一种具有通信约束的移动机器人鲁棒预测跟踪控制方法技术

一种具有通信约束的移动机器人鲁棒预测跟踪控制方法，包括以下步骤：1)考虑数据丢包和信息量化的影响，将移动机器人路径跟踪问题建模为一类具有随机变量和参数不确定的跟踪误差状态空间模型；2)设计鲁棒预测控制性能指标函数；3)基于鲁棒预测控制算法设计路径跟踪控制器。本发明专利技术提供了一种可以有效解决具有数据丢包和信息量化的移动机器人路径跟踪系统的鲁棒预测跟踪控制方法。

【技术实现步骤摘要】
一种具有通信约束的移动机器人鲁棒预测跟踪控制方法
本专利技术涉及网络移动机器人路径跟踪控制系统和鲁棒预测控制，尤其涉及的是有数据丢包和量化的网络移动机器人路径跟踪控制系统以及具有通信约束的鲁棒预测控制方法。
技术介绍
随着科学技术和控制技术的发展，移动机器人由于其结构灵巧、环境适应能力强等优点，已被广泛应用于科研、军事、工业、民用以及物流等领域。路径跟踪作为移动机器人运动控制中的三大基本问题之一，一直备受广泛关注。对路径跟踪控制的研究，不仅限于移动机器人领域，还涉及数控机床跟踪磨削、飞机和轮船的航迹控制等领域。因此，针对移动机器人路径跟踪控制技术的研究，不仅可以丰富移动机器人运动控制的理论成果，还可以满足多领域对运动控制技术越来越高的要求，具有重大的理论和工程意义。此外，通过引入网络遥操作技术，延展了移动机器人的能力范围，可以有效满足人类无法直接进入特定场合作业的需求。然而网络环境下，特别是无线网络，不可避免地存在的数据丢包和量化等问题，给移动机器人路径跟踪控制带来了新的挑战。预测控制方法主要采用了多步预测、滚动优化和反馈校正的控制策略。相较于其他控制方法，预测控制可以显式的处理约束，近年来在移动机器人路径跟踪控制领域受到了普遍的关注。武星等在论文(基于视野状态分析的机器人路径跟踪智能预测控制)中，针对自动导引车的路径跟踪问题，提出了一种基于视野状态分析的智能预测控制模型。González等在论文(Robusttube-basedpredictivecontrolformobilerobotsinoff-roadconditions)中，提出了一种基于Tube的鲁棒模型预测控制器，并将其应用于移动机器人的路径跟踪控制。Yu等在论文(Nonlinearmodelpredictivecontrolforpathfollowingproblems)中，将路径跟踪问题转化为一类参数依赖的调节问题，提出了一种非线性预测控制方法。Li等在论文(Trajectory-trackingcontrolofmobilerobotsystemsincorporatingneural-dynamicoptimizedmodelpredictiveapproach)中，针对系统约束，提出了基于神经动力学优化的预测控制方法解决路径跟踪问题。Sun等在论文(Recedinghorizontrackingcontrolofunicycle-typerobotsbasedonvirtualstructure)中，基于虚拟结构，采用预测控制方法解决具有输入耦合约束的独轮机器人跟踪控制问题。然而，这些结果都没有考虑网络环境下存在数据丢包和量化等问题影响的控制系统。随着电子、通信技术的发展，通过网络远程控制机器人成为了可能，并使得机器人的应用变为更广泛，如编队控制、遥操作等。因此，针对网络通信约束下机器人路径跟踪控制的研究很有必要。
技术实现思路
为了克服现有移动机器人在通信约束(丢包、量化等)影响下的路径跟踪控制问题，本专利技术通过将该问题建模为一类具有随机变量和参数不确定的跟踪误差预测空间模型，基于该预测模型给出了二次性能指标中具有随机参数和参数不确定约束的优化问题，同时提供了具有参数依赖的预测控制输入序列以及控制器参数的求解方法。本专利技术解决其技术问题所采用的技术方案是：一种具有通信约束的移动机器人鲁棒预测跟踪控制方法，包括以下步骤：1)建立具有通信约束的移动机器人模型，定义xe和ye为移动机器人位置跟踪误差状态量，αe为方位角跟踪误差状态量，v和ω分别为移动机器人的线速度和角速度，vr和ωr分别为移动机器人的参考线速度和角速度，则移动机器人路径跟踪系统的线性误差模型为：其中，考虑移动机器人与服务器端通信过程中存在数据丢包和信息量化的问题，采用伯努利随机过程来描述数据丢包，设定为数据包传输成功的概率，则θ(k)的期望值为测量输出信息采用对数量化器进行量化，定义如下，其中，δ为量化密度，则量化器q(ξ)的量化等级表示为：且该对数量化器具有以下性质：q(ξ)-ξ＝Δqξ(5)||Δq||≤γ(6)其中，Δq为量化误差；以T为采样周期对式(1)进行离散化，并结合以上丢包和量化模型可知，同时具有丢包和量化的移动机器人跟踪误差系统描述为如下的离散时间模型：x(k)＝Ax(k)+θ(k)B(I+Δq)u(k)(7)其中，2)定义鲁棒预测控制性能指标函数其中，μ和s表示权重参数，P和N分别表示预测时域和控制时域，x(k+i|k)和u(k+i|k)分别表示x(k+i)和u(k+i)在第k步的对应预测值；由式(7)得预测方程为：x(k+1+i|k)＝Ax(k+i|k)+θ(k+i|k)B(I+Δq)u(k+i|k)(9)将该预测方程代入性能指标得：J(k)＝μ||Fx(k)+Θ(k)(G+ΔG)U(k)||2+s||U(k)||2(10)其中，ΔG＝GΔq，Θ(k)＝diag{θ(k)I,θ(k+1)I,…,θ(k+N-1)I}，U(k)＝[uT(k),uT(k+1),…,uT(k+N-1)]T；令y(k)＝ΔGU(k)，g＝γ||G||，则有：||y(k)||＝||ΔGU(k)||≤g||U(k)||(11)令φ(U(k))＝g||U(k)||，从而得到以下性能指标优化问题：其中，E{}表示求数学期望；3)设计鲁棒预测跟踪控制器；针对移动机器人误差跟踪系统，考虑一条预设参考路径，给定数据丢包概率量化密度δ，则通过求解优化问题(12)得系统的最优控制律为：uo(k)＝ΓUo(k)(13)其中，S(λo)＝(s+λog2)Q-1(λo)，Γ＝[I,0,…,0]，拉格朗日参数λ为：其中，S(λ)＝(s+λg2)Q-1(λ)，进一步，所述步骤3)中，控制器的设计步骤如下：3.1：初始化：k＝0时刻，选取参考路径的期望线速度vr和角速度wr，预测性能指标中的μ、s、P和N，初始误差状态量x(0)、数据包接收概率以及量化密度δ，最大迭代次数L和迭代步长3.2：迭代开始：令l＝0，选取λ的初始值λl；3.3：计算：根据λl求Ul(k)，并根据λl和Ul(k)求取C(l)，其中，Ul(k)＝-[(s+λlg2)Q-1(λl)+GTG]-1GTFx(k)，3.4：判断：利用约束线性搜索方法，如果C(l-1)-C(l)＜ε时(ε为足够小的非负数)，则Ul(k)为优化问题(12)的解，跳转至3.6；否则执行3.5；3.5：迭代更新：令如果l＜L，跳转至3.3，否则执行3.6；3.6：反馈：将当前控制量Ul(k)的第一个分量作为控制输入作用于移动机器人；3.7：状态更新：测量移动机器人的更新状态量x(k+1)，令k＝k+1，跳转至3.2。本专利技术的技术构思为：首先，考虑网络丢包和数据量化的影响，将移动机器人路径跟踪问题建模为一类具有随机变量和参数不确定的跟踪误差状态空间预测模型。然后，基于该预测模型给出了二次性能指标中具有随机参数和参数不确定约束的优化问题。最后，采用鲁棒最小二乘调节方法求解预测优化问题，给出了具有参数依赖的预测控制输入序列以及控制器参数的求解步骤。本专利技术的有益效果主要表现在：通过将网络丢包和数据量化问题建模为一类具有随机变量和参数不确定的跟踪误差模型，易于分本文档来自技高网...

【技术保护点】
1.一种具有通信约束的移动机器人鲁棒预测跟踪控制方法，其特征在于：所述方法包括以下步骤1)建立具有通信约束的移动机器人模型，定义xe和ye为移动机器人位置跟踪误差状态量，αe为方位角跟踪误差状态量，v和ω分别为移动机器人的线速度和角速度，vr和ωr分别为移动机器人的参考线速度和角速度，则移动机器人路径跟踪系统的线性误差模型为：

【技术特征摘要】
1.一种具有通信约束的移动机器人鲁棒预测跟踪控制方法，其特征在于：所述方法包括以下步骤1)建立具有通信约束的移动机器人模型，定义xe和ye为移动机器人位置跟踪误差状态量，αe为方位角跟踪误差状态量，v和ω分别为移动机器人的线速度和角速度，vr和ωr分别为移动机器人的参考线速度和角速度，则移动机器人路径跟踪系统的线性误差模型为：其中，考虑移动机器人与服务器端通信过程中存在数据丢包和信息量化的问题，采用伯努利随机过程来描述数据丢包，设定为数据包传输成功的概率，则θ(k)的期望值为测量输出信息采用对数量化器进行量化，定义如下，其中，δ为量化密度，则量化器q(ξ)的量化等级表示为：且该对数量化器具有以下性质：q(ξ)-ξ＝Δqξ(5)||Δq||≤γ(6)其中，Δq为量化误差；以T为采样周期对式(1)进行离散化，并结合以上丢包和量化模型可知，同时具有丢包和量化的移动机器人跟踪误差系统描述为如下的离散时间模型：x(k+1)＝Ax(k)+θ(k)B(I+Δq)u(k)(7)其中，2)定义鲁棒预测控制性能指标函数其中，μ和s表示1维权重参数，P和N分别表示预测时域和控制时域，x(k+i|k)和u(k+i|k)分别表示x(k+i)和u(k+i)在第k步的对应预测值；由式(7)得预测方程为：x(k+1+i|k)＝Ax(k+i|k)+θ(k+i|k)B(I+Δq)u(k+i|k)(9)将该预测方程代入性能指标得：J(k)＝μ||Fx(k)+Θ(k)(G+ΔG)U(k)||2+s||U(k)||2(10)其中，ΔG＝GΔq，Θ(k)＝diag{θ(k)I,θ(k+1)I,…,θ(k+N-1)I}，U(k)＝[uT(k),uT(k+1),…,uT(...

【专利技术属性】
技术研发人员：刘安东，杜召辉，张文安，滕游，俞立，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33