Sep, 2023

使用滑模控制和深度学习对滑移和分层补偿的轨迹跟踪控制

PDF
TL;DR这篇论文介绍了一个新的轨迹跟踪技术，该技术在户外环境中为滑移转向移动机器人提供了真实可行的在线滑移和打滑补偿，采用滑模控制技术设计了一个鲁棒的轨迹跟踪系统，整合了两个先前开发的深度学习模型来估计机器人的滑移和不良打滑，并实时反馈给补偿器，实验结果表明，该系统能够提高轨迹跟踪性能超过 27%。
发现论文，激发创造
  • 一种基于数据驱动的打滑估计方法用于在不同路况下实现有效的制动控制

    针对机器人系统的制动控制性能，提出了一种基于多层神经网络的摩擦估计算法，经过实验和对比结果表明该算法能够提供有效的最佳滑行估计。

    Nov, 2022

  • 紧耦合的激光雷达 - 惯性导航系统 - 轮式测距仪，用于滑移转向机器人的运动模型在线标定

    针对隧道和长走廊等具有挑战性的环境中的移动机器人，本研究提出一种与在线校准相结合的 LiDAR-IMU-wheel 测距法算法，针对滑动转向机器人进行研究，旨在解决点云退化的问题。通过在线校准和不断变化的运动模型，该方法能够在退化环境下实现准确的定位，并通过在线不确定性估计实现合理约束。

    Apr, 2024

  • 无模型的复杂动态轨迹跟踪控制与机器学习

    通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

    Sep, 2023

  • 缩放机器人车辆的建模、定位和深度强化学习路径跟踪控制：设计与实验验证

    移动机器人系统中，提出了一种分散拓展的扩展卡尔曼滤波器和一种通过专家演示器训练的强化学习路径跟踪控制器的新颖方案，实验结果表明，FEKF 能够改善移动机器人位置的估计，AI 解决方案能够胜过基于模型的控制策略和演示器，同时通过一系列性能指标对比评估与基准控制器。

    Jan, 2024

  • 基于注意力神经网络的移动机器人轮式里程校正在线学习

    本文提出了一种基于在线学习和神经网络的轮式编码器校正方法，以提高机器人的定位系统的准确性。与传统的神经网络和滤波器校正算法相比，该方法表现出明显的技术优势，并且不需要耗时的数据收集过程。

    Mar, 2023

  • 基于模型预测路径积分控制的自主越野拉力赛驾驶学习地形感知运动学模型

    提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。

    May, 2023

  • 基于深度学习的地形分类和地面机器人滑动估计

    应用深度学习算法解决了地面移动机器人中的两个关键问题，并比较了传统机器学习方法和深度神经网络的性能表现以及体现网络结构的调参参数对于结果的影响。

    Jun, 2018

  • 基于自适应模型预测控制的轮式移动机器人控制

    本文演示了一种基于自适应模型预测控制框架的控制算法，用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点，其中使用了递归最小二乘算法更新了一组标称参数。

    Jan, 2022

  • 学习轮腿机器人的稳健自主导航和运动

    自主轮足机器人具有改变物流系统的潜力，通过采用自适应步态控制、导航规划和城市内的大规模路径规划等创新解决方案，能够有效实现对复杂环境中的自主导航。

    May, 2024

  • 基于仿生神经动力学和自适应滑模创新滤波的移动机器人分布式领从编队控制

    本文提出了一种基于神经动力学的分布式控制策略，通过反步和滑模控制的混合形式实现了多个不同差动驱动移动机器人的分布式 leader-follower 形成控制，并集成了自适应滑动创新滤波器，以提供对建模不确定性鲁棒的精确状态估计。经过多次模拟，验证了该控制策略的有效性和高效性。

    May, 2023