19336

۱۹۳۳۶

كنترل مدل پيشبين مبتني بر بينايي براي ربات متحرك چرخدار

كارشناسي ارشد

كنترل

۱۳۹۷/۰۴/۲۶

دكتر محمد فرخي

برق

امروزه با پيشرفت چشم گير پردازنده ها، علم رباتيك نيز متحول شده به طوري كه چهره جهان در حال تغيير است. بينايي، يكي از مهم‌ترين حس‌هاي انسان و حيوانات به شمار مي‌رود. به كمك اين حس مي توان درك بهتري از محيط و شرايط به‌دست آورد. در واقع استفاده از دوربين در سيستم هاي كنترل به معني استفاده از خطاي سيستم بينايي به عنوان فيدبك مي‌باشد و به حداقل رساندن اين خطا به منظور بهره گيري از اطلاعات بينايي در سيستم كنترل است. در اين پايان نامه، از كنترل مدل پيش بين غيرخطي مبتني بر بينايي براي كنترل ربات متحرك استفاده شده است. به منظور بهينه سازي تابع هزينه، از شبكه¬هاي عصبي بازگشتي استفاده شده است كه مي تواند پاسخ را به صورت بي درنگ ارائه كند. همچنين، درصورت عدم وجود پاسخ در شرايط خاص، قادر به همگرايي به پاسخ زيربهينه مي باشد. ابتدا، مدل ديناميكي گسسته شده ربات متحرك به‌عنوان مدل پيش‌بيني در نظرگرفته شده و ضرايب تابع هزينه در هر لحظه به گونه اي تنظيم شده اند كه ربات بهترين عملكرد را در طول مسير با حفظ محدوديت قيود داشته باشد. نياز به دانستن دقيق پارامترهاي ربات در مدل گسسته ديناميكي از معايب كنترل كننده هاي پيش بين به شمار مي رود كه به دست آوردن مقدار دقيق اين پارامترها در عمل امري غيرممكن است. علاوه بر آن، معمولا پارامترهاي ربات در طول زمان تغييرمي كنند. اين نقيصه در اين پايان¬نامه به‌كمك روش كنترل مدل پيش بين مقاوم مرتفع مي‌گردد. لذا به‌كمك اين روش، ديگر نيازي به دانستن مقادير دقيق پارامترهاي سيستم ربات نبوده و علاوه بر آن كنترل كننده با داشتن خاصيت تطبيقي، دربرابر عدم قطعيت هايي ازجمله تغيير پارامترها و اغتشاشات محيطي مقاوم خواهدشد. در ادامه، پايداري كنترل كننده با استفاده از كنترل كننده پيش بين از ديدگاه پايداري لياپانوف بررسي شده است. نتايج شبيه‌سازي، كارآيي روش پيشنهادي براي هدايت ربات‌هاي متحرك غيرهولونوميكي را نشان مي‌دهد. در انتها، ضمن بررسي ميزان حساسيت الگوريتم هاي كنترل طراحي شده نسبت به عواملي هم چون نويز، تغييرات پارامترها، عملكرد كنترل كننده پيشنهادي با يك نمونه از روش هاي اخير ارائه شده در مقالات مقايسه شده است.

1397/06/23

Vision-based Model Predictive Control of Wheeled Mobile Robot

9/14/2018 12:00:00 AM

Today, with the progressive advances in processors, robotic science has also been changed so that the face of the world is changing. Vision is one of the most important senses in humans and animals. By using this feeling you can get a better understanding of the environment and conditions of it. In fact, using a camera in control systems means using a visual feedback error as feedback, and minimizing this error in order to use visual information in the control system. In this thesis, control of the nonlinear predictive vision model for controlling the moving robot is used. In order to optimize the cost function, recurrent neural networks have been used that can provide an answer without delay. Also, in the absence of a response in certain circumstances, it is capable of convergence into a subfield response. First, the discrete dynamical model of the mobile robot is considered as a prediction model, and the cost function coefficients at any given time are set so that the robot has the best performance along the path while maintaining constraint constraints. The need of the robot's precise parameters in the discrete dynamic model is considered to be a disadvantage of predictive controllers, which makes it impossible to accurately quantify these parameters in practice. In addition, robot parameters usually change over time. This defect in this thesis is enhanced by the method of robust model predictive control. Therefore, by using this method, it is no longer necessary to know the precise values of the robot system parameters, in addition to which the controller with a comparative property will be resistant to uncertainties such as parameter changes and environmental disturbances. In the following, controller stability was investigated using a predictive controller from the Lyapunov stability perspective. The simulation results show the efficiency of the proposed method for guiding nonholomonic moving robots. Finally, the sensitivity of the designed control algorithms to noise factors, parameter changes, and the proposed controller function are compared with a sample of recent methods presented in the papers.