技术新讯 > 控制调节装置的制造及其应用技术 > 一种融合LSTM神经网络与MPC控制的机器人轨迹跟踪控制方法  >  正文

一种融合LSTM神经网络与MPC控制的机器人轨迹跟踪控制方法

  • 国知局
  • 2024-07-31 23:48:45

本发明涉及机器人轨迹跟踪控制领域,尤其涉及一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法。

背景技术:

1、机器人轨迹跟踪控制技术在许多应用中都非常重要,例如无人车辆、无人飞行器、自主导航机器人等。为了实现高效精确的轨迹跟踪,研究者们不断探索和发展新的技术和方法。在过去的几十年里,轨迹跟踪控制技术得到了广泛研究和应用。传统的轨迹跟踪方法主要基于控制理论,如pid控制器和经典的线性控制器。虽然这些方法在某些情况下能够实现良好的控制性能,但对于复杂的非线性系统和不确定性环境,其稳定性和跟踪精度存在一定局限性。

2、随着深度学习技术的快速发展,基于深度学习的控制方法在轨迹跟踪领域得到了越来越多的关注。其中,长短时记忆神经网络lstm是一种被广泛应用的深度学习模型。lstm能够捕捉时间序列数据中的长期依赖关系,适用于轨迹跟踪问题中对未来状态的预测需求。lstm神经网络对时间序列数据进行正向的处理,从而获得更准确的状态预测。在移动机器人轨迹跟踪中,lstm神经网络可以根据机器人当前位置和历史运动信息,预测未来状态,并提供给控制器作为参考信号,提高控制系统的控制性能和机器人的跟踪精度。

3、mpc控制是一种实时的闭环优化控制方法,通过对系统模型进行预测,能够不断获取当前最优控制量,以使未来一段时间内系统的性能指标最优化。目前的大多轨迹跟踪控制技术中lstm神经网络和mpc控制大多单独应用。

技术实现思路

1、本发明的目的是提供一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,融合lstm神经网络和mpc控制,实现了对机器人轨迹跟踪的实时优化,提高了轨迹跟踪的准确性和稳定性。

2、为了实现上述目的,本发明所采用的技术方案是:一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,包括以下步骤:

3、步骤1、建立机器人的运动学模型和轨迹跟踪误差方程;

4、步骤2、设计针对线性化模型的lstm神经网络,根据机器人当前状态和路面附着系数,训练lstm神经网络以预测机器人在不同路面附着系数下的质心侧偏角,并将其用于侧偏角约束中;

5、步骤3、将lstm神经网络的预测结果与机器人当前状态信息一起传递给mpc控制器,输出主动轮转速,实时优化机器人的状态。

6、优选的,所述步骤1中建立机器人的运动学模型的运动学方程为

7、

8、式中:v为机器人的质心处的速度,vx、vy分别为机器人纵向和横向速度,ω为横摆角速度,为航向角,β为质心侧偏角,f1、f2分别为低速侧和高速侧机器人轮子的滑移率,ω1、ω2分别为高速侧和低速侧主动轮的转速,b为机器人左右轮距,r为轮胎半径。

9、优选的,所述步骤1中建立机器人的轨迹跟踪误差方程为

10、

11、式中:p为当前状态,pref为期望位置,vxdes为期望纵向速度,ey是横向偏差,ev是纵向速度偏差,是机器人的实际航向角,是期望航向角,航向角偏差

12、优选的,所述步骤2中lstm神经网络的隐藏层h中增加3个门控结构,分别是遗忘门、输入门、输出门。

13、优选的,所述步骤2中lstm神经网络的具体计算过程为:

14、xinput=concat[ht-1,xt]

15、f(t)=σ(wfht-1+ufxt+bf)

16、i(t)=σ(wiht-1+uixt+bi)

17、a(t)=tanh(waht-1+uaxt+ba)

18、o(t)=σ(woht-1+uoxt+bo)

19、式中:xt表示t时刻的输入,ht-1表示t-1时刻的隐层状态值;wf、wi、wa、wo分别表示遗忘门、输入门、输出门和特征提取过程中ht-1的权重系数;uf、ui、uo、ua分别表示遗忘门、输入门、输出门和特征提取过程中xt的权重系数;bf、bi、bo、ba分别表示遗忘门、输入门、输出门和特征提取过程中的偏置值;tanh表示正切双曲函数,σ表示激活函数sigmoid。

20、优选的,所述步骤3中mpc控制器的机器人轨迹跟踪能力函数为:

21、

22、式中:首项反映机器人对轨迹的跟踪能力;第2项反映控制所需能量的要求;第3项是为了防止出现方程无解的情况;q和r为权重矩阵;ρ为权重系数;ε为松弛因子;

23、将上述目标函数转换为标准的二次型形式:

24、j(k)=[δu(t)tε]·ht·[δu(t)tε]t+gt·[δu(t)tε]t

25、在每一个采样周期内采用内点法完成上述的二次规划问题求解,可以实时获得最优控制序列,并将序列的第一项与当前的控制量求和作为下一步的量;

26、u(t)=u(t-1)+δμ(t)

27、在下一个控制周期重复上述过程,在线滚动优化实现对期望路径的跟踪控制。

28、本发明的有益效果是:

29、本方案融合lstm神经网络和mpc控制,实现了对机器人轨迹跟踪的实时优化,提高了轨迹跟踪的准确性和稳定性。通过训练lstm神经网络,能够预测机器人在不同路面附着系数下的质心侧偏角,并将其应用于质心侧偏角约束,以适应各种路面情况下的轨迹跟踪需求。通过构建mpc控制器的机器人轨迹跟踪能力函数,使机器人在轨迹跟踪和速度跟随过程中保证控制精度和平顺性。

技术特征:

1.一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:所述步骤1中建立机器人的运动学模型的运动学方程为

3.根据权利要求1所述的一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:所述步骤1中建立机器人的轨迹跟踪误差方程为

4.根据权利要求1所述的一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:所述步骤2中lstm神经网络的隐藏层h中增加3个门控结构,分别是遗忘门、输入门、输出门。

5.根据权利要求4所述的一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:所述步骤2中lstm神经网络的具体计算过程为:

6.根据权利要求1所述的一种融合lstm神经网络与mpc控制的机器人轨迹跟踪控制方法,其特征在于:所述步骤3中mpc控制器的机器人轨迹跟踪能力函数为:

技术总结本发明提供一种融合LSTM神经网络与MPC控制的机器人轨迹跟踪控制方法,融合LSTM神经网络和MPC控制,实现了对机器人轨迹跟踪的实时优化,提高了轨迹跟踪的准确性和稳定性。通过训练LSTM神经网络,能够预测机器人在不同路面附着系数下的质心侧偏角,并将其应用于质心侧偏角约束,以适应各种路面情况下的轨迹跟踪需求。通过构建MPC控制器的机器人轨迹跟踪能力函数,使机器人在轨迹跟踪和速度跟随过程中保证控制精度和平顺性。技术研发人员:郭志军,耿洋洋,王丁健,庞明天,桓京博,杜林林,叶世文受保护的技术使用者:河南科技大学技术研发日:技术公布日:2024/6/20

本文地址:https://www.jishuxx.com/zhuanli/20240730/198633.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。