硬核,机器人只需5秒就跟踪上了爱心曲线

简介: 硬核,机器人只需5秒就跟踪上了爱心曲线

目录

0 前言

硬核,这年头机器人都开始自学“倒车入库”了这篇文章本质上属于机器人的镇定问题。本文仍基于差速轮式机器人模型完成一个轨迹跟踪应用,使机器人在尽可能短的时间内跟踪上爱心轨迹


image.png

仿真效果动图如下所示,看完本文相信你也可以做到!(文末有 实际机器人运行效果图!)

image.gif

1 什么是轨迹跟踪?

轨迹跟踪以稳定性和快速性为核心,基于时间微分约束(如速度、加速度),规划路径点间的运动状态 ,轨迹规划赋予路径规划时间信息。简单来说:就是控制机器人用最短的时间跟上期望的轨迹。


和上一期的镇定问题做个对比,镇定问题是设计一个控制律在有限时间内使误差衰减到0,当前位姿稳定在参考位姿上。


这两次博文讨论的问题表面上轻松简单,但背后的应用极为广泛,常见于智能车竞赛的循线、平衡等赛题,学术界方面也有相当的论文研究这两个问题,感兴趣的同学可以继续深入了解,我把相关的参考论文放在文章最后。

2 开始编程实现

2.1 选择轨迹

R = 5.0;
T = 40.0;
w = 2 * pi / T;
ref = @(t) [R*(2*sin(w*t)-sin(2*w*t)), R*(2*cos(w*t)-cos(2*w*t))];

打印出来看看


image.png

2.2 编写轨迹跟踪算法

function dpdt = wmrTrackOde45Func(t, p, ref)

获取机器人当前状态

% robot state
x = p(1);
y = p(2);
theta = p(3);

获取参考位姿信息

% reference path
pRef = ref(t);
xRef = pRef(1);
yRef = pRef(2);
vRef = 1;
wRef = 0;

获取目标向量

% predict reference path
targetVec = [xRef - x;
             yRef - y]; 
if targetVec(2) > 0
    thetaRef = acos(targetVec(1) / sqrt(targetVec(1)^2 + targetVec(2)^2));
else
    thetaRef = - acos(targetVec(1) / sqrt(targetVec(1)^2 + targetVec(2)^2));
end

控制器参数设置

% controller parameters
Kx = 15;
Ky = 25;
Kt = 10;

控制

% controller
ex = cos(theta) * (xRef - x) + sin(theta) * (yRef - y);
ey = -sin(theta) * (xRef - x) + cos(theta) * (yRef - y);
u  = [ vRef * cos(thetaRef - theta) + Kx * ex;
       wRef + vRef*(Ky * ey + Kt * sin(thetaRef - theta))];
v = u(1);
w = u(2);
dpdt = [v*cos(theta); v*sin(theta); w];
end

然后把这个函数封装成ode45的被调函数,让Matlab帮我们迭代计算即可。

2.3 测试跟踪性能

其中绿色是机器人初始位置,蓝色是机器人实际轨迹。


image.png

再来看看误差曲线,大概在5s的时候各参数全部跟踪上预期曲线,这个效果可以通过调节控制器参数来观察变化,加深对控制作用的理解,上文代码中的控制器是我个人整定的,大家可以按需调整。


image.png

对其他轨迹的效果怎么样呢?看看下面圆轨迹的跟踪效果,即使初始位置很偏也没有任何问题。


image.png

2.4 制作动图

figure(1)
trackProcess = VideoWriter('video/trackProcess.avi');
open(trackProcess);
movie = moviein(t);
% 画参考轨迹
plot(refPos(:,1),refPos(:,2), "--b", 'LineWidth', 1);
grid on
hold on
% 画初始位置
handler = plotPose(initPos, 0.8, 0.3, 'r', size);
for i=1:length(t)
    delete(handler);
    handler = plotPose(actualPos(i,:));
    plot(actualPos(i,1), actualPos(i,2), 'Marker', '.', 'color', [0,0.5,0]);
    movie(:, i) = getframe;
  writeVideo(trackProcess, movie(:, i));
end
hold off
close(trackProcess);

3 真车实战

由于限制5M,只放出部分动图,完整视频可以关注公众号观看。

image.gif

4 参考文献

希望做相关研究的同学可以进一步阅读下面的文献


[1]杨士超. 非完整轮式移动机器人的反馈镇定和轨迹跟踪控制研究[D]. 长安大学.

[2]Kanayama Y , Kimura Y , Miyazaki F , et al. A stable tracking control method for an autonomous mobile robot[C]// IEEE International Conference on Robotics & Automation. IEEE, 1991.


🔥 更多精彩专栏:


《机器人原理与技术》

《计算机视觉教程》

《机器学习》

《嵌入式系统》

《数值优化方法》


目录
相关文章
|
2月前
|
监控 算法 数据安全/隐私保护
基于视觉工具箱和背景差法的行人检测,行走轨迹跟踪,人员行走习惯统计matlab仿真
该算法基于Matlab 2022a,利用视觉工具箱和背景差法实现行人检测与轨迹跟踪,通过构建背景模型(如GMM),对比当前帧与模型差异,识别运动物体并统计行走习惯,包括轨迹、速度及停留时间等特征。演示三维图中幅度越大代表更常走的路线。完整代码含中文注释及操作视频。
|
3月前
|
数据可视化 算法 机器人
实例10:四足机器人运动学逆解可视化与实践
本文是关于四足机器人逆运动学(IK)的实例教程,介绍了逆运动学的概念、求解方法、多解情况和工作空间,并通过Python编程实现了简化的mini pupper平面二连杆模型的逆运动学可视化,包括单腿舵机的校准和动态可视化运动学计算结果。
137 0
|
5月前
全息近眼显示技术如何实现三维图像再现?
【6月更文挑战第26天】全息近眼显示技术如何实现三维图像再现?
43 4
|
6月前
|
人工智能
姿态识别+康复训练矫正+代码+部署(AI 健身教练来分析深蹲等姿态)-2
姿态识别+康复训练矫正+代码+部署(AI 健身教练来分析深蹲等姿态)-2
|
6月前
|
机器学习/深度学习 人工智能 算法
姿态识别+康复训练矫正+代码+部署(AI 健身教练来分析深蹲等姿态)-1
姿态识别+康复训练矫正+代码+部署(AI 健身教练来分析深蹲等姿态)-1
专家PID控制轨迹跟踪研究(Matlab代码实现)
专家PID控制轨迹跟踪研究(Matlab代码实现)
110 0
|
6月前
|
机器学习/深度学习 算法 自动驾驶
集检测与分类于一身的LVLane来啦 | 正面硬刚ADAS车道线落地的困难点
集检测与分类于一身的LVLane来啦 | 正面硬刚ADAS车道线落地的困难点
175 0
|
机器学习/深度学习 传感器 算法
【路径规划】基于信息素驱动的机器人群动态巡逻附matlab代码
【路径规划】基于信息素驱动的机器人群动态巡逻附matlab代码
|
机器学习/深度学习 算法 机器人
PETS:伯克利大神Sergey Levine指导的概率集成轨迹采样算法
PETS:伯克利大神Sergey Levine指导的概率集成轨迹采样算法
121 0
|
算法 数据挖掘
高分SCI必备-全方位无死角展示降维数据的三维立体图
高分SCI必备-全方位无死角展示降维数据的三维立体图
115 0