[发明专利]智能空间中移动机器人的运动控制系统及方法

权利要求书

1.一种智能空间中移动机器人的运动控制系统，其特征在于：由智能空间和移动机器人（7）组成，其中智能空间包括监控主机（5）、分布式视觉系统和基于Zigbee的无线传感器网络系统，分布式视觉系统由多个CCD摄像机（3）分别通过万向支架（2）垂直安装在室内顶棚（1）上构成，多个CCD摄像机（3）再分别通过视频线与插在监控主机（5）的PCI插槽内的多路图像采集卡（4）相连；基于Zigbee的无线传感器网络系统由盲节点（8）和Zigbee网关（6）组成，盲节点（8）安装在移动机器人（7）的微控制器（10）上，Zigbee网关（6）通过RS232串口与监控主机（5）连接。

2.根据权利要求1所述的智能空间中移动机器人的运动控制系统，其特征在于：所述盲节点（8）为采用带有硬件定位引擎型号为CC2431的芯片。

3.一种如权利要求1所述的智能空间中移动机器人运动控制系统的控制方法，其特征在于先进行移动机器人位姿信息获取；然后进行移动机器人控制偏差e的获取；最后进行基于RBF辨识网络的移动机器人多目标的自调整PID运动控制。

4.根据权利要求3所述的智能空间中移动机器人运动控制系统的控制方法，其特征在于所述移动机器人（7）位姿信息获取，采用视觉方法，包括移动机器人（7）的位置和航向角的定位；

移动机器人（7）的位置定位方法采用如下步骤：

(1)利用CCD摄像机（3）采集含有移动机器人（7）的彩色图像；

(2)基于彩色像素矢量的欧氏距离，结合背景图像，对步骤(1)中获得的彩色图像进行阈值分割，从而获得差分二值图像；

(3)运用开运算对二值图像进行消噪处理,从而获得精确的含有移动机器人（7）的二值图像；

(4)对含有移动机器人（7）的二值图像进行逐行扫描，若所扫描的当前行线段与前一行线段相邻，则合成连通区域；否则，初始化新的连通区域；

(5)根据步骤（4）各连通区域的像素坐标，从而获得各移动机器人（7）的位置坐标。

移动机器人（7）的航向角的定位方法采用如下步骤：

1)利用CCD摄像机（3）采集贴有方向和标识的T型颜色块的移动机器人（7）的彩色图像；

2)将移动机器人（7）的彩色图像从RGB颜色空间转换到HIS颜色空间；

3)根据预设定的H和S阈值，对移动机器人（7）的T型颜色块进行图像分割；

4)运用开运算和闭运算对分割后图像进行平滑处理；

5)对T型的标识图像进行线性拟合，获得标识颜色块的斜率，并换算到角度，最后再根据方向颜色块进行移动机器人（7）的最终航向角确定。

5.根据权利要求3所述的智能空间中移动机器人运动控制系统的控制方法，其特征在于所述移动机器人控制偏差e的获取，包括移动机器人的侧向距离e_d和航向偏角e_θ的获取；侧向距离e_d是当前移动机器人（23）的中心坐标P_c，到待跟踪路径（9）上参考机器人（24）中心点P_r处切线的垂直距离d；航向偏角e_θ是当前移动机器人（23）的当前方向角θ_c，与待跟踪路径（9）上参考机器人（24）中心点P_r处切线方向θ_r的角度差θ。

6.根据权利要求3所述的智能空间中移动机器人运动控制系统的控制方法，其特征在于所述基于RBF辨识网络的移动机器人（7）多目标的自调整PID运动控制的方法，包括如下步骤：

(1)移动机器人（7）速度调整控制量Δv的PID控制，包括如下步骤：

a.求取移动机器人（7）的侧向距离e_d；

b.求取移动机器人（7）的航向偏角e_θ；

c.建立如下k时刻速度调整控制量Δv(k)的PID控制：

Δv(k)＝Δv(k-1)

+K_{p_d}(k)(e_d(k)-e_d(k-1))+K_{i_d}(k)e_d(k)+K_{d_d}(k)(e_d(k)-2e_d(k-1)+e_d(k-2))

+K_{p_θ}(k)(e_θ(k)-e_θ(k-1))+K_{i_θ}(k)e_θ(k)+K_{d_θ}(k)(e_θ(k)-2e_θ(k-1)+e_θ(k-1))

式中，K_{p_d}(k)、K_{i_d}(k)、K_{d_d}(k)分别为k时刻侧向距离PID控制器（26）比例、积分、微分系数；

K_{p_θ}(k)、K_{i_θ}(k)、K_{d_θ}(k)分别为k时刻航向偏角PID控制器（27）的比例、积分、微分系数；

(2)基于RBF辨识网络，进行k时刻侧向距离PID控制器（26）的PID参数(K_{p_d}(k)、K_{i_d}(k)、K_{d_d}(k))自调整，包括如下步骤：

a.K_{p_d}(k)＝K_{p_d}(k-1)+λ_{p_d}ΔK_{p_d}(k)；

b.K_{i_d}(k)＝K_{i_d}(k-1)+λ_{i_d}ΔK_{i_d}(k)；

c.K_{d_d}(k)＝K_{d_d}(k-1)+λ_{d_d}ΔK_{d_d}(k)；

式中，λ_{p_d}、λ_{i_d}、λ_{d_d}分别为K_{p_d}(k)、K_{i_d}(k)、K_{d_d}(k)的学习率，为正常数；ΔK_{p_d}(k)、ΔK_{i_d}(k)、ΔK_{d_d}(k)分别为K_{p_d}(k)、K_{i_d}(k)、K_{d_d}(k)在线调整值；

d.ΔK_{p_d}(k)＝e_d(k)J_d(e_d(k)-e_d(k-1))；

e.ΔK_{i_d}(k)＝T_se_d(k)J_de_d(k)；

f.ΔKd_d(k)=ed(k)Jd(ed(k)-2ed(k-1)+ed(k-2)Ts);]]>

g.求取侧向距离RBF辨识网络（28）的Jacobian灵敏度信息：

Jd≈Σj=16wj_dRj_dcj_d-ud(k)σj_d2;]]>

式中，Ts为采样周期、w_{j_d}为侧向距离RBF辨识网络（28）的中间层（32）和输出层（33）之间的权值、c_{j_d}为侧向距离RBF辨识网络（28）的高斯函数中心、σ_{j_d}为侧向距离RBF辨识网络（28）的高斯核函数的宽度参数；

(3)基于RBF辨识网络，进行k时刻航向偏角PID控制器（27）的PID参数(K_{p_θ}(k)、K_{i_θ}(k)、K_{d_θ}(k))自调整，包括如下步骤：

a.）K_{p_θ}(k)＝K_{p_θ}(k-1)+λ_{p_θ}ΔK_{p_θ}(k)；

b.）K_{i_θ}(k)＝K_{i_θ}(k-1)+λ_{i_θ}ΔK_{i_θ}(k)；

c.）K_{d_θ}(k)＝K_{d_θ}(k-1)+λ_{d_θ}ΔK_{d_θ}(k)；

式中，λ_{p_θ}、λ_{i_θ}、λ_{d_θ}分别为K_{p_θ}(k)、K_{i_θ}(k)、K_{d_θ}(k)的学习率，为正常数；ΔK_{p_θ}(k)、ΔK_{i_θ}(k)、ΔK_{d_θ}(k)分别为K_{p_θ}(k)、K_{i_θ}(k)、K_{d_θ}(k)在线调整值；

d.）ΔK_{p_θ}(k)＝e_θ(k)J_θ(e_θ(k)-e_θ(k-1))；

e.）ΔK_{i_θ}(k)＝T_se_θ(k)J_θe_θ(k)；

f.）ΔKd_θ(k)=eθ(k)Jθ(eθ(k)-2eθ(k-1)+eθ(k-2)Ts);]]>

g.）求取航向偏角RBF辨识网络29的Jacobian灵敏度信息：

Jθ≈Σj=16wj_θRj_θcj_θ-uθ(k)σj_θ2;]]>

式中，w_{j_θ}为航向偏角RBF辨识网络（29）的中间层（35）和输出层（36）之间的权值、c_{j_θ}为航向偏角RBF辨识网络（29）的高斯函数中心、σ_{j_θ}为航向偏角RBF辨识网络（29）的高斯核函数的宽度参数；

(4)移动机器人（7）速度v和角速度ω的求取，包括如下步骤：

（a.）给定左右轮基本转速v₀，则左轮转速为：v_l＝v₀+Δv；

（b.）右轮转速为：v_r＝v₀-Δv，Δv为速度调整控制量；

（c.）移动机器人（7）中心点的转速为：

（d.）移动机器人（7）中心点的角速度为：

式中，b_w为移动机器人（7）的左轮（19）和右轮（20）的间距。