[发明专利]一种复杂约束下的移动机器人跟踪控制方法

说明书

本发明提供了一种复杂约束下的移动机器人跟踪控制方法。方法包括如下步骤：设定机器人的起点和目标点，通过SLAM算法，利用激光雷达建图，在此基础上利用A‑STAR算法进行路径规划，然后根据规划的路径进行跟踪控制，使机器人完成导航任务。建立机器人的动力学模型，设定复杂约束机器人控制器，根据约束受限控制算法得到复杂约束虚拟控制率，使机器人不会破坏约束条件。激光雷达、编码器实时监测机器人的状态，并反馈给RBF自适应神经网络，神经网络算法通过逼近，抵消外界不确定影响。到达目的点，机器人停止运行，没到达目的点，则继续控制电机，直至到达目标点。本发明充分考虑了机器人运行过程中复杂约束情况，使机器人能够安全稳定的移动。

技术领域

本发明属于机器人轨迹跟踪控制技术领域，具体涉及一种复杂约束下的移动机器人跟踪控制方法。

背景技术

轮式移动机器人(WMRs)在工业和军事应用方面具有巨大的潜力，在过去的几十年里，这类小型车辆的智能控制发展取得了重大进展。移动机器人可用于工厂车间的自动货物装卸、野外道路环境勘测和数据测量和室内地形建模等等。为了更好地利用机器人协助完成各种任务，越来越多的研究人员从事相关研究。

在许多实际系统中，为了确保机器人运行的安全性和稳定性，对机器人做复杂约束是很有必要的。如果机器人在运行中破坏了约束条件，很有可能造成机器人故障甚至致命事故。因此在系统设计中加入复杂约束是很有意义的，也具有挑战性，现在关于移动机器人的大多数研究都没有考虑全状态包括位置、速度等复杂约束，而是只考虑一部分约束，因此如何设计满足约束条件的障碍Lyapunov函数是一个亟待解决的问题。同时机器人在运动过程中会遇到轮胎打滑、风力等影响，因此也需要设计有个合适的自适应神经网络函数去逼近干扰，保证机器人可以稳定运行。另外，机器人的路径规划算法也是机器人移动跟踪控制很重要的一部分，研究者一般采用Dijkstra算法或者最佳优先算法，Dijkstra算法从起点开始，计算从起点到下一个节点的移动成本。慢慢向外延伸，访问所有节点直到目标点，然后从目标点回溯寻找路径。Dijkstra算法可以确保找到最短路径，但需要大量计算。最佳优先算法有一个启发函数，该函数计算该节点到相对于目标节点的优先级，选择成本低的节点作为下一遍历点。虽然相比于Dijkstra算法快得多，但不能保证找到最短路径。所以本发明采用两种算法的结合体A-star算法，可以保证找到最优路径并且计算量较小。但A-star算法中启发函数的设计不同，会造成结果的很大差异，因此设计一个适用的启发函数也很有挑战性。

发明内容

为了解决上述问题，本发明提供了一种复杂约束下的移动机器人跟踪控制方法，主要包括以下步骤：

步骤1、输入机器人的目标点，并设定机器人的初始位置信息x₁(0)和初始速度信息x₂(0)，同时对机器人的每个部件进行受力分析，建立机器人的动力学模型，设置复杂约束移动机器人控制器。

步骤2、遥控控制机器人使用二维激光雷达扫描周围环境，通过SLAM算法对机器人所处的环境创建地图。

步骤3、利用A-star路径规划算法得到从起始点到目标点的最优路径，并计算得到最优路径，从而获得机器人期望轨迹，分别代表期望位置和期望速度。

步骤4、通过激光雷达、编码器实时监测机器人的状态信息，获取机器人实时的位置信息和速度信息。

步骤5、设计复杂约束受限控制算法，根据机器人的实时状态信息，得到实际轨迹与期望轨迹的偏差，z₁，z₂分别代表位置偏差和速度偏差，把此偏差输入到复杂约束机器人控制器，通过约束受限控制算法得到复杂约束虚拟控制律，进而控制机器人不会破坏约束条件。

步骤6、同时将机器人的实时状态信息反馈给RBF神经网络，RBF自适应神经网络算法通过逼近未知非线性项，来确定自适应虚拟控制律进而抵消外界诸如轮胎打滑、风力等不确定影响。