System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于轨迹跟踪,更具体地,本专利技术涉及一种机器人队列的轨迹跟踪方法。
技术介绍
1、随着机器人技术的飞速发展和日渐成熟,机器人被广泛应用在各领域中,其协同控制轨迹跟踪技术也越发重要。
2、现主要的技术有领航者跟随法及分布式控制方法,领航者算法,也被称为leader-follower算法,是一种广泛应用于多智能体系统的编队控制方法,编队中的其他机器人通过跟踪领航机器人实现队列的保持及任务的完成。
3、领航者跟随法对领航者的过度依赖问题。这意味着,一旦系统中的领航者发生错误行为,会直接导致跟随智能体行为的混乱,进而可能让整个系统陷入崩溃状态;此外,当系统规模过大时,大量的信息处理可能会加重领航者的负担,影响系统运行效率,甚至可能导致系统崩溃。
技术实现思路
1、本专利技术提供一种机器人队列的轨迹跟踪方法,旨在改善上述问题。
2、本专利技术是这样实现的,一种机器人队列的轨迹跟踪方法,所述方法具体如下:
3、(1)周期性的采集机器人队列中各机器人当前时刻k的状态量χ(k)和控制量u(k),基于当前时刻k的状态量χ(k)及控制量的增量δu(k)获取当前时刻的输出矩阵y(k),y(k)由机器人队列中各机器人当前时刻的状态量与参考点的状态量偏差组成;
4、(2)将当前时刻的输出矩阵y(k)构建目标函数,输出目标函数最小的控制量增量矩阵δu(k),δu(k)由机器人队列中所有机器人当前时刻k的控制量增量组成;
5、(
6、进一步的,参考点的获取方法具体如下:
7、对机器人队列中各机器人的期望轨迹采样参考点,将距机器人队列中各机器人当前位姿最近的参考点作为当前时刻的参考点。
8、进一步的,输出矩阵y(k)的计算公式具体如下:
9、y(k)=ψξ(k)+θδu(k)
10、其中,表示当前时刻k机器人队列中第n个机器人的状态量χ(k)与参考状态量χr(k)的误差,表示时刻k-1机器人队列中第n个机器人的控制量u(k-1)与参考控制量ur(k-1)的误差,θ表示预测时域内的控制增量矩阵,ψ表示预测时域内的状态系数矩阵。
11、进一步的,表示预测时域内的控制增量矩阵θ具体如下:
12、
13、其中,nc表示控制时域,np表示预测时域,np≥nc,a2、b2分别表示a1、b1的增广矩阵,c取值为系数矩阵。
14、进一步的,预测时域内的状态系数矩阵ψ具体如下:
15、
16、其中,a2分别表示a1的增广矩阵,c取值为系数矩阵。
17、进一步的,目标函数具体如下:
18、min j=(y(k)-yr(k))tq(y(k)-yr(k))+δu(k)trδu(k)+ρε2
19、其中,y(k)为当前时刻k机器人队列中各个机器人的状态输出矩阵,yr=[0,0,…,0,…0]t,为参考状态矩阵,δu(k)为机器人队列中各个机器人当前时刻k输出的控制量增量矩阵,q、r分别为状态偏移量和控制增量的权重矩阵,ε为松弛因子,ρ为松弛因子的权重系数。
20、进一步的,若机器人队列中的移动机器人为阿克曼结构,状态量为(x,y)为车辆的后轴中心坐标,为车体的横摆角,控制量为v为车体的瞬时线速度,δ为转向轮瞬时转向角度。
21、进一步的,若机器人队列中的移动机器人为差速轮的运动学模型,控制量为v、w为车辆的线速度、角速度,状态量为d为车体位姿与追踪直线的横向偏差,θ为角度偏差。
22、进一步的,若机器人队列中的移动机器人为全向控制的运动学模型,控制量为vx、vy分别为车体瞬时线速度沿世界坐标系的x方向和y方向产生的瞬时分速度,ω为车体瞬时角速度,状态量为为车体在世界坐标系下的瞬时位姿。
23、本专利技术提供的机器人队列的估计跟踪方法不依赖机器人的精确模型和领航机器人,降低了因为领航机器人出现故障则整个系统将会崩溃的成本,运用mpc算法去完成协同控制,每个移动机器人都是独立的,不会因为其中一个发生错误行为而影响到整个系统,且mpc算法适用于各种复杂的应用场景,能很好地处理系统参数不确定性和外部干扰,从而提高了系统的稳定性和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种机器人队列的轨迹跟踪方法,其特征在于,所述方法具体如下:
2.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,参考点的获取方法具体如下:
3.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,输出矩阵Y(k)的计算公式具体如下:
4.如权利要求3所述机器人队列的轨迹跟踪方法,其特征在于,表示预测时域内的控制增量矩阵θ具体如下:
5.如权利要求3所述机器人队列的轨迹跟踪方法,其特征在于,预测时域内的状态系数矩阵ψ具体如下:
6.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,目标函数具体如下:
7.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,若机器人队列中的移动机器人为阿克曼结构,状态量为(x,y)为车辆的后轴中心坐标,为车体的横摆角,控制量为v为车体的瞬时线速度,δ为转向轮瞬时转向角度。
8.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,若机器人队列中的移动机器人为差速轮的运动学模型,控制量为v、w为车辆的线速度、角速度,状态量为d为车体位姿与追踪直线的横
9.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,若机器人队列中的移动机器人为全向控制的运动学模型,控制量为vx、vy分别为车体瞬时线速度沿世界坐标系的x方向和y方向产生的瞬时分速度,ω为车体瞬时角速度,状态量为为车体在世界坐标系下的瞬时位姿。
...【技术特征摘要】
1.一种机器人队列的轨迹跟踪方法,其特征在于,所述方法具体如下:
2.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,参考点的获取方法具体如下:
3.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,输出矩阵y(k)的计算公式具体如下:
4.如权利要求3所述机器人队列的轨迹跟踪方法,其特征在于,表示预测时域内的控制增量矩阵θ具体如下:
5.如权利要求3所述机器人队列的轨迹跟踪方法,其特征在于,预测时域内的状态系数矩阵ψ具体如下:
6.如权利要求1所述机器人队列的轨迹跟踪方法,其特征在于,目标函数具体如下:
7.如权利要求1所述机器人队列的轨迹跟踪方法,其...
【专利技术属性】
技术研发人员:刘欣珂,郑亮,方明星,赵立军,陈双,曹雏清,孙龙龙,
申请(专利权)人:安徽师范大学,
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。