CASIA OpenIR  > 毕业生  > 硕士学位论文
两轮自平衡机器人的系统设计与控制研究
其他题名Design and Control Research of Two-wheeled Self-balancing Robot
孙晨曦
学位类型工学硕士
导师原魁
2013-05-27
学位授予单位中国科学院大学
学位授予地点中国科学院自动化研究所
学位专业控制理论与控制工程
关键词自平衡机器人 卡尔曼滤波 Lqr 模糊控制 神经网络 Self-balancing Robot Kalman Filtering Lqr Fuzzy Control Neural Network
摘要两轮自平衡机器人是轮式移动机器人中的重要成员,具有体积小、重量轻、运动灵活等优点,具有很高的实用价值。自平衡机器人系统具有非线性、多变量、强耦合的特点,因此也具有很高的理论研究意义。本文在独立搭建的实验用机器人样机上,针对两轮自平衡机器人的平衡控制问题进行了分析和研究,主要工作有如下几个方面: 首先,设计了自平衡机器人的总体结构。 包括机械结构设计、电气结构设计以及软件设计,介绍了电气结构的处理器单元、传感器单元以及执行机构单元。 其次,设计了自平衡机器人的位姿检测系统。 位姿检测系统是自平衡机器人的感知器,负责将自平衡机器人的传感信息转化为传感器信息并交给处理器处理,是完成自平衡机器人控制的必要组成部分。位置和速度检测使用光电编码器,而倾角和角速度的检测分别使用MEMS加速度计和陀螺仪。为了克服惯性传感元件的固有缺点,使用了Kalman滤波对加速度计和陀螺仪信息进行了信息融合,获得了相对准确的位姿信息。 第三,对自平衡机器人进行系统建模 通过实测自平衡系统的物理、几何参数,在化简假设的基础上,结合约束条件并使用拉格朗日动力学方程对自平衡机器人系统进行建模,得到了系统的非线性模型,之后进行了线性化处理并解耦,得到了两个单输入线性系统方程,降低了系统的复杂性,为之后控制器的设计奠定了基础。 第四,控制器的初步设计 PID是最常用的控制方法,本文首先根据经验设计了PID控制器的比例、微分、积分参数,仿真实验表明了对于多变量系统PID控制方法的局限性;然后利用状态反馈控制中的线性二次型最优方法(LQR)得到LQR控制器,通过对比实验证明了LQR方法控制性能良好,在物理样机上的实验也证明了模型建立的有效性。 最后,用模糊控制和神经网络方法增加控制器的鲁棒性和自适应能力 LQR本质上是线性反馈控制器,使用线性控制器控制非线性复杂系统具有一定的局限性.当系统受到外界干扰或者参数的突然变化时,LQR控制的控制效果很不理想。本文在LQR控制器的基础上设计了模糊LQR控制器和神经网络LQR控制,并与单独的LQR方法进行对比。实验表明模糊控制与神经网络控制大大提高了原有控制器的鲁棒性和自适应性,其中模糊控制LQR的运算量更小,但是神经网络LQR的控制性能更好。
其他摘要The two self-balancing robot is an important member of wheeled mobile robots. It has the advantages of small size, light weight and flexibility and is valuable in practice. With its nonlinear, multi-variable, strong coupling features, self-balancing robot also has a high theoretical significance. This paper analyzes the robot’s balance control problem on the basis of labrotary’s prototype robot and the main work is as follows: First, the overall structure of the self-balancing robot is designed. The overall design contains the mechanical structure design, electrical structure design and software design. The processor unit, sensor unit and implementation mechanism unit is introduced. Second, the pose measurement system is designed. Pose measurement system plays an important role of self-balancing robot. The optical encoder measures the robot’s position and speed, the MEMS accelerometers and gyroscopes measures the inclination and angular velocity respectively. In order to overcome the inherent shortcomings of inertial sensing elements, Kalman filtering is used to fuse accelerometer and gyroscope information and more accurate pose information is acquired. Third, the self-balancing robot system is modeled. On the basis of simplification assumptions, by measuring physical and geometric parameters of self-balancing robot, the nonlinear system is modeled using Lagrangian dynamics equations. Then the model is linearized and decoupled to two single-input linear systems, so the difficulty of designing a controller is reduced. Fourth, two preliminary controllers are designed. PID is the most commonly used control method. This paper firstly designs a PID controller with adjusting PID parameters by experience, and simulation results show the PID controller is not appropriate for a multivariable systems. An LQR controller is designed using Linear Quadratic Regulator (LQR) method, the simulation comparison experiments and physical experiments on the real system both prove that the LQR is effective. Finally, the fuzzy controller and neural network controller is designed to increase the system’s robustness and adaptive capacity. The LQR is essentially linear feedback controller and is not fit for a complex nonlinear system, especially when the system is subject to outside interference or a sudden change of the system parameters. This paper designs the fuzzy LQR controller and neural network LQR controller on the basis of LQR method. Simulation experiments show th...
馆藏号XWLW1898
其他标识符201028014628012
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7673
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
孙晨曦. 两轮自平衡机器人的系统设计与控制研究[D]. 中国科学院自动化研究所. 中国科学院大学,2013.
条目包含的文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
CASIA_20102801462801(12508KB) 暂不开放CC BY-NC-SA请求全文
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[孙晨曦]的文章
百度学术
百度学术中相似的文章
[孙晨曦]的文章
必应学术
必应学术中相似的文章
[孙晨曦]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。