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

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