一种基于深度学习的机器人轨迹跟踪控制方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114625136A(43)申请公布日2022.06.14(21)申请号202210238283.8(22)申请日2022.03.10(71)申请人安徽农业大学地址230061安徽省合肥市长江西路130号安徽农业大学(72)发明人刘东阳查文文陶亮焦俊辜丽川时国龙马慧敏陈成鹏彭硕(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223专利代理师姬莉(51)Int.Cl.G05D1/02(2020.01)权利要求书2页说明书11页附图7页(54)发明名称一种基于深度学习的机器人轨迹跟踪控制方法(57)摘要本发明提供了一种基于深度学习的机器人轨迹跟踪控制方法，属于机器人控制领域，包括：建立机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对机器人跟踪轨迹进行控制。本发明提出的提出LSTM和SMC相结合的控制方法实现了LSTM网络对控制的补偿，提高收敛速度和控制的精度及稳定性；在不降低鲁棒性的情况下，LSTM和SMC相结合的方法可以有效抑制滑模控制的抖动现象。CN114625136ACN114625136A权利要求书1/2页1.一种基于深度学习的机器人轨迹跟踪控制方法，其特征在于，包括以下步骤：建立履带机器人的运动学模型、跟踪误差模型、动力学模型；建立基于长短时记忆神经网络LSTM和滑模控制SMC的控制器，所述控制器包括运动学控制器、基于SMC的动力学控制器和LSTM网络；基于所述履带机器人的运动学模型、跟踪误差模型、动力学模型，通过所述基于长短时记忆神经网络LSTM和滑模控制SMC的控制器对履带机器人跟踪轨迹进行控制；所述控制器的控制步骤为：运动学控制器的输入是预期的履带机器人运动轨迹、预期运动速度vb、角速度ωb和实际运动状态的误差e，运动学控制器的输出qp、LSTM网络输出u和第一次积分运算产生的控制输出q作为动力学控制器的输入；基于SMC的动力学控制器输出控制量τ，经过动力学模型计算得到积分后得履带机器人实际运行速度v和角速度ω，通过运动学模型的计算产生履带机器人的真实运动状态pp；真实运动状态pp和运动学控制器产生的qp作为误差计算模块的输入，输出运动状态误差e；在LSTM网络中输入运动状态误差e，输出一个补偿控制偏量u，u用于对存在外部干扰的系统做控制补偿。2.根据权利要求1所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，所述运动学模型为：式中，vp为履带机器人质心C处的行驶速度；θp为履带机器人行驶方向与x轴正方向的夹角；ωp为履带机器人转向角速度。3.根据权利要求2所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，轨迹跟踪即实际履带机器人在参考坐标系下，从给定的初始位置出发，到达并且跟踪给定的期TT望轨迹，通过轨迹误差(ex,ey,eθ)和控制输出(v,ω)，使得ex→0，ey→0，eθ→0；轨迹跟踪误差公式为：式中，ex和ey分别为基于履带机器人实际位置与参考位置x轴、y轴误差，即纵向位移误差和横向位移误差；eθ为航向角误差；θb为参考航向角；vb和ωb分别为履带机器人的参考行驶速度和转向角速度，对跟踪误差公式微分得误差动态模型，所述误差动态模型即跟踪误差模型为：2CN114625136A权利要求书2/2页式中，vp为履带机器人质心C处的行驶速度，ωp为履带机器人转向角速度，ωb为履带机器人的参考转向角速度。4.根据权利要求3所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，所述动力学模型为：式中，τ1和τ2分别是履带机器人的驱动力和转动力矩；m为质量；I为转动惯量；η＝(η1,Tη2)为外部干扰，η1、η2均为未知的外部干扰。5.根据权利要求4所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，所述LSTM网络的控制步骤为：LSTM网络的参数由SMC控制器的输入(ex,ey,eθ)和切换控制输出τsw数据训练得到，状态误差经过训练后的LSTM网络的处理，输出一个补偿控制偏量u，其非线性函数关系为u＝η(e)，因此经补偿后的控制律为：式中，k、δ为增益，k>0，δ＞|ε|；S为滑动面上的轨迹，u为LSTM网络的输出，用于对存在外部干扰的系统做控制补偿；式中，a1、a2为大于0的系数，ωp为履带机器人转向角速度，ev为运行速度状态误差，ew为角速度状态误差，m为质量；I为转动惯量。6.根据权利要求5所述的基于深度学习的机器人轨迹跟踪控制方法，其特征在于，所述运动学控制器的控制律为：式中