Bộ điều khiển thích nghi mạng nơron cho bài toán bám quỹ đạo robot di động bánh xe xét đến ràng buộc vận tốc
DOI:
https://doi.org/10.54939/1859-1043.j.mst.110.2026.22-33Từ khóa:
Robot di động; Điều khiển thích nghi; Ràng buộc vận tốc; Mạng nơ-ron; Backstepping; Bám quỹ đạo.Tóm tắt
Bài báo này trình bày một phương pháp điều khiển thích nghi sử dụng mạng nơroncho bài toán bám quỹ đạo của robot di động bánh xe không toàn phương (WMR) dưới các ràng buộc về vận tốc. Mục tiêu điều khiển là đảm bảo chuyển động bám quỹ đạo ổn định ngay cả khi tồn tại bất định mô hình và nhiễu bên ngoài. Một mạng nơron (ANN) được sử dụng để xấp xỉ các phi tuyến chưa biết trong động học của robot, trong khi một luật điều khiển phụ trợ được thiết kế để bù các giới hạn vận tốc và đảm bảo vận hành an toàn trong miền cho phép. Thiết kế đề xuất kết hợp giữa phản hồi dựa trên mô hình và cơ chế thích nghi dựa trên dữ liệu nhằm nâng cao độ chính xác bám quỹ đạo và tính bền vững. Tính ổn định của toàn bộ hệ kín được chứng minh thông qua phân tích Lyapunov, đảm bảo sự hội tụ của sai số bám. Kết quả mô phỏng cho thấy bộ điều khiển dựa trên ANN đề xuất đạt được tốc độ hội tụ nhanh hơn, sai số xác lập nhỏ hơn và khả năng chống nhiễu tốt hơn so với các bộ điều khiển truyền thống dựa trên mô hình.
Tài liệu tham khảo
[1]. J. X. Xu, Z. Q. Guo, and T. H. Lee. “Design and implementation of integral sliding-mode control on an underactuated two-wheeled mobile robot”. IEEE Transactions on Industrial Electronics, vol. 61, no. 7, pp. 3671-3681, (2014).
[2]. W. He, Y. Dong, and C. Sun. “Adaptive neural impedance control of a robotic manipulator with input saturation”. IEEE Transactions on Systems Man and Cybernetics Systems, vol. 46, no. 3, pp. 334-344, (2017).
[3]. G. Yi, J. Mao, Y. Wang, H. Zhang, and Z. Miao. “Neurodynamics-based leader-follower formation tracking of multiple nonholonomic vehicles”. Assembly Automation, vol. 38, no. 5, pp. 548-557, (2018).
[4]. C. Hua, C. Lei, Z. Qian, and T. Fei. “Visual servoing of dynamic wheeled mobile robots with anti-interference finite-time controllers”. Assembly Automation, vol. 38, no. 5, pp. 558-567, (2018).
[5]. W. Sun, S. Tang, H. Gao, and J. Zhao. “Two time-scale tracking control of nonholonomic wheeled mobile robots”. IEEE Transactions on Control Systems Technology, vol. 24, no. 6, p. 2059–2069, (2016).
[6]. R. W. Brockett. “Asymptotic stability and feedback stabilization”. Differential Geometric Control Theory, vol. 27, pp. 181-191, (1983).
[7]. H. Xiao, Z. Li, C. Yang, L. Zhang, P. Yuan, L. Ding, and T. Wang. “Robust stabilization of a wheeled mobile robot using model predictive control based on neurodynamics optimization”. IEEE Transactions on Industrial Electronics, vol. 64, no. 1, pp. 505-516, (2016).
[8]. J. Alvarez-Ramirez, V. Santibanez, and R. Campa. “Stability of robot manipulators under saturated pid compensation”. IEEE Transactions on Control Systems Technology, vol. 16, no. 6, pp. 1333-1341, (2008).
[9]. G. Wen, C. L. P. Chen, Y. J. Liu, and L. Zhi. “Neural network-based adaptive leader-following consensus control for a class of nonlinear multiagent state-delay systems”. IEEE Transactions on Cybernetics, vol. 47, no. 8, pp. 2151-2160, (2017).
[10]. W. He and Y. Dong. “Adaptive fuzzy neural network control for a constrained robot using impedance learning”. IEEE transactions on neural networks and learning systems, vol. 29, no. 4, p. 1174–1186, (2017).
[11]. S. Zhang, Y. Dong, Y. Ouyang, Z. Yin, and K. Peng. “Adaptive neural control for robotic manipulators with output constraints and uncertainties”. IEEE transactions on neural networks and learning systems, vol. 46, no. 11, p. 2670–2680, (2018).
[12]. M. Chen and S. S. Ge. “Adaptive neural output feedback control of uncertain nonlinear systems with unknown hysteresis using disturbance observer”. IEEE Transactions on Industrial Electronics, vol. 62, no. 12, p. 7706–7716, (2015).
[13]. J. Chen and H. Qiao. “Muscle-synergies-based neuromuscular control for motion learning and generalization of a musculoskeletal system”. IEEE Transactions on Systems, Man, and Cybernetics: Systems, (2020).
[14]. Y. Maeda and M. Iwasaki. “Rheology-based rolling friction modeling with parameterization by neural network”. Seimitsu Kogaku Kaishi/Journal of the Japan Society for Precision Engineering, vol. 76, no. 7, pp. 819-826, (2010).
[15]. M. L. Corradini, G. Ippoliti, and S. Longhi. “Neural networks based control of mobile robots: Development and experimental validation”. Journal of Robotic Systems, vol. 20, no. 10, p. 587600, (2003).
[16]. L. Ding, L. Shu, Y. J. Liu, H. Gao, C. Chen, and Z. Deng. “Adaptive neural network-based tracking control for full-state constrained wheeled mobile robotic system”. IEEE Transactions on Systems Man and Cybernetics System, vol. 47, no. 8, pp. 2410-2419, (2017).
[17]. G. Klancar, A. Zdesar, S. Blazic and I. Skrjanc. “Wheeled Mobile Robotics: From Fundamentals Towards Autonomous Systems 1st Edition”. (2017).
[18]. Y. Kanayama, Y. Kimura, F. Miyazaki, and T. Noguchi. “A stable tracking control method for an autonomous mobile robot”. IEEE International Conference on Robotics and Automation, (1991).
[19]. Z. Chen, Y. Liu, W. He, H. Qiao and H. Ji. “Adaptive-Neural-Network-Based Trajectory Tracking Control for a Nonholonomic Wheeled Mobile Robot With Velocity Constraints”. IEEE Transactions on Industrial Electronics, vol. 68, no. 6, pp. 5057-5067, (2021).
[20]. S. S. Ge, C. C. Hang, T. H. Lee and T. Zhang. “Stable adaptive neural network control”. Springer Science & Business Media, vol. 13, (2013).
[21]. Nguyễn Hoài Nam và Nguyễn Thu Hà. “Cơ sở hệ mờ và mạng nơ ron”. (2020) (in Vietnamese).
