车载Stewart平台调平控制研究

《Applied Sciences》：Research on Leveling Control for Vehicle-Mounted Stewart Platforms

　　

为了解决自主救援车辆在非结构化路面上运行时因车辆姿态变化导致无自理能力伤员的安全问题，研究人员提出了一种基于Stewart平台的主动调平控制方案。首先，建立了完整的Stewart平台运动学和动力学模型以及双层平台调平控制模型。随后，设计了一种基于径向基函数（RBF）神经网络的非奇异终端滑模控制（NTSMC）算法。通过利用神经网络在线逼近集总不确定性，实现了对Stewart平台的高精度控制。此外，为了增强在动态环境中的感知能力，提出了一种集成YOLO11n-Seg实例分割算法的ORB-SLAM3算法。该方法有效滤除了动态特征点，实现了鲁棒的车辆位姿估计。最后，构建了一个物理双层Stewart平台实验系统，以全面验证所提出的控制算法和视觉算法。

**研究背景与问题**
自主救援车辆在非结构化路面（如野外、废墟）上行驶时，由于上下坡或侧倾导致车身姿态（横滚、俯仰）持续变化。车内无法自主移动的伤员可能因滚动或跌落造成二次伤害。现有解决方案中，悬挂系统调节范围有限；安全座椅与悬挂组合方式仍不足以应对大角度姿态变化。Stewart平台因其高承载能力和高精度运动控制，成为实现姿态主动调平的理想机构。然而，该方案面临两大核心挑战：一是位姿感知精度不足，传统GPS精度不够且无法直接提供完整姿态角，惯性测量单元（IMU）积分误差累积快；二是动态环境下视觉SLAM（同步定位与地图构建）鲁棒性差，ORB-SLAM3等经典算法缺乏动态处理模块，动态特征点严重干扰位姿估计。在控制层面，传统PID对强非线性、高集总不确定性的Stewart平台控制性能不佳，而滑模控制（SMC）虽鲁棒性强，但存在严重抖振问题。因此，需要同时提升感知精度和控制性能。

**研究内容与结论**
研究人员提出了一套基于Stewart平台的主动调平控制系统，发表在《Applied Sciences》。该系统由两大部分组成：1）基于径向基函数（RBF）神经网络的非奇异终端滑模控制器（NTSMC），利用RBF在线逼近系统集总不确定性（包括未建模动态、摩擦力、外部扰动），通过前馈补偿大幅降低切换增益，从而抑制抖振，同时非奇异终端滑模面确保跟踪误差有限时间收敛；2）集成YOLO11n-Seg实例分割的改进ORB-SLAM3算法，通过生成动态区域二进制掩码，精确滤除动态物体（如人、车辆）内的ORB特征点，保留静态背景特征点，从而在动态环境中实现鲁棒的车辆位姿估计。建立了完整的运动学和动力学模型以及双层平台调平控制模型（坐标变换实现上平台在世界坐标系中静止）。仿真和实验验证表明：控制器跟踪误差从NTSMC的±0.15 cm降至RBF-NTSMC的±0.02 cm，控制力峰值波动从2700 N降至500 N；在TUM RGB-D数据集上，高动态场景下改进ORB-SLAM3的绝对轨迹误差（RMSE）从ORB-SLAM3的0.4 m以上降至0.0256 m以内，降低超90%；物理双层平台实验中，调平平台姿态角误差稳定在±1°内，升沉运动幅度相比车体减少60%。这些结果证实了系统在提高伤员安全性方面的实用价值。

**主要关键技术方法**（不超过250字）
1. **动力学建模与雅可比变换**：通过逆运动学推导驱动杆长度与平台位姿关系，利用雅可比矩阵将广义空间动力学模型转换至关节空间，便于控制器设计。
2. **基于RBF神经网络的非奇异终端滑模控制器**：设计非奇异终端滑模面（参数p,q为正奇数，满足p>q），定义跟踪误差和滑模面；RBF神经网络（输入层、隐藏层、输出层）以跟踪误差及其导数为输入，在线输出集总不确定性的估计值；控制律由等效控制和切换控制组成，切换增益仅需补偿神经网络逼近误差；自适应律在线更新网络权重。
3. **集成YOLO11n-Seg的ORB-SLAM3**：YOLO11n-Seg输出类别标签、置信度、边界框和32个掩码系数；后处理阶段筛选低于0.5置信度的结果，对动态类别（如人）生成实例掩码，融合为动态区域二进制掩码（动态区域像素255，静态区域0）；ORB-SLAM3跟踪线程中，对每帧提取的ORB特征点，若对应掩码像素值为255则丢弃，否则保留用于匹配与位姿优化。
4. **实验平台**：采用两个不同尺寸Stewart平台（仿真平台模拟车体姿态，调平平台执行调平），配备IMU（200 Hz）和Orbbec Gemini 336L相机（30 Hz），控制器输出20 Hz，零阶保持处理频率不匹配。

**研究结果**
**3.2 控制器仿真**：通过随机曲线（四组叠加正弦波，振幅±10°，周期5 s）模拟路况，在MATLAB Simulink多体动力学可视化模型上比较NTSMC与RBF-NTSMC。结果表明：RBF-NTSMC的驱动杆1跟踪误差主要波动在±0.02 cm内，而NTSMC误差约±0.15 cm；RBF-NTSMC控制力信号平滑，峰值波动从NTSMC的2700 N降至500 N；滑模面抖振显著降低；神经网络权重在初始阶段快速学习后趋于稳定，验证了在线逼近集总不确定性的能力。
**4.2 数据集验证**：在TUM RGB-D数据集（fr3序列，包含低动态sitting和高动态walking场景）上，以绝对轨迹误差RMSE与标准差为指标，对比ORB-SLAM3、RDS-SLAM、本文边界框过滤方法（Ours1）和掩码过滤方法（Ours2）。结论：低动态序列中Ours2误差为0.0073 m（sitting_static）和0.0072 m（walking_static），优于ORB-SLAM3；高动态序列中ORB-SLAM3误差超0.4 m，Ours2控制在0.0256 m以内，误差降幅>90%；掩码过滤在walking_xyz序列（误差0.0120 m）显著优于边界框过滤；所有测试标准差低于0.0144 m，系统稳定性最优。跟踪时间每帧20-30 ms（YOLO推理10-15 ms，ORB提取6-8 ms，匹配与优化6-10 ms，并行后同步2-4 ms）。
**5.2 实验分析**：在物理双层平台上依次验证控制算法与视觉算法。1）滚转运动验证：仿真平台输入正弦滚转轨迹，IMU测量结果显示RBF-NTSMC的滚转角误差0.01°，NTSMC误差0.1°。2）Z轴平移运动验证：仿真平台执行Dz=50 sin(3.14t+3.14) mm轨迹，相机位姿估计中ORB-SLAM3平均绝对误差21.83 mm，Ours1为14.35 mm，Ours2为9.15 mm。3）整体调平实验：模拟车辆滚转与升沉运动，调平平台滚转角误差：RBF-NTSMC平均绝对误差0.19°，NTSMC为0.24°，最大1°；升沉运动调平误差：ORB-SLAM3平均绝对误差24.47 mm，Ours1为14.37 mm，Ours2为8.86 mm，调平平台振幅较车体振幅降低60%。结果表明系统能有效抵消车体姿态变化。

**讨论与结论**
讨论部分指出研究的局限性：未提供基于Lyapunov的稳定性严格证明（可参考Van Nguyen和Ha对旋转Stewart平台RBF神经网络自适应滑模控制的稳定性分析）；实验场景相对简单（ORB-SLAM3未进入LOST状态，特征点充足），未实现跟踪丢失时的位姿保持或低特征数下的自适应掩码旁路，在快速运动、低纹理、严重遮挡等挑战场景下需引入此类机制。未来方向：开发多传感器融合感知方案以提高挑战环境下的视觉位姿估计精度；探索开放词汇识别或在线自适应学习的实例分割技术，以处理未知类别动态物体，增强系统泛化能力。
研究结论翻译：为了解决自主救援车辆在非结构化路面上运行时因车辆姿态变化导致无自理能力伤员的安全问题，本研究提出了一种基于Stewart平台的主动调平控制系统。该系统的核心创新体现在两个方面：首先，在调平控制层面，设计了一种基于径向基函数（RBF）神经网络的非奇异终端滑模控制（NTSMC）控制器。该控制器利用RBF神经网络实时逼近集总不确定性，有效提高了非奇异终端滑模控制的精度和鲁棒性，同时减少了控制输入振荡。其次，在姿态感知层面，提出了一种改进的ORB-SLAM3算法。通过深度集成YOLOv11n-Seg实例分割网络，实现了对动态特征点的精确滤除，从而显著提升了动态环境中车辆位姿估计的精度。实验结果表明，调平平台姿态角相对于水平姿态的误差稳定在±1度以内，调平平台的升沉运动幅度相比车体升沉运动减少了60%。本文提出的用于自主救援车辆的调平平台具有一定的实用价值。