陳 薇 程 航 鄭 濤

(合肥工業(yè)大學(xué)電氣與自動(dòng)化工程學(xué)院，合肥 230009)

基于T-S模糊神經(jīng)網(wǎng)絡(luò)的AGV軌跡跟蹤研究

陳 薇 程 航 鄭 濤

(合肥工業(yè)大學(xué)電氣與自動(dòng)化工程學(xué)院，合肥 230009)

針對(duì)AGV在軌跡跟蹤過(guò)程中出現(xiàn)的問(wèn)題，通過(guò)對(duì)小車(chē)運(yùn)動(dòng)學(xué)模型進(jìn)行分析，采用T-S模糊神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)了一種模糊神經(jīng)網(wǎng)絡(luò)控制器，利用Matlab軟件進(jìn)行仿真，并與普通PID控制器進(jìn)行對(duì)比。仿真結(jié)果表明：基于T-S的模糊神經(jīng)網(wǎng)絡(luò)控制器提高了AGV小車(chē)運(yùn)行的穩(wěn)定性和魯棒性，優(yōu)于普通控制算法。

T-S模糊神經(jīng)網(wǎng)絡(luò) AGV 軌跡跟蹤 Matlab

自動(dòng)導(dǎo)引小車(chē)(AGV)軌跡跟蹤的目的是讓AGV沿著已經(jīng)規(guī)劃好的路徑進(jìn)行精確跟蹤運(yùn)行[1]。而在實(shí)際運(yùn)行過(guò)程中，由于AGV運(yùn)行環(huán)境的不可預(yù)知性和小車(chē)本身動(dòng)力學(xué)的較高復(fù)雜性，因此很難精確地控制AGV的軌跡跟蹤。常用的控制方法(如PID控制算法)容易出現(xiàn)小車(chē)跟蹤誤差較大、運(yùn)行不穩(wěn)定等情況。針對(duì)這些問(wèn)題，筆者采用模糊神經(jīng)網(wǎng)絡(luò)控制算法,通過(guò)設(shè)計(jì)模糊神經(jīng)網(wǎng)絡(luò)控制器來(lái)實(shí)現(xiàn)AGV小車(chē)路徑的精確跟蹤控制。

1 AGV運(yùn)動(dòng)學(xué)模型①

筆者研究?jī)奢嗱?qū)動(dòng)AGV，小車(chē)的驅(qū)動(dòng)輪分別由一臺(tái)直流伺服電機(jī)單獨(dú)進(jìn)行驅(qū)動(dòng)[2]。圖1所示為AGV在絕對(duì)坐標(biāo)系中的運(yùn)動(dòng)學(xué)模型。圖中D為驅(qū)動(dòng)輪直徑，L為AGV左右輪之間的距離，v為車(chē)體幾何中心的線速度，ωL、ωR、ω分別為左輪、右輪和車(chē)體轉(zhuǎn)動(dòng)的角速度[3]。左右輪的運(yùn)動(dòng)學(xué)方程分別為(變量上的點(diǎn)表示對(duì)變量進(jìn)行微分)：

圖1 AGV運(yùn)動(dòng)學(xué)模型

式中vL、vR——左輪、右輪的線速度。

AGV車(chē)體轉(zhuǎn)動(dòng)的角速度為：

AGV車(chē)體幾何中心的線速度為：

驅(qū)動(dòng)輪半徑為：

通過(guò)分析可以看出，小車(chē)不同位置狀態(tài)的變化是可以通過(guò)控制小車(chē)車(chē)體角速度ω和線速度v來(lái)實(shí)現(xiàn)的[4]。

1.1T-S模糊神經(jīng)網(wǎng)絡(luò)

Takagi-Sugeno(T-S)模糊邏輯系統(tǒng)是Takagi和Sugeno于1985年提出的，它是復(fù)雜非線性系統(tǒng)模糊建模中一種經(jīng)典的模糊動(dòng)態(tài)模型[5]。基于T-S模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的融合，得到了一種結(jié)構(gòu)簡(jiǎn)單的T-S模糊神經(jīng)網(wǎng)絡(luò)。T-S模糊神經(jīng)網(wǎng)絡(luò)為普通的模糊神經(jīng)網(wǎng)絡(luò)，共有4層，分別為輸入層、模糊化層、規(guī)則計(jì)算層和輸出層[6]，如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第一層為輸入層。每個(gè)節(jié)點(diǎn)均與輸入向量xi相連。

第二層為模糊化層。筆者采用高斯函數(shù)作為T(mén)-S模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)，所采用的隸屬度函數(shù)為：

1.2T-S模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

梯度下降法在普通神經(jīng)網(wǎng)絡(luò)訓(xùn)練中被廣泛使用，所以也常被應(yīng)用到此類(lèi)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整過(guò)程中。筆者同樣也采用梯度下降法。T-S模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下：

e——實(shí)際輸出和期望輸出的誤差；

xj——網(wǎng)絡(luò)輸出參數(shù)；

yc——網(wǎng)絡(luò)實(shí)際輸出；

yd——網(wǎng)絡(luò)期望輸；

α——網(wǎng)絡(luò)學(xué)習(xí)率。

2 仿真分析

在Matlab的Simulink環(huán)境下，設(shè)計(jì)T-S模糊神經(jīng)控制器，對(duì)AGV小車(chē)的軌跡跟蹤問(wèn)題進(jìn)行仿真，并與單純的PID控制器進(jìn)行比較。仿真目標(biāo)對(duì)象AGV小車(chē)的角速度設(shè)定為0.5rad/s，線速度設(shè)定為1m/s；當(dāng)選擇跟蹤正弦曲線y=sinx時(shí)，起始位置狀態(tài)(x,y,α)=(-5.00,0.25,0)，起始位置偏差[e1,e2,e3]=[2.60，2.30，1.62],選擇設(shè)計(jì)參數(shù)k1=2、k2=4、k3=3、k=4。

首先選用RBF-PD控制器進(jìn)行訓(xùn)練，根據(jù)實(shí)際使用經(jīng)驗(yàn)，初始參數(shù)設(shè)為P=150，D=150，得到如圖3所示的軌跡跟蹤曲線。同時(shí)，根據(jù)上述設(shè)定參數(shù)，選用T-S模糊神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，得到如圖4所示的軌跡跟蹤曲線。

圖3 PD控制器跟蹤曲線

圖4 T-S模糊神經(jīng)網(wǎng)絡(luò)控制器跟蹤曲線

圖5為PD控制器與T-S模糊神經(jīng)網(wǎng)絡(luò)控制器跟蹤誤差的對(duì)比圖，由此可以分析得出，T-S模糊神經(jīng)網(wǎng)絡(luò)控制器相比傳統(tǒng)的PD控制器跟蹤誤差更小，穩(wěn)定性更強(qiáng)。

圖5 PD控制器與T-S模糊神經(jīng)

3 結(jié)束語(yǔ)

筆者利用T-S模糊神經(jīng)網(wǎng)絡(luò)控制算法，對(duì)AGV的運(yùn)行軌跡進(jìn)行了跟蹤控制。通過(guò)仿真驗(yàn)證，該算法能滿足控制要求，相比傳統(tǒng)PD控制器，精確度更高，跟蹤效果更加良好。

[1] 楊遠(yuǎn)航,方慶琯.基于模糊控制的AGV軌跡跟蹤研究[J].起重運(yùn)輸機(jī)械,2011,(2):16～18.

[2] 唐勇奇,趙葵銀,伍萍輝.一種基于模糊神經(jīng)元混合控制器的交流驅(qū)動(dòng)系統(tǒng)[J].化工自動(dòng)化及儀表,2001,28(2):49～52.

[3] 廖華麗,周祥,董豐,等.基于模糊控制的AGV尋跡算法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2005,37(7):896～898.

[4] Tlale N S.Fuzzy Logic Controller with Slip Detection Behaviour for Mecallum-wheeled AGV[J].Robotica,2005,23(4):455～456.

[5] Wu Y W, Sun X M,Ren C M,et al.Research on Human-like Intelligent PID Control Algorithm in the Temperature Control[C]. 2003 International Conference on Machine Learning and Cybernetics.xi′an:IEEE,2003:681～685.

[6] 王憲,盛巍,宋書(shū)林,等.T-S模糊模型變結(jié)構(gòu)的機(jī)器臂軌跡跟蹤控制[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2012,21(2):59～64.

[7] 覃才瓏.實(shí)驗(yàn)型AGV控制與導(dǎo)引系統(tǒng)研究與開(kāi)發(fā)[D].南寧:廣西大學(xué),2012.

[8] 趙德云,楊厚華,王哲.基于模糊神經(jīng)網(wǎng)絡(luò)控制的AGV避障路徑規(guī)劃仿真[J].機(jī)電工程,2010,27(9):27～31.

[9] 莊利鋒,楊慧中,張志強(qiáng),等.一種分布式模糊神經(jīng)網(wǎng)絡(luò)在熔融指數(shù)軟測(cè)量中的應(yīng)用[J].化工自動(dòng)化及儀表,2004,31(4):16～18.

聲明

本刊現(xiàn)入編“萬(wàn)方數(shù)據(jù)——數(shù)字化期刊群”和“中國(guó)核心期刊(遴選)數(shù)據(jù)庫(kù)”，作者著作權(quán)使用費(fèi)與本刊稿酬一次性給付，不再另行發(fā)放。作者如不同意將文章入編，投稿時(shí)敬請(qǐng)說(shuō)明。

ResearchonAGVTrajectoryTrackingBasedon
T-SFuzzyNeuralNetwork

CHEN Wei, CHENG Hang, ZHENG Tao

(SchoolofElectricalEngineeringandAutomation,HefeiUniversityofTechnology,Hefei230009,China)

Considering the AGV trajectory tracking, the AGV’s kinematics model was analyzed and T-S fuzzy neural network model was applied to design a fuzzy neural controller. Simulating it with Matlab and comparing it with ordinary PD controller show that this T-S-based fuzzy neural network controller can improve AGV stability and robustness, and it outperforms the traditional control algorithm.

T-S fuzzy neural network, AGV, trajectory tracking, Matlab

2016-02-29(修改稿)

TH865

A

1000-3932(2016)04-0367-03