机器人自适应转向单神经元PID控制方法技术

本发明专利技术公开了一种机器人自适应转向单神经元PID控制方法，首先建立机器人转向系统的转向模型，然后构建RBF神经网络，最后构建PID控制系统。本发明专利技术针对机器人转向系统的机械结构及数学模型的特点，设计了基于RBF在线辨识的机器人转向单神经元PID控制，将RBF神经网络与单神经元PID控制相结合应用于非线性的机器人转向系统，既充分利用了RBF神经网络最佳逼近性能的特点和单神经元适应性强的优点，也克服了PID控制中学习算法的不足。

【技术实现步骤摘要】

本专利技术涉及机器人控制方法领域，具体是一种机器人自适应转向单神经元PID控制方法。
技术介绍
物联网是“万物沟通”的、具有全面感知、可靠传送、智能处理特征的连接物理世界的网络，实现了任何时间、任何地点及任何物体的连结。但是，针对农田环境物联网监测区域中布置的传感器节点，会出现能量耗尽、数据处理能力弱和节点故障所引起的局部网络瘫痪问题，移动机器人可以作为一个移动传感节点，替代故障节点，解决局部网络瘫痪的问题。由于农田环境复杂，遍布沟、渠和作物；地面松软，易使机器人滑移沉陷，需要机器人躲避，这就对机器人的运动控制提出了更高的要求。自动转向控制技术是机器人实现自动导航控制的基础,也是研究机器人的核心问题之一。差速转向是机器人常用的转向方法，机器人的控制器大都采用PID控制器或最优控制器,常规的PID控制器为单偏差控制器,很难适应机器人这个复杂的转向系统,最优控制一般都把被控对象简化为线性时不变系统,这将降低机器人的稳定性。有些学者提出具有良好跟踪性和鲁棒性的变结构控制，但是存在需要通过实验确定加速度达到律中的参数和有待实验验证其可靠性的问题。
技术实现思路
本专利技术的目的是提供一种机器人自适应转向单神经元PID控制方法，以实现对机器人的自动转向控制。为了达到上述目的，本专利技术所采用的技术方案为：机器人自适应转向单神经元PID控制方法，所述机器人作为移动传感节点，机器人的前两轮为转向轮，后两轮为驱动轮，其特征在于：包括以下步骤：(1)、建立机器人转向系统的转向模型：构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机作为转向器的转向系统，该转向系统包括同轴连接两转向轮的轮轴，轮轴上铰接有一对梯形臂，两梯形臂上端之间铰接有转向横拉杆，步进电机为两相混合步进电机，步 进电机与一个转向摇臂传动连接，转向摇臂臂端与一个转向直拉杆铰接，转向直拉杆杆端与一个转向节臂铰接，转向节臂臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向控制器发出转向信号时，步进电机通过花键带动转向摇臂旋转，转向摇臂带动转向直拉杆作竖直方向的平动，再带动转向节臂做转动，转向节臂带动梯形臂和左轮转动，同时梯形臂带转动向横拉杆作横行平移，从而带动右侧的转向节臂转动，实现右轮的转向；由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式(1)所示：G(S)＝θ'/θi (1)，公式(1)中，θ'是步进电机的输出角度，θi代表步进电机的输入角度，经过微分方程推导得转子的运动方程如公式(2)所示：公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg.m；f是电机或变速机构折合到电机轴上的粘性摩擦系数，单位是kg.m.s/rad；是摩擦转矩；λ是极距角；φm是永磁体交链磁通；P是转子齿数；在零初始条件下，当iA＝iB＝i0，对公式(2)进行拉普拉斯变换，可推导出相应的转向系统传递函数模型如公式(3)所示：公式(3)中，I0是额定相电流；是无阻尼固有频率；ξ＝f/(2Jωnp)是衰减系数；(2)、构建RBF神经网络：RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐含层权值固定为1，负责信号的传递,隐含层由一组高斯基函数神经元构成，隐含层到输出层之间权值可调，而输出层的激励函数为线性函数,因此输出层是隐含层输 出的线性组合；RBF的隐单元按公式(4)输出：公式(4)中，是输入矢量；hi(xk)是第i个隐单元的输出；ci＝[ci1,ci2,...cim]是第i个隐单元高斯函数的中心矢量；b＝[b1,b2,...,bm]是基宽向量；W＝[w1,w2,...,wm]是隐含层到输出层的权向量；||xk-ci||表示向量xk和ci之间的距离，随着该向量距离的增大hi(xk)的值迅速减小,因此对每一个输入xk,只有中心靠近xk的少数几个隐含层神经元处于激活状态；根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的输出如公式(5)所示:(3)、构建PID控制系统：基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部分构成，利用神经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信息的变化，对被控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的参数，达到PID控制器参数的在线自整定，包括以下步骤：(3.1)、设计RBF神经网络辨识器RBFNNI：取x＝[u(k),u(k-1),y(k-1)]为RBFNNI的输入向量，其中，u(k),y(k)分别为转向系统的控制值和反馈值，逼近误差em＝y(k)-ym(k)，性能指标函数选取为：根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中学习速率η和动量因子α按照公式(8)实现实时更新：RBFNNI通过对转向系统的在线辨识获取Jacobian辨识信息送往SNPID,以调整单神经元控制器的参数，Jacobian矩阵为，(3.2)、设计单神经元PID控制器SNPID：SNPID是将PID控制规律融入神经网络之中的新型控制器，隐含层中含有比例P、积分I、微分D三个单元，该控制器利用RBFNNI提供的Jacobian信息，在线调整PID控制器中kp,ki,kd三个参数，实现PID控制器参数的在线自整定；该控制器实质上为一变系数的比例、积分、微分控制器，学习算法是自适应的，所以本质上是非线性的；自适应性是通过单神经元加权系数wi(k)的调整实现，控制和学习算法如下：设系统输入指令为rin(k)，实际输出为y(k)，系统的控制误差为e(k)＝rin(k)-y(k)。单神经元的输入为：离散控制为：公式(11)中，K>0为单神经元的比例系数；wi(k)为单神经元网络的权系数，性能指标函数取为：Jc＝0.5[rin(k)-y(k)]2＝0.5e2(k) (12)，加权系数的调整量为：由于所以被控对象的Jacobian信息可以由取代，由此可得调整后的加权系数如公式(14)所示：ηp,ηi,ηd,分别为比例、积分、微分的学习速率，对不同的权系数分别进行调整。本专利技术提出利用具有最佳逼近性能的RBF神经网络对转向系统进行在线辨识，快速跟踪其信息的变化，在此基础上,单神经元PID控制器SNID(single neuron PID controller)利用BFNNI(RBF neural network identifier)辨识器提供的辨识信息,实时调整PID控制器参数，结合专门的转向机械机构来实施机器人的自动转向，能够达到良好的自动转向控制效果。本专利技术针对机器人转向系统的机械结构及数学模型的特点，设计了基于RBF在线辨识的机器人转向单神经元PID控制，将RBF神经网络与单神经元PID控制相结合应用于非线性的机器人转向系统，既充分利用了RBF神经网络最佳逼近性能的特点和单神经元适应性强的优点，也克服了PID控制中学习算法的不足。仿真及实验结果表明该控制器具有鲁棒性好，精度高的优点，具有重要的实用价值。附图说明图1为转向系统结构原理示意图。图2为RBF神经网络结构图。图3为基于RBF在线辨识的单神经元PID控制框图。图4为偏差e的曲线图。图5为偏差de的变化曲线图。图6为kp,ki,本文档来自技高网...

【技术保护点】
机器人自适应转向单神经元PID控制方法，所述机器人作为移动传感节点，机器人的前两轮为转向轮，后两轮为驱动轮，其特征在于：包括以下步骤：(1)、建立机器人转向系统的转向模型：构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机作为转向器的转向系统，该转向系统包括同轴连接两转向轮的轮轴，轮轴上铰接有一对梯形臂，两梯形臂上端之间铰接有转向横拉杆，步进电机为两相混合步进电机，步进电机与一个转向摇臂传动连接，转向摇臂臂端与一个转向直拉杆铰接，转向直拉杆杆端与一个转向节臂铰接，转向节臂臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向控制器发出转向信号时，步进电机通过花键带动转向摇臂旋转，转向摇臂带动转向直拉杆作竖直方向的平动，再带动转向节臂做转动，转向节臂带动梯形臂和左轮转动，同时梯形臂带转动向横拉杆作横行平移，从而带动右侧的转向节臂转动，实现右轮的转向；由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式(1)所示：G(S)＝θ'/θi              (1)，公式(1)中，θ'是步进电机的输出角度，θi代表步进电机的输入角度，经过微分方程推导得转子的运动方程如公式(2)所示：Jd2θdt2+fdθdt+pφmiAsin(pθ)+pφmiBsin[p(θ-λ)]=0---(2),]]>公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg.m；f是电机或变速机构折合到电机轴上的粘性摩擦系数，单位是kg.m.s/rad；是摩擦转矩；λ是极距角；φm是永磁体交链磁通；P是转子齿数；在零初始条件下，当iA＝iB＝i0，对公式(2)进行拉普拉斯变换，可推导出相应的转向系统传递函数模型如公式(3)所示：G(S)=θ′θi=2p2φmI0Js2+fs+2p2φmI0=ωnp2s2+2ξωnps+ωnp2---(3),]]>公式(3)中，I0是额定相电流；是无阻尼固有频率；ξ＝f/(2Jωnp)是衰减系数；(2)、构建RBF神经网络：RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐含层权值固定为1，负责信号的传递,隐含层由一组高斯基函数神经元构成，隐含层到输出层之间权值可调，而输出层的激励函数为线性函数,因此输出层是隐含层输出的线性组合；RBF的隐单元按公式(4)输出：hi(xk)=exp(-||xk-ci||2b2),i=1,2,...,n---(4),]]>公式(4)中，是输入矢量；hi(xk)是第i个隐单元的输出；ci＝[ci1,ci2,...cim]是第i个隐单元高斯函数的中心矢量；b＝[b1,b2,...,bm]是基宽向量；W＝[w1,w2,...,wm]是隐含层到输出层的权向量；||xk‑ci||表示向量xk和ci之间的距离，随着该向量距离的增大hi(xk)的值迅速减小,因此对每一个输入xk,只有中心靠近xk的少数几个隐含层神经元处于激活状态；根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的输出如公式(5)所示:ym(k)=w1h1+w2h2+...+wmhm=Σi=1mwihi---(5);]]>(3)、构建PID控制系统：基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部分构成，利用神经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信息的变化，对被控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的参数，达到PID控制器参数的在线自整定，包括以下步骤：(3.1)、设计RBF神经网络辨识器RBFNNI：取x＝[u(k),u(k‑1),y(k‑1)]为RBFNNI的输入向量，其中，u(k),y(k)分别为转向系统的控制值和反馈值，逼近误差em＝y(k)‑ym(k)，性能指标函数选取为：Jm=0.5*Σk=1nλn-kem2(k)---(7),]]>根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中学习速率η和动量因子α按照公式(8)实现实时更新：η=1.2η0,Jm(k)≤Jm(k-1)0.7η0,Jm(k)>Jm(k-1)α=2α0,abs(Jm(k))≤ϵα0,abs(Jm(k))>ϵ---(8),]]>RBFNNI通过对转向系统的在线辨识获取Jacobian辨识信息送往SNPID,以调整单神经元控制器的参数，Jacobi...

【技术特征摘要】
1.机器人自适应转向单神经元PID控制方法，所述机器人作为移动传感节点，机器人的前两轮为转向轮，后两轮为驱动轮，其特征在于：包括以下步骤：(1)、建立机器人转向系统的转向模型：构建电机转角与转向轮转角的比例系数为1、两相混合式步进电机作为转向器的转向系统，该转向系统包括同轴连接两转向轮的轮轴，轮轴上铰接有一对梯形臂，两梯形臂上端之间铰接有转向横拉杆，步进电机为两相混合步进电机，步进电机与一个转向摇臂传动连接，转向摇臂臂端与一个转向直拉杆铰接，转向直拉杆杆端与一个转向节臂铰接，转向节臂臂端铰接在其中一个梯形臂与轮轴的铰接点；当外部转向控制器发出转向信号时，步进电机通过花键带动转向摇臂旋转，转向摇臂带动转向直拉杆作竖直方向的平动，再带动转向节臂做转动，转向节臂带动梯形臂和左轮转动，同时梯形臂带转动向横拉杆作横行平移，从而带动右侧的转向节臂转动，实现右轮的转向；由于转向系统中转向器选用的是两相混合式步进电机，其传递函数如公式(1)所示：G(S)＝θ'/θi (1)，公式(1)中，θ'是步进电机的输出角度，θi代表步进电机的输入角度，经过微分方程推导得转子的运动方程如公式(2)所示： J d 2 θ dt 2 + f d θ d t + pφ m i A s i n ( p θ ) + pφ m i B s i n [ p ( θ - λ ) ] = 0 - - - ( 2 ) , ]]>公式(2)中，J是电机或变速机构折合到电机轴上的转动惯量，单位是kg.m；f是电机或变速机构折合到电机轴上的粘性摩擦系数，单位是kg.m.s/rad；是摩擦转矩；λ是极距角；φm是永磁体交链磁通；P是转子齿数；在零初始条件下，当iA＝iB＝i0，对公式(2)进行拉普拉斯变换，可推导出相应的转向系统传递函数模型如公式(3)所示： G ( S ) = θ ′ θ i = 2 p 2 φ m I 0 Js 2 + f s + 2 p 2 φ m I 0 = ω n p 2 s 2 + 2 ξω n p s + ω n p 2 - - - ( 3 ) , ]]>公式(3)中，I0是额定相电流；是无阻尼固有频率；ξ＝f/(2Jωnp)是衰减系数；(2)、构建RBF神经网络：RBF神经元网络由输入层、隐含层、输出层三层网络构成，输入层到隐含层权值固定为1，负责信号的传递,隐含层由一组高斯基函数神经元构成，隐含层到输出层之间权值可调，而输出层的激励函数为线性函数,因此输出层是隐含层输出的线性组合；RBF的隐单元按公式(4)输出： h i ( x k ) = exp ( - | | x k - c i | | 2 b 2 ) , i = 1 , 2 , ... , n - - - ( 4 ) , ]]>公式(4)中，是输入矢量；hi(xk)是第i个隐单元的输出；ci＝[ci1,ci2,...cim]是第i个隐单元高斯函数的中心矢量；b＝[b1,b2,...,bm]是基宽向量；W＝[w1,w2,...,wm]是隐含层到输出层的权向量；||xk-ci||表示向量xk和ci之间的距离，随着该向量距离的增大hi(xk)的值迅速减小,因此对每一个输入xk,只有中心靠近xk的少数几个隐含层神经元处于激活状态；根据函数逼近原理，RBF网络的输出为隐层节点输出的线性组合，RBF神经网络的输出如公式(5)所示: y m ( k ) = w 1 h 1 + w 2 h 2 + ... + w m h m = Σ i = 1 m w i h i - - - ( 5 ) ; ]]>(3)、构建PID控制系统：基于RBF在线辨识的单神经元PID控制系统主要由SNPID和RBFNNI两部分构成，利用神经网络的非线性函数逼近能力和学习记忆功能，由RBFNNI快速跟踪转向信息的变化，对被控对象信息进行辨识，SNPID利用RBFNNI提供的信息，实时调整PID控制器的参数，达到PID控制器参数的在线自整定，包括以下步骤：(3.1)、设计RBF神经网络辨识器RBFNNI：取x＝[u(k),u(k-1),y(k-1)]为RBFNNI的输入向量，其中，u(k),y(k)分别为转向系统的控制值和反馈值，逼近误差em＝y(k)-ym(k)，性能指标函数选取为： J m = 0.5 * Σ k = 1 n λ n - k e m 2 ( k ) - - - ( 7 ) , ]]>根据梯度下降的思想，采用迭代算法确定权节点、节点中心及节点基宽参数，其中学习速率η和动量因子α按照公式(8)实现实时更新： η = 1.2 η 0 , J m ( k ) ≤ J m ( k - 1 ) 0.7 η 0 , J m ( k ) > J m ( k - 1 ) α = 2 α 0 , a b s ( J m ( k ) ) ≤ ϵ α 0 , ...

【专利技术属性】
技术研发人员：朱诚，焦俊，辜丽川，吴国栋，乔焰，王超，王永梅，许正荣，范国华，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽;34