[发明专利]一种基于确定学习的轮式移动机器人事件触发跟踪控制方法

说明书

本发明公开了一种基于确定学习的轮式移动机器人事件触发跟踪控制方法，具体包括以下步骤：建立轮式移动机器人的动力学模型和期望的周期轨迹；设计自适应神经网络控制器，并利用确定学习理论获取经验知识；设计作用于传感器与控制器之间网络通道的事件触发机制；建立基于经验知识和事件触发的常值神经网络控制器。本发明设计的方法不仅将传统的轮式移动机器人时间触发控制方式推广到了事件触发控制方式，降低了远程控制中网络带宽的占用，而且利用确定学习理论设计了常值神经网络控制器，在减少网络带宽的同时保证了好的暂态跟踪性能。

技术领域

本发明涉及轮式移动机器人的智能跟踪控制的技术领域，具体涉及一种基于确定学习的轮式移动机器人事件触发跟踪控制方法。

背景技术

轮式移动机器人是结合了信息论、控制论、人工智能等多个不同领域的产物，其在工业生产、土木建筑、医疗卫生、教育科研等诸多场景中得到广泛地应用。注意到轮式移动机器人系统由于阻尼和摩擦力等因素导致系统存在建模不确定性。为了克服建模不确定性带来的控制精度下降问题，通常采用神经网络进行对轮式移动机器人系统未知动态进行辨识。但是传统的自适应神经网络控制对机器人执行相同或相似控制任务都需要在线调整权值来重新辨识未知动态，使得控制方案耗时长，不易实施。基于确定学习设计出的控制器能够利用学习到的经验知识来完成控制任务，避免了神经网络重复训练的问题。然而，现有的确定学习控制方案均采用了时间触发方式。由于其通过固定时间周期地对信号进行采样传输，势必会造成不必要的信号传输，从而造成网络通道不必要的资源占用。因此，设计一个适当的触发机制，使得控制系统既能保持良好的控制性能也能减少网络通道资源的使用，是网络化控制系统中的一个非常重要的课题。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于确定学习和事件触发的轮式移动机器人的位置控制方法；针对神经网络每次做任务都要重复训练的问题，该方法利用确定学习理论，将收敛后的神经网络权值存储为经验知识，当移动机器人再次做同样任务的时候，可以直接调用经验知识进行利用，而不需要重复训练神经网络；针对传统时间触发控制方法出现的不必要的网络资源传输问题，该方法利用事件触发机制，当不满足所设事件触发条件的时候，才进行信号的传输，从而避免了网络资源浪费的问题。

本发明的目的可以通过如下技术方案实现：

本发明提供一种基于确定学习的轮式移动机器人事件触发跟踪控制方法，包括以下步骤：

步骤1、建立轮式移动机器人的动力学模型和期望的周期轨迹；

步骤2、获取经验知识：结合李雅普诺夫稳定性理论和动态面设计方法构造自适应神经网络控制器，并利用确定学习理论将收敛后的神经网络权值保存为常值权值

步骤3、构建作用于传感器到控制器之间网络通道的事件触发机制，当网络通道传输信号达到触发条件，将采用信号经过网络通道传输到控制端；

步骤4、设计基于经验知识和事件触发的常值神经网络控制器，利用常值神经网络控制器对触发事件进行跟踪；所述常值神经网络控制器为：

其中，B表示与移动机器人的质量、惯性、轮子半径相关的已知常数矩阵，k₂为误差的设计参数，为经过确定学习得到的常值神经网络权值。

进一步的，步骤1中，所述动力学模型为：

其中x₁＝[x,y,θ]^T为环境坐标系下的移动机器人的位姿向量，表示机器人坐标系下的移动机器人的速度向量，J(x₁)表示用于坐标变化的旋转矩阵，B是一个已知的且与移动机器人的质量、惯性、轮子半径有关的常数矩阵，A(x₂)是未知的且与移动机器人的摩擦系数、惯性、质量有关的矩阵；τ是系统的控制输入。

进一步的，步骤1中，所述期望的周期轨迹为：