摘要
轮式移动机器人系统的编队控制是近年来智能控制和信息科学领域受到广泛关注的研究方向。它具有灵活性强、可高度定制化、功能丰富等特点，更是被广泛应用于工业、军事、农业、服务等领域的协同工作。在移动机器人控制中，为保证编队精确有序地跟踪指定的队形期望轨迹，需要将运动学和动力学模型相结合，采用力控的方式对机器人末端执行器进行控制。因而，模型的精确程度成为严重影响移动机器人编队控制效果的一个重要因素。但轮式移动机器人动力学本身的强耦合、欠驱动和多输入多输出等特点，使得其精确建模变得十分困难，而放宽建模精确性这一限制，也是移动机器人编队中不可忽视的重要问题。此外，在系统实际运行过程中，由于其机械结构的硬件限制、外部扰动和速度约束等，使编队控制的分析变得更复杂。本论文在无模型自适应框架下结合数据驱动控制、迭代学习控制等理论，研究了一类可执行重复运动任务的多轮式移动机器人编队控制问题，主要研究内容如下： (1)针对轮式移动机器人的编队问题，提出了一套双闭环数据驱动迭代学习控制策略，在外环算法中引入领航跟随型编队模式和有向图，设计了基于分布式迭代学习控制的编队算法。在内环算法中，针对传统机器人控制算法对车辆动力学模型精确度依赖过高的问题，用动态线性化输入输出数据模型替代车辆动力学模型，基于数据模型分析和设计了一种迭代域内更新的有限时间速度跟踪算法。最后，给出了位置误差与速度跟踪误差收敛的理论分析，仿真结果验证了这种双闭环编队控制方法的有效性。 (2)考虑移动机器人在实际运行中，由于其机械结构的物理特性和负载端所需的其它耗能干扰而产生的电机做功不能完全转化为负载驱动力的问题，提出一种基于状态观测器的数据驱动迭代学习速度跟踪算法。利用比例已知的能量损耗因子及负载耗能扰动对电机能量损耗现象进行建模，设计状态观测器来估计数据模型中的扰动信号，并在跟踪算法的构造上引入观测误差，以消除能量损耗和负载扰动对移动机器人速度跟踪的不利影响。结合分布式迭代学习的编队算法，构成双闭环编队策略。 (3)考虑速度受限的移动机器人编队问题，在第二章基础上，进一步对系统的动力学模型进行了解耦。采用迭代域动态线性化技术，建立了基于机器人I/O的数据模型，结合PI控制算法的设计思想，提出了改进的数据驱动迭代学习速度跟踪算法，该算法在迭代轴上同时包含比例项和积分项跟踪误差。并设计了一种性能指标函数，借助迭代域速度跟踪误差累计值对改进算法与传统速度跟踪算法的控制性能方面进行了对比评价，进一步的得出PI型改进算法具有更快的收敛速度和更加优秀的收敛效果。
NETL