【技术实现步骤摘要】
本专利技术涉及智能机器人，尤其涉及一种机器人横向稳定协同转向控制方法、装置、终端及介质。
技术介绍
1、随着我国人工智能、通信技术和计算机技术的发展与应用，智能机器人迎来了新的发展机遇。特别是以协同转向控制为代表的移动智能机器人应用技术成为了行业关注的焦点和热点。在当前科技水平下，单一的主动转向驾驶并不是解决移动机器人稳定转向道路交通事故问题的最佳方法。因此，协同转向的理念被提出，这种理念强调了移动智能机器人主动转向和辅助转向的协同合作，同时也为移动智能机器人应用技术的发展提供了新的思路和方向。
2、由于机器人在行进过程中固有系统是非线性的，其纵向速度的变化和轮胎侧偏刚度的不确定性对机器人在各种工况下的横向稳定性有很大的影响，同时，转向行为的不确定性以及在实际运行过程中可能遇到的执行器故障情况也会对机器人的性能造成影响。
3、综上所述，急需专利技术一种包含精确建模方法和将容错控制集成到协同转向控制器中的智能机器人机器人横向稳定协同转向控制方法。
技术实现思路
1、本专利技术提供一种智能机器人机器人横向稳定协同转向控制方法、装置、终端及介质，针对系统不确定性参数和执行器故障对智能机器人系统的影响，设计了协同转向控制器，将容错控制集成到协同转向控制器中，解决了由于系统不确定性参数和执行器故障造成的系统横向稳定性控制效果不佳的问题。
2、为了实现上述目的，第一方面，本专利技术实施例提供了一种机器人横向稳定协同转向控制方法，包括：
3、基于智
4、根据所述智能机器人在移动过程中的路径跟踪性能和横向稳定性，通过闭环系统的状态反馈，设定所述全局协同转向系统模型的控制目标；
5、根据所述全局协同转向系统模型、载荷分布和路况情况，基于不确定轮胎侧偏刚度，采用神经网络和模糊建模方法建立所述智能机器人的执行器故障的横向稳定协同转向动力学模型；
6、通过所述闭环系统的状态反馈建立所述横向稳定协同转向动力学模型的稳定性和干扰抑制性能的约束条件；基于所述横向稳定协同转向动力学模型的稳定性和干扰抑制性能，建立全局协同转向系统稳定的矩阵不等式；
7、基于全局协同转向系统稳定的矩阵不等式，对控制器进行线性优化并求取状态反馈控制增益，得到智能机器人全局协同转向控制器，以控所述制智能机器人横向稳定协同转向。
8、作为上述方案的改进，所述横向动力学模型为：
9、
10、
11、式中，m表示所述智能机器人的质量，vx和vy分别表示横纵向速度，iz表示转动惯量，γ表示偏航率，lf和lr分别表示质心到轮胎前后轴的距离，fyf和fyr分别表前后轮胎的侧向力；
12、所述路径跟踪模型为：
13、
14、
15、式中，ψ为航向角误差，e为横向误差，ρ为道路的曲率；
16、所述全局协同转向系统模型为：
17、
18、式中，s为拉普拉斯算子，gd、τp和τd分别代表转向行为特征参数的转向增益、预瞄时间和反应时滞。
19、作为上述方案的改进，所述根据所述全局协同转向系统模型、载荷分布和路况情况，基于不确定轮胎侧偏刚度，采用神经网络和模糊建模方法建立所述智能机器人的执行器故障的横向稳定协同转向动力学模型，具体包括：
20、对所述智能机器人的执行器故障数据进行数据的归一化、数据相关性分析和采样以及数据的小波去噪处理，得到训练数据集；所述执行器故障数据为所述智能机器人在直线行驶、弯道行驶、环形行驶、s形行驶和紧急避障行驶的工况下采集的数据；
21、建立全连接神经网络模型的网络结构、激活函数和损失函数，通过所述训练数据集对所述全连接神经网络模型进行训练，以获取所述全连接神经网络模型的各个神经元的权重值和偏置值，得到训练后的全连接神经网络模型；
22、基于所述训练后的全连接神经网络模型，训练和验证所述全局协同转向系统模型；
23、根据载荷分布和路况情况，基于不确定轮胎侧偏刚度，采用t-s模糊建模方法对轮胎动力学进行建模，得到横向稳定协同转向动力学模型。
24、作为上述方案的改进，所述数据的归一化处理为将数据映射为0-1之间的小数，所述归一化的计算公式为：
25、
26、式中，x’为变量x的原始值通过标准化函数映射之后的数值，xmax和xmin表示变量x中的最大值和最小值；
27、所述数据的小波去噪处理的计算公式为：
28、
29、式中，f(t)是输入信号，h、g是高、低通滤波器分解系数，t表示离散序列的时刻，j为分解层数，aj表示信号第j层的近似分量系数，dj表示所述信号第j层的细节分量系数。
30、作为上述方案的改进，所述全连接神经网络模型的损失函数为：
31、
32、式中，l为所述全连接神经网络模型的损失函数的损失函数，yi为所述全连接神经网络模型的第i个真实值，为所述全连接神经网络模型的第i个网络输出值，n为所述全连接神经网络模型的真实值个数；
33、所述神经元的计算公式为：
34、
35、式中，y为所述神经元的输出，xi为神经元i的输入，i表示输入变量的编号，wi为所述神经元i的权重值，bi为所述神经元i的偏置值，σ为激活函数；
36、所述全连接神经网络模型的输出向量为：
37、
38、式中，yl为第l次所述全连接神经网络模型的输出向量，x为输入向量，l表示当前为向量的编号，σl为所述第l次激活函数，为权重矩阵wl中第r行和第c列的权重值，c、r分别表示所述权重矩阵的列数和行数，xc为神经元c的输入向量，为所述第l次神经元c的偏置值，bl为所述第l次所述全连接神经网络模型的偏置值向量；
39、所述神经元的权重值和偏置值的计算公式为：
40、
41、
42、式中，α为学习率，w为权重值，b为偏置值。
43、作为上述方案的改进，所述不确定轮胎侧偏刚度用于描述轮胎非线性动力学的表达式为：
44、ci＝ci0+nciδci，
45、式中，i＝f,r分别表示前轮和后轮。ci0和δci分别代表着轮胎侧偏刚度的标称值和不确定值；nci为不确定系数，需满足|nci|<1；
46、所述全局协同转向系统模型的不确定参数的表达式为：
47、
48、
49、
50、
51、nχ≤1,χ∈{τd,gd,τp}，
52、式中，τd0为初始反应时滞，τp0为初始预瞄时间，δτd为所求反应时滞的变化率，gd0为初始转向增益，δ本文档来自技高网...
【技术保护点】
1.一种机器人横向稳定协同转向控制方法，其特征在于，包括：
2.如权利要求1所述的机器人横向稳定协同转向控制方法，其特征在于，所述横向动力学模型为：
3.如权利要求1所述的机器人横向稳定协同转向控制方法，其特征在于，所述根据所述全局协同转向系统模型、载荷分布和路况情况，基于不确定轮胎侧偏刚度，采用神经网络和模糊建模方法建立所述智能机器人的执行器故障的横向稳定协同转向动力学模型，具体包括：
4.如权利要求3所述的机器人横向稳定协同转向控制方法，其特征在于，所述数据的归一化处理为将数据映射为0-1之间的小数，所述归一化的计算公式为：
5.如权利要求3所述的机器人横向稳定协同转向控制方法，其特征在于，所述全连接神经网络模型的损失函数为：
6.如权利要求3所述的机器人横向稳定协同转向控制方法，其特征在于，所述不确定轮胎侧偏刚度用于描述轮胎非线性动力学的表达式为：
7.如权利要求1所述的机器人横向稳定协同转向控制方法，其特征在于，所述闭环系统的状态反馈的计算公式为：
8.一种机器人横向稳定协同转向控制装置，
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的机器人横向稳定协同转向控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-7中任意一项所述的机器人横向稳定协同转向控制方法。
...【技术特征摘要】
1.一种机器人横向稳定协同转向控制方法，其特征在于，包括：
2.如权利要求1所述的机器人横向稳定协同转向控制方法，其特征在于，所述横向动力学模型为：
3.如权利要求1所述的机器人横向稳定协同转向控制方法，其特征在于，所述根据所述全局协同转向系统模型、载荷分布和路况情况，基于不确定轮胎侧偏刚度，采用神经网络和模糊建模方法建立所述智能机器人的执行器故障的横向稳定协同转向动力学模型，具体包括：
4.如权利要求3所述的机器人横向稳定协同转向控制方法，其特征在于，所述数据的归一化处理为将数据映射为0-1之间的小数，所述归一化的计算公式为：
5.如权利要求3所述的机器人横向稳定协同转向控制方法，其特征在于，所述全连接神经网络模型的损失函数为：
6.如权利要求3所述的机器人横向...
【专利技术属性】
技术研发人员：李雪晖，李强，贺小辉，吕奇芹，李斌，彭子峰，李春明，王洪波，
申请(专利权)人：广东省机场管理集团有限公司工程建设指挥部，
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。