兩輪差速驅(qū)動(dòng)移動(dòng)機(jī)器人的運(yùn)動(dòng)模型與控制研究.pdf

1、隨著計(jì)算機(jī)、控制、人工智能等技術(shù)的日新月異，兩輪差速驅(qū)動(dòng)移動(dòng)機(jī)器人（TWDDMR，Two-wheeled Differentially Driven Mobile Robot）的應(yīng)用越來越廣泛，其智能化程度也越來越高。
　　隨著 TWDDMR應(yīng)用領(lǐng)域的不斷拓展，其將更多地工作在動(dòng)態(tài)、未知非結(jié)構(gòu)化的環(huán)境之下，這對(duì)系統(tǒng)的運(yùn)動(dòng)控制提出了更高的要求。TWDDMR的運(yùn)動(dòng)控制問題一般可分為三大類：路徑跟蹤、軌跡跟蹤、點(diǎn)鎮(zhèn)定。軌跡跟蹤控制是TW

2、DDMR運(yùn)動(dòng)控制的基礎(chǔ)，也是研究熱點(diǎn)，在諸多行業(yè)有著極為重要的應(yīng)用和廣闊的前景。但是，TWDDMR系統(tǒng)是一個(gè)復(fù)雜的多輸入多輸出（MIMO）非線性，也是作為一類典型的非完整系統(tǒng)，具有時(shí)變、強(qiáng)耦合和飽和非線性等動(dòng)力學(xué)特性，且在實(shí)際運(yùn)動(dòng)中，TWDDMR受到負(fù)載變化、摩擦力、道路情況及外界干擾等不確定因素的影響，這些都會(huì)給TWDDMR的軌跡跟蹤控制帶來極大的困難。
　　針對(duì)TWDDMR的軌跡跟蹤控制問題，本文的主要的研究工作如下：

3、　?、偬岢隽艘环N新型兩級(jí)雙層結(jié)構(gòu)（NTSDLS，Novel Two Stage and Double Layer Structure）的TWDDMR軌跡跟蹤控制器。
　　該控制器由運(yùn)動(dòng)學(xué)動(dòng)態(tài)參數(shù)自適應(yīng)級(jí)和動(dòng)力學(xué)解耦控制級(jí)兩級(jí)結(jié)構(gòu)級(jí)聯(lián)構(gòu)成，而且每一級(jí)結(jié)構(gòu)又分別由兩層結(jié)構(gòu)組成。
　　1）運(yùn)動(dòng)學(xué)動(dòng)態(tài)參數(shù)自適應(yīng)級(jí)
　　針對(duì) TWDDMR實(shí)時(shí)運(yùn)動(dòng)控制過程中存在負(fù)載變化、外界強(qiáng)干擾等不確定因素及系統(tǒng)的時(shí)變特性，提出了基于改進(jìn)型RB

4、F神經(jīng)網(wǎng)絡(luò)的Back-stepping控制參數(shù)自整定的運(yùn)動(dòng)學(xué)控制器，其作為整個(gè)NTSDLS軌跡跟蹤控制器的外環(huán)，起著主導(dǎo)作用，主要用于實(shí)現(xiàn)高精度跟蹤。運(yùn)動(dòng)學(xué)動(dòng)態(tài)參數(shù)自適應(yīng)級(jí)是由RBF神經(jīng)網(wǎng)絡(luò)層和Back-stepping控制器兩層結(jié)構(gòu)組成。具體就是先利用積分Back-stepping方法設(shè)計(jì)了運(yùn)動(dòng)學(xué)控制器，再并利用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)控制增益進(jìn)行了自整定，克服負(fù)載變化以及外界強(qiáng)干擾等不確定因素的影響，達(dá)到優(yōu)化控制器的控制效果。

5、　　2）動(dòng)力學(xué)解耦控制級(jí)
　　針對(duì)TWDDMR的多變量、MIMO及強(qiáng)耦合等動(dòng)力學(xué)特征，提出了基于改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID動(dòng)力學(xué)解耦控制器，其作為整個(gè)NTSDLS軌跡跟蹤控制器的內(nèi)環(huán)，用于克服 TWDDMR系統(tǒng)的非線性、強(qiáng)耦合等動(dòng)力學(xué)特征對(duì)系統(tǒng)產(chǎn)生的負(fù)面影響。動(dòng)力學(xué)解耦控制級(jí)是由RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器和PID控制器兩層結(jié)構(gòu)組成。具體就是首先利用 SR-UKF算法，從觀測(cè)的角度出發(fā)，設(shè)計(jì) SR-UKF狀態(tài)在線觀測(cè)器，對(duì) TWD

6、DMR系統(tǒng)狀態(tài)量以及某些無法直接測(cè)量的狀態(tài)量進(jìn)行在線估計(jì)，再通過輸出方程為RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器提供TWDDMR系統(tǒng)的輸出數(shù)據(jù)。然后運(yùn)用本文改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器，在線辨識(shí)TWDDMR系統(tǒng)的非線性時(shí)變信息，自動(dòng)調(diào)整PID控制器各項(xiàng)參數(shù)，從而獲取系統(tǒng)相應(yīng)各變量的控制量，消除變量之間的耦合作用，最終實(shí)現(xiàn)對(duì)TWDDMR系統(tǒng)的智能化解耦控制。
　　3）闡述了該控制器系統(tǒng)的控制結(jié)構(gòu)和原理，并用 Lyapunov穩(wěn)定性分析判據(jù)理論對(duì)本文提出

7、的控制器進(jìn)行了穩(wěn)定性分析說明。
　?、诮WDDMR類等效耦合運(yùn)動(dòng)模型并對(duì)其進(jìn)行優(yōu)化，提出基于SR-UKF算法的TWDDM模型的狀態(tài)-參數(shù)在線聯(lián)合估計(jì)方法。
　　針對(duì)建立的 TWDDMR的類等效耦合運(yùn)動(dòng)模型，進(jìn)行了補(bǔ)充和優(yōu)化，對(duì)于最初建立的沒有考慮各驅(qū)動(dòng)電機(jī)系統(tǒng)處于非線性飽和下限工作區(qū)的情況進(jìn)行補(bǔ)充和推導(dǎo)，建立了更為完善、更加貼近實(shí)際系統(tǒng)的TWDDMR類等效耦合運(yùn)動(dòng)模型。
　　針對(duì)以往的最小二乘法、遺傳算法等辨識(shí)方法

8、，需要獲得非常充足的測(cè)量數(shù)據(jù)才能離線辨識(shí)出相應(yīng)的模型狀態(tài)參數(shù)，導(dǎo)致整個(gè)辨識(shí)周期時(shí)間長(zhǎng)，工作量大，本文采用SR-UKF方法對(duì)TWDDMR的類等效耦合運(yùn)動(dòng)模型的狀態(tài)參數(shù)進(jìn)行在線辨識(shí)，實(shí)時(shí)估計(jì)未知（時(shí)變）參數(shù)，完善系統(tǒng)當(dāng)前的模型信息，使數(shù)學(xué)模型能夠更準(zhǔn)確地反映系統(tǒng)的實(shí)際情況。SR-UKF方法通過QR分解、Cholesky因子更新和高效最小二乘法三種代數(shù)技術(shù)降低了計(jì)算復(fù)雜度，滿足快速性要求。
　　③搭建了基于 TWDDMR類等效耦合運(yùn)動(dòng)模