安防巡检机器人变预瞄距离LQR横向控制

LQR lateral control of security inspection robots with variable preview distance

摘要

针对安防巡检机器人动力学参数难以测量、运动控制精度低的问题,提出一种基于动力学模型的自适应变预瞄横向控制算法。首先,建立阿克曼转向运动学及二自由度侧向动力学模型。针对模型中未知或难以测量的动力学参数,设计基于M序列的系统辨识实验,以前轮转角为输入、横摆角速度为输出,拟合得到机器人动力学模型传递函数,拟合度达95.87%,解决了参数难以准确获取的难题。其次,基于动力学模型提出变预瞄距离线性二次型调节器(linear quadratic regulator,LQR)控制方法,引入前馈控制消除道路曲率引起的稳态误差;为进一步提升自适应能力,采用模糊控制方法,根据当前车速与道路曲率动态调节预瞄距离。结果表明,自适应预瞄LQR控制算法最大横向跟踪误差控制在±5 cm以内,相较于无预瞄方法跟踪精度提高51%,相较于固定预瞄方法提高26%,有效提升了安防巡检机器人在复杂道路条件下的轨迹跟踪性能。

Abstract

To address the challenges of difficult-to-measure dynamic parameters and low motion control accuracy in security inspection robots, an adaptive preview lateral control algorithm based on a dynamic model is proposed. First, the Ackermann steering kinematic model and a two-degree-of-freedom lateral dynamic model are established. To handle unknown or difficult-to-measure parameters, an M-sequence-based system identification experiment is designed. Using the front wheel steering angle as input and the yaw rate as output, the transfer function of the robot′s dynamic model is obtained through fitting, achieving a goodness of fit of 95.87%. Second, a variable preview distance linear quadratic regulator (LQR) control method is proposed, with feedforward control to eliminate steady-state errors caused by road curvature. Additionally, a fuzzy control method is employed to dynamically adjust the preview distance according to vehicle speed and road curvature. The results show that the proposed algorithm maintains a maximum lateral tracking error within ±5 cm. Compared to the non-preview method, tracking accuracy is improved by 51%, and compared to the fixed preview method, by 26%, effectively enhancing trajectory tracking performance under complex road conditions.

关键词

安防巡检机器人 / 系统辨识 / 运动控制 / LQR / 变预瞄距离

Key words

security inspection robot / system identification / motion control / LQR / variable preview distance

[1] 聂振邦, 于海斌. 基于参考轨迹的移动机器人避碰决策及轨迹跟踪方法[J]. 计算机集成制造系统, 2023, 29(9):2879-2889.
[2] 侯嘉瑞. 侦察巡检机器人路径规划及轨迹跟踪技术研究[D]. 济南:山东大学, 2020.
[3] 李雪峰, 李涛, 邱权, 等. 果园移动机器人自主导航研究进展[J]. 中国农机化学报, 2022, 43(5):156-164.
[4] 吴晨, 宋真玉, 陈玮. 自动驾驶车辆横向控制模型研究综述[J]. 自动化技术与应用, 2023, 42(12):5-9,33.
[5] 李艳, 雷佳琦. 扰动作用下的多移动机器人编队模型预测控制[J]. 信息与控制, 2023, 52(2):166-175.
[6] 李金贺, 封岸松, 范晓亮, 等. 基于改进RRT算法的机器人路径规划[J]. 自动化技术与应用, 2025, 44(11):7-10.
[7] 许万, 周航. 基于路径评价模型的自适应轨迹跟踪控制[J]. 计算机工程与应用, 2023, 59(24):336-344.
[8] Liu W, Wang R, Xie C, et al. Investigation on adaptive preview distance path tracking control with directional error compensation[J]. Journal of Systems Control Engineering, 2019, 234(4):484-500.
[9] 朱立成, 赵智宇, 韩振浩, 等. 基于自抗扰控制的双重转向运动控制系统设计与试验[J]. 农业机械学报, 2023, 54(增刊1):391-401.
[10] 刘强, 杨蔡进, 张卫华, 等. 基于阿克曼原理的4WID/4WIS汽车循迹控制研究[J]. 动力学与控制学报, 2023, 21(1):36-44.
[11] Reina G, Aiano M, Blanco-Claraco J. Vehicle parameter estimation using a model-based estimator[J]. Mechanical Systems Signal Processing, 2017(87): 227-241.
[12] 李伯雄, 王立勇, 孙鹏, 等. 无人车辆横向跟踪控制研究[J]. 机械科学与技术, 2024, 43(2):197-202.
[13] 董慧芬, 姚勤燃, 王俊峰. 基于动力学参数辨识的两轮机器人平衡控制[J]. 控制工程, 2025, 32(2):345-353.
[14] 梁永彬, 付广, 林智桂, 等. 基于改进预瞄控制模型的车道保持系统设计[J]. 中国机械工程, 2024, 35(3):548-558.
[15] 石振新, 冯剑波, 王衍学. 基于MPC和模糊控制的智能汽车路径追踪研究[J]. 车辆与动力技术, 2022(2):7-11.
[16] Min X, Li Y, Tong S. Adaptive fuzzy optimal control for a class of active suspension systems with full-state constraints[J]. IET Intelligent Transport Systems, 2020, 14(5):371-381.

基金资助

山东大学教育教学改革研究项目(2023Y121);山东省农机研发制造推广应用一体化试点项目(NJYTHSD-202323);山东大学教育教学改革研究重点项目(2023Z04);山东省科技型中小企业创新能力提升工程项目(2023TSGC0831);烟台市科技计划项目(2023JMRH005)