轮式移动机器人轨迹跟踪的神经反步控制

《Mathematics》：Neural Backstepping Control for Trajectory Tracking of Wheeled Mobile Robots

　　

本文提出了一种针对差分驱动移动机器人轨迹跟踪的神经反步控制策略。所提出的方法结合了动态级反步控制器与一个轻量级单隐层自适应神经网络，通过在线自适应补偿不确定的非线性动力学。反步组件提供了一个基于Lyapunov的稳定化结构，而神经逼近器在不依赖深层架构、离线训练阶段或计算要求高的优化过程的情况下，改善了跟踪性能。神经输出权重的自适应律源自稳定性分析，确保了在存在有界逼近不确定性的情况下，闭环信号有界且跟踪误差一致最终有界。该控制器通过使用四种参考轨迹（圆形、双纽线、利萨如和基于航点的路径）的仿真进行评估。在所有情况下均使用相同的控制增益和神经网络配置，表明所提出的方案无需针对特定轨迹重调参数即可跟踪不同几何形状的轨迹。仿真结果显示了令人满意的跟踪性能，所有评估轨迹的位置均方根误差（RMSE）均低于0.04 m。这些结果表明，所提出的神经反步控制器在跟踪精度、在线自适应能力和实现简易性之间为差分驱动移动机器人轨迹跟踪提供了合适的平衡。

**论文解读：基于神经反步控制的差分驱动移动机器人轨迹跟踪**

**研究背景与问题**

轮式移动机器人（WMR）在自主导航、工业自动化、服务机器人等领域应用广泛，其中差分驱动移动机器人（DDMR）因其机械简单、成本低、机动性好等优势而被广泛采用。然而，由于系统固有的非线性和非完整约束特性、运动学与动力学层级耦合、参数不确定性、执行器限制、外部干扰以及轮地交互效应等因素，DDMR的精确轨迹跟踪仍是一个具有挑战性的控制问题。现有控制器需要同时满足闭环稳定性、可接受的瞬态行为以及可行的控制输入，并需具备鲁棒性、适应性、稳定性保证、调参简便性和实时可实施性。

现有研究虽然已开发了反馈线性化、滑模控制、自适应控制、反步法等多种非线性控制方法，并取得了进展，但存在以下不足：鲁棒非线性控制（如滑模控制）可能需要精心选择增益并引入高频控制活动；基于观测器的控制可能增加调参复杂性；基于神经网络的控制方法虽然能逼近未知非线性动力学，但常依赖深层架构、离线训练或额外优化层，增加了计算负担和调参难度。因此，存在一个研究空白：如何开发一种同时具备严格Lyapunov稳定性结构、在线补偿不确定非线性动力学能力、低计算复杂度且无需轨迹特定重调或离线训练的DDMR轨迹跟踪控制器。

**研究内容与结论**

本文提出了一种针对差分驱动移动机器人轨迹跟踪的神经反步控制策略。该方法将动态级反步控制器与一个轻量级单隐层自适应神经网络相结合。反步组件提供控制律的稳定化结构，神经组件通过在线自适应补偿不确定的非线性动力学。与计算密集的学习方法不同，该神经逼近器有意保持紧凑，以保留实时可实施性，同时维持足够的逼近能力。主要贡献包括：将Lyapunov动态反步控制器与紧凑的自适应神经逼近器集成；将神经网络输出直接纳入与计算力矩结构相关的辅助控制律；神经输出权重通过源自Lyapunov稳定性分析的自适应律在线更新，确保在有界逼近不确定性下闭环信号有界且跟踪误差一致最终有界。通过四种不同参考轨迹（圆形、双纽线、利萨如和基于航点的路径）的数值仿真，评估了控制器的跟踪性能。结果表明，所提出的控制器在所有评估轨迹上均取得了令人满意的跟踪性能，位置均方根误差（RMSE）均低于0.04 m，且无需轨迹特定重调参数。该控制器在跟踪精度、在线自适应能力和实现简易性之间提供了合适的平衡。论文发表在《Mathematics》。

**关键方法**

1. **动力学建模**：基于Euler-Lagrange方法建立DDMR的动力学模型，通过引入缩减向量将系统投影到约束解子空间，得到简化动力学模型（式(25)），用于控制设计。
2. **反步控制设计**：采用基于Lyapunov的反步法，从运动学误差动力学（式(36)）出发，设计虚拟速度控制律（式(38)），再通过计算力矩控制（式(46)）得到转矩控制律，保证运动学误差稳定。
3. **自适应神经网络逼近器**：集成一个单隐层前馈神经网络，输入为跟踪误差积分与偏置项，隐层固定（双极Sigmoid激活函数），输出层权重在线自适应。神经网络输出（式(54)）直接添加到辅助控制律（式(55)）中，以补偿不确定非线性动力学。
4. **Lyapunov稳定性分析**：通过定义速度跟踪误差，并选取Lyapunov候选函数（式(70)），推导出神经网络输出权重的自适应律（式(73)），并证明闭环信号有界，跟踪误差一致最终有界（UUB）。

**研究结果**

- **隐层神经元数量敏感性分析**：通过评估6、8、10、12、14个隐层神经元的架构，发现10个神经元在跟踪精度和在线自适应复杂性之间取得最佳平衡，平均位置RMSE从6个神经元的0.029372 m降至0.024518 m（降低约16.5%），而增加至12或14个神经元未改善性能。

- **轨迹跟踪性能**：
- **圆形轨迹**：机器人从远离路径的初始位置出发，经过初始瞬态后收敛至圆形路径，位置误差快速减小，控制器输出稳定。
- **双纽线轨迹**：初始位置接近参考路径，跟踪误差在整个仿真期间保持较小，车轮角速度表现出平滑的周期性行为。
- **利萨如轨迹**：由于变曲率和交叉模式，跟踪任务更具挑战性，但初始瞬态后实际路径以良好精度跟随参考轨迹。
- **基于航点的轨迹**：路径包含更尖锐的方向变化，跟踪误差在曲线和过渡区域较大，但保持在有界范围内，控制输入变化更明显。

- **定量性能比较**：所提出的神经反步（BS-NN）控制器在所有轨迹上均优于传统反步（BS）控制器，位置RMSE降低约16–18%（平滑轨迹）至89%（航点跟踪），表明神经自适应补偿器有效缓解了建模不确定性和未建模非线性动力学。

**总结与讨论**

本文提出了一个用于差分驱动移动机器人轨迹跟踪的神经反步控制策略。该策略结合了基于Lyapunov的反步稳定化结构与轻量级单隐层自适应神经网络，通过在线自适应补偿不确定非线性动力学。稳定性分析表明，在有界神经逼近误差下，所有闭环信号有界，速度跟踪误差一致最终有界，保证了实际稳定性。仿真结果（圆形、双纽线、利萨如、航点轨迹）显示，使用同一组控制增益和神经网络配置，控制器在所有轨迹上均实现了满意的跟踪性能（位置RMSE < 0.04 m），在跟踪精度、在线自适应能力和实现简易性之间获得了良好平衡。主要局限性在于验证限于数值仿真。未来工作将聚焦于在真实差分驱动移动机器人平台上的实验实现，以及评估参数不确定性、外部干扰和执行器限制下的鲁棒性。