基于神经网络(Neural Network, NN)的轮式移动机器人(Wheeled Mobile Robot, WMR)运动控制:一项全面综述

《IEEE Access》:Neural Network-Based Motion Control of Wheeled Mobile Robots: A Comprehensive Review

【字体: 大 中 小 】 时间:2026年05月21日 来源:IEEE Access 3.6

编辑推荐:

  轮式移动机器人(Wheeled Mobile Robot, WMR)已成为现代自主系统的核心组成部分,而运动控制始终是其中最具挑战性且研究最为活跃的课题之一。WMR的控制设计受到非线性动力学(nonlinear dynamics)、非完整约束(nonholon

  
轮式移动机器人(Wheeled Mobile Robot, WMR)已成为现代自主系统的核心组成部分,而运动控制始终是其中最具挑战性且研究最为活跃的课题之一。WMR的控制设计受到非线性动力学(nonlinear dynamics)、非完整约束(nonholonomic constraints)、执行器饱和(actuator saturation)以及建模不确定性等因素的复杂影响,这些因素在非结构化地形、外部扰动和动态障碍物等真实操作条件下进一步加剧。在此背景下,基于神经网络(Neural Network, NN)的控制技术因其强大的逼近能力、学习适应性以及处理系统不确定性的能力而日益受到关注。本综述全面回顾了面向WMR的基于NN的运动控制方法,系统考察了控制策略的演变历程,从传统的基于模型的控制器到NN辅助及混合控制架构,后者整合了学习、自适应、鲁棒与智能控制框架。所回顾的研究从神经网络结构与学习方案、控制目标、实时实现考量以及基于仿真与实验评估的验证方法等角度进行了分析。同时讨论了WMR运动控制和基于NN的控制设计中的关键开放挑战。此外,论文考察了基于NN的运动控制当前的应用趋势与局限性,涉及单机器人与多机器人系统、复杂地形与障碍环境,以及路径规划与导航任务集成等场景。最后,展望了未来研究方向,以期实现面向下一代WMR系统的可靠、可扩展且可部署的NN驱动运动控制。
## 研究背景与动机

轮式移动机器人(Wheeled Mobile Robot, WMR)因其灵活的机动性和实用的部署优势,已广泛应用于工业、农业和服务领域。典型的WMR由车轮、驱动系统、控制与制导单元以及机载传感器组成。根据其运动和转向机制,WMR通常分为差分驱动WMR(Differential-drive WMR, DWMR)、全向移动机器人(Omni-directional Mobile Robot, OMR)和类车WMR(Car-like WMR, CWMR)。DWMR依赖两个同轴驱动轮的独立速度控制,CWMR采用阿克曼转向,而OMR利用全向轮或麦克纳姆轮实现完整运动。尽管DWMR和CWMR受到非完整约束的限制,在狭窄环境中机动性受限,但OMR在拥挤或狭窄空间中提供了更大的导航灵活性。

从控制角度看,WMR运动涵盖点稳定、路径跟踪和轨迹跟踪,其中轨迹跟踪对控制精度、鲁棒性和实时性能的要求最为严格。在实际应用中,跟踪性能受到非线性动力学、非完整约束、参数不确定性、外部扰动、障碍物相互作用以及地形引起的效应(如车轮滑移和侧滑)等因素的显著影响。这些挑战在WMR于非结构化或户外环境中运行时变得尤为关键,此时精确的系统建模难以实现。此外,与单机器人轨迹跟踪相比,多WMR的编队控制由于通信约束和安全距离要求而引入了额外挑战。

研究人员针对WMR的运动控制问题开发了大量传统控制策略,包括反步控制(Backstepping Control, BSC)、模型预测控制(Model Predictive Control, MPC)以及线性二次调节器(Linear Quadratic Regulator, LQR)等最优控制方法。这些基于模型的控制器在特征化操作条件下通常能实现令人满意的性能,但其有效性强烈依赖于精确的运动学和动力学模型的可用性。为提高对不确定性和扰动的鲁棒性,滑模控制(Sliding Mode Control, SMC)等先进控制方法得到了广泛研究,但传统SMC方法存在高频抖振问题。同时,基于模糊逻辑的智能控制策略也被探索用于处理系统不确定性,但其实际效果和比较优势仍在积极研究中。

在实际部署中,由摩擦、复杂机械结构、未知负载变化以及环境-机器人交互引起的建模不准确性经常导致性能退化,因此需要保守的控制器调参或额外的鲁棒性机制。严重的模型失配、未建模动力学以及在挑战性环境中实时决策的需求,仍然是WMR运动控制中的关键问题。为应对这些局限性,NN越来越多地被集成到WMR运动控制框架中。通过将NN嵌入运动控制架构,无论是基础还是先进的WMR平台都能有效执行清洁、运输和巡逻服务等复杂任务。在大多数实现中,NN作为嵌入传统反馈控制回路中的基于学习的模块,典型应用包括在线逼近未知动力学、估计外部扰动、补偿建模不确定性以及自适应调谐控制增益。NN辅助控制器在系统动力学部分未知、时变或难以显式建模的场景中表现出特殊优势,如外部扰动下的轨迹跟踪、障碍物引起的交互力以及地形依赖的车轮-地面耦合效应。

本综述发表于《IEEE Access》,旨在填补现有综述文献的空白。现有综述主要关注OMR和DWMR系统的经典基于模型的控制策略,NN方法未被考虑或仅被边缘化讨论;后续研究将NN技术主要作为轨迹跟踪任务中扰动估计或自适应参数调整的辅助工具,而非将其视为核心运动控制组件;更近期的工作则主要关注激光雷达技术在自主车辆导航中的应用。因此,现有研究普遍将NN视为补充模块而非运动控制架构的组成部分,尤其缺乏同时处理非线性动力学、外部扰动、障碍物相互作用和地形依赖不确定性的NN控制器研究。此外,现有研究往往缺乏统一的分析框架来系统考察NN在不同WMR类型和操作条件下的集成,对计算复杂度、收敛行为和实验验证等实际实现方面的关注也不足。

## 主要关键技术方法

研究人员为开展本项综述研究,采用了以下关键技术方法:首先,遵循Fink提出的系统综述方法论原则,并以PRISMA(系统综述和荟萃分析优先报告条目)2020指南为框架,确保综述的结构化、透明性和可重复性。文献检索覆盖Web of Science、Scopus和IEEE Xplore三大数据库,限定2019年至2025年间的英文出版物,通过标题、摘要和关键词字段的组合检索,最终从787篇初始文献中筛选出75篇进行深入分析。其次,在分类分析层面,研究人员建立了以五个核心研究问题(RQ1-RQ5)为牵引的统一分析框架,从NN的功能角色、集成架构、平台与模型分布、实时性能与验证方法,以及开放挑战五个维度展开系统分析。第三,在NN功能角色识别方面,研究人员将NN在WMR运动控制中的作用归纳为三大范式:作为逼近器(approximator)用于未知动力学和扰动的实时估计,作为优化器(optimizer)用于约束二次规划问题的快速数值求解,以及作为强化学习(Reinforcement Learning, RL)框架的核心组件实现自主决策。第四,在控制架构分析方面,研究人员按照DWMR、OMR、CWMR和复杂WMR系统四类代表性平台,考察NN与传统控制器(SMC、BSC、MPC、PID等)的混合集成模式。

## 研究结果

**NN在WMR控制中的功能角色**

研究人员将NN在WMR运动控制中的功能角色系统梳理为三个方面。第一,NN作为逼近器:径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)因其通用逼近能力而被广泛应用,用于辨识闭环WMR系统中的未知动力学,并针对电机死区非线性、执行器饱和、滑移引起的速度损失和外部扰动等挑战性场景进行了定制。多神经网络架构被提出以在完全未知系统模型下逼近不确定动力学,高级应用还包括执行器故障、扰动和拒绝服务(Denial-of-Service, DoS)攻击下的动态建模。除RBFNN外,多层感知器神经网络(Multilayer Perceptron Neural Network, MLPNN)、模糊小波神经网络(Fuzzy Wavelet Neural Network, FWNN)、小脑模型神经网络(Cerebellar Model Neural Network, CMNN)以及图神经网络(Graph Neural Network, GNN)等架构也被探索,分别用于可变形地形上的未知动力学逼近、滑移条件下的稳定、多机器人碰撞避免中的执行器故障和扰动估计,以及从车轮-车辙图像估计车轮滑移状态等任务。NN还被应用于逼近整个控制律,在基于视觉的导航中,MLP和NARX(非线性自回归外生)控制器被用于障碍物丰富环境中的路径跟踪。

第二,NN作为优化器:在运动控制中,运动学和动力学控制问题经常被重构为约束二次规划(Quadratic Programming, QP)问题。NN因其并行计算和实时实现优势而作为快速数值求解器 demonstrated 强大能力,这一方法在MPC框架中得到广泛采用。对于DWMR,基于管的MPC策略采用原始-对偶神经网络(Primal-Dual NN, PDNN)在有限滚动时域内求解QP问题。在编队跟踪中,NN优化的分布式MPC框架通过PDNN求解约束QP问题,使五个非完整WMR实现共识跟踪。对于轨迹跟踪,延迟神经网络(Delayed NN, DNN)优化器被用于在线求解QP问题,相比拉格朗日规划神经网络(Lagrange Programming NN, LPNN)在所评估的迭代时间、收敛速度、ISE(积分平方误差)和IAE(积分绝对误差)指标上表现更优。

第三,强化学习范式:当NN集成到RL中时,它们不仅作为估计器,还作为策略和值函数的逼近。通过与环境的交互和奖励信号的反馈,网络被持续更新,实现顺序决策和长期最优控制。主要RL类别包括基于自适应动态规划(Adaptive Dynamic Programming, ADP)的RL、基于值的RL和深度强化学习(Deep Reinforcement Learning, DRL)。ADP-based RL将动态规划与NN集成在评判或演员-评判结构中,求解WMR动态系统的Hamilton-Jacobi-Bellman(HJB)方程。对于具有复杂非线性动力学和现实世界挑战的系统,ADP已扩展为包含演员、评判和鲁棒网络的多网络结构。基于值的RL也被广泛应用于轨迹跟踪,如完全在线的基于反馈的Q学习方法。DRL进一步将RL扩展到高维感知和控制问题,如采用DDPG(深度确定性策略梯度)算法实现自主铲运操作。

**NN集成的混合运动控制架构**

NN集成混合运动控制架构部分按照四类代表性WMR平台展开分析。第一,DWMR:NN增强的运动学控制器被广泛探索,包括用于不确定位移估计的Lyapunov-based控制器、间接自适应NN-PID方法(其中NN辨识系统Jacobian以实现PID调谐,离散扩展卡尔曼滤波实现实时状态和权重自适应),以及结合SMC、RBFNN和事件触发机制的事件触发神经自适应控制器。同时考虑运动学和动力学的方案包括:基于多层反向传播训练的智能NN-PID控制器,使用轮速误差和电枢电压在线更新PID增益;遗传算法优化的反步位置控制器与NN-based非线性PID速度控制器的混合方案;以及结合TSKNN(Takagi-Sugeno-Kang Neural Network)与SMC的方案。分层和学习增强的动态回路方案包括:运动学控制器、基于非整数PID的主动态控制器,以及补偿主回路未处理残余动力学的补充RL演员-评判动态控制器。针对执行器饱和,自适应神经控制器保证闭环稳定性和渐近跟踪;对于速度约束,采用障碍Lyapunov函数(Barrier Lyapunov Function, BLF)的自适应NN方案强制约束满足。车轮滑移方面的NN增强鲁棒控制策略涵盖直接补偿、滑移估计与缓解,以及集成鲁棒设计。在障碍物丰富环境中,NN支持感知感知导航和轨迹生成,如两个NN估计障碍物特征并使用激光雷达数据生成Euler-elastica轨迹,以及基于RL的改进动态窗口方法用于轨迹规划。

第二,OMR:针对单机器人控制,提出了两层前馈NN用于最小化与参考控制信号的偏差,RVFLNN(随机向量功能链接神经网络)补偿前馈路径中的未知动力学,而PD控制器在反馈回路中产生扭矩命令。对于多机器人协调,提出了结合MPC与ESO-ASMC(扩张状态观测器-自适应滑模控制)的鲁棒编队控制框架,线性MPC处理运动约束并通过DNN求解,而自适应SMC在扭矩饱和下跟踪参考速度。

第三,CWMR:为提高跨路况的跟踪性能,提出了采用Bi-LSTM的自适应轮胎-转向策略(Adaptive Tire-Cornering Strategy, ACS)和下层SMC。为缓解非线性扰动、未建模动力学和不确定初始跟踪误差,开发了EPPF-OPC自适应控制器,采用增强RBFNN抑制不确定性效应。对于4WS4WD(四轮转向四轮驱动)平台,提出了基于阈值带的事件触发自适应NN控制器,集成运动学和动力学模型,使用低频NN学习处理未知扰动。

第四,复杂WMR系统:在噪声损坏环境中,提出了基于RZNN(递归零化神经网络)的跟踪控制器,用于由移动底座和六关节机械臂组成的WMM(轮式移动机械手),实现固定时间收敛和噪声抑制。针对具有串联弹性执行器(Series Elastic Actuator, SEA)和混合非完整/完整约束的移动机械手的全身运动控制,提出了Lyapunov-based自适应NN控制方案,有效消除了动态系统线性化期间的耦合矩阵。

**WMR控制器的分析与挑战**

在WMR类型分布方面,DWMR主导研究格局,占报道研究的68%,这主要归因于其相对简单的机械结构、低实现成本以及成熟的运动学和动力学建模框架。OMR代表第二大类别,贡献约18%的出版物。CWMR(约5%)、WMM(约9%)和TTWMR(约1%)在调查文献中出现频率较低。

在NN类型方面,RBFNN约占报道架构的54%,其次是MLPNN约17%。PDNN和ZNN(零化神经网络)主要用于实时优化问题,CMNN和RVFLNN在需要快速学习和低计算延迟的场景中受到青睐,而CNN、Bi-LSTM和GNN主要出现在感知增强或预测相关任务中,表明基于学习的感知与运动控制的集成日益增加。

在实时性能方面,软件优化主导该领域,其中自适应机制(24篇文章)和在线适应方法(12篇文章)构成主要研究方向。控制结构优化出现在7项研究中,主要是分布式架构(5篇文章),而硬件加速方法相对罕见(2篇文章)。事件触发策略通过仅在预定义状态阈值满足时激活控制更新来减少不必要计算;在线学习方法通过基于梯度或智能优化技术优化参数来提高效率;轻量级NN架构和MPLM技术直接降低每次迭代的计算成本。

在验证方法方面,理论与仿真相结合(T+Sim)是最常用的方法,有27项研究;纯仿真验证排名第二,有18项研究;包含理论、仿真和实验的完整验证链出现在11项研究中。实验验证对于确认真实世界效果仍然不可或缺,特别是对于依赖与物理环境交互的RL方法。

主要控制挑战按研究关注度排序为:不确定性(32.5%)、扰动(30.1%)、约束(16.9%)、复杂地形(10.8%)和障碍物(9.6%)。NN相关挑战包括:网络结构和参数选择主要依赖经验试错,缺乏系统化方法;RL-based运动控制的实时性能、稳定性和可解释性仍然困难;NN-based控制器的高计算负担和理论透明度缺乏进一步复杂化实际部署。

**研究趋势与差距**

当前研究趋势涵盖四个相互关联的方向:增强单机器人的自适应和鲁棒控制;开发多机器人系统的协作框架;改进地形感知和障碍物响应运动策略;以及推进语义信息丰富的路径规划和导航。

单WMR运动控制方面,对于DWMR,虽然提出了大量NN-based自适应方案,但共同局限包括:依赖有界确定性扰动假设、以仿真验证为主缺乏实验证据、启发式参数调谐缺乏系统优化、聚焦于单机器人任务缺乏可扩展的多机器人协调、以及与安全关键或数据驱动框架的弱集成。对于OMR,现有方法对动态摩擦变化、传感器故障和随机扰动的考虑不足,严重依赖经验参数调谐,且大多限于仿真验证。CWMR研究相对稀缺,缺乏完整任务级集成和综合实验验证。复杂WMR系统面临仿真验证与物理部署之间的显著差距、对高度动态和非结构化环境的适应性有限,以及交互智能集成不足等关键差距。

多WMR运动控制方面,分布式优化控制、鲁棒自适应控制、事件触发和安全感知策略、协议约束控制等方法被采用,但受限于:许多先进分布式算法缺乏实验验证、功能集成仍不完整、对复杂现实世界挑战的适应性不足、以及高不确定性下的鲁棒性不足。

地形和障碍物环境中的运动控制方面,地形适应方法存在:大多数控制器针对特定滑移模式设计、缺乏真实复杂地形的系统验证、未能充分考虑实际工程约束等缺陷。障碍物处理能力方面,动态障碍物避免有限、感知与控制集成不足、复杂场景验证缺乏。

路径规划和导航方面,现有方法在规划算法的适应性和泛化能力、环境感知和长期推理能力、规划与控制层之间的集成、以及系统验证的完整性和真实性方面存在根本局限。

## 讨论与结论

**研究结论**

本综述呈现了面向WMR的NN-based运动控制方法的全面回顾,涵盖控制器架构、NN的功能角色、机器人平台分布、实时实现考量和验证方法。通过系统分析2019年至2025年间发表的75项代表性研究,本综述提供了从传统基于模型的方法向整合学习、优化和自适应机制的混合智能控制框架演变的统一视角。

关键发现总结如下:NN的角色已从用于扰动估计的辅助组件演变为实现逼近、优化和基于RL决策的核心元素;结合NN与传统方法(SMC、BSC、MPC)的控制器现已成为主导范式,在理论稳定性保证与学习能力之间取得平衡;虽然DWMR仍是最受研究的平台,但注意力正转向由复杂应用需求驱动的OMR、CWMR和复杂WMM;RBFNN和MLPNN因计算效率而主导实时控制,而CNN、GNN和基于RNN/LSTM的模型主要用于感知增强或预测导向任务;RL的集成引入了不确定环境中模型自由控制的新机会,标志着向智能自主的决定性转变。

尽管取得这些进展,若干关键局限仍然存在:理论算法开发与实用部署之间存在重大差距,许多NN-based控制器仅在仿真环境中验证,物理平台上的实验验证有限。真实世界不确定性下的鲁棒性,包括随机扰动、地形诱导滑移、执行器故障和通信中断,仍解决不足。此外,大多数研究聚焦于单机器人系统,对通信约束和动态环境下可扩展多机器人合作的探索相对有限。感知、规划和控制层之间的集成也不完整,阻碍了端到端智能自主。NN-based控制器还常受高计算复杂度、启发式参数调谐依赖以及稳定性分析和可解释性挑战的困扰,这限制了其实时适用性和工程可靠性。

基于识别的差距,未来研究和后续综述应考虑以下重要方向:需要在复杂真实世界环境下进行系统的实验验证,以弥合理论与部署之间的差距。研究应超越有界不确定性假设,处理开放环境中遇到的完全未知、随机和对抗性扰动。应开发整合感知、规划、控制和交互的统一框架,以实现全栈智能自主。需要进一步研究能够在通信约束和分布式不确定性下运行的可扩展和弹性多机器人合作控制架构。对于实际部署,轻量级和计算高效的NN结构以及改进的可解释性和稳定性保证至关重要。未来综述应考虑跨学科发展,包括基于学习的感知、边缘计算和人机交互,以对智能WMR系统提供更全面的理解。

总之,NN-based运动控制已展示出增强WMR系统适应性、鲁棒性和自主性的显著潜力。然而,实现可靠的现实部署需要在实验验证、集成系统设计、计算效率和理论保证方面取得进展。沿这些方向继续研究将支持WMR从实验室原型向能够在动态和非结构化环境中长期运行的实用自主系统过渡。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号