基于人工魚群算法的兩輪機器人運動控制研究

譚志銀

摘要：為了降低機器人實際運動位置與目標位置跟蹤誤差，設計了徑向基函數(shù)（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡控制器。利用人工魚群算法迭代搜索最優(yōu)值原理對RBF神經(jīng)網(wǎng)絡控制器進行優(yōu)化，將優(yōu)化后的控制器用于兩輪機器人控制系統(tǒng)中，并給出了兩輪機器人誤差控制方程式。同時采用MATLAB軟件對兩輪機器人的控制系統(tǒng)進行仿真，對比分析優(yōu)化前和優(yōu)化后輸出誤差變化范圍。結果表明：優(yōu)化后兩輪機器人在向目標位置移動時產(chǎn)生的誤差變化幅度范圍較小。利用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡控制器，能夠提高控制器的反應速度，降低兩輪機器人跟蹤目標產(chǎn)生的誤差。

關鍵詞：兩輪機器人;RBF神經(jīng)網(wǎng)絡控制器;人工魚群算法;優(yōu)化;仿真

中圖分類號：TH112? ? ? 文獻標志碼：A? ? ? 文章編號：1008-4657（2021）03-0074-05

引言

隨著智能化時代的到來，各式各樣的機器人也隨之而來。其中，仿人機器人研究較多，主要包括雙足行走式和輪式兩種方式。目前常見的輪式機器人有兩輪、三輪和四輪式。輪子越多，行駛相對更加穩(wěn)定，但是約束過多，結構也相對復雜。兩輪機器人具有結構簡單、運動靈活，可以在空間較小的范圍內(nèi)執(zhí)行復雜任務[ 1-2 ]。面對外界各種不確定因素，兩輪機器人移動過程中，其控制精度格外重要。因此，必須加快我國機器人控制領域的研究，更好的適應各種復雜環(huán)境。

兩輪機器人控制系統(tǒng)一直是研究的熱點問題，為了使機器人更好的為社會服務，對機器人控制系統(tǒng)展開了研究。文獻[ 3-4 ]研究兩輪平衡機器人PID控制系統(tǒng)，分析了兩輪機器人斜坡簡圖，構造機器人動力學方程式。設計PID控制系統(tǒng)，通過仿真驗證控制系統(tǒng)的穩(wěn)定性，提高了機器人運動的穩(wěn)定性。文獻[ 5-6 ]研究了兩輪機器人神經(jīng)網(wǎng)絡補償控制系統(tǒng)，設計了兩輪機器人結構示意圖，引用了BP神經(jīng)網(wǎng)絡控制系統(tǒng)，利用神經(jīng)網(wǎng)絡算法逼近方法提高機器人運動精度，在不同工況條件下對機器人補償效果進行仿真驗證，提高了機器人檢測精度。文獻[ 7 ]研究了兩輪機器人模糊PID控制系統(tǒng)，給出了模糊理論控制算法，引用PID控制系統(tǒng)，給出了模糊自適應PID控制流程，通過仿真對兩輪機器人進行驗證，證明了控制系統(tǒng)的有效性。以前研究的機器人控制系統(tǒng)，從在某種程度上說，提高了機器人運動軌跡跟蹤精度。但是，隨著智能化產(chǎn)業(yè)的發(fā)展，對機器人位置精度的要求也變得越來越苛刻，需要不斷的追求高精度控制系統(tǒng)。對此，本文創(chuàng)建了兩輪機器人二維模型簡圖，定義了機器人在向目標位置移動產(chǎn)生的誤差方程式，給出了機器人運動路徑最短表達式。同時設計了兩輪機器人RBF神經(jīng)網(wǎng)絡控制器，利用人工魚群算法迭代搜索全局最優(yōu)值原理對控制器進行優(yōu)化。通過仿真曲線比較優(yōu)化前和優(yōu)化后的誤差變化范圍，為兩輪機器人控制系的研究提供參考。

1? ? ? ? 兩輪機器人

在直角坐標系中，建立兩輪機器人運動簡圖，如圖1所示。

在圖1，O-xy為直角坐標系，機器人起點位置為P1點，終點位置為P2點，機器人移動位移為L。機器人通過調(diào)整自轉角度θ和移動速度v從起點位置向終點位置移動。

兩輪機器人向目標移動過程中，其速度和角速度[ 8 ]定義為

式中：x、y分別為坐標系橫向、縱向位置;ω為兩輪機器人自轉角速度。

兩輪機器人向目標方向運動時，其運動位移誤差定義為

式中：s為期望運動位移;sd為實際運動位移。

若要降低兩輪機器人運動位移誤差，必須使機器人運動路徑最短，其表達式為

式中：（xi，yi）為起點位置;（xj，yj）為終點位置。

2? ?改進RBF神經(jīng)網(wǎng)絡控制

2.1? ?人工魚群算法

采用人工魚群算法，其人工魚個體位置[ 9-10 ]為

式中：Xi為個體尋優(yōu)變量。

在人工魚所在位置處，其食物濃度定義為

式中：f（X）為適應度函數(shù)。

不同人工魚個體相距位置定義為

人工魚群算法搜索過程包括以下部分[ 9-10 ]：

1）覓食行為，其狀態(tài)定義為

式中：V為人工魚的視野范圍;V為區(qū)間[-1，1]之間隨機數(shù)。

如果Xj位置食物濃度高于Xi，則人工魚就會向Xj位置移動一步，即為覓食行為，如下所示

式中：s為移動步長;t為迭代次數(shù)。

2）聚群行為，在人工魚為Xi位置時，d

如果XC位置適應度較好，則向XC位置聚集，否則繼續(xù)覓食，如下所示

3）追尾行為，尋找視野區(qū)間中優(yōu)秀個體，若Xj位置適應度較好，并且不太擁擠，則向其Xj處移動，否則繼續(xù)覓食，如下所示

4）隨機行為，當?shù)螖?shù)達到最大值，仍然沒有搜索到最優(yōu)值，就會產(chǎn)生隨機行為，如下所示

采用人工魚群算法流程圖如圖2所示。

2.2? ?RBF控制器優(yōu)化

RBF神經(jīng)網(wǎng)絡采用多輸入單輸出的網(wǎng)絡結構，能夠逼近任意連續(xù)的函數(shù)，具有較好的控制效果。RBF神經(jīng)網(wǎng)絡采取的函數(shù)為高斯基函數(shù)[ 11 ]，如下所示

式中：x = [x1，x2，…，xn]T為輸入向量;cj = [cj1，cj2，…，cjn]為中心矢量;bj為基寬度參數(shù)。

在RBF神經(jīng)網(wǎng)絡控制器中，其權向量定義為

控制器網(wǎng)絡輸出函數(shù)[ 11 ]定義為

兩輪機器人控制目標函數(shù)可以定義為

采用梯度下降法[ 11 ]，不同參數(shù)迭代算法定義為：

式中：α為動量變化因子;η為學習速率。

采用人工魚群算法對RBF神經(jīng)網(wǎng)絡控制器進行優(yōu)化，將優(yōu)化后的控制器用于兩輪機器人中，其優(yōu)化控制流程如圖3所示。

3? ?仿真與分析

為了驗證兩輪機器人優(yōu)化后的控制效果，進行仿真實驗，比較優(yōu)化前和優(yōu)化后的機器人運動誤差，從而體現(xiàn)出人工魚群算法優(yōu)化后的優(yōu)越性。假設兩輪機器人起始位置坐標為（0，0），終點位置坐標為（1000，1000）。在相同環(huán)境中，橫向跟蹤誤差如圖4所示，縱向跟蹤誤差如圖5所示。

根據(jù)圖4可知，優(yōu)化前，兩輪機器人橫向輸出誤差范圍在-3 mm至3 mm之間，變化幅度較大。優(yōu)化后，兩輪機器人橫向輸出誤差范圍在-2 mm至2 mm之間，變化幅度較小。

根據(jù)圖5可知，優(yōu)化前，兩輪機器人縱向輸出誤差范圍在-3 mm至3 mm之間，變化幅度較大。優(yōu)化后，兩輪機器人縱向輸出誤差范圍在-2 mm至2 mm之間，變化幅度較小。

對比優(yōu)化前和優(yōu)化后的兩輪機器人控制效果，優(yōu)化后輸出誤差明顯低于優(yōu)化前。優(yōu)化前的RBF神經(jīng)網(wǎng)絡控制器，機器人橫向和縱向輸出誤差相差不大;優(yōu)化后的RBF神經(jīng)網(wǎng)絡控制器，機器人橫向和縱向輸出誤差相差不大。但是RBF神經(jīng)網(wǎng)絡控制器采用人工魚群算法優(yōu)化后，控制精度得到了提高，優(yōu)勢相對明顯。因此，采用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡控制器，可以使兩輪機器人定位更加精確，適合機器人高精度移動的場合。

4? ?結語

針對兩輪機器人跟蹤誤差較大問題，設計了RBF神經(jīng)網(wǎng)絡控制器，采取人工魚群算法對控制器進行優(yōu)化，將優(yōu)化后的控制器進行仿真驗證。實驗結果表明：優(yōu)化前，兩輪機器人橫向和縱向跟蹤誤差在-3 mm至3 mm之間，優(yōu)化后，兩輪機器人橫向和縱向跟蹤誤差在-2 mm至2 mm之間。優(yōu)化后，兩輪機器人運動軌跡跟蹤誤差降低了，證明了人工魚群算法具有較好的搜索功能，能夠提高兩輪機器人運動精度，為后期從事兩輪機器人研究人員提供參考方法。

參考文獻：

[1] 陶言侃.雙輪自平衡機器人設計及軌跡跟蹤控制研究[D].哈爾濱：哈爾濱工業(yè)大學，2019.

[2] 李巧藝.酒店服務機器人結構設計與運動控制研究[D].成都：西南交通大學，2017.

[3] 閆輝，賈彥茹，董建軍.一種兩輪自平衡機器人比例-積分-微分控制方法[J].自動化技術與應用，2021，40（3）：6-10.

[4] Carlucho I， Paula M D， Villar S， et al. Incremental q-learning strategy for adaptive pid control of mobile robots[J].Expert Systems With Applications， 2017，80：183-199.

[5] 黎小巨，殷素峰，陳洵凜，等.兩輪自平衡機器人姿態(tài)誤差的神經(jīng)網(wǎng)絡補償研究[J].機床與液壓，2020，48（15）：44-49.

[6] Hoang N B， Kang H J. Neural network-based adaptive tracking control of mobile robots in the presence of wheel slip and external disturbance force[J].Neurocomputing，2016，188：12-22.

[7] 夏國清，陳華珍.模糊理論和PID相融合的兩輪自平衡機器人智能控制系統(tǒng)[J].現(xiàn)代電子技術，2018，41（21）：117-120.

[8] Begnini M， Bertol D W， Martins N A. A robust adaptive fuzzy variable structure tracking control for the wheeled mobile robot： simulation and experimental results[J].Control Engineering Practice， 2017，64： 27-43.

[9] 姚正華.改進人工魚群智能優(yōu)化算法及其應用研究[D].徐州：中國礦業(yè)大學，2016.

[10] Costa F P M， Rocha M A C A， Fernandes M G P E. An artificial fish swarm algorithm based hyperbolic augmented lagrangian method[J].Journal of Computational and Applied Mathematics， 2014，259：868-876.

[11] 申愛民，賀嚴松.用于車輛非線性液壓懸架的徑向基函數(shù)神經(jīng)網(wǎng)絡控制優(yōu)化與仿真[J].中國工程機械學報，2020，18（2）：148-152.

[責任編輯：鄭筆耕]