[论文解读] Mobile Robots Adaptive Control Using Neural Networks

Ioan Dumitrache, Monica Drăgoicea|arXiv (Cornell University)|Jan 1, 2001

Control and Dynamics of Mobile Robots参考文献 2被引用 2

一句话总结

本文提出了一种基于神经网络的前馈自适应控制策略，用于移动机器人，以补偿非线性、耦合动力学中的建模不确定性。通过将PID反馈控制器与学习逆动力学的神经网络前馈控制器相结合，即使在存在未建模动力学和参数变化的情况下，系统也能实现改进的轨迹跟踪性能。

ABSTRACT

The paper proposes a feed-forward control strategy for mobile robot control that accounts for a non-linear model of the vehicle with interaction between inputs and outputs. It is possible to include specific model uncertainties in the dynamic model of the mobile robot in order to see how the control problem should be addressed taking into consideration the complete dynamic mobile robot model. By means of a neural network feed-forward controller a real non-linear mathematical model of the vehicle can be taken into consideration. The classical velocity control strategy can be extended using artificial neural networks in order to compensate for the modelling uncertainties. It is possible to develop an intelligent strategy for mobile robot control.

研究动机与目标

• 解决在模型不确定性下控制非完整移动机器人所面临的挑战。
• 通过将神经网络集成到分层控制架构中，提升轨迹跟踪性能。
• 开发一种能够实时学习并补偿未建模动力学的自适应控制策略。
• 通过引入智能学习能力，扩展经典速度控制，以增强鲁棒性。

提出的方法

• 采用两级分层控制结构：外层运动控制器生成速度参考信号，内层速度控制器包含反馈和前馈组件。
• 反馈组件基于直流电机和移动平台模型（公式3）采用简化的PID控制器，以稳定系统。
• 前馈组件采用前馈神经网络，实时学习移动机器人的逆动力学。
• 神经网络生成校正控制信号Uff，以调整PID输出Ufb，从而最小化速度跟踪误差。
• 控制输入u = [Ul Ur] 通过参考速度向量ηc 和神经网络学习的逆模型计算得出。
• 通过仿真结果验证了系统在模型不确定性下的跟踪性能。

实验结果

研究问题

• RQ1 如何有效将神经网络集成到分层控制架构中，以实现移动机器人的轨迹跟踪？
• RQ2 神经网络前馈控制器在非线性移动机器人系统中，能在多大程度上补偿未建模的动力学？
• RQ3 在存在建模不确定性的情况下，基于神经网络的自适应控制器相较于传统PID控制能带来哪些性能提升？
• RQ4 反馈PID与前馈神经网络控制相结合，如何增强系统的鲁棒性和跟踪精度？

主要发现

• 神经网络前馈控制器成功学习了移动机器人的逆动力学，实现了对建模不确定性的精确补偿。
• 如图5所示，与传统PID控制相比，使用神经网络前馈控制器时，跟踪误差显著降低。
• 前馈控制器在动态不确定性下表现出有效的实时自适应能力，提升了轨迹跟踪性能。
• 神经网络控制器的输出（图6）在运行过程中表现出稳定且自适应的行为，表明其有效学习了逆模型。
• 所提出的自适应控制策略在参数变化和未建模动力学存在的情况下，实现了更高的鲁棒性和更快的响应速度。
• 将神经网络与PID反馈相结合，为非线性、耦合的移动机器人系统提供了稳定且高性能的控制解决方案。