
...

【技术保护点】

【技术特征摘要】
1.一种机器人的控制方法，其特征在于，包括以下步骤：获取所述机器人的混合偏差值E和所述混合偏差值E对应的变化率ΔE，混合偏差值E＝f(E1，E2，...，E
num
)，其中，num为自然数、且num≤3，E1，E2，...，E
num
为num个互不相同的偏差，f()为函数；基于模型预测控制算法、混合偏差值E、变化率ΔE和预设的被跟踪路径、得到第一控制量U1、以及第一控制量U1是否为全局最优解，所述被跟踪路径用于描述在未来预设时间段中，所述机器人的轨迹；基于模糊控制算法、混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值、得到第二控制量U2，其中，N为自然数，且N≥2；当第一控制量U1是全局最优解时，预测控制量U3＝U1；当第一控制量U1不是全局最优解、且|U1‑
U2|＞预设阀值时，所述预测控制量U3＝U2，其中，预设阀值＞0，第一控制量U1、第二控制量U2和预测控制量U3同时为机器人底部的驱动轮的角速度、或同时为车头偏向角。2.根据权利要求1所述的控制方法，其特征在于，时间被划分为多个连续的时间段，在每个时间段中均运行所述控制方法；还包括以下步骤：获取上一次执行所述控制方法所得到的预测控制量U3，以所述预测控制量U3设置所述机器人，当U3是全局最优解时，执行以下操作：当第一控制量U1不是全局最优解、且|U1‑
U2|≤所述预设阀值、且|U1‑
U3|≤所述预设阀值时，所述预测控制量U3＝U1*K1+U2*K2，0.5＜K1≤1，K2＝1
‑
K1；当第一控制量U1不是全局最优解、且|U1‑
U2|≤所述预设阀值、且|U1‑
U3|＞所述预设阀值时，所述预测控制量U3＝U1*K1+U2*K2，0≤K1≤0.5，K2＝1
‑
K1。3.根据权利要求1所述的控制方法，其特征在于：不同的时间段的长度均相等且为T；以时间先后次序排列，N个采集点中的最后一个与当前采集点之间的距离的ds＝Win*V
max
/f，其中，f＝1/T，Win为所述模型预测控制算法中的窗口大小，V
max
为所述机器人的最高运动速度。4.根据权利要求1所述的控制方法，其特征在于：num＝2，E1为横向误差，E2为角度误差，其中，横向为所述机器人的前进方向。5.根据权利要求1所述的控制方法，其特征在于，所述“基于模糊控制算法、混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值、得到第二控制量U
2”具体包括：对混合偏差值E、变化率ΔE和所述被跟踪路径中N个采集点的曲率值共N+2个输入值x
i
均采用高斯隶属度函数获取每个输入值对应的隶属度，其中，高斯隶属度函数为均采用高斯隶属度函数获取每个输入值对应的隶属度，其中，高斯隶属度函数为其中，x1为对混合偏差值E，x2为变化率ΔE，x3，x4，
…
，x
N+2
分别为第1个采集点的曲率值，第2个采集点的曲率值，
…
，第N个采集点的曲率值，i＝1，2，
…
，N+2；采用Mamdani推理法得到t范式，第j条规则的前提条件为α
j
，各输入变量的隶属度为μ1，μ2，
…
，μ
N+2
，则α<...

【专利技术属性】
技术研发人员：曹盼，周嘉星，
申请(专利权)人：苏州和仲智能科技有限公司，
类型：发明
国别省市：