基于神经网络模型的机器人切换式预测控制轨迹跟踪方法技术

本发明专利技术适用于轮式机器人的轨迹跟踪控制技术领域，提供了基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，包括以下步骤：步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；步骤S2：建立及训练离线神经网络预测模型；步骤S3：训练在线神经网络预测模型；步骤S4：建立预测模型切换器；步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。本发明专利技术在一定程度上降低了预测模型因车身参数导致的预测误差，提升轮式机器人轨迹跟踪精度效果；相比于普通的离线神经网络预测模型具有更高的适应性和精度，并且可基于预测误差进行预测模型的切换，相比于纯机理的预测模型误差更小，精度更高。精度更高。精度更高。

【技术实现步骤摘要】
基于神经网络模型的机器人切换式预测控制轨迹跟踪方法


[0001]本专利技术属于轮式机器人的轨迹跟踪控制
，尤其涉及基于神经网络模型的机器人切换式预测控制轨迹跟踪方法。

技术介绍

[0002]轮式机器人具有体积小，功耗低，灵活性强等特点，在多个领域正逐渐发挥着重要的作用。由于其具有灵活性好，成本较低等特点，可以代替人类完成各种工作，比如危险环境中的排雷排爆机器人，弹药销毁机器人；日常生活中的助残机器人，清洁机器人等。而运动控制是轮式机器人实现各部分功能的前提，在运动控制中，轨迹跟踪控制是轮式机器人研究领域的重要课题之一。
[0003]由于轮式机器人是典型的欠驱动系统，且具有多输入多输出、非线性和非完整约束等特点，导致实现高精度的跟踪效果较为困难，需要设计的控制器具有实时性好，可以处理多输入输出和多约束的能力。
[0004]在模型预测控制中，由于神经网络预测模型可通过轮式机器人实际运行数据训练得到，而机理预测模型需要机器人自身参数，在一定程度上可以减小因机器人参数变化或外界干扰造成的预测模型误差，从而提高路径跟踪精度。但神经网络预测模型有一定的不足：离线神经网络模型在跟踪数据集中的轨迹时效果较好，一旦跟踪轨迹与数据集中相差较大时，跟踪效果便会变差；而在线神经网络模型的数据集是基于轮式机器人实时数据进行采集，同时网络模型也会实时更新，弥补了离线神经网络的不足。但是在线神经网络模型在刚开始时由于训练数据不足会导致轨迹跟踪初期效果较差。为此我们提出基于神经网络模型的机器人切换式预测控制轨迹跟踪方法。/>
技术实现思路

[0005]本专利技术实施例的目的在于提供基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，旨在解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，包括以下步骤：
[0008]步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；
[0009]步骤S2：建立及训练离线神经网络预测模型；
[0010]步骤S3：训练在线神经网络预测模型；
[0011]步骤S4：建立预测模型切换器；
[0012]步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。
[0013]进一步的，所述步骤S1中，建立轮式机器人的误差状态方程及搭建机理预测模型的具体操作为：通过轮式机器人的运动学方程，给定轨迹信息和反馈值，建立误差状态空间方程，得到虚拟控制量，并用其预测轮式机器人将来的状态信息。
[0014]进一步的，所述步骤S2中，建立及训练离线神经网络预测模型的具体操作为：采集轮式机器人实际的运行数据，用于网络训练，得到离线神经网络预测模型，并将其用于在线神经网络模型的初始化。
[0015]进一步的，所述步骤S3中，在线神经网络预测模型的训练包括训练数据的实时采集和网络的训练更新，其中训练数据包括离线库中的轨迹数据参数和轮式机器人实时采集的轨迹数据参数，离线库中的轨迹数据由倒八轨迹、圆轨迹、直线轨迹和s型轨迹采集，并进行预处理。
[0016]进一步的，所述步骤S4中，预测模型切换器切换预测模型的条件取决于预测模型对状态量的预测误差。
[0017]进一步的，所述预测模型切换器切换预测模型的具体操作为：在轮式机器人运行过程中，将用于控制机器人的控制量分别输入到机理预测模型和神经网络预测模型中，比较机理预测模型和神经网络预测模型的预测状态量与机器人实际状态量的偏差，并选取偏差小的作为预测模型。
[0018]进一步的，所述步骤S5中，采用粒子群优化算法对优化描述问题进行求解。
[0019]进一步的，所述粒子群优化算法的机制为：初始化一定数量的粒子，包括粒子数、初始位置和速度，并根据目标函数评价粒子位置的优劣，同时更新每个粒子的个体最优和全局最优值，用来更新粒子的位置和速度，如此循环，直到达到终止条件，获得最终的优化解。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]1.本专利技术中神经网络预测模型是通过机器人实际运行得到的数据进行训练得到的，相比于传统的基于机理的预测模型具有更高的预测精度，在一定程度上降低了预测模型因车身参数导致的预测误差，提升轮式机器人轨迹跟踪精度效果；
[0022]2.本专利技术中基于切换式的模型预测控制器可在轮式机器人运行过程中采集实时数据并进行在线训练，相比于普通的离线神经网络预测模型具有更高的适应性和精度，并且可基于预测误差进行预测模型的切换，相比于纯机理的预测模型误差更小，精度更高。
附图说明
[0023]图1是本专利技术中对横纵向预测位移和航偏角预测位移的神经网络预测模型示意图。
[0024]图2是本专利技术中切换式模型预测控制器的示意图。
[0025]图3为本专利技术中轮式机器人轨迹跟踪效果图。
[0026]图4为本专利技术中轮式机器人轨迹跟踪横向误差对比图。
[0027]图5为本专利技术中轮式机器人轨迹跟踪纵向误差对比图。
具体实施方式
[0028]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0029]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0030]本专利技术一个实施例提供的基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，包括以下步骤：
[0031]步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；
[0032]步骤S2：建立及训练离线神经网络预测模型；
[0033]步骤S3：训练在线神经网络预测模型；
[0034]步骤S4：建立预测模型切换器；
[0035]步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。
[0036]作为本专利技术的一种优选实施例，所述步骤S1中，建立轮式机器人的误差状态方程及搭建机理预测模型的具体操作为：通过轮式机器人的运动学方程，给定轨迹信息和反馈值，建立误差状态空间方程，得到虚拟控制量，并用其预测轮式机器人将来的状态信息。
[0037]在本专利技术实施例中，首先是轮式移动机器人误差状态方程的建立，需要获取给定轨迹相关信息，包括x
r
,y
r
,θ
r
,c,v
r
。分别为直角坐标系下机器人给定横纵向位移、速度、加速度、航偏角、曲率以及速度，得到给定轨迹后，首先建立轮式机器人运动学模型：
[0038][0039][0040][0041]之后转化为在车身坐标系下关于误差的状态空间表达式：
[0042][0043]两边求导，得到：
[0044][0045][0046][0047]此处定义两个虚拟控制量u
1e
，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，其特征在于，包括以下步骤：步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；步骤S2：建立及训练离线神经网络预测模型；步骤S3：训练在线神经网络预测模型；步骤S4：建立预测模型切换器；步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。2.根据权利要求1所述的基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，其特征在于，所述步骤S1中，建立轮式机器人的误差状态方程及搭建机理预测模型的具体操作为：通过轮式机器人的运动学方程，给定轨迹信息和反馈值，建立误差状态空间方程，得到虚拟控制量，并用其预测轮式机器人将来的状态信息。3.根据权利要求1所述的基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，其特征在于，所述步骤S2中，建立及训练离线神经网络预测模型的具体操作为：采集轮式机器人实际的运行数据，用于网络训练，得到离线神经网络预测模型，并将其用于在线神经网络模型的初始化。4.根据权利要求1所述的基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，其特征在于，所述步骤S3中，在线神经网络预测模型的训练包括训练数据的实时采集和网络的训练更新，其中训练数据包括离线库中的轨迹数...

【专利技术属性】
技术研发人员：许芳，张旭，郭中一，曲婷，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：