[发明专利]基于开闭环PID型迭代学习的机器人轨迹跟踪控制方法

说明书

本发明公开基于开闭环PID型迭代学习的机器人轨迹跟踪控制方法，包括以下步骤：S1.采集移动机器人的运动数据，基于所述移动机器人的运动数据获取所述移动机器人时间与轨迹的关系，基于所述移动机器人时间与轨迹的关系构建离散运动学模型；S2.制定目标轨迹，基于所述离散运动学模型，获得所述移动机器人的运动状态，基于所述运动状态获取所述移动机器人运动轨迹与目标轨迹的误差；S3.对所述误差进行迭代，修正所述移动机器人的控制输入。本发明能够将开环迭代学习控制律与闭环迭代学习控制律相结合，在有限时间内快速实现输出轨迹跟踪上目标轨迹，同时满足机器人系统对跟踪精度和抗干扰性的要求，提高机器人的系统跟踪控制性能。

技术领域

本发明涉及移动机器人轨迹跟踪控制领域，特别涉及基于开闭环PID型迭代学习的机器人轨迹跟踪控制方法。

背景技术

移动机器人具有时变、强耦合和非线性的动力学特征，由于测量和建模的不准确，加上负载的变化以及外部扰动的影响，实际上无法得到精确、完整的移动机器人运动模型。设计良好的控制器是保证机器人实现轨迹跟踪的重要前提，因此为进一步提高移动机器人轨迹跟踪的控制精度及收敛速度具有十分重要的意义。

目前，已有很多方法用于解决移动机器人的轨迹跟踪问题，比如最优控制、反步控制、滑模控制、模糊控制、神经网络控制及多种控制方法的结合。由于迭代学习控制(Iterative Leaming Control，简称ILC)方法简单，不需要动态系统的精确数学模型，因此ILC被广泛地应用于具有强耦合、非线性和多变量的工业机器人快速高精度地执行轨迹跟踪任务。并且可以有效地解决上述控制方法存在的一些问题，比如最优控制法需要精确的数学模型，反步法在设计过程中存在维数爆炸的问题，滑模控制的不连续性会引起系统的抖振，模糊控制法的控制精度低，神经网络控制方法的实时性差等问题。

ILC的基本思想是利用系统前一次或前几次操作时测得的误差信息来修正当前的控制输入，经过多次重复运行，使系统的跟踪误差逐渐减小，直至在整个时间区间上实现使输出轨迹跟踪到目标轨迹。由于基于PID型迭代学习律的收敛条件简单，仅与少量的系统参数相关，对不确定系统具有良好的鲁棒性，算法简单有效，计算量小，且需要极少数的系统先验知识，是最成熟的迭代学习控制算法之一。由于基于开环PID型迭代学习控制律仅利用了系统的前一次误差信息，舍弃了系统当前运行的误差信息；而闭环PID型迭代学习控制律只利用了系统当前运行的误差信息，舍弃了系统前次运行的误差信息。所以，从控制角度来看，这两种方法都存在一定的缺陷。

发明内容

针对上述问题，本发明提出基于开闭环PID型迭代学习的机器人轨迹跟踪控制方法，以解决现有技术中存在的技术问题，能够将开环迭代学习控制律与闭环迭代学习控制律相结合，在有限时间内快速实现输出轨迹跟踪上目标轨迹，同时满足机器人系统对跟踪精度和抗干扰性的要求，提高机器人的系统跟踪控制性能。

为实现上述目的，本发明提供了如下方案：本发明提供基于开闭环PID型迭代学习的机器人轨迹跟踪控制方法，包括以下步骤：

S1.采集移动机器人的运动数据，基于所述移动机器人的运动数据获取所述移动机器人时间与轨迹的关系，基于所述移动机器人时间与轨迹的关系构建离散运动学模型；

S2.制定目标轨迹，基于所述离散运动学模型，获得所述移动机器人的运动状态，基于所述运动状态获取所述移动机器人运动轨迹与目标轨迹的误差；

S3.对所述误差进行迭代，修正所述移动机器人的控制输入。

优选地，所述移动机器人类型采用非完整约束移动机器人。

优选地，所述S3的具体过程为：利用PID控制器根据当前迭代输出的误差信息和前次迭代输出的误差信息来修正当前的控制输入，并相应调节所述控制输入中比例、积分和微分的学习增益矩阵的参数。

优选地，所述PID控制器为开闭环PID型迭代学习的轨迹跟踪控制器。