[发明专利]一种移动机器人变批次长度迭代学习优化控制方法

说明书

本发明公开了一种移动机器人变批次长度迭代学习优化控制方法，涉及移动机器人优化控制领域；该方法基于提升技术将重复运行的移动机器人系统转换为时间序列的输入输出矩阵模型，并通过随机变量将变批次长度问题建立为批次长度随机变化模型；针对系统出现的批次长度变化情况，采用优化的思想设计迭代学习优化控制算法，并基于性能指标函数得到批次长度变化下迭代学习优化控制算法的前馈形式；基于逐次投影框架，证明了存在及不存在输入约束时所设计的迭代学习优化控制算法在数学期望意义下的收敛性。该方法解决了变批次长度下移动机器人系统的跟踪控制问题，同时考虑输入受约束的情况，从而实现对期望轨迹的高精度跟踪。

技术领域

本发明涉及移动机器人优化控制领域，尤其是一种移动机器人变批次长度迭代学习优化控制方法。

背景技术

移动机器人可通过移动来完成一些繁重、危险、重复的任务，如地雷探测、海底探测、无人驾驶等，在工业、医疗、国防等很多领域都有实用价值。移动机器人有很多种，最常见的是在地面上依靠轮子移动的机器人。

移动机器人在执行重复过程任务时，受限于某些输出约束或在运行轨迹上出现障碍，不同批次的持续时长可能是变化的。比如移动机器人的位姿角被约束在一定输出范围内运行时，当移动机器人转动角度超出该限制范围，移动机器人将中断运行；又或者在某一批次中运行轨迹中出现障碍，使得移动机器人受迫停下，这些都会导致出现批次长度变化的情况。

批次长度变化问题的常用解决思路是设定一个期望的批次长度，在实际应用中，该期望批次长度一般设为可能出现的最大长度。若实际批次长度小于最大长度，则将该批次缺失的误差信息用零来补齐，那么批次长度变化问题就可以用常规的迭代学习控制(Iterative learning control，ILC)方法来解决。常规的ILC解决批次长度变化问题一般有两种：其一为采用高阶迭代学习控制方法，使用以往批次的误差及输入信息来更新输入信号，从而增强对于批次长度随机变化的鲁棒性。值得一提的是，一阶迭代学习控制律对于批次长度变化问题也具有较强的鲁棒性；其二为采用自适应迭代学习控制方法，在某次迭代过程中，先根据输出误差对系统的未知参数进行学习，再根据这些参数估计值更新系统的输入信号。然而，常规的ILC方法在处理批次长度变化问题时，由于批次长度的随机性，其收敛速度及单调性并不能得到良好保证。

优化ILC方法是一种将优化思想与ILC相结合的高性能控制方法，针对上述批次长度可变问题，优化ILC方法应运而生。

发明内容

本发明人针对上述问题及技术需求，提出了一种移动机器人变批次长度迭代学习优化控制方法，利用优化的思想来解决批次长度可变问题，通过引入逐次投影算法的思想来设计优化算法，并采用前馈结构来构造控制律，得到了单调收敛特性及更快的收敛速度，提升了系统对于批次长度可变情况的跟踪性能表现。

本发明的技术方案如下：

单机械臂变批次长度迭代学习优化控制方法，包括如下步骤：

建立双后轮独立驱动刚性移动机器人控制系统的动态模型；构建双后轮独立驱动刚性移动机器人控制系统的离散状态空间方程；利用随机变量建立批次长度随机变化模型；设计批次长度可变的迭代学习轨迹跟踪优化算法；分析批次长度可变的迭代学习轨迹跟踪优化算法的收敛性；在输入约束下设计批次长度可变的迭代学习轨迹跟踪优化算法；分析输入约束下的批次长度可变的迭代学习轨迹跟踪优化算法的收敛性；实现批次长度可变的双后轮独立驱动刚性移动机器人控制系统在有输入约束情形下的轨迹跟踪；

第一步、建立双后轮独立驱动刚性移动机器人控制系统的动态模型：

双后轮独立驱动刚性移动机器人通过两个后轮的不同速度来控制移动机器人的速度和航向，在固定平面内设置绝对坐标XOY，假设双后轮独立驱动刚性移动机器人在固定平面内移动，双后轮独立驱动刚性移动机器人的实际物理模型如下：