一种基于深度学习的机器人轨迹跟踪控制方法技术

本发明专利技术提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明专利技术提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。滑模控制的抖动现象。滑模控制的抖动现象。

【技术实现步骤摘要】
一种基于深度学习的机器人轨迹跟踪控制方法


[0001]本专利技术属于机器人控制
，具体涉及一种基于深度学习的机器人轨迹跟踪控制方法。

技术介绍

[0002]移动机器人是一种能够实现面向目标进行自主运动并完成相应控制任务的机器人综合系统。该系统集人工智能、信息处理、智能控制、图像处理等专业技术于一体，跨越机械工程、计算机工程、电子工程等多个学科，是目前科学技术发展最活跃的领域之一。在过去的几年中，由于移动机器人在非结构化复杂环境中的广泛应用，例如林业、采矿、农业、军事应用、搜索和救援、医院任务和太空探索等，对跟踪移动机器人的兴趣显著增长。然而，所有这些应用都需要移动机器人可以高效地，准确地实现导航任务。轨迹跟踪控制是机器人运动控制中探索最多的导航问题之一。轨迹跟踪的目的是使被控系统根据控制器的输出，主动地移动到目标路径并趋于稳定。
[0003]履带移动机器人具有牵引力大、不易打滑、越野性能好等优点，是移动机器人的重点研究对象之一。作为一种MIMO系统，在履带式移动机器人的轨迹跟踪系统领域国内外学者已经提出了许多先进的控制方法，如模型预测控制、神经网络控制、自适应控制、PID控制、滑模控制等。Amidi等提出3种较为实用跟踪控制方法，包括一种纯追踪轨迹跟踪控制法，但稳态误差较大。贾鹤鸣等设计基于反馈增益的反步法控制器，采用神经网络对模型不确定项进行补偿，并利用自适应鲁棒控制器在线补偿神经网络的估计误差，实现移动机器人对任意曲线路径的精确跟踪。匡文龙等设计一种融合Lyapunov方法和反演滑模技术的轨迹跟踪控制律，提高了收敛速度，但控制律设计过于复杂。焦俊等基于模糊滑模控制理论，建立由电机驱动方程和运动方程构成的级联系统，有效实现跟踪控制。深度学习，是一种基于学习数据表示的机器学习方法。深度神经网络(DNN)和循环神经网络(RNN)等DL架构在发现高维数据中的复杂结构方面表现出卓越的性能，随着深度学习算法的发展与应用，将传统控制方法和深度学习算法相结合，可以达到高效稳定的控制目的，具有很大的潜力。
[0004]KunmingZheng等设计了双模糊滑模控制器，并开发了一种深度学习算法，以尽可能接近动力学模型。XuanYao等提出了基于深度学习方法的深度卷积神经网络
‑
滑模控制算法，设计了一个双层卷积神经网络，实现了较高精度的轨迹跟踪。MinghaoZhou等通过结合DCNN和新型FOTSM的优势，减弱了颤振现象，提高了刚性机器人机械手的控制性能。
[0005]SMC(滑模控制slidingmodecontrol,SMC)作为一种改进的非线性控制方法，可以设计开关控制律进行高速地切换，使得系统的轨迹始终保持在预定的一个滑面上，滑模法因对参数变化不敏感、对外部干扰具有高鲁棒性、物理实现简单和快速动态响应而被广泛使用，其存在的缺陷是容易发生抖振现象使得实际控制效果变得不是十分理想；LSTM(记忆长短期信息的神经网络Long ShortTerm
‑
Memory，LSTM)具有记忆能力，可以控制过去信息对当前信息的影响，利用这一特性，输入过去时刻的轨迹跟踪误差，来预测当前时刻的控制输出，对控制系统进行补偿。
[0006]为此，本专利技术将滑模控制方法和深度学习算法相结合，提出了一种新颖的LSTM
‑
SMC控制策略，对机器人轨迹进行跟踪控制。

技术实现思路

[0007]为了克服上述现有技术存在的不足，本专利技术提供了一种基于深度学习的机器人轨迹跟踪控制方法。
[0008]为了实现上述目的，本专利技术提供如下技术方案：
[0009]一种基于深度学习的机器人轨迹跟踪控制方法，包括以下步骤：
[0010]建立履带机器人的运动学模型、跟踪误差模型、动力学模型；
[0011]建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；
[0012]基于所述履带机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对履带机器人跟踪轨迹进行控制；
[0013]所述控制器的控制步骤为：
[0014]运动学控制器的输入是预期的履带机器人运动轨迹、预期运动速度v
b
、角速度ω
b
和实际运动状态的误差e，运动学控制器的输出q
p
、LSTM网络输出u和第一次积分运算产生的控制输出q作为动力学控制器的输入；
[0015]基于SMC的动力学控制器输出控制量τ，经过动力学模型计算得到积分后得履带机器人实际运行速度v和角速度ω，通过运动学模型的计算产生履带机器人的真实运动状态p
p
；
[0016]真实运动状态p
p
和运动学控制器产生的q
p
作为误差计算模块的输入，输出运动状态误差e；
[0017]在LSTM网络中输入运动状态误差e，输出一个补偿控制偏量u，u用于对存在外部干扰的系统做控制补偿。
[0018]优选地，所述运动学模型为：
[0019][0020]式中，v
p
为履带机器人质心C处的行驶速度；θ
p
为履带机器人行驶方向与x轴正方向的夹角；ω
p
为履带机器人转向角速度。
[0021]优选地，轨迹跟踪即实际履带机器人在参考坐标系下，从给定的初始位置出发，到达并且跟踪给定的期望轨迹，通过轨迹误差(e
x
,e
y
,e
θ
)
T
和控制输出(v,ω)
T
，使得e
x
→
0，e
y
→
0，e
θ
→
0；
[0022]轨迹跟踪误差公式如下所示：
[0023][0024]式中，e
x
和e
y
分别为基于履带机器人实际位置与参考位置x轴、y轴误差，即纵向位移误差和横向位移误差；e
θ
为航向角误差；θ
b
为参考航向角；v
b
和ω
b
分别为履带机器人的参考行驶速度和转向角速度，对跟踪误差公式微分得误差动态模型，所述误差动态模型即跟踪误差模型为：
[0025][0026]式中，v
p
为履带机器人质心C处的行驶速度，ω
p
为履带机器人转向角速度，ω
b
为履带机器人的参考转向角速度。
[0027]优选地，所述动力学模型为：
[0028][0029]式中，τ1和τ2分别是履带机器人的驱动力和转动力矩；m为质量；I为转动惯量；η＝(η1,η2)
T
为外部干扰，η1、η2均为未知的外部干扰。
[0030]优选地，所述LSTM网络的控制步骤为：
[0031]LS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的机器人轨迹跟踪控制方法，其特征在于，包括以下步骤：建立履带机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述履带机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对履带机器人跟踪轨迹进行控制；所述控制器的控制步骤为：运动学控制器的输入是预期的履带机器人运动轨迹、预期运动速度v
b
、角速度ω
b
和实际运动状态的误差e，运动学控制器的输出q
p
、LSTM网络输出u和第一次积分运算产生的控制输出q作为动力学控制器的输入；基于SMC的动力学控制器输出控制量τ，经过动力学模型计算得到积分后得履带机器人实际运行速度v和角速度ω，通过运动学模型的计算产生履带机器人的真实运动状态p
p
；真实运动状态p
p
和运动学控制器产生的q
p
作为误差计算模块的输入，输出运动状态误差e；在LSTM网络中输入运动状态误差e，输出一个补偿控制偏量u，u用于对存在外部干扰的系统做控制补偿。2.根据权利要求1所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，所述运动学模型为：式中，v
p
为履带机器人质心C处的行驶速度；θ
p
为履带机器人行驶方向与x轴正方向的夹角；ω
p
为履带机器人转向角速度。3.根据权利要求2所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，轨迹跟踪即实际履带机器人在参考坐标系下，从给定的初始位置出发，到达并且跟踪给定的期望轨迹，通过轨迹误差(e
x
,e
y
,e
θ
)
T
和控制输出(v,ω)
T
，使得e
x
→
0，e
y
→
0，e
θ
→
0；轨迹跟踪误差公式为：式中，e
x
和e
y
分别为基于履带机器人实际位置与参考位置x轴、y轴误差，即...

【专利技术属性】
技术研发人员：刘东阳，查文文，陶亮，焦俊，辜丽川，时国龙，马慧敏，陈成鹏，彭硕，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：