基于双参数自适应优化的无人履带车辆轨迹跟踪控制

摘要

为解决定参数轨迹跟踪控制器工况适应性差的问题,基于改进粒子群优化(IPSO)、多层感知机(MLP)算法,设计一种双参数自适应优化的无人履带车辆轨迹跟踪控制算法。离线状态下,基于采集的实车数据,以轨迹跟踪的高精度、高稳定性、低时间成本为目标,利用IPSO算法构建了不同运动基元下的最优参数组合数据集,并以运动基元类型和车速等为特征向量,控制时域长度、时间步长为标签,采用学习率自适应优化算法完成MLP神经网络模型的训练。在线状态下,根据规划层下发的轨迹信息和车辆状态反馈信息,由MLP神经网络输出预测的最优控制时域长度和控制时间步长,作为双参数输入到模型预测控制算法中,完成自适应轨迹跟踪控制。基于ROS-VREP的联合仿真和基于双侧独立电驱动履带平台进行实车试验。研究结果表明,在包含大曲率转向的综合工况下,与相同计算时间成本的定参数轨迹跟踪控制算法相比,所设计的轨迹跟踪控制器横向偏差均值、航向偏差均值以及转角变化率均值分别降低了30.5%、17.2%、7.8%,证明了算法的可行性和有效性。