基于模糊免疫神经网络算法的全向底盘控制方法技术

本发明专利技术公开了一种基于模糊免疫神经网络算法的全向底盘控制方法，用于解决现有全向底盘控制方法控制精度差的技术问题。技术方案是将模糊算法引入底盘PID的参数整定，将神经网络算法引入模糊算法，建立五层神经网络。第一层为输入层，输入量为系统输出的误差e(t)以及误差的变化量Δe(t)；第二层为模糊化层，由隶属度函数对输入量进行模糊化处理；第三、四层为模糊计算层，完成模糊计算；第五层为输出层，将结果进行逆模糊化并输出。在这一过程中对于需要学习的参数，采用误差逆传播(BP)算法进行学习，并将免疫算法引入学习过程，将惯性导航系统、运动控制系统以及IMU相结合，提高了系统对于给定轨迹和实时轨迹跟踪的能力，控制精度高。

【技术实现步骤摘要】
基于模糊免疫神经网络算法的全向底盘控制方法
本专利技术涉及一种全向底盘控制方法，特别涉及一种基于模糊免疫神经网络算法的全向底盘控制方法。
技术介绍
基于麦克纳姆轮技术的全方位运动设备可以实现前行、横移、斜行、旋转及其组合等运动方式。这种全方位移动方式是基于一个有许多位于机轮周边的轮轴的中心轮的原理上，这些成角度的周边轮轴把一部分的机轮转向力转化到一个机轮法向力上面。文献“模糊PID控制在全向电动底盘上的应用，机械工程学报，2014，Vol50(6)，p129-134”公开了一种基于模糊PID算法的全向电动地底盘的控制方法。该方法针对麦克纳姆车轮的电动万向底盘，在该电动底盘前期半闭环控制系统的基础上，分析简化运动学模型，设计出基于参数分配器的模糊PID全闭环控制系统，并确定系统的硬件结构和软件流程，改进后的全闭环控制系统具有更好的响应时间和稳态误差精度，一定程度上克服了传统的工业车辆及特种车辆底盘在转向、排放和噪声方面的缺点。但是文献所述方法通过在底盘控制的PID参数整定上选用了模糊算法，适应性不强，当系统运行条件发生变化时，PID参数不够精确，导致车辆在速度控制上响应时间过长，并伴随有超调量和稳态误差，导致系统运行不精确，抗干扰能力较弱。
技术实现思路
为了克服现有全向底盘控制方法控制精度差的不足，本专利技术提供一种基于模糊免疫神经网络算法的全向底盘控制方法。该方法基于麦克纳姆全向底盘的数学模型，将模糊算法引入底盘PID的参数整定，将神经网络算法引入模糊算法，建立五层神经网络。第一层为输入层，输入量为系统输出的误差e(t)以及误差的变化量Δe(t)；第二层为模糊化层，由隶属度函数对输入量进行模糊化处理，隶属度函数选择为高斯分布模型函数；第三、四层为模糊计算层，完成模糊计算；第五层为输出层，将结果进行逆模糊化并输出。在这一过程中对于需要学习的参数，采用误差逆传播(BP)算法进行学习，并将免疫算法引入学习过程，将惯性导航系统、运动控制系统以及IMU相结合，提高了系统对于给定轨迹和实时轨迹跟踪的能力，控制精度高。本专利技术解决其技术问题所采用的技术方案：一种基于模糊免疫神经网络算法的全向底盘控制方法，其特点是包括以下步骤：步骤一、构建模糊神经网络控制器。初始化神经网络，神经网络第一层为输入层，将系统的输出误差e(t)和该误差的变化量Δe(t)送入系统，神经网络第一层所有节点连接权值为1；神经网络第二层为模糊化层，由隶属度函数对输入量进行模糊化处理。隶属度函数选择高斯分布模型函数，则其中，mij为第i个模糊变量第k项高斯函数中心，σij为该高斯函数宽度。神经网络第二层所有节点连接权值为1；第三、四层为模糊计算层，完成模糊计算，神经网络第三、四层所有节点链接权值为1；第五层为输出层，将结果进行逆模糊化并输出，神经网络第五层的连接权值为步骤二、基于误差逆传播对参数进行学习。误差函数定义如下：其中，Xo和Xi分别为系统实际和给定的输出。从步骤一得到，需要学习的参数为采用误差逆传播算法进行学习。对输出Xo进行偏导，得：进而求得：同时求得：根据式(5)，求得相应的梯度：误差逆传播算法采用梯度下降的策略，以目标的负梯度方向对参数进行学习。记学习率为η，得学习算法公式为：误差逆传播算法通过式(8)(9)(10)进行参数学习。初始设置误差函数的阈值为Ek0。当式(2)值小于Ek0时，算法停止，参数学习完成。步骤三、基于免疫算法对学习率进行控制。将免疫算法引入学习率的控制。在误差逆传播算法运行过程中，使用免疫算法进行η的自整定。令ΔS(k)分别为Δωij,Δmij,Δσij，非线性函数f(x)＝x2代入式(8)分别计算出η，代入式(8)(9)(10)，最终得：步骤四、惯性导航控制器设计。全向底盘对弧线轨迹进行追踪，对于解算出来的轨迹，原有轨迹逼近解算轨迹，得到实际轨迹，解算轨迹与实际轨迹两者之间相差θ度。惯性导航系统的惯性测量单元测的角度偏差θ并将其作为输入，电机转速ω作为输出。步骤五、将运动控制系统和惯性导航系统进行输入融合，控制全向底盘。本专利技术的有益效果是：该方法基于麦克纳姆全向底盘的数学模型，将模糊算法引入底盘PID的参数整定，将神经网络算法引入模糊算法，建立五层神经网络。第一层为输入层，输入量为系统输出的误差e(t)以及误差的变化量Δe(t)；第二层为模糊化层，由隶属度函数对输入量进行模糊化处理，隶属度函数选择为高斯分布模型函数；第三、四层为模糊计算层，完成模糊计算；第五层为输出层，将结果进行逆模糊化并输出。在这一过程中对于需要学习的参数，采用误差逆传播(BP)算法进行学习，并将免疫算法引入学习过程，将惯性导航系统、运动控制系统以及IMU相结合，提高了系统对于给定轨迹和实时轨迹跟踪的能力，控制精度高。下面结合附图和具体实施方式对本专利技术作详细说明。附图说明图1是本专利技术方法的底盘运动学模型示意图。图2是本专利技术方法的模糊神经网络PID算法流程图。图3是本专利技术方法神经网络结构示意图。图4是本专利技术方法隶属度函数示意图。图5是本专利技术方法免疫系统模型示意图。图6是本专利技术方法轨迹跟踪示意图。图7是本专利技术方法底盘路径跟踪控制器流程图。图8是本专利技术方法输出误差e(t)的隶属度函数。图9是本专利技术方法输出误差变化量Δe(t)的的隶属度函数。具体实施方式参照图1-9。本专利技术基于模糊免疫神经网络算法的全向底盘控制方法具体步骤如下：步骤1、针对底盘控制构建模糊神经网络控制器。初始化神经网络，网络第一层为输入层，将系统的输出误差e(t)和该误差的变化量Δe(t)送入系统，该层所有节点连接权值为1；第二层为模糊化层，由隶属度函数对输入量进行模糊化处理。隶属度函数选择为高斯分布模型函数，则其中mij为第i个模糊变量第k项高斯函数中心，σij为该高斯函数宽度。该层所有节点连接权值为1；第三、四层为模糊计算层，完成模糊计算，所有节点链接权值为1；第五层为输出层，将结果进行逆模糊化并输出，该层的连接权值为步骤2、基于误差逆传播对参数进行学习。误差函数定义如下：其中Xo和Xi分别为系统实际和给定的输出。从步骤一可以得到，需要学习的参数为采用误差逆传播(BP)算法进行学习。对输出Xo进行偏导，得：进而求得：同时可以求得：根据式(5)，可求得相应的梯度：BP算法采用梯度下降的策略，以目标的负梯度方向对参数进行学习。记学习率为η，得学习算法公式为：BP算法通过式(8)(9)(10)进行参数学习。初始设置误差函数的阈值为Ek0。当式(2)值小于Ek0时，算法停止，参数学习完成。步骤3、基于免疫算法对学习率进行控制。将免疫算法引入学习率的控制。在BP算法运行过程中，学习率η的值直接影响算法效果。η太小，算法收敛速度很慢；η太大，算法可能无法取到最小值甚至出现震荡。为了较快较好的实现收敛，使用免疫算法进行η的自整定。令ΔS(k)分别为Δωij,Δmij,Δσij，非线性函数f(x)＝x2代入式(8)分别计算出η，代入式(8)(9)(10)，最终得：步骤4、惯性导航控制器设计。全向底盘对弧线轨迹进行追踪，对于解算出来的轨迹，原有轨迹逼近解算轨迹，得到实际轨迹，解算轨迹与实际轨迹两者之间相差θ度。惯性导航系统的惯性测量单元(IMU)可以测的角度偏差θ并将其作为输入，电机转速ω作为本文档来自技高网...

【技术保护点】
一种基于模糊免疫神经网络算法的全向底盘控制方法，其特征在于包括以下步骤：步骤一、构建模糊神经网络控制器；初始化神经网络，神经网络第一层为输入层，将系统的输出误差e(t)和该误差的变化量Δe(t)送入系统，

【技术特征摘要】
1.一种基于模糊免疫神经网络算法的全向底盘控制方法，其特征在于包括以下步骤：步骤一、构建模糊神经网络控制器；初始化神经网络，神经网络第一层为输入层，将系统的输出误差e(t)和该误差的变化量Δe(t)送入系统，神经网络第一层所有节点连接权值为1；神经网络第二层为模糊化层，由隶属度函数对输入量进行模糊化处理；隶属度函数选择高斯分布模型函数，则其中，mij为第i个模糊变量第k项高斯函数中心，σij为该高斯函数宽度；神经网络第二层所有节点连接权值为1；第三、四层为模糊计算层，完成模糊计算，神经网络第三、四层所有节点链接权值为1；第五层为输出层，将结果进行逆模糊化并输出，神经网络第五层的连接权值为步骤二、基于误差逆传播对参数进行学习；误差函数定义如下：其中，Xo和Xi分别为系统实际和给定的输出；从步骤一得到，需要学习的参数为mij,σij,采用误差逆传播算法进行学习；对输出Xo进行偏导，得：进而求得：同时求得：根据式(5)，求得相应的梯度：

【专利技术属性】
技术研发人员：王小平，王晓光，孙浩水，戴聪，王传奇，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西,61