基于PID的四轮麦克纳姆移动机器人控制系统的研究与实现

基于PID的四轮麦克纳姆移动机器人控制系统的研究与实现

引用

CSDN

1.

https://blog.csdn.net/Matlab_dashi/article/details/139497836

本文重点研究四轮麦克纳姆移动机器人的控制，并详细介绍了机器人的运动学和控制器架构。麦克纳姆轮以其独特的结构，能够实现车辆在纵向、横向和偏航方向上的同时运动，并且由于其基于滑动的工作原理，能够避免奇异点。然而，在滑动状态下，麦克纳姆轮移动机器人可能会出现路径偏差。为了减少这种误差，本文使用了四个增量式编码器。接着，本文描述了模糊PID控制器。我们的模型在混合预测控制器上实现，并在仿真和实际应用中进行了测试。机器人具有两种控制模式：自动模式和手动模式。当自动模式激活时，可以控制速度的增加或降低。当机器人处于手动模式时，可以通过智能手机上的应用程序控制机器人的方向。该控制器使用模型来跟踪规划的轨迹，并在状态空间中以合理的计算时间避开障碍物。本文将介绍机器人的动力学模型和控制器的设计。此外，我们选择MATLAB-Simulink程序来求解模型方程。计算机仿真被用来确定车辆在各种驾驶条件下的转向性能。

1. 引言

自动驾驶汽车技术正在快速发展，其数量和质量都在不断提升。而全向移动的能力对于自动驾驶汽车来说至关重要。这也是使用全向轮的移动机器人发展越来越重要的原因。这些机器人能够在不改变方向的情况下朝任何方向移动，并且能够在移动过程中将方向改变到任何所需的位置。全向运动对于机器人来说非常有用，因为它能够实现以下功能：在保持方向不变的情况下避开任何障碍物，能够在狭窄空间内移动，以及在任意轨迹上跟踪目标等。由于这些能力，机器人被用于机器人足球比赛和移动机器人操作等应用中。除了动力转向轮设计之外，大多数设计并不适合户外环境。所有瑞典轮设计以及大多数其他类型的设计都有不连续的轮接触点，会导致移动底座振动。此外，平滑的底座运动需要不连续的轮速。大多数球轮设计存在地面间隙问题，并在球轮和驱动机构之间存在灰尘和沙子问题。目前唯一适合户外作业的设计是动力转向轮设计。但这也会遇到转向轮在执行垂直于旋转平面的运动时固有的轮滑问题。本文提出了一种控制器设计方案，以最大程度地减少这些问题。

如今，全向移动机器人已被开发用于研究目的，并在学术界和工业界发挥着重要作用。与许多其他类型的全向轮相比，麦克纳姆轮在实现全向能力方面已被证明更有效。这些轮子被用于服务机器人，例如智能轮椅、护理机器人和移动机械臂。尽管具有全向运动等优点，但麦克纳姆轮不可避免地会因其结构形状而产生振动。这些振动会降低定位精度。然而，由于麦克纳姆轮的额外机动性和效率，其在新的应用中越来越受欢迎。

运行结果

参考文献

部分理论引用网络文献，若有侵权联系博主删除

1. 各类智能优化算法改进及应用
   生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

2. 机器学习和深度学习方面
   2.1 bp时序、回归预测和分类
   2.2 ENS声神经网络时序、回归预测和分类
   2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
   2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
   2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
   2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
   2.7 ELMAN递归神经网络时序、回归\预测和分类
   2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
   2.9 RBF径向基神经网络时序、回归预测和分类
   2.10 DBN深度置信网络时序、回归预测和分类
   2.11 FNN模糊神经网络时序、回归预测
   2.12 RF随机森林时序、回归预测和分类
   2.13 BLS宽度学习时序、回归预测和分类
   2.14 PNN脉冲神经网络分类
   2.15 模糊小波神经网络预测和分类
   2.16 时序、回归预测和分类
   2.17 时序、回归预测预测和分类
   2.18 XGBOOST集成学习时序、回归预测预测和分类
   方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3. 路径规划方面
   旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4. 无人机应用方面
   无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5. 通信方面
   传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信

6. 信号处理方面
   信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

7. 电力系统方面
   微电网优化、无功优化、配电网重构、储能配置、有序充电

8. 元胞自动机方面
   交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9. 雷达方面