【技術實現步驟摘要】
本專利技術涉及agv控制，尤其涉及一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法。
技術介紹
1、當前，koopman算子已經應用于機器人控制系統中，其應用方向包括：1、使用koopman算子為未知動態過程獲得可線性化的數據驅動模型，spherosprk機器人的實驗結果探索了基函數中增加的復雜性改善了各種地形(包括沙地)下的開環和閉環控制器性能。2、利用koopman算子設計機器人系統的主動學習策略，然后將信息論的方法應用于動態系統koopman高維模型的學習過程，提高了數據的信息利用率，并推導機器人的主動學習控制器。3、利用koopman算子提出了一種數據驅動的非線性系統線性嵌入方法，對尾部驅動機器魚的建模和控制具有效果，這是基于koopman的lqr控制的首次實驗驗證。4、基于koopman算子構建軟體機器人的顯式線性動力學模型方法，并實現基于模型的線性控制方法控制軟體機器人，區別于神經網絡等“黑盒”輸入輸出映射，該方法是數據驅動的，并基于該方法設計了模型預測控制器。
2、但是當前，koopman算子在重載agv控制領域的開發尚屬空白，更是缺乏系統性的基于koopman算子構建的重載agv模型的驗證方法，尚無法驗證該模型的有效性。
3、因此如何設計一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法，以驗證該模型的有效性，即成為本領域人員亟待解決的技術問題。
技術實現思路
1、本專利技術的目的在于，解決現有技術的不足之處，提
2、本專利技術的一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法，包括以下步驟：
3、步驟一：數據預處理；
4、步驟二：旋轉矩陣并轉換坐標系，將重載agv受力的車體坐標系轉換為世界坐標系；
5、步驟三：確定基函數及升維維度；
6、步驟四：仿真驗證mpc控制器，包括：
7、(1)直線軌跡
8、直線期望軌跡方程如式(1)所示：
9、
10、本專利技術中選取期望軌跡初始狀態為：qd0＝(xd(0)，yd(0)，θd(0))＝(0，0，π/6)
11、重載agv初始狀態為：qr0＝(xr(0)，yr(0)，θr(0))＝(0，0，0)
12、mpc參數設置為：
13、qa＝0.1*diag(1，1，1，1，1，1，1，1，1，1，1，1，1，1，1)
14、
15、rc＝1×10-6*diag(1，1，0.1，1，1，1，1，1，1，1，1，1，1，1，1)，?????(2)
16、(2)圓形軌跡
17、圓形期望軌跡方程如式(3)所示：
18、
19、選取期望軌跡初始狀態為：
20、
21、重載agv初始狀態為：
22、
23、而且，步驟一中，預處理的數據包括仿真過程中共采集的n條運動軌跡數據，每條軌跡采樣時間為t，采樣周期δt＝0.01s，共計500*n個數據，其中0.8n條運動軌跡數據中的400*n個數據用來求解koopman高維線性模型矩陣a、矩陣b和矩陣c，另外0.2n條運動軌跡數據中的100*n個數據用來評價求解的koopman高維線性模型與真實的拉格朗日動力學模型之間的逼近程度；并定義重載agv原始維度為30維，前15維為重載agv中包括的x坐標，y坐標，傾角θ和電機的角度的位置信息，后15維為重載agv中包括x方向速度y方向速度車體角速度和電機的角速度的速度信息。
24、而且，步驟二中坐標系轉換方法如下：
25、在車體坐標系中，重載agv受力分析如式(6)所示：
26、
27、其中，d1＝-s?cosγ1+h?sinγ1-d，d2＝-s?cosγ1+h?sinγ1+d，d3＝s?cosγ2+hsinγ2-d，d4＝s?cosγ2+h?sinγ2+d，d5＝-s?cosγ3-d，d6＝-s?cosγ3+d，d7＝s?cosγ4-d，d8＝s?cosγ4+d，d9＝-s?cosγ5-h?sinγ5-d，d10＝-s?cosγ5-h?sinγ5+d，d11＝s?cosγ6-hsinγ6-d，d12＝s?cosγ6-h?sinγ6+d；
28、從車體坐標系到世界坐標系的旋轉矩陣為：
29、
30、得出：
31、旋轉矩陣c為：其中，
32、而且，步驟三中，選擇中心位于x0的薄板樣條徑向基函數作為基函數，即ψ(x)＝||x-x0||2log(||x-x0||)；x0為元素在給定區間內均勻分布的常向量，并根據均方根誤差與相對均方根誤差的最小值設定koopman模型的維度。
33、本專利技術的優點及技術效果在于：
34、本專利技術的一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法，根據約束情況進行數據預處理，并求解旋轉矩陣，確定了基函數和koopman模型的升維維度，與拉格朗日模型進行比較，定量分析了koopman高維線性模型的準確性，表明koopman模型具有更高的準確性；最后，通過直線和圓形兩種參考軌跡的仿真和實驗證明，基于koopman的mpc控制器可以使重載agv很好的完成軌跡跟蹤控制，驗證了該控制器的有效性，有效降低了重載agv建模的復雜性。
本文檔來自技高網...【技術保護點】
1.一種基于Koopman算子的重載AGV軌跡跟蹤模型的仿真分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于Koopman算子的重載AGV軌跡跟蹤模型的仿真分析方法，其特征在于：所述步驟一中，預處理的數據包括仿真過程中共采集的n條運動軌跡數據，每條軌跡采樣時間為t，采樣周期ΔT＝0.01s，共計500*n個數據，其中0.8n條運動軌跡數據中的400*n個數據用來求解Koopman高維線性模型矩陣A、矩陣B和矩陣C，另外0.2n條運動軌跡數據中的100*n個數據用來評價求解的Koopman高維線性模型與真實的拉格朗日動力學模型之間的逼近程度；并定義重載AGV原始維度為30維，前15維為重載AGV中包括的x坐標，y坐標，傾角θ和電機的角度的位置信息，后15維為重載AGV中包括x方向速度y方向速度車體角速度和電機的角速度的速度信息。
3.根據權利要求1所述的一種基于Koopman算子的重載AGV軌跡跟蹤模型的仿真分析方法，其特征在于：所述步驟二中坐標系轉換方法如下：
4.根據權利要求1所述的一種基于Koopman算子的重載AGV
...【技術特征摘要】
1.一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于koopman算子的重載agv軌跡跟蹤模型的仿真分析方法，其特征在于：所述步驟一中，預處理的數據包括仿真過程中共采集的n條運動軌跡數據，每條軌跡采樣時間為t，采樣周期δt＝0.01s，共計500*n個數據，其中0.8n條運動軌跡數據中的400*n個數據用來求解koopman高維線性模型矩陣a、矩陣b和矩陣c，另外0.2n條運動軌跡數據中的100*n個數據用來評價求解的koopman高維線性模型與真實的拉格朗日動力學模型之間的逼近程度；并定義重載agv原始維度為30維，前15維為重載...
【專利技術屬性】
技術研發人員：朱雪宏，朱雅喬，武晉，
申請(專利權)人：天津中德應用技術大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。