混合动力控制器方法与遗传算法优化测量位置和角为移动机器人运动控制gydF4y2Ba

1介绍gydF4y2Ba

移动机器人是机器人学的一个分支,研究如何使移动自动设备功能在各种情况下更好。移动机器人能够确定最短,其起点和终点之间最直接的路线。障碍识别、避碰和到达目的地的主要目标是移动机器人在熟悉和不熟悉的情况。一般来说,移动机器人的任务涉及到人类后可以分为以下三个部分(gydF4y2Ba胡锦涛等人。,2014年gydF4y2Ba;gydF4y2Ba元et al ., 2018gydF4y2Ba),检测传感器的基础上,人类运动状态/意图估计和human-following对移动机器人的控制。人类探测是人类的初始步骤后患者监测和康复。至关重要的安全,实现机器人的任务,和自然人机交互,因为它是人类后的第一步。此外,为了确保human-following任务患者的安全性和有效性监控和康复,移动机器人需要尽快转移到目标位置和姿态生成基于human-following规则。这需要强大的实时和准确性能的机器人运动控制系统的各种控制器和传感器目前正在用来减少对象识别的错误决定使用人工智能、模糊逻辑、神经网络(gydF4y2BaAqeel你和蔡2020gydF4y2Ba)。为了减少停止,实现最短的距离出发点和目标之间的地方,优化轨迹的规格应该旨在防止轻微旋转半径和最小化匝数(gydF4y2BaAl-Araji et al ., 2018gydF4y2Ba)。自移动机器人需要各种各样的用途,包括科学、教育、工业、矿业、娱乐行业,安全、军事、搜索和救援,其运动控制系统必须保持跟踪和执行路径规划。gydF4y2Ba

由于它的重要性,对移动机器人的研究仍在进行中(gydF4y2BaAl-Araji Yousif 2017gydF4y2Ba)。最困难的问题之一是障碍识别的移动机器人导航。障碍是在运动时,情况将变得更加困难。的真正位置动态障碍可能不是准确测量在全局路径规划激光传感器是用来映射环境。根据不同的情况,局部路径规划可以解决这个问题(gydF4y2Ba汉克和哈达德2016gydF4y2Ba)。此外,移动机器人控制器的设计和开发是至关重要的,因为它是一个移动机器人控制器的性能,确定其工作能力(gydF4y2Ba李et al ., 2018gydF4y2Ba)。移动机器人自主导航不足被称为一个环境利用混合方法。模糊逻辑控制器(方法)越来越流行,近年来由于其灵活性和适应性。PID控制器是一个受欢迎的选择科学家之间由于其众多潜力使用部署在实际使用和容易。最困难的部分使用PID控制器是确定适当的收益。强化学习(RL)正变得越来越重要的在实际控制应用程序由于处理的好处黎卡提微分方程和Hamilton-Jacobi-Bellman HJB方程,无法直接解决(gydF4y2Ba刀et al ., 2020gydF4y2Ba;gydF4y2Ba刘刀和2021gydF4y2Ba;gydF4y2BaVu et al ., 2021gydF4y2Ba)。演员/评论家结构与神经网络(NNs)提出了构建与顺序优化迭代算法(gydF4y2Ba他et al ., 2019年gydF4y2Ba),(gydF4y2Ba罗et al ., 2019gydF4y2Ba),得到一个近似的最佳控制解决方案(gydF4y2Ba哈辛et al ., 2013gydF4y2Ba)。gydF4y2Ba

不同类型的控制器设计完成多种功能,包括移动项目,跟踪轨迹监控环境和长期任务或侵入可能发生危险的地方。研究(gydF4y2Ba赵et al ., 2019gydF4y2Ba),为目的的自主车辆的轨迹后,遗传算法基于PID控制器。中使用了线性和环形轨迹跟踪控制器,建立了评估的有效性。一个项目(gydF4y2Ba卡米尔et al ., 2019gydF4y2Ba)一般集中在建立检验和导航的地图和自治机器人使用激光雷达传感器提供机器人和障碍物之间的距离,周围的直流电机将推动机器人和树莓将数据传输到PC进行同步定位和映射。根据回顾文献,proportional-integral-differential控制器(PID)是最常用于控制器路径跟踪控制,但控制器最受噪声影响降解相关衍生品控制(gydF4y2BaHaruna et al ., 2021gydF4y2Ba)。的研究(gydF4y2Ba索拉诺et al ., 2021gydF4y2Ba),利用模糊逻辑来调整输入从9红外传感器(红外)用于环境感知为了增加弹性和PID控制器的性能。这些值进入一个PID控制器,这有助于引导机器人在适当的方向在每个给定的角。机器人有一个被动的行为,这意味着它绕在其环境没有预定的课程。gydF4y2Ba

使用模糊逻辑控制器来控制一个共享越来越无法忽视设计的(gydF4y2BaZahid和Bi 2020gydF4y2Ba)。人脑控制移动机器人的安全是确保通过跟踪用户的意图。最近的事态发展(gydF4y2Ba坎波斯et al ., 2018gydF4y2Ba)高度需要利用模糊PD + I控制结构,在建筑和包括一个简单的线性速度控制器和一个角度模糊控制器的轨迹控制,以及调优参数如收益在控制器的输入和隶属度函数通过PSO算法(形式)。的研究(gydF4y2Ba帕瑞克豪et al ., 2018gydF4y2Ba)提出了模糊PID证明是更具有适应能力比传统PID控制的直流电机,根据这项研究,比较了两种方法的性能。的研究(gydF4y2Ba辛格和Thongam 2018gydF4y2Ba)提出了一种移动机器人的轮子运动速度不同,以避免一群集群障碍,提出一个模糊逻辑控制器来处理在一个静态环境中导航。然而,这种应用程序的一个主要问题是在获得优化。本研究的目标是开发一种混合动力控制器采用模糊优化的遗传算法级联2自由度经典PID控制移动机器人角和距离。其次,与发达混合控制器来控制移动机器人路径规划获得目标角度和距离。最后,验证开发的控制器的性能在Turtlebot3路径规划和评估的一致性错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ δ错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ ,控制信号距离,CSD和控制信号角度,CSA在露台模拟器。gydF4y2Ba

生成解决方案组合优化和搜索问题是一个流行的应用GA优化的过程,这是常见的。这种方法坚持的基本元素遗传学和自然选择理论。计算机科学领域是乔治亚州的大部分潜在的应用程序集中。另一方面,基于GA的策略也利用在移动机器人导航的主题(gydF4y2BaHewawasam et al ., 2022gydF4y2Ba)。GA开始没有任何先验知识的最佳解决方案,完全依赖于环境和演化的反应运营商为了找到最优的解决方案(gydF4y2BaLeena Saju 2014gydF4y2Ba)。FL-based方法提出了(gydF4y2BaPatle et al ., 2018gydF4y2Ba)是机器人导航未知动态设置。这个特殊的设置使用一个单例1型FL控制器结合Fuzzy-Wind驱动优化(输入)方法。为了最大化的效率FL控制器的输入和输出隶属度函数,Fuzzy-WDO算法实现。为了理解输入的核心原则,研究人员观察了很小的空气的流动行为包裹在一个n维搜索区域。1型FL控制器的主要责任是保护机器人的碰撞和指导通过静态或动态情况。控制器接收感官信息作为输入,并生成两个输出信号以驱动机器人的左和右马达。距离第一个障碍,左边第二个障碍,第三个障碍三个感官数据输入。通过一系列的八个模糊规则,输入与输出逻辑的方式。gydF4y2Ba

在这个研究中,系统利用构建的采用模糊控制器调节两个输入错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和δ错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和自调优收益参数来控制机器人的位置和角度。采用模糊控制器策略由7使用Mamdani会员规则模糊规则库系统。位置和角度PID控制器增长战略将常数值仿真。模糊逻辑控制器(方法)的发展需要信息将fuzzified PID控制器参数和基于结果49 defuzzied模糊规则和重心法。此外,这些模糊的收益将优化的遗传算法(GA)的可用性。预计的域控制器会产生积极的影响路径规划的位置和角度PID控制器算法,满足自主的需求。gydF4y2Ba

本文分为四个部分。第二部分处理Fuzz-PID获得优化技术和参数。第三部分将讨论遗传算法(GA)优化技术。第四部分将讨论路径规划算法。接下来,第五部分描述的性能仿真结果的路径规划算法与PID控制器在角度和坐标测量。最后,第六部分总结本文未来的研究和结论。gydF4y2Ba

2模糊系统调优PID收益gydF4y2Ba

2.1 PID控制器系统gydF4y2Ba

比例积分微分(PID)控制器和模糊系统调整PID的收益将在本节讨论稳定Turtlebot3。Turtlebot3是一种小型、可负担得起的、可编程,ROS-based移动机器人用于教育、研究、爱好,和产品原型。gydF4y2Ba

移动机器人经常使用PID控制器的反馈。输入值计算,减去收集到的数据从一个参考价值和使用这种差异来确定关闭系统数据应该如何来或呆在参考价值(gydF4y2Ba静态et al ., 2018gydF4y2Ba)。PID控制器可以调节输入值根据以往的数据和不同的外观,导致更准确和稳定的系统更易于维护。微分控制器组成比例控制器和集成控制器。例如,可以使用一个比例控制器增益放大器。注意,系统稳定性将降低减少稳态误差的结果。错误在一个稳定状态可以消除使用一个集成的控制器。系统的响应时间可以加快利用导数控制器(gydF4y2Ba张,2019张gydF4y2Ba)。gydF4y2Ba

${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 增长比例、积分和微分形式。PID控制器在方程的数学公式gydF4y2Ba1gydF4y2Ba。PID控制器的成功依赖于PID增益选择正确。获得恰到好处的PID增益过程不是那么简单。经验丰富的人类专家经常用来调整PID的收益。模糊if - then规则(Mamdani模糊规则库系统)的PID增益将在下一步中,然后将利用模糊系统在线修改PID收益。Ziegler-Nichols方法将被用于改变控制器参数,和系统的响应将显示在方程gydF4y2Ba2gydF4y2Ba。通过PID控制器,而不是从头开始,将调整到所需的性能水平之前添加的模糊逻辑。gydF4y2Ba

在哪里gydF4y2Ba $\mathrm{ugydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 控制信号和吗gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 是机器人的错误引用和期望的位置。Proportional-integral-derivative控制器(PID)是最常用的工业过程控制的控制器由于其结构简单,性能可靠。研究人员倾向于使用传统的PID控制器由于通用性它提供了在不同的上下文。然而,最具挑战性的方面获得PID是确定适当的值(gydF4y2BaAqeel你和蔡2020gydF4y2Ba)。采用模糊控制器的设计(gydF4y2Ba李et al ., 2018gydF4y2Ba提出了用于移动机器人路径跟踪的配备差动驱动器。PID控制器+两输入三输出的模糊控制器采用模糊控制器组成的组件。模糊控制器能够调整PID控制器的参数时,系统响应包含一个错误和错误率。gydF4y2Ba

模糊化、知识基础、模糊推理和去模糊化模糊逻辑控制器过程中所有必要的步骤(gydF4y2Ba默罕默德et al ., 2019gydF4y2Ba)。有两个输入fuzzified然后由模糊推理模块利用启发式处理决定之前发送到去模糊化模块。去模糊化技术调整PID收益和提供了调整gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 输出值,即使移动机器人的动力学改变在整个执行。普通PID控制器的传递函数可以表示为gydF4y2Ba图1gydF4y2Ba。gydF4y2Ba

2.2模糊控制器系统gydF4y2Ba

目前,经典的PID控制方法和模糊控制方法是最常见的类型的控制方法(gydF4y2Ba林和Ni 2018gydF4y2Ba)。传统的PID控制算法具有简单的结构和高水平的受欢迎程度;non-etheless,需要一个精确的数学模型,以提供优良的线性系统控制。PID控制是限制使用控制对象有很高的滞后和惯性以及复杂的信号跟踪,是常识(gydF4y2BaBabunski et al ., 2020gydF4y2Ba)。另一方面,它对非线性系统的控制效果并不理想。这可能是具有挑战性的消除稳态错误在模糊控制系统中,尽管模糊控制方法不需要精确的数学模型(gydF4y2Ba徐et al ., 2009gydF4y2Ba)。gydF4y2Ba

模糊逻辑控制器,也被称为一个方法,有能力处理不确定数据和情况。采用模糊控制可以用在这种情况下,允许更好地控制的PID控制器的不利方面。这个讨论的范围内,传统的PID控制器作为基础建设的模糊PID控制器(gydF4y2Ba周et al ., 2019gydF4y2Ba)。fuzzifier,模糊化规则,模糊推理系统和去模糊化过程的组件构成了模糊逻辑系统(gydF4y2Ba倒et al ., 2022gydF4y2Ba)。与传统的控制方式相比,采用模糊控制方法可以应用于在动态环境中路径优化。这种方法具有灵活的模糊控制和适应性强的优点,它可用于代替传统的控制方法。gydF4y2Ba

方法是机器控制方法普遍采用。然而,方法有不同的好处对遗传算法和神经网络:它可以用来解决问题的人。因此,控制器的设计可以受益于他们的知识。这简化了管理的几个机器(gydF4y2Ba张,2019张gydF4y2Ba)。有四个组件方法:模糊化、规则库、推理和去模糊化。模糊控制器的内部结构如图所示gydF4y2Ba图2gydF4y2Ba。gydF4y2Ba

传统的PID控制器作为基地,采用模糊控制器,调节PID收益gydF4y2Ba通过gydF4y2Ba模糊推理和宇宙的话语。模糊系统的鲁棒性和适应性等特征可以用来更好地调整PID的控制方法。“自调优”这个词指的是控制器的能力自主修改其控制参数,以便获得最好的过程中结果输出。模糊自调整PID控制器是基于理论和实践检验的控制规则。通过这种方式,收益gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 可以在线调整与其他控制参数和环境。这导致更高层次的整体控制精度,从而更好的性能比简单的模糊PID控制器在没有自调整能力,如PID控制器。被描述为模糊控制器的内部结构gydF4y2Ba图2gydF4y2Ba。gydF4y2Ba

错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和速度变化gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 采用模糊控制器作为输入,使用模糊控制器规则在线调整PID收益。在PID控制器自调整的背景下,它是指确定模糊PID的三个收益之间的关系gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ ),gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 然后改变三收益来实现不同的控制要求gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 是不同的。选择的语言变量gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 、7个错误语言变量的隶属度函数和七个隶属函数对山雀导数是,49个模糊规则。所有的规则都详细gydF4y2Ba表1gydF4y2Ba。拟议中的隶属度函数是由三角形和梯形等7个分区:惨淡,贫穷,平庸,平均水平,不错,不错,好和输出我们选择七个模糊规则(NB,海里,NS, Z, PS,点,PB)在NB表示负大,纳米表示负中,负小(NS),零(Z),积极的小(PS),积极的媒介(PM)和PB表示积极的大。中给出的推理规则gydF4y2Ba表1gydF4y2Ba可以读取如下:例如,如果错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 是贫穷和三角洲的错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 是可怜的输出,gydF4y2Ba ${\mathrm{GgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}\left(\mathrm{年代gydF4y2Ba}\right)$ 将负面大(NB)。gydF4y2Ba

图3gydF4y2Ba描绘了一个采用模糊控制器框图优化的遗传算法(GA)与两个PID控制器级联。根据框图,模糊系统有三个输出gydF4y2Ba $\left({\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}\right)$ 从两个输入,它接收。为了规范Turtlebot3位置和角度,研究两个额外的控制器,一个用于每个自由度。采用模糊控制器的优化收益所使用的机器人再优化的PID调节角度和PID位置路径模拟的角度和位置。已经决定所有的输入和输出的隶属度函数将是相同的。这些成员函数所示gydF4y2Ba图4gydF4y2Ba隶属函数之间的策划和错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 。此外,gydF4y2Ba图5gydF4y2Ba之间的隶属函数绘制显示输出,gydF4y2Ba $\mathrm{ugydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 。gydF4y2Ba

宇宙前期持有对象变量和隶属函数将错误率,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ (ferr)所示gydF4y2Ba图1gydF4y2Ba的错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ (fd)和输出,gydF4y2Ba ${\mathrm{GgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}\left(\mathrm{年代gydF4y2Ba}\right)$ (输出端)所示gydF4y2Ba图2gydF4y2Ba。自定义隶属度函数构建交互式地用“惨淡”,‘穷’,‘平庸’,‘平均’,‘体面’,‘好’和‘优秀’及其变量(1,- 1,-0.75),(1,-0.75,-0.5),(-0.75,-0.5,-0.25),(-0.25,0.0,0.25),(0.25,0.5,0.75),(0.5,0.75,1.0),(0.75,1.0,1.0)。为了计算出高性能的控制器,开发和设计的PID控制器与模糊逻辑调整(gydF4y2Ba吴和张2011gydF4y2Ba)。gydF4y2Ba

方法用于自动设置PID控制器的增益输出植物之间达到平衡性能和鲁棒性,进而收益率PID参数。表达理想连续PID控制器方程所示gydF4y2Ba3gydF4y2Ba。之后,表达对理想的连续PID控制器方程所示gydF4y2Ba4gydF4y2Ba。之后,这些精细的模糊PID控制器的输出转换为收益使用方程gydF4y2Ba5gydF4y2Ba初始值的误差,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)=gydF4y2Ba\mathrm{0gydF4y2Ba}$ δ错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)=gydF4y2Ba\mathrm{0gydF4y2Ba}$ ,gydF4y2Ba ${\mathrm{egydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{rgydF4y2Ba}\mathrm{egydF4y2Ba}\mathrm{dgydF4y2Ba}}=gydF4y2Ba\mathrm{0gydF4y2Ba}$ 和gydF4y2Ba ${\mathrm{egydF4y2Ba}}_{\mathrm{lgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}}=gydF4y2Ba\mathrm{0gydF4y2Ba}$

所有输入和输出隶属度函数相同。隶属度函数是由三角形组成。控制器采用模糊集不同宽度,通过试验和错误被发现。输出gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 已经被选为[0.2 - 0.7],[0.001 - 0.01]和[0.1 - 0.15]的模糊集宽度。输入的错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 范围和错误率,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 范围被设置为[1]和[-10 10],分别如果输入超出这些参数,算法采用饱和带回去在可接受的范围内。gydF4y2Ba

模糊控制器不会不完整的一套语言规则。当一个专家的经验可以很容易地转换成这些规则,控制器的行为可以被定义为一个无限数量的这些规则。在某些情况下,这些规则派生一个反复试验的过程。gydF4y2Ba

本研究提出了两点,三输出系统,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 模糊逻辑控制器的输出,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 是输入。输入数据发送到模糊化系统,建议由一个模糊推理系统,然后在去模糊化系统,提供的输出值gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 。gydF4y2Ba

图6gydF4y2Ba描述了模糊集隶属度函数中使用两个输入变量(即。,错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 三角洲的错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ ),而输出变量的隶属度函数,gydF4y2Ba ${\mathrm{GgydF4y2Ba}}_{\mathrm{年代gydF4y2Ba}}\left(\mathrm{年代gydF4y2Ba}\right)$ 的输出值,采用模糊集(1,- 1,0.01)。(-200、200)和(-200、200)的范围是错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和δ错误,gydF4y2Ba $\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ ,分别。在gydF4y2Ba图6gydF4y2Ba地位,虚线情节目标值,红色虚线是PID和绿色线是采用。gydF4y2Ba

2.3去模糊化方法gydF4y2Ba

去模糊化方法可分为以下四类:那些提供真正的价值,那些提供一个真正的间隔,那些允许排名可能的分布,和那些评估色散(gydF4y2Ba爪,Curt 2017gydF4y2Ba)。去模糊化技术应用于这项工作是连接到质心的信号值的全球分布。由于这一事实,去模糊化技术,选择代表了重心。重心法的中心在于发现曲线下的面积区间a和b。这一过程可以表达为方程所示gydF4y2Ba6gydF4y2Ba:gydF4y2Ba

在哪里gydF4y2Ba ${\mathrm{zgydF4y2Ba}}^{*gydF4y2Ba}$ 代表了瘸子帮输出,gydF4y2Ba $\mathrm{ugydF4y2Ba}\left(\mathrm{zgydF4y2Ba}\right)$ 对应的隶属函数和z是输出变量。本研究的重心去模糊化方法实现的。在模糊控制系统中,系统的输出通常由不同的控制参数(gydF4y2Ba陈et al ., 2022gydF4y2Ba)。在模糊输出可能应用于控制系统,必须进行去模糊化。在gydF4y2Ba图7gydF4y2Ba(a) (g)显示在本节中,提出采用模糊控制器的决心去模糊化的可视化。gydF4y2Ba

重心法被选为控制器的去模糊化技术由于其易用性,精度和可靠性在处理适当的脆值对于任何给定的模糊输出。gydF4y2Ba

3遗传算法(GA)优化gydF4y2Ba

一个优化算法是基于生物进化的机制被称为遗传算法。该算法通常分为几个步骤,包括初始种群的生成、遗传算子的应用遗传操作,确定个人的健身价值,迭代获得最好的个人(gydF4y2Ba李et al ., 2020gydF4y2Ba)。遗传算法的优化方法,模拟生物系统进化的过程,因为它发生在多次对解决方案的测试。当试图解决一个问题涉及到最小化,这是不现实的进行一个全面的搜索,因为它需要大量的时间来提供最好的收获。因此,为了减少计算所需的时间,一个局部最优解而不是全局最优的解决方案是追求(gydF4y2BaNonoyama Nishi 2021gydF4y2Ba)。gydF4y2Ba

的遗传算法确定获得下面的例子中可以看到。通过实施过程的次数,目标是发展中更好的解决方案来实现所需的结果。算法运行的5倍,所有获得的解决方案的最佳增益值是输出解决方案。因为答案是由产生的随机数,需要运行方法不止一次,因为有可能会陷入一个坏地方解决方案并不适用于一些试验。gydF4y2Ba

决策变量:距离收益gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,角gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ 生成的收益从采用模糊控制器初始化范围内[1]。这组被认为是一个解决方案,这是重复110次,8解决方案的集合被认为是一代,这被认为是第一代。在本研究使用十进制表示的一代,交叉和均匀变异。gydF4y2Ba

3.1方程实现gydF4y2Ba

模型首先介绍本研究的方程来实现。所示的方程方程gydF4y2Ba7gydF4y2Ba:gydF4y2Ba

这个方程有6输入(gydF4y2Ba ${\mathrm{xgydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}$ 来gydF4y2Ba ${\mathrm{xgydF4y2Ba}}_{\mathrm{6gydF4y2Ba}}$ )和6重量(gydF4y2Ba ${\mathrm{wgydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}$ 来gydF4y2Ba ${\mathrm{wgydF4y2Ba}}_{\mathrm{6gydF4y2Ba}}$ )如图所示,输入值gydF4y2Ba $\left({\mathrm{xgydF4y2Ba}}_{\mathrm{1gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{2gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{3gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{4gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{5gydF4y2Ba}},gydF4y2Ba{\mathrm{xgydF4y2Ba}}_{\mathrm{6gydF4y2Ba}}\right)$ =gydF4y2Ba $\left({\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}},gydF4y2Ba{\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}\right)$ 。在这方面的研究,目的是确定参数(权重),将收益率最高的可能值方程。优化这一方程的概念似乎是简单的。积极的输入是乘以最大正数可能性,甚至和负数是乘以一点点可能的最小的负数。然而,本研究的目的是找出GA自行完成,以便它可以确定,最好使用正权重与积极的输入和负权值负输入。这个想法将会实现。下面的步骤是指定初始化种群规模。因为有太多的重量,无疑会有一共有六代种群中每个解决方案。一代将代表每个重量。gydF4y2Ba

3.2种群初始化gydF4y2Ba

结果的质量取决于质量的主要人口中使用遗传算法。在这项研究中,采用模糊控制器作为启发式路径规划的初始化信息。我们的目标是增加收益价值,实现更稳定。此时,算法能够生成一个随机的初始种群。它将一种对应的参数选择(8,6)。有8个解决方案和每一个都有6代,每个重量。数量如下gydF4y2Ba表2gydF4y2Ba:gydF4y2Ba

鉴于它生成一个随机的方式,它无疑会再次运行时是不同的。在代模型中,本研究产生“n”的后代,其中n是人口规模;在每次迭代结束时,整个人口被新的人口,因此n代表产生的后代的数量。gydF4y2Ba

3.3适应度函数gydF4y2Ba

人口已经准备后,算法将选择最优解的过程从现有人口利用适应度函数。适应度函数能够准确地分析每个获得的优点和缺点,这通常是成正比的健身价值,它有一个显著影响最优解的遗传算法收敛的能力随着时间的推移和保持稳定。本研究的目的是改善Turtlebot3运动的稳定性,以便它可以进一步没有变得不稳定,以及使Turtlebot3运动操作更顺利。结果,所得的值和增加的程度是一致的优化。适应度函数可以以最基本的形式定义为一个函数,它接受一个候选人解决问题作为输入并产生,作为其输出,这一指标衡量的是“适合”或“好”的答案是与正在考虑的问题。由于遗传算法需要持续计算的健身价值,该算法用于这个目的需要尽可能的高效。随机选择八个解决方案是由当前一代,和这些答案的评估值是用来选择的个体将结转到下一代。适应度函数设计如下:gydF4y2Ba

适应度函数接受两个方程的输入值(gydF4y2Ba ${\mathrm{xgydF4y2Ba}}_{\mathrm{1gydF4y2Ba}}$ 来gydF4y2Ba ${\mathrm{xgydF4y2Ba}}_{\mathrm{6gydF4y2Ba}}$ 除了人口。根据方程,健身价值是由以产品的总和(SOP)发现每个输入和体重之间根据方程gydF4y2Ba8gydF4y2Ba。会有一定数量的安抚,对应的总数可以应用于每个人口的解决方案。因为解决方案以前的数量确定为8,将会有八个标准作业程式如下所述。注意,明显的解决方案是更好的健身价值越高。gydF4y2Ba

3.4交叉算子gydF4y2Ba

下一代是分成两组,每组一个人来自。接下来,创建一个随机数在0到0.06之间,和交叉过程进行如果数量低于预期的速度发生。在遗传算法的选择操作完成后,下一步是交叉操作,生成的基本过程重排。遗传操作成功时,十字路口的选择是由随机;因此,单点交叉或多点交叉可能实现。单点交叉的方法将被使用在这个研究。找到所有相同的点在两组特定的交叉操作的第一步。之后,一组随机的选择操作,最后交叉以下路径。gydF4y2Ba

3.5变异算子gydF4y2Ba

0.06一个随机数在[0]为每个解决方案生成下一代,当突变速率小于设定突变率,突变。发生突变时的采用收益价值范围(−1,1)生成和输入gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{年代gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{cgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{一个gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{ggydF4y2Ba}\mathrm{lgydF4y2Ba}\mathrm{egydF4y2Ba}}}$ 在解决方案。然而,如果后代的数量超过1,生成随机数的范围[1(最优解),(最优解)+ 1]值接近最优解。选择一个新的收益价值采用模糊控制器代替之前的随机收益价值。这是经典的遗传算法处理随机突变。gydF4y2Ba

3.6更新一代gydF4y2Ba

以下一代的人口保持在同一水平的人口目前实际上的一代。最后一个阶段是重复步骤2到6总共5代。这种GA的上下文中,最初的解决方案来自一系列随机数。解决方案的结果,质量并不以任何方式依赖于初始的配置解决方案。一代的最后阶段所示gydF4y2Ba表3gydF4y2Ba:gydF4y2Ba

4路径规划算法gydF4y2Ba

在这一节中,本文将描述路径规划算法的设计和实现。该算法的主要目标是将移动机器人目标从一个初始坐标位置到另一个最后一个。模糊优化PID控制器提供坐标信息和移动机器人的角度,并跟踪输出模糊调整PID控制器的意图。机器人路径规划算法是基于共享控制妥协的直接控制模式和自动控制模式。控制器发送控制命令(即共享。,po年代我t我on and angular) to the robot, taking the path tracking situation into account, rather than directly executing the user’s commands.

在gydF4y2Ba图3gydF4y2Ba表明Turtlebot3的结构与采用模糊控制器级联2自由度(自由度)PID控制器框图。根据框图,模糊系统有三个输出(gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ ),收到两个输入错误,gydF4y2Ba $\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)$ 和δ错误,gydF4y2Ba $\frac{\mathrm{dgydF4y2Ba}\mathrm{egydF4y2Ba}\left(\mathrm{tgydF4y2Ba}\right)}{\mathrm{dgydF4y2Ba}\mathrm{tgydF4y2Ba}}$ 。为了规范Turtlebot3位置和角度,本研究将使用两个额外的控制器,一个用于每个自由度框图所示。gydF4y2Ba

4.1位置和角度PID算法gydF4y2Ba

在这项研究中,两种类型的路径规划算法是为了收集来自模糊调整PID控制器的输入,然后计划的参考路径移动机器人从起点到目标点的无碰撞的环境中导航。露台模拟器环境和移动机器人的运动学模型,利用Turtblebot3作为移动机器人移动平台在一个二维的限制gydF4y2Ba $\left(\mathrm{xgydF4y2Ba},gydF4y2Ba\mathrm{ygydF4y2Ba}\right)$ 从初始位置到目标位置,以研究这些方法。移动机器人模型和模拟器环境需要的平台位置和角位置算法所示gydF4y2Ba图8gydF4y2Ba。gydF4y2Ba

为了确定机器人的位置,三角学和毕达哥拉斯定理是用来测量机器人的位置在两个中心。方程gydF4y2Ba9gydF4y2Ba将被用来找到Turtlebot3从初始位置的目标位置。然后,角位置估计的机器人,反正切函数被用来确定所示的角位置方程gydF4y2Ba11gydF4y2Ba。gydF4y2Ba

一个算法设计PID控制器的组合和由此产生的方程gydF4y2Ba9gydF4y2Ba找到机器人运动过程两种方法是否正确的测量数据绘制了理解控制信号的距离,CSD调节初始和目标位置之间产生的方程gydF4y2Ba12gydF4y2Ba。gydF4y2Ba

一个算法设计PID控制器的组合和由此产生的方程gydF4y2Ba4gydF4y2Ba找到机器人运动过程两种方法是否正确的测量数据绘制了理解控制信号的距离,CSD调节初始和目标位置之间的方程gydF4y2Ba16gydF4y2Ba。gydF4y2Ba

5仿真结果和讨论gydF4y2Ba

为了测试性能在第二部分提出Fuzzy-based辅助控制器的开发,本研究使用露台模拟器在机器人操作系统(ROS)。在这个研究中,Fuzzy-Tuned PID控制器的性能模拟的移动机器人已测试指定的任务。任务完成的CSD和CSA的结果。最终,收益Ziegler-Nichols PID控制器采用模糊控制器(调谐的gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ )值设置为1.4,0.04和0.03。机器人的起始点(0,0)和目标点(2,2)。提出了系统的期望收益是0.06,0.03,0.05距离算法和0.06,0.03,0.05角算法。gydF4y2Ba

5.1控制信号距离,CSDgydF4y2Ba

所示gydF4y2Ba图9gydF4y2Ba,采用级联2 PID控制器与遗传算法(GA)方法,由测试评估确定距离控制,实现运动的目标从起始点到目标点都有或没有提出的控制器。通过比较可以看到这个距离有或没有提出控制的控制器。这个模拟的目的,路径规划的PID增益保持不变,和距离控制被调整,结果可能评估的方法是如何工作的防止机器人迂回偏离轨道。因此,它是合理的假设,监管距离越大,可能性就越大,CSD将有一个小值的均方根误差(RMSE)。根据这个距离控制,机器人移动与监管的统一性能和弯曲向位置必须在实现我们的目标。gydF4y2Ba

一个有利的结果可以归因于获得的最优收益采用混合动力控制器和机器人位置的两个PID控制器。从数据中得出结论,可以提出gydF4y2Ba图9gydF4y2BaCSD的输出与拟议的控制器和常规PID控制器可以防止机器人运动偏离其目标距离,这是零。这项研究被称为均方根误差(RMSE)表明,CSD结果与该控制器是0.14厘米接近目标要比没有它,将相应的0.15厘米。在模拟的露台,机器人移动以更少的痉挛和仍在就绪状态编程。使用控制器,提出了可能的方法隶属函数来解释观察到的距离CSD控制。此外,采用模糊控制器实现,和方法学会了如何使用它,以达到一致准确的距离接近的机器人。gydF4y2Ba

5.2控制信号角度,CSAgydF4y2Ba

模拟仿真的目的是将移动机器人从起点到目标点在最短的时间内可行,同时避免任何障碍物的环境中,没有包含任何碰撞。CSA,可以假设一个CSA的可能性有高价值的均方根误差(RMSE)增加比例的大小调节角度。用于生成角度对较低的范围gydF4y2BaxgydF4y2Ba设在初始点为0°和上部范围生成角有关gydF4y2BaxgydF4y2Ba设在初始点为0°。这些因素可能占相对统一上下范围角度之间的相关性,以及机器人的最终目标点的姿势。gydF4y2Ba

本研究的发现可以解释在很多不同的方面,作为证明gydF4y2Ba图10gydF4y2Ba,这表明,获得的结果与没有显示控制器本质上是等价的。根据研究结果的均方根误差(RMSE)的分析,提出了控制器导致更大比例的角度规范甚至在机器人运动。CSA计算结果与提出的控制器是6.79%更好的角度控制,而结果与传统PID控制器是3.68%。此外,很难排除潜在的,该控制器将干扰角的实现算法。的框架内提出的控制器,调节角度建立的模糊逻辑控制器通过控制器内的学习和试验的过程。可以假设这种情况更可能发生在存在一个统一的初始角度,gydF4y2Ba ${\mathrm{\theta gydF4y2Ba}}_{\mathrm{我gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{tgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{lgydF4y2Ba}}$ 以及最终的角度,gydF4y2Ba ${\mathrm{\theta gydF4y2Ba}}_{\mathrm{fgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{ngydF4y2Ba}\mathrm{一个gydF4y2Ba}\mathrm{lgydF4y2Ba}}$ 。因此,它可能是假设角越大越有可能控制CSA RMSE值更高。gydF4y2Ba

5.3线速度gydF4y2Ba

首先,参数收益(gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}$ 调整)常规PID控制器和发现理想的收益gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{pgydF4y2Ba}}_{\mathrm{PgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{DgydF4y2Ba}}}=gydF4y2Ba\mathrm{0.06gydF4y2Ba}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{我gydF4y2Ba}}_{\mathrm{PgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{DgydF4y2Ba}}}=gydF4y2Ba\mathrm{0.03gydF4y2Ba}$ 和gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{{\mathrm{dgydF4y2Ba}}_{\mathrm{PgydF4y2Ba}\mathrm{我gydF4y2Ba}\mathrm{DgydF4y2Ba}}}=gydF4y2Ba\mathrm{0.01gydF4y2Ba}$ 和理想的增益参数提出了控制器gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{pgydF4y2Ba}}=gydF4y2Ba\mathrm{1.4gydF4y2Ba}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{我gydF4y2Ba}}=gydF4y2Ba\mathrm{0.04gydF4y2Ba}$ ,gydF4y2Ba ${\mathrm{KgydF4y2Ba}}_{\mathrm{dgydF4y2Ba}}=gydF4y2Ba\mathrm{0.03gydF4y2Ba}$ 获得参数。根据gydF4y2Ba图11gydF4y2Ba时,从它的起始点(0,0)到最终位置,(2,2)机器人移动4.98%满意的线速度是设定在0.1 m / s采用该控制器。然而,当传统的PID控制器,机器人移动速度是4.99%,比速度快,集。机器人的线速度为控制器可以看到通过使用RMSE百分比。可以得出的结论是,从这个线速度实验的结果是,机器人需要有足够的速度以移动适当的控制器的仿真。gydF4y2Ba

一般来说,因此,建议的控制器似乎导致了平方值为0.9979,表现良好而传统的PID导致值为0.9974。基于线性相关系数方法,两个变量之间线性关系的强度,提出了控制器的平方值是正的,接近于1,这表明它有很强的正相关性。在这项研究中,首先Turtlebot3机器人利用该控制器来找出最优线性速度沿gydF4y2BaxgydF4y2Ba设在。之后,遗传算法,遗传算法,介绍了该控制器为了获得更精确和准确的结果。总之,该控制器的性能与GA将比传统的PID控制器。gydF4y2Ba

5.4角速度gydF4y2Ba

图12gydF4y2Ba说明了仿真比较,利用本研究机器人的角速度。提出了控制器的应用导致边际增加机器人的角速度,由给出的模糊规则gydF4y2Ba表2gydF4y2Ba和仿真的结果。当使用传统的PID控制器,它记录了一个角速度,是98.38%低于该控制器,导致98.34%的改进机器人的角速度时。可接受的角速度的定义是1.5 rad / s。作为这项研究的结果,提出的控制器导致改善机器人的机动性对其目标位置在仿真比较角速度。采用模糊方法、串级pid控制器和GA算法有一个高的协会。研究结果表明,在线优化方法有潜力最大化的百分比机器人的角速度对应于运动的稳定性和适应性的方向所需的位置。gydF4y2Ba

6结论gydF4y2Ba

本研究的目的是证明采用模糊控制器之间的相关性,其收益优化的遗传算法(GA)和二自由度PID控制器,也称为位置和角算法的方法。这是通过比较两种类型的控制器与传统的PID控制器。最重要的事情之一,本研究是发现收益组合优化的模糊控制器和PID控制器能够实现更精确的值。这些值可以使用的移动机器人进行运动,是更有效的从起始点到目标点。改进的意义是由数据备份的明确和令人信服的方式。第二个重要的发现是,CSD和CSA增加了该控制器的控制性能和效率的机器人运动。这项研究的结果提供信任的假设,随着机器人的发展从初始位置到目标位置,它将能够成功地实现两种算法如果调整PID控制器应用于它。第三个值得注意的发现是,机器人的线速度和角速度加强了机器人的稳定性和适应的显示控制器的机器人运动仿真。这项研究的结果提供证据支持的假设,随着机器人从起始位置到目标位置,它将能够成功地实现该控制器如果仿真运行没有任何碰撞。这个假设被机器人无碰撞的环境中运行测试。gydF4y2Ba

数据可用性声明gydF4y2Ba

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。gydF4y2Ba

作者的贡献gydF4y2Ba

先生,房颤,导致研究的概念和设计。先生组织的研究活动和结果。房颤监督结果分析。作为监督的技术部分。所有作者导致修订手稿、阅读和批准提交的版本。gydF4y2Ba

资金gydF4y2Ba

下的研究进行了项目研究卓越联盟(JPT (BPKI) 1000/016/018/25(57))的标题财团搜救行动的机器人技术(CORTESRO)提供马来西亚的高等教育(邻蒙古)。gydF4y2Ba

确认gydF4y2Ba

作者也承认马来西亚各种大学(UTM)投反对票(4 l930)设施和支持来完成这个研究。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba