MẶT TRƯỢT CẢI TIẾN VÀ MẠNG NƠ-RON NHÂN TẠO VỚI ỨNG DỤNG CHO ĐIỀU KHIỂN ROBOT | Tùng | TNU Journal of Science and Technology

MẶT TRƯỢT CẢI TIẾN VÀ MẠNG NƠ-RON NHÂN TẠO VỚI ỨNG DỤNG CHO ĐIỀU KHIỂN ROBOT

Thông tin bài báo

Ngày nhận bài: 13/12/23                Ngày hoàn thiện: 29/01/24                Ngày đăng: 30/01/24

Các tác giả

1. Phạm Thanh Tùng Email to author, Trường Đại học Sư phạm Kỹ thuật Vĩnh Long
2. Trần Trung Hiếu, Trường Đại học Sư phạm Kỹ thuật Vĩnh Long

Tóm tắt


Mobile robot là thiết bị tự động có khả năng tự di chuyển với các ứng dụng từ hoạt động giám sát và hậu cần kho hàng đến dịch vụ chăm sóc sức khỏe và khám phá hành tinh. Điều khiển bám quỹ đạo chính xác là thành phần quan trọng trong các ứng dụng của robot. Nghiên cứu này ứng dụng mặt trượt cải tiến và mạng nơ-ron nhân tạo cho Mobile robot. Mặt trượt cải tiến kết hợp với luật tiếp cận hàm mũ và hàm Hyperbolic tangent được sử dụng để giảm hiện tượng chattering trong điều khiển trượt. Các thành phần phi tuyến trong luật điều khiển trượt được ước lượng bằng mạng nơ-ron nhân tạo. Các trọng số của mạng nơ-ron được cập nhật trực tuyến bằng giải thuật gradient descent. Tính ổn định của hệ thống được chứng minh bằng lý thuyết Lyapunov. Các kết quả mô phỏng với MATLAB/Simulink cho thấy hiệu quả của phương pháp đề xuất với thời gian tăng đạt 0,071(s), độ quá điều chỉnh là 0,004(%), sai số xác lập tiến về 0(m), thời gian xác lập là 0,0978(s) theo trục xvà 0,0646(s), 0,0042(%), 0(m) và 0,0902(s) theo trục y, tương ứng; hiện tượng chattering có biên độ nhỏ và tần số dao động thấp.

Từ khóa


Điều khiển trượt; Mobile robot; Mặt trượt cải tiến; Mạng nơ-ron nhân tạo; MATLAB/Simulink

Toàn văn:

PDF

Tài liệu tham khảo


[1] G. D. S. Lima, V. R. F. Moreira, and W. M. Bessa, “Accurate trajectory tracking control with adaptive neural networks for omnidirectional mobile robot subject to unmodeled dynamics,” J. Braz. Soc. Mech. Sci. Eng., vol. 45, no. 1, pp. 1–11, 2023.

[2] Y. Liu, J. J. Zhu, R. L. Williams, and J. Wu, “Omni-directional mobile robot controller based on trajectory linearization,” Robot. Auton. Syst., vol. 56, no. 5, pp. 461–479, 2008.

[3] T. H. Le, D. Tran, and V. T. Vu, “Adaptive Sliding Mode Control for Three-Wheel Omnidirectional Mobile Robot,” Int. J. Eng. Trends Technol., vol. 71, no. 5, pp. 9–17, 2023.

[4] N. Hacene and B. Mendil, “Motion Analysis and Control of Three-Wheeled Omnidirectional Mobile Robot,” J. Control Autom. Electr. Syst., vol. 30, no. 2, pp. 194–213, 2019.

[5] M. A. Kawtharani, V. Fakhari, and M. R. Haghjoo, “Tracking Control of an Omni-Directional Mobile Robot,” in 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), Ankara, Turkey: IEEE, 2020, pp. 1–8.

[6] A. S. Andreev and O. A. Peregudova, “On Global Trajectory Tracking Control for an Omnidirectional Mobile Robot with a Displaced Center of Mass,” Nelineinaya Din., vol. 16, no. 1, pp. 115–131, 2020.

[7] H. Mou, “Research On the Formation Method of Omnidirectional Mobile Robot Based On Dynamic Sliding Mode Control,” Acad. J. Manuf. Eng., vol. 18, pp. 148–154, 2020.

[8] D. Nganga-Kouya, A. F. Okou, and J. M. L. N. Mezui, “Modeling and Nonlinear Adaptive Control for Omnidirectional Mobile Robot,” Res. J. Appl. Sci. Eng. Technol., vol. 18, no. 2, pp. 59–69, 2021.

[9] C. Ren, C. Li, L. Hu, X. Li, and S. Ma, “Adaptive model predictive control for an omnidirectional mobile robot with friction compensation and incremental input constraints,” Trans. Inst. Meas. Control, vol. 44, no. 4, pp. 835–847, 2022.

[10] A. Mehmood, I. U. H. Shaikh, and A. Ali, “Application of Deep Reinforcement Learning for Tracking Control of 3WD Omnidirectional Mobile Robot,” Inf. Technol. Control, vol. 50, no. 3, pp. 507–521, 2021.

[11] C.-H. Lin and F.-Y. Hsiao, “Proportional-Integral Sliding Mode Control with an Application in the Balance Control of a Two-Wheel Vehicle System,” Applied Sciences, vol. 10, no. 1, pp. 1-27, 2020.

[12] J. Liu, Sliding Mode Control Using MATLAB. Academic Press, 2017.

[13] A. İ. Kaya, M. İLkuçar, and A. ÇiFci, “Use of Radial Basis Function Neural Network in Estimating Wood Composite Materials According to Mechanical and Physical Properties,” Erzincan University Journal of Science and Technology, vol. 12, no. 1, pp. 116–123, 2019.

[14] J. Liu, Radial Basis Function (RBF) Neural Network Control for Mechanical Systems: Design, Analysis and Matlab Simulation. Springer Berlin, Heidelberg, 2013.

[15] T. T. T. Tran, T. T. Pham, and C. N. Nguyen, “Performance evaluation of the reaching laws in sliding mode control for omnidirectional mobile robot,” the 6th Vietnam International Conference and Exhibition on Control and Automation –VCCA2021, 2021, pp. 801-809.




DOI: https://doi.org/10.34238/tnu-jst.9400

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved