移动机器人路径规划及轨迹跟踪问题研究

论文摘要

本文针对移动机器人运动规划研究领域中的路径规划问题，并以非完整轮式移动机器人(WMR)作为研究对象，对其轨迹跟踪控制等主要问题进行了深入探索与研究，主要包括以下四部分内容： 静态结构化确定性环境中移动机器人全局路径规划研究。基于神经网络与碰撞罚函数建立了路径与障碍物间的优化模型，并利用模拟退火算法对其进行求解。针对经典模拟退火算法收敛速度慢这一缺陷，首先对该算法进行了改进，提出了一种新型改进模拟退火算法。其次，基于模拟退火算法提出了两种新型混合全局优化算法，有效提高了收敛速度，满足了系统实时性的要求，实现了移动机器人的全局路径规划。最后，应用DFP变尺度与微粒群混合串行算法结构，快速完成了移动机器人全局路径规划任务。 基于Q强化学习与CMAC神经网络的移动机器人局部路径规划研究。移动机器人通过强化学习感知环境状况，选择恰当的行为，并从环境中获得不确定奖赏值作为学习动态系统的最优行为策略。采用CMAC网络实现了Q强化学习算法，在调整CMAC网络权值时，充分考虑已学习数据的可信任度，显著提高了传统CMAC在线学习的速度与准确性，有效地实现了在复杂环境中的局部路径规划，并且效果明显。 基于自适应控制、最优控制以及模糊控制等控制理论与方法，研究非完整轮式移动机器人的轨迹跟踪问题，使移动机器人实现合理乃至最优的运动。(1)基于Lyapunov函数，设计新型轮式移动机器人速度跟踪控制律，实现了对于期望轨迹的准确跟踪。(2)在考虑驱动电机动态模型的前提下，设计出能够使移动机器人系统全局渐近稳定的自适应控制器，有效克服了模型误差以及外部扰动等不确定性因素给系统带来的影响，并进行了相应的轨迹跟踪仿真实验。(3)基于LQR理论设计了移动机器人控制器。针对加权阵Q与R难以确定的问题，从控制效果出发，采用自适应遗传算法对该控制器进行了优化，实现了对于预定轨迹的准确跟踪。(4)基于模糊控制方法实现了移动机器人的鲁棒轨迹跟踪。采用复合形算法对模糊控制器进行了优化，消除了系统的稳态误差，系统不仅具有良好的动特性，而且取得了满意的跟踪效果。 非完整WMR的实验研究。首先详细叙述了自行研制的两轮驱动WMR实验样车及相应的控制系统，然后在该实验平台上进行了WMR的轨迹跟踪实验，结果验证了提出的轨迹跟踪控制策略的正确性与可行性。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• §1-1 移动机器人发展概述
• 1-1-1 引言
• 1-1-2 轮式移动机构的形式与运动
• 1-1-3 轮式移动机器人的发展历史
• §1-2 课题的目的、意义及研究背景
• 1-2-1 课题研究的目的与意义
• 1-2-2 课题的研究背景
• §1-3 移动机器人路径规划技术
• 1-3-1 移动机器人路径规划技术研究现状
• 1-3-2 移动机器人路径规划技术发展趋势
• §1-4 非完整轮式移动机器人的轨迹跟踪
• 1-4-1 移动机器人的控制
• 1-4-2 非完整控制系统
• 1-4-3 轮式移动机器人的非完整性
• 1-4-4 非完整轮式移动机器人轨迹跟踪问题的研究进展
• §1-5 主要研究内容
• §1-6 本章小结
• 第二章 基于神经网络与模拟退火算法的移动机器人路径规划
• §2-1 引言
• §2-2 移动机器人全局路经规划模型的建立
• 2-2-1 基于神经网络的全局环境描述
• 2-2-2 移动机器人路经规划问题的数学建模
• §2-3 模拟退火算法
• 2-3-1 物理退火过程与Metropolis准则
• 2-3-2 模拟退火算法基本原理及求解步骤
• 2-3-3 计算机仿真实验及分析
• §2-4 基于改进模拟退火算法的移动机器人路径规划
• 2-4-1 改进模拟退火算法的基本思想
• 2-4-2 算法描述
• 2-4-3 计算机仿真实验
• §2-5 复合形法与模拟退火新型混合优化算法及其应用
• 2-5-1 复合形法的基本思想
• 2-5-2 复合形法与模拟退火算法混合优化算法实现
• 2-5-3 计算机仿真实验及分析
• §2-6 共轭方向法与模拟退火新型混合优化算法及其应用
• 2-6-1 共轭方向法基本原理
• 2-6-2 新型混合优化算法的实现
• 2-6-3 仿真实验及分析
• §2-7 三种新型算法比较研究
• 2-7-1 三种算法对比
• 2-7-2 优化性能分析
• §2-8 本章小结
• 第三章 基于变尺度和微粒群混合算法的移动机器人全局路径规划
• §3-1 引言
• §3-2 基于变尺度算法的局部路径优化
• 3-2-1 变尺度法原理与基本格式
• 3-2-2 局部最优路径获得
• §3-3 微粒群优化算法
• 3-3-1 标准PSO算法
• 3-3-2 算法控制参数分析
• §3-4 基于PSO算法的全局路径优化
• §3-5 路径规划仿真实验与分析
• §3-6 算法测试
• §3-7 本章小结
• 第四章 基于Q强化学习与CMAC的移动机器人局部路径规划
• §4-1 引言
• §4-2 移动机器人Q强化学习思想
• 4-2-1 强化学习概述
• 4-2-2 Q强化学习算法
• §4-3 基于CMAC的Q强化学习算法实现
• 4-3-1 CMAC神经网络模型
• 4-3-2 Q函数的CMAC神经网络实现
• §4-4 移动机器人局部路径规划仿真实验
• 4-4-1 移动机器人模型
• 4-4-2 克服陷阱行为设计
• 4-4-3 避碰行为设计
• 4-4-4 奖赏函数r及实验参数设计
• §4-5 本章小结
• 第五章 非完整轮式移动机器人轨迹跟踪控制
• §5-1 引言
• §5-2 基于Lyapunov函数的轮式移动机器人轨迹跟踪
• 5-2-1 WMR动力学与运动学模型
• 5-2-2 WMR轨迹跟踪问题描述
• 5-2-3 跟踪控制器设计
• 5-2-4 仿真实验
• §5-3 轮式移动机器人自适应轨迹跟踪
• 5-3-1 考虑电机动态性能的WMR动力学模型
• 5-3-2 WMR控制器设计
• 5-3-3 WMR轨迹跟踪控制仿真实验
• §5-4 轮式移动机器人轨迹跟踪的最优控制
• 5-4-1 WMR动态特性分析
• 5-4-2 WMR控制系统模型
• 5-4-3 电机运动学模型
• 5-4-4 自适应遗传算法
• 5-4-5 自适应遗传算法实现LQR的优化
• 5-4-6 实验结果及分析
• §5-5 轮式移动机器人轨迹跟踪的模糊控制
• 5-5-1 模糊控制器设计
• 5-5-2 基于复合形法的模糊控制器优化
• 5-5-3 仿真实验及分析
• §5-6 本章小结
• 第六章 WMR实验样车的研制与实验研究
• §6-1 引言
• §6-2 WMR总体结构及其驱动
• §6-3 WMR非线性系统的输入—输出线性化
• 6-3-1 一般非线性系统的输入—输出线性化
• 6-3-2 WMR的输入—输出线性化
• §6-4 WMR运动控制系统设计与实现
• §6-5 WMR轨迹跟踪实验
• §6-6 本章小结
• 第七章 结论
• §7-1 本文的主要研究成果
• §7-2 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的学术论文