轨迹跟踪调研
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
描述系统,将语言信息和数据信息统一起来,它最大的优势是不 需要系统的精确数学模型,适用于比较复杂的不确定非线性系统。
神经网络控制:能够以任意精度逼近任意非线性函数,对
复杂不确定问题具有自适应和自学习能力,并行处理机制可以解 决大规模实时计算问题,具有很强的信息综合能力等。
遗传算法:不需要系统的精确模型,设计简单,全局搜索
基于Lyapunov能量函数的迭代学习(由全局
Lipschitz连续非线性系统拓宽为局部Lipschitz连续系统)
与其它控制方法结合(基于神经网络的迭代学习控制,
基于模糊技术的迭代习控制,基于小波分析的迭代学习控制等)
பைடு நூலகம்
能力强,收敛速度快,鲁棒性和控制效果好。
混合智能控制方法
生物启发模型的反步滑模混合控制 模糊神经网络直接自适应控制 自适应神经网络模糊滑模遗传算法控制 模糊神经网络滑模变结构控制 自适应神经模糊推理系统
迭代学习
迭代学习控制适合于一类具有重复运行特性的被控对象, 其任务 是寻找理想控制输入, 使得被控系统的实际输出轨迹在有限时间 区间上沿整个期望输出轨迹实现零误差的完全跟踪, 并且整个控 制过程要求快速完成。 迭代学习目前广泛应用于实际控制工程领域, 其中最主要的应用 之一就是在机器人控制方面, 如刚性机器手控制 、机器人视觉 伺服控制;另外, 迭代学习控制还用于许多实时性要求较高的 工业控制过程中
计算简单、系统稳定性可以得到严格证明,缺点是在跟踪误差突 变时,特别是离散轨迹情形,存在机器人跟踪速度跳变问题。
自适应控制:在控制过程中能够不断学习,使系统结构参数
能够调整到它们的实际值,是具有参数不确定非线性系统设计和 分析的基本方法。
智能控制方法
模糊控制:采用一系列模糊if-then规则形式的语言信息来
迭代学习研究现状
线性迭代学习(主要包括P型、D型、PD型)
非线性迭代学习( Newton 型、割线型)
最优迭代学习(在每次迭代过程中跟踪误差不能特别大, 因此
运用最优化指标的分析方法设计学习算法)
基于2D系统的复合迭代学习(学习是按两个相互独立
的方向进行: 时间轴方向和迭代次数轴方向)
水下机器人轨迹跟踪控制
研究背景
水下机器人具有高度非线性、强耦合特性, 受到各种复杂的水下环境干扰,因此水下机 器人的运动控制有较大难度。 轨迹跟踪控制的目标是通过控制速度和角速 度使水下机器人跟踪上期望路径,最终使期 望状态与实际状态间的误差收敛至零。
研究思路
水下机器人建模 轨迹跟踪控制器的设计 利用李雅普诺夫稳定性理论证明控制系统闭 环稳定性 仿真验证控制方法有效性
传统控制方法
PID控制:控制效果依赖于PID参数,参数整定又依赖于被控
对象的模型,通常需要对动力学模型进行简化,很多情况下无法 满足控制需要。
滑模控制:对控制对象模型不确定性和外界干扰具有很强的
鲁棒性,在轨迹跟踪控制中有较好表现,但是存在控制“抖动”。
反步控制:反步法通过李亚普诺夫控制函数构建反馈控制律,