In this paper, a time-varying leader-follower formation control of nonholonomic mobile robots based on a trajectory tracking control strategy is considered. In the time-varying formation, the relative bearing and distance of each follower are variable parameters, and therefore, the followers can carry out various and complex behaviour even without changing the linear and angular velocities of the leader robot. After proposing the kinematic model of the time-varying leader-follower formation, the backstepping control method is exploited to keep the structure of the defined formation. The global stability of the formation is investigated using the Lyapunov theorem. Moreover, the designed nonlinear controller suffers from the ineffectual large input commands at the beginning of the formation. To rectify this problem, a fuzzy adaptive algorithm is proposed to improve the backstepping controller and the global stability of the resulting fuzzy adaptive backstepping controller is guaranteed. Considering the rate change of relative distance and bearing in the kinematic model of the leader-follower formation and controller design procedure, makes the formation more practical in dynamic and clutter environments, as well as capable of defining complicated behaviour for followers, and provides crash and obstacle avoidance without switching between different control strategies. Finally, the performance of the proposed kinematics model and designed controllers are investigated through simulations and experimental studies.


翻译:在本文中,根据轨迹跟踪控制策略,考虑对非光力学移动机器人进行时间变化的领导者-追随者形成控制。在时间变化的形成过程中,每个追随者的相对偏重和距离是变量参数,因此,追随者可以在不改变领导机器人的线性速度和角性速度的情况下,采取各种复杂的行为。在提出时间变化的领导者-追随者形成运动模式后,利用后步控制方法来保持定义的形成结构的结构。利用Lyapunov 理论室对全球结构的稳定性进行调查。此外,设计好的非线性控制器在形成之初受到无效果的大型输入指令的影响。为了纠正这一问题,建议采用模糊的适应算法来改进后步控制器的后步和由此产生的模糊性适应后步控制器的全球稳定性。考虑到相对距离的变化以及领导者形成和控制者设计模式的承受力,使得在动态和封闭的环境中形成更加实用。此外,设计好的非线性控制器在形成更加实用,在形成结构形成时,在形成初期受到无效的大型输入命令。为了纠正这一问题,建议,通过模拟研究,在设计复杂的操作者之间进行复杂的操作分析,最后可以改变各种动作行为。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年7月8日
Adaptive Synthetic Characters for Military Training
Arxiv
46+阅读 · 2021年1月6日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员