ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2023-23-5-904-910ntv-118Research ArticleАВТОМАТИЧЕСКОЕ УПРАВЛЕНИЕ И РОБОТОТЕХНИКАAUTOMATIC CONTROL AND ROBOTICSУправление отслеживанием траектории для мобильных роботов с адаптивным коэффициентом усиленияTrajectory tracking control for mobile robots with adaptive gainhttps://orcid.org/0009-0007-6813-2287ЧжицянЧ.ZhiqiangCh/

Чэнь Чжицян — аспирант 

sc 58181996400 

Санкт-Петербург, 197101 

Chen Zhiqiang — PhD Student 

sc 58181996400 

Saint Petersburg, 197101 

Snowchen612@outlook.comhttps://orcid.org/0009-0000-6389-1355ДучжэшэнЛ.DuzheshengL.

Ляо Дучжэшэн — аспирант 

sc 57211507575 

Санкт-Петербург, 197101 

Liao Duzhesheng — PhD Student 

sc 57211507575 

Saint Petersburg, 197101 

ldzs2015@gmail.comhttps://orcid.org/0000-0001-6026-6706КрасновА. Ю.KrasnovA. Yu.

Краснов Александр Юрьевич — кандидат технических наук, преподаватель 

sc 55355811700 

Санкт-Петербург, 197101 

Alexander Yu. Krasnov — PhD, Lecturer 

sc 55355811700 

Saint Petersburg, 197101 

aykrasnov@itmo.ruhttps://orcid.org/0009-0008-1776-3895ЯньюйЛ.YanyuL.

Ли Яньюй — студент 

Санкт-Петербург, 197101 

Li Yanyu — Student 

Saint Petersburg, 197101 

888liyanyu@gmail.comУниверситет ИТМОРоссияITMO UniversityRussian Federation202313122024235904910Copyright © Чжицян Ч., Дучжэшэн Л., Краснов А.Ю., Яньюй Л., 20242024Чжицян Ч., Дучжэшэн Л., Краснов А.Ю., Яньюй Л.Zhiqiang C., Duzhesheng L., Krasnov A.Y., Yanyu L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/118

Введение. Исследованы задачи слежения за траекторией и настройки коэффициента усиления регулятора для колесных мобильных роботов. Коэффициент усиления регулятора оказывает большое влияние на процесс отслеживания траектории движения робота. Выбор требуемого коэффициента усиления в процессе проектирования регулятора очень важен, поскольку его значение может влиять на точность и скорость отслеживания. Существующие в настоящее время нейросетевые регуляторы коэффициента усиления имеют сложную структуру и требуют для поиска оптимального значения значительных вычислительных ресурсов. Для решения этой проблемы предложен контроллер слежения за траекторией с простой структурой и адаптивным коэффициентом усиления, реализованный путем объединения контроллера с нейронной сетью. Входным сигналом для контроллера служит ошибка ориентации робота. Контроллер не имеет скрытого слоя и напрямую выдает закон управления отслеживанием траектории. Метод. На основе метода функций Ляпунова разработан кинематический регулятор, обеспечивающий движение робота по опорной траектории. С помощью нейронной сети предложен алгоритм онлайн-регулировки коэффициента усиления, который позволил ускорить изменение коэффициента усиления регулятора и обеспечил надежность его работы. Для разработки регулятора слежения за скоростью на основе ошибки между виртуальной и реальной скоростью применен метод бэкстеппинга. Для учета влияния внешней среды и оценки суммарных возмущений предложен нелинейный наблюдатель возмущений. Основные результаты. Выполнен имитационный эксперимент в среде MATLAB, который показал, что предложенный алгоритм управления позволяет реализовать точное слежение за роботом по заданной траектории. Алгоритм регулировки коэффициента усиления дает возможность быстро и эффективно найти оптимальное значение коэффициента усиления, что повышает устойчивость и эффективность работы регулятора. Обсуждение. Метод может найти применение для решения большинства задач слежения за траекторией движения мобильного робота и решает проблему настройки коэффициента усиления управления.

This paper studies the trajectory tracking problem and the controller gain adjustment problem for Wheeled Mobile Robots. The controller gain has a great influence on the robot’s trajectory tracking: it can influence both the tracking accuracy and the tracking speed. Therefore, it is very important to choose a suitable control gain during the controller design process. Current neural network gain controllers have a complex structure and require a lot of calculations to find the optimal value. To solve this problem, we design a trajectory tracking controller with a simple structure with adaptive gain by combining the controller with a neural network. The input to this controller is the robot’s attitude error. The controller has no hidden layer and directly outputs the trajectory tracking control law. Firstly, the kinematic controller is designed based on Lyapunov function method to ensure that the robot moves according to the reference trajectory. Then, the online gain adjustment algorithm is designed by using neural network to realize the fast adjustment of the controller gain and ensure the reliability of the controller. Finally, the backstepping method is utilized to design the velocity tracking controller based on the error between the virtual velocity and the actual velocity. Considering the influence of the external environment, we also design a nonlinear disturbance observer to estimate the total disturbance on the robot. We perform simulation experiment in MATLAB. The result of the experiment shows that the control algorithm proposed in this paper can realize the accurate tracking of the robot on the specified trajectory. The gain adjustment algorithm we designed can find the optimal gain value quickly and efficiently, thus improving the stability and efficiency of the controller. The method can be applied to most mobile robot trajectory tracking problems and solves the problem of control gain adjustment.

колесный мобильный роботуправление отслеживанием траекториионлайн-оценка параметров усиленияметод backsteppingнаблюдатель нелинейных возмущенийwheeled mobile robottrajectory tracking controlonline gain estimationbackstepping methodnon-linear disturbance observerReferencesXiao X., Liu B., Warnell G., Stone P. Motion planning and control for mobile robot navigation using machine learning: a survey // Autonomous Robots. 2022. V. 46. N 5. P. 569–597. https://doi.org/10.1007/s10514-022-10039-8Xiao X., Liu B., Warnell G., Stone P. Motion planning and control for mobile robot navigation using machine learning: a survey. Autonomous Robots, 2022, vol. 46, no. 5, pp. 569–597. https://doi.org/10.1007/s10514-022-10039-8Tzafestas S.G. Mobile robot control and navigation: A global overview // Journal of Intelligent & Robotic Systems. 2018. V. 91. N 1. P. 35–58. https://doi.org/10.1007/s10846-018-0805-9Tzafestas S.G. Mobile robot control and navigation: A global overview. Journal of Intelligent & Robotic Systems, 2018, vol. 91, no. 1, pp. 35–58. https://doi.org/10.1007/s10846-018-0805-9Pandey A., Pandey S., Parhi D.R. Mobile robot navigation and obstacle avoidance techniques: A review // International Robotics & Automation Journal. 2017. V. 2. N 3. P. 22. https://doi.org/10.15406/iratj.2017.02.00023Pandey A., Pandey S., Parhi D.R. Mobile robot navigation and obstacle avoidance techniques: A review. International Robotics & Automation Journal, 2017, vol. 2, no. 3, pp. 22. https://doi.org/10.15406/iratj.2017.02.00023Kanayama Y., Kimura Y., Miyazaki F., Noguchi T. A stable tracking control method for an autonomous mobile robot // Proc. of the IEEE International Conference on Robotics and Automation. 1990. P. 384– 389. https://doi.org/10.1109/ROBOT.1990.126006Kanayama Y., Kimura Y., Miyazaki F., Noguchi T. A stable tracking control method for an autonomous mobile robot. Proc. of the IEEE International Conference on Robotics and Automation, 1990, pp. 384–389. https://doi.org/10.1109/ROBOT.1990.126006Sun S. Designing approach on trajectory-tracking control of mobile robot // Robotics and Computer-Integrated Manufacturing. 2005. V. 21. N 1. P. 81–85. https://doi.org/10.1016/j.rcim.2004.04.002Sun S. Designing approach on trajectory-tracking control of mobile robot. Robotics and Computer-Integrated Manufacturing, 2005, vol. 21, no. 1, pp. 81–85. https://doi.org/10.1016/j.rcim.2004.04.002Xin L., Wang Q., She J., Li Y. Robust adaptive tracking control of wheeled mobile robot // Robotics and Autonomous Systems. 2016. V. 78. P. 36–48. https://doi.org/10.1016/j.robot.2016.01.002Xin L., Wang Q., She J., Li Y. Robust adaptive tracking control of wheeled mobile robot. Robotics and Autonomous Systems, 2016, vol. 78, pp. 36–48. https://doi.org/10.1016/j.robot.2016.01.002Huang J., Wen C., Wang W., Jiang Z.-P. Adaptive output feedback tracking control of a nonholonomic mobile robot // Automatica. 2014. V. 50. N3 P. 821–831. https://doi.org/10.1016/j.automatica.2013.12.036Huang J., Wen C., Wang W., Jiang Z.-P. Adaptive output feedback tracking control of a nonholonomic mobile robot. Automatica, 2014, vol. 50, no. 3, pp. 821–831. https://doi.org/10.1016/j.automatica.2013.12.036Shojaei K., Shahri A.M., Tarakameh A., Tabibian B. Adaptive trajectory tracking control of a differential drive wheeled mobile robot // Robotica. 2011. V. 29. N 3. P. 391–402. https://doi.org/10.1017/S0263574710000202Shojaei K., Shahri A.M., Tarakameh A., Tabibian B. Adaptive trajectory tracking control of a differential drive wheeled mobile robot. Robotica, 2011, vol. 29, no. 3, pp. 391–402. https://doi.org/10.1017/S0263574710000202Huang J., Wen C., Wang W., Jiang Z.-P. Adaptive stabilization and tracking control of a nonholonomic mobile robot with input saturation and disturbance // Systems & Control Letters. 2013. V. 62. N 3. P. 234–241. https://doi.org/10.1016/j.sysconle.2012.11.020Huang J., Wen C., Wang W., Jiang Z.-P. Adaptive stabilization and tracking control of a nonholonomic mobile robot with input saturation and disturbance. Systems & Control Letters, 2013, vol. 62, no. 3, pp. 234–241. https://doi.org/10.1016/j.sysconle.2012.11.020Jiang Z.P., Nijmeijer H. Tracking control of mobile robots: A case study in backstepping / / Automatica. 1997. V. 33. N 7. P. 1393–1399. https://doi.org/10.1016/S0005-1098(97)00055-1Jiang Z.P., Nijmeijer H. Tracking control of mobile robots: A case study in backstepping. Automatica, 1997, vol. 33, no. 7, pp. 1393– 1399. https://doi.org/10.1016/S0005-1098(97)00055-1Fierro R., Lewis F.L. Control of a nonholomic mobile robot: Backstepping kinematics into d ynamics // Journal of Robotic Systems. 1997. V. 14. N 3. P. 149–163. https://doi.org/10.1002/(SICI)1097-4563(199703)14:3<149::AID-ROB1>3.0.CO;2-RFierro R., Lewis F.L. Control of a nonholomic mobile robot: Backstepping kinematics into dynamics. Journal of Robotic Systems, 1997, vol. 14, no. 3, pp. 149–163. https://doi.org/10.1002/(SICI)1097-4563(199703)14:3<149::AID-ROB1>3.0.CO;2-RFukao T., Nakagawa H., Adachi N. Adaptive tracking control of a nonholonomic mobile robot // IEEE Transactions on Robotics and Automation. 2000. V. 16. N 5. P. 609–615. https://doi.org/10.1109/70.880812Fukao T., Nakagawa H., Adachi N. Adaptive tracking control of a nonholonomic mobile robot. IEEE Transactions on Robotics and Automation, 2000, vol. 16, no. 5, pp. 609–615. https://doi.org/10.1109/70.880812Mudi R.K., Pal N.R. A self-tuning fuzzy PI controller // Fuzzy Sets and Systems. 2000. V. 115. N 2. P. 327–338. https://doi.org/10.1016/S0165-0114(98)00147-XMudi R.K., Pal N.R. A self-tuning fuzzy PI controller. Fuzzy Sets and Systems, 2000, vol. 115, no. 2, pp. 327–338. https://doi.org/10.1016/S0165-0114(98)00147-XLe T.D., Kang H.J., Suh Y.S., Ro Y.-S. An online self-gain tuning method using neural netw orks for nonlinear PD computed torque controller of a 2-dof parallel manipulator // Neurocomputing. 2013. V. 116. P. 53–61. https://doi.org/10.1016/j.neucom.2012.01.047Le T.D., Kang H.J., Suh Y.S., Ro Y.-S. An online self-gain tuning method using neural networks for nonlinear PD computed torque controller of a 2-dof parallel manipulator. Neurocomputing, 2013, vol. 116, pp. 53–61. https://doi.org/10.1016/j.neucom.2012.01.047Zong Q., Zhao Z.S., Zhang J. Higher order sliding mode control with self-tuning law based on integral sliding mode // IET Control Theory & Applications. 2010. V. 4. N 7. P. 1282–1289. https://doi.org/10.1049/iet-cta.2008.0610Zong Q., Zhao Z.S., Zhang J. Higher order sliding mode control with self-tuning law based on integral sliding mode. IET Control Theory & Applications, 2010, vol. 4, no. 7, pp. 1282–1289. https://doi.org/10.1049/iet-cta.2008.0610Sungthong A., Assawinchaichote W. Particle swam optimization based optimal PID parameters for air heater temperature control system // Procedia Computer Science. 2016. V. 86. P. 108–111. https://doi.org/10.1016/j.procs.2016.05.027Sungthong A., Assawinchaichote W. Particle swam optimization based optimal PID parameters for air heater temperature control system. Procedia Computer Science, 2016, vol. 86, pp. 108–111. https://doi.org/10.1016/j.procs.2016.05.027Yamada T., Yabuta T. Neural network controller using autotuning method for nonlinear funct ions // IEEE Transactions on Neural Networks. 1992. V. 3. N 4. P. 595–601. https://doi.org/10.1109/72.143373Yamada T., Yabuta T. Neural network controller using autotuning method for nonlinear functions. IEEE Transactions on Neural Networks, 1992, vol. 3, no. 4, pp. 595–601. https://doi.org/10.1109/72.143373Zeng W., Wang Q., Liu F., Wang Y. Learning from adaptive neural network output feedback co ntrol of a unicycle-type mobile robot // ISA Transactions. 2016. V. 61. P. 337–347. https://doi.org/10.1016/j.isatra.2016.01.005Zeng W., Wang Q., Liu F., Wang Y. Learning from adaptive neural network output feedback control of a unicycle-type mobile robot. ISA Transactions, 2016, vol. 61, pp. 337–347. https://doi.org/10.1016/j.isatra.2016.01.005Chen W.H., Ballance D.J., Gawthrop P.J., O’Reilly J. A nonlinear disturbance observer for robotic manipulators // IEEE Transactions on Industrial Electronics. 2000. V. 47. N 4. P. 932–938. https://doi.org/10.1109/41.857974Chen W.H., Ballance D.J., Gawthrop P.J., O’Reilly J. A nonlinear disturbance observer for robotic manipulators. IEEE Transactions on Industrial Electronics, 2000, vol. 47, no. 4, pp. 932–938. https://doi.org/10.1109/41.857974

The authors declare that there are no conflicts of interest present.