[发明专利]一种自平衡车控制方法、系统、存储介质及电子设备

说明书

本申请涉及自平衡车控制技术领域，公开了一种自平衡车控制方法、系统、存储介质及电子设备，包括：收集自平衡车的实际运行状态数据；运用神经网络学习系统的拉格朗日量估计；运用欧拉‑拉格朗日方程获得系统的矢量场估计并计算系统状态估计；运用反向传播算法更新神经网络参数以获得拉格朗日量的精确估计；根据精确的拉格朗日量设计带阻尼的PD控制器，实现自平衡车的精确控制，该方法降低了控制器设计对于系统精确模型的依赖，提高了控制器对于不确定模型的鲁棒性和对于动态模型的自适应性；拉格朗日神经网络的学习框架基于物理信息，提高了控制器设计的可解释性，并降低了学习过程对于数据量的需求。

技术领域

本申请涉及自平衡车控制技术领域，尤其是一种自平衡车控制方法、系统、存储介质及电子设备。

背景技术

自平衡车作为短途交通工具，对于缓解城市交通拥堵，推进交通领域低碳转型和绿色升级具有重要的意义。自平衡车由于其具有重量轻、结构紧凑和灵活机动的优点，适合在道路受限的环境下使用，正逐渐成为城市青年们热衷的代步工具。

自平衡车的模型为倒立摆模型，是非线性控制领域中典型的被控对象。经典的控制算法如PID控制、LQR控制、观测器控制和滑模控制等方法均被用于自平衡车的控制，并取得了一定效果；通过鲁棒控制和自适应控制，控制器对于不确定性和鲁棒性以及对于动态环境的适应性得到了明显提升；上述控制和分析方法依赖于系统模型的精确模型。随着深度学习方法和神经网络技术的发展，自平衡车的学习建模和控制受到关注，提出了深度学习建模和强化学习控制的算法；学习控制方法降低了控制算法对于模型的依赖；但是，深度学习方法对数据量的需求较高且可解释性不足，强化学习效率较低且泛化能力不足。

发明内容

本申请的目的在于克服现有技术不足之处，提供一种自平衡车控制方法、系统、存储介质及电子设备。

第一方面，提供了一种自平衡车控制方法，包括：

S101、获取自平衡车运行过程的历史数据Data；

S102、搭建神经网络以获得系统的动能函数估计T_θ和势能函数V_θ；

S103、根据动能函数估计T_θ和势能函数V_θ计算出系统的拉格朗日量估计L_θ；

S104、根据历史数据Data运用欧拉-拉格朗日方程计算出系统的矢量场估计X_θ，通过积分获得系统的状态估计Φ_θ，并计算系统状态的估计误差ΔΦ；

S105、根据估计误差调整神经网络的参数θ；

S106、重复执行步骤S102-S105，响应于参数θ收敛至稳定值则执行步骤S107；

S107、根据拉格朗日量的精确估计，设计带阻尼的PD控制器；

S108、通过带阻尼的PD控制器使系统状态收敛至稳定的平衡点。

进一步的，所述历史数据Data包括受控的自平衡车在控制输入作用下的运行过程的倾斜角度φ、倾斜角速度平移速度和系统的控制输入u。

进一步的，所述神将网络包括输入层、隐藏层和输出层，输入层为历史数据输出层为系统动能函数估计T_θ和势能函数估计V_θ，通过对输出层进行做差运算，以获得系统的拉格朗日量估计L_θ，其中，L_θ＝T_θ-V_θ，神经网络的最优参数θ通过反向传播算法进行动态学习而获得。

进一步的，所述欧拉-拉格朗日方程具体化为受控自平衡车模型的公式为：