【技术实现步骤摘要】
本专利技术属于移动机器人自主导航，尤其涉及一种基于自适应采样时间的滑移转向移动机器人模型预测控制方法、介质及设备。
技术介绍
1、路径跟踪是滑移转向移动机器人运动控制的基本挑战，也是无人导航技术的关键要素，其主要目标是使滑移转向移动机器人能够精确地遵循指定的路径。然而，由于轮式移动机器人中存在不可积(非完整)约束，在路径规划和跟踪中必须仔细考虑这些约束。
2、模型预测控制(mpc)技术具有动态性、管理多变量问题、约束的能力，并且可以优化代价函数，它作为一种高效的控制方法被广泛应用于车辆纵向和横向控制的研究。然而传统mpc算法中控制变量对路径跟踪性能的影响的研究中，主要利用固定采样时间进行路径跟踪，采样时间的选择通常基于经验知识。mpc中的固定采样时间可提高较短采样间隔下的跟踪性能，但会带来巨大的计算负担。相反，随着采样间隔的增加，运算速度会提高，但一旦出现干扰，跟踪性能可能会受到影响。这种方法的缺点在于其对不同路径的适应性有限。
技术实现思路
1、本专利技术重点针对上述现有技术中存在的问题，提供一种基于自适应采样时间的滑移转向移动机器人模型预测控制方法、介质及设备。
2、本专利技术的第一方面，提供了一种基于自适应采样时间的滑移转向移动机器人模型预测控制方法，包括：
3、步骤s100：初始化采样时间t；
4、步骤s200：通过匹配当前激光雷达扫描与已知地图，配合轮速计推算出机器人的位姿，定义状态变量为p＝(x,y,ψ)t，控制变量u＝(
5、其中为机器人在x轴上的分速度，为机器人在y轴上的分速度，为机器人角速度；
6、步骤s300：对机器人运动学模型进行离散化，，设置包括预测时域、控制时域、初始采样时间、输入权重矩阵、状态误差权重矩阵及约束条件在内的预测控制模型参数，并构建包含状态误差和控制输入的代价函数；
7、步骤s400：采用二次规划方法进行预测控制模型的求解，在约束条件内最小化代价函数来得到最优的控制输入序列，预测状态向量为x(k+1)＝a·x(k)+b·u(k)，其中x(k)为状态向量、u(k)为控制输入向量，更新状态方程x(k)＝x(k+1)，b是输入矩阵，a是状态转移矩阵；
8、步骤s500：将最优控制输入序列中的第一个控制输入应用于机器人控制器，将预测状态存储为过去状态，并将控制输入存储为过去输入，使用计算出的最优控制输入中的角速度变化率来计算下一次车辆移动时要使用的采样时间t；
9、步骤s600：设置t＝t(k+1)，判断计算出的采样时间是否在预设的阈值内，若在则设置为新的采样时间，若超出阈值最大值或小于阈值最小值，则将采样时间对应设置为阈值的最大值或最小值；
10、步骤s700：转步骤s200直至控制结束。
11、优选地，所述步骤s200进一步包括：
12、建立轮式机器人正向运动学关系，其具体表现为如下矩阵乘积形式：
13、其中，vl和vr是左右轮速度。
14、优选地，所述步骤s300进一步包括：
15、利用现有的预测控制模型、mpc控制系统当前的状态变量和未来的控制变量来预测系统的未来输出，与期望的系统输出进行比较，得到代价函数：
16、j＝[fout(m,cstate,fcontrol)-dout]2
17、其中j是代价函数，fout是未来输出，m是模型，cstate是当前状态，fcontrol是未来控制变量，dout是预期输出。
18、优选地，所述步骤s400进一步包括：
19、添加速度上限和下限，以及角速度上限作为二次规划求解的系统约束。
20、优选地，步骤s500进一步包括：
21、根据角速度变化率计算下一次采样时间t具体为，随角速度变化率的增大，得到相应的采样时间会更短，随角速度变化率的减小，得到相应的采样时间会更长。
22、优选地，步骤s500进一步包括：
23、计算下一次采样时间具体公式为：t(k+1)＝t(k)+sign(ξ-c)·s，其中：
24、
25、α、s和c为常量参数，基于经验设定，α是控制角速度变化率对采样时间调整的敏感度，s是调整采样时间的增加或减少的步长，sign(ξ-c)用于确定下一步中采样时间是否应该增加或减少，符号函数值1,0,-1分别对应下一步采样次数的增加、不变和减少，是预测控制模型控制变量中角速度的变化率。
26、优选地，所述滑移转向移动机器人具有四个轮子，分别由四个独立电机驱动，并通过控制速度来控制机器人的运动状态。
27、本专利技术的第二方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一所述的方法的步骤。
28、本专利技术的第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现前述任一所述的方法的步骤。
29、与现有技术相比，本专利技术具有如下有益效果：
30、1)自适应采样时间首次与mpc结合，平衡跟踪性能和控制稳定性之间的关系，解决了传统mpc中固定采样时间，在较短采样间隔下跟踪性能高，但计算负担大，相反，随着采样间隔的增加，运算速度会提高，但一旦出现干扰，跟踪性能可能会受到影响的问题；
31、3)根据mpc算法中最优控制量的变化率和路径的实时状态调整采样时间，确保采样时间符合系统动力学的不同需求，有效地响应角速度的剧烈变化和减弱的时期，使移动机器人面对弯曲路径时具备动态响应各种地形和挑战复杂轨迹的能力；
32、2)所提出的具有自适应采样时间的模型预测控制路径跟踪算法(ast-mpc)可以根据mpc框架内计算的最优控制输入动态地实时调整采样时间，并评估这些控制输入的变化率。这种方法有助于有效控制机器人的路径跟踪，逐渐将采样时间收敛到最小值或最大值。
本文档来自技高网...【技术保护点】
1.一种基于自适应采样时间的滑移转向移动机器人模型预测控制方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1中所述的方法，其特征在于，所述步骤S200中轮式机器人运动学模型的构建包括：
3.根据权利要求1中所述的方法，其特征在于，所述步骤S300中所述代价函数的获取过程为：利用现有的预测控制模型、系统当前的状态变量和未来的控制变量来预测系统的未来输出，与期望的系统输出进行比较，得到代价函数：
4.根据权利要求1中所述的方法，其特征在于，所述步骤S400中所述预测控制模型的求解可进一步包括：添加速度上限和下限，以及角速度上限作为二次规划求解的约束条件。
5.根据权利要求1中所述的方法，其特征在于，所述步骤S500中根据角速度变化率来计算下一次车辆移动时要使用的采样时间具体包括：随角速度变化率的增大，得到相应的采样时间会更短，随角速度变化率的减小，得到相应的采样时间会更长。
6.根据权利要求5中所述的方法，其特征在于，所述计算下一次车辆移动时要使用的采样时间的具体公式为：T(k+1)＝T(k)+sign(ξ-C)·
7.根据权利要求1中所述的方法，其特征在于，所述滑移转向移动机器人具有四个轮子，分别由四个独立电机驱动，并通过控制速度来控制机器人的运动状态。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于自适应采样时间的滑移转向移动机器人模型预测控制方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1中所述的方法，其特征在于，所述步骤s200中轮式机器人运动学模型的构建包括：
3.根据权利要求1中所述的方法，其特征在于，所述步骤s300中所述代价函数的获取过程为：利用现有的预测控制模型、系统当前的状态变量和未来的控制变量来预测系统的未来输出，与期望的系统输出进行比较，得到代价函数：
4.根据权利要求1中所述的方法，其特征在于，所述步骤s400中所述预测控制模型的求解可进一步包括：添加速度上限和下限，以及角速度上限作为二次规划求解的约束条件。
5.根据权利要求1中所述的方法，其特征在于，所述步骤s500中根据角速度变化率来计算下一次车辆移动时要使用的采样时间具体包括：随角...
【专利技术属性】
技术研发人员：赵素娜，韩沛君，贺振东，刁智华，娄泰山，何艳，李星仪，丁国强，余培照，刘鹏，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。