（机械设计及理论专业论文）集装箱运输自动导引小车的优化控制研究.pdf

摘要 摘要 集装箱运输的迅猛发展使得集装箱的集散地港口的调度任务日益繁重， 自动完成从泊位到集装箱堆场的运输已成为必要。本文对集装箱自动导引小车 ( a g v ) 的跟踪控制、点镇定控制、定位停车及路径规划等方面进行了研究， 现将全文内容概要如下： 对全轮转向、后轮驱动的a g v 进行了运动学分析，导出了相应的运动学方 程；针对所采取的航标探测与惯性导航相结合的导航方式，推导了全轮转向、 后轮驱动的a g v 的航位计算公式。针对现有遗传算法无法兼顾全局搜索能力与 局部搜索能力的缺点，提出了两相遗传算法，该算法使遗传算法同时具备了较 好的全局与局部搜索能力。 在对a g v 的控制方面，本文提出对控制律中的参数进行优化设计的思想， 实现系统的控制性能最优化，且将系统控制量限制在允许范围内。当a g v 的初 始位姿改变后，控制参数也需重新优化以达到最佳的控制效果。实验表明，对 a g v 控制参数的优化能显著提高其轨迹跟踪和点镇定的精度。并进一步提出了 一种控制参数在线优化方法，该方法无需利用控制参数的导数信息( 事实上也 无法获取导数的表达式) ，且克服了直接用遗传进行在线优化时计算量大的缺 点。由于集装箱运输a g v 的特殊引导方式，导致a g v 的跟踪轨迹为离散节点。 将小车对离散节点的跟踪转化成小车对分段连续轨迹的跟踪，并根据a g v 的运 动特性将对小车的直行速度y 和转向角速度的控制律转换为对车轮的转速雅 和转角卢的控制律。 针对a g v 存在正常工作模式( 只能直线行走或绕中心转向) 和停车模式( 允 许a g v 沿其车体方向侧向移动) 的特点，将对a g v 的定位停车控制分成两步 完成：首先，将处于正常工作模式的a g v 引入待泊车位。为了让a g v 顺利驶 入待泊车位，采用路径规划和模糊逻辑控制( f l c ) 相结合的手段：从a g v 的当 前位置到待泊车位间规划出一条最佳行驶路径；然后，用f l c 控制a g v 按预 定路径行驶，并用两相遗传算法对f l c 隶属度函数中的参数进行了优化以改善 定位停车精度。当a g v 进入待泊车位后，让a g v 进入停车模式，并编好相应 控制流程以顺利实现a g v 的精确停车。 在路径规划方面，根据运行环境部分可知的特点，提出一种全局路径规划 摘要 和局部路径规划相结合的方法，以有效地利用已知环境信息，缩短小车行驶路 径，且实现a g v 的有效避障；在此基础上还提出一种基于两相遗传算法的路径 再规划方法。进一步提高了a g v 的运行效率。 最后，关于进一步工作的方向进行了简要的讨论。 关键词：自动导引小车，两相遗传算法，模糊逻辑控制，轨迹跟踪，点镇定， 参数优化，在线优化技术，路径规划 a b s t r a c t a b s t r a c t s i n c et h er a p i dd e v e l o p m e n to fc o n t a i n e rt r a n s p o r t a t i o ni m p o s e dg r e a tp r e s s u r e o np o r t s ，a u t o m a t i ct r a n s p o r t a t i o n 胁b e r t ht oc o n t a i n e rs t a c ki sn e c e s s a r y t h i s p a p e rm a i n l yd e a l sw j t hf o u ra s p e c ta b o u ta g v , t h a ti s , p a t h p l a n n i n g 、t r a c k i n g c o n t r o l 、s t a b i l i z a t i o nc o n t r o la n dp a r k i n gc o n t r 0 1 t h em a i nw o r kc a nb es u m m a r i z e d a sf o l l o w s ： k i n e m a t i c sa n a l y s i so fa g vw h i c hi sw h o l ew h e e lt u r n i n ga n dr e a l w h e e l d r i v i n g , i sc a r r i e do u t t od e d u t h ek i n e m a t i c a le q u a t i o n d e a dr e c k o n i n gi s c o m b i n e dw i t he x t e r n a lb e a c o n st of o r mt h en a v i g a t i o ns y s t e m n a v i g a t i o np o s i t i o n e q u a t i o n sa r ed o n et ot h i sk i n do fn a v i g a t i o ns y s t e m t h i sp a p e rn e e d st ou s eg e n e t i c a l g o r i t h m s ( g 砷t oo p t i m i z ec o n t r o lp a r a m e t e r s b u ti t sh a r df o rc u r r e n tg a t ob c b o t hc f f i c i e n ti ng l o b a ls e a r c ha n di nl o c a ls e a r c h s oat w o 1 e v e lg ai sp r o p o s e dt o s o l v et h i sp r o b l e m a st ot h ec o n t r o lo fa g vo p t i m i z a t i o no fc o n t r o lp a r a m e t e r si sc a r r i e do u tt o i m p r o v et h ep e r f o r m a n c eo fa g vc o n t r o ls y s t e ma n dt oc o n s t r a i n tt h ei n p u tv a l u e w h e nt h ei n i t i a lp o s i t i o ni sc h a n g e d , c o n t r o lp a r a m e t e r sn e e d 他- o p t i m i z e d r e s u l t s s h o wt h a tt h eo p t i m i z a t i o no ft h ec o n t r o lp a r a m e t e r sc a ng r e a t l yi m p r o v et h e p r e c i s i o no ft r a j e c t o r yt r a c k i n ga n ds t a b i l i z a t i o n a no n - l i n eo p t i m i z a t i o nm e t h o di s p r e s e n t e dt os o l v et h ep r o b l e mo fc o n t r o lp a r a m e t e r so p t i m i z a t i o n t h i sm e t h o dd o e s n o tn e e dd i f f e r e n t i a li n f o r m a t i o no fc o n t r o lp a r a m e t e r s ( i n d e e d , t h ed i f f e r e n t i a l e q u a t i o nc 柚tb ec a l c u l a t e da te a c ht i m c ) ，a n di so fs h o r tt i m ec o n s u m p t i o nt of c e d o n 1 i n eo p t i m i z a t i o nn e e d s s i n c et h et r a j e c t o r yi sf o r m e dw i t hal i s to fd i s c r e t ep o i n t b e c a u o ft h es p e c i a ln a v i g a t i o nm e t h o d ，t r a c k i n gw i t hd i s c r e t ep o i n ti st r a n s f o r m e d t ot h ep r o b l e mo ft r a c k i n gw i t hc o n t i n u u ml i n e st oa l l o wa g vb eg u i d e ds m o o t h l y a l s o t h ec o n t r o ll a w sa b o u tv e h i c l e sm o t i o nv e l o c i t yya n d 缈a r et r a n s f o r m e dt o w h e e l sr o t a t i o ns p e e d a n dt u r n i n ga n g l e 卢 s i n c eo u ra g vh a st w om o v i n gm o d e s ：w o r k i n gm o d e ( a o vc a no n l ym o v e f o r w a r da n dt u r na b o u ti t st u r n i n gc e n t e r ) a n dp a r k i n gm o d e ( a l l o wa g vm o v e c r a b w i s e ) ，t w os t e p sa r ea d o p t e di nt h i sp a p e r t od e a lw i t ht h ep a r k i n gp r o b l e m i nt h e f i 璐ts t e p a g vi sn a v i g a t e dt or e a c har e a d y t o p a r kp o s i t i o nw h i l ea g vi si 1 1 w o r k i n gm o d e am e t h o dc o m b i n e dp a t hp l a n n i n gw i t l lf l ci sp r e s e n t e dt oa l l o w a g v s u c c e s s f u l l ym o v et ot h er e a d y t o - p a r kp o s i t i o n ：f i r s t l y , a no p t i m i z a t i o np a t h f r o mc u r r e n tp o s i t i o nt ot h er e a d y t o p a r kp o s i t i o ni sp l a n e d ，t h e n ，a g vi sc o n t r o l l e d t h r o u g ht h eo p t i m i z a t i o np a t hv i af l c p a r a m e t e r si nf l cm e m b e r s h i pf u n c t i o na r e o p t i m i z e db yt w o 1 e v e lg a t oa l l o wab e t t e rp a r k i n gc o n t r 0 1 i nt h es e c o n ds t e p w h i l e i i i a g vm o v i n gm o d ei sc h a n g e dt op a r k i n gm o d e ；c o n s e q u e n tc o n t r o lf l o wc h a r ti s p r e s e n t e d a st ot h ep a t h - p l a n n i n gp r o b l e m ，ac o m b i n a t i o nm e t h o do fg o b a lp l a n n i n ga n d l o c a lp l a n n i n gi sp r e s e n t e dt oa l l o we n v i r o n m e n t a lm e s s a g eb es u f f i c i e n t l yu s e d , s o t h ep l a n n e dp a mi ss h o r t ，a n do b s t a c l e sc a nb ea v o i d e de f f e c t i v e l y t w o - l e v e lg a b a s e dp a t hp l a n n i n gm e t h o di s 呻e m e dt oa l l o wa g vr u nm o r ee f f e c t i v e l y i nt h ef m a l i t y , t h ep r o b l e m sr e q u i r i n gf u r t h e rs t u d i e sa l ed i s c u s s e d k e yw o r d s ：a u t o m a t i cg u i d e dv e h i c l e ，t w o - l e v e lg e n e t i ca i g o r i t l u n ，f u z z yl o g i c c o n t r o l ，t r a j e c t o r yt r a c k i n g , s t a b i l i z a t i o nc o n t r o l ，p a r a m e t e ro p t i m i z a t i o n ，o n - l i n e o p t i m i z a t i o n , p a t hp l a n n i n g i v 学位论文版权使用授权书 本人完全了解同济大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版；在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 靴敝储样：尹 z 一7 年夕月2 乡日 经指导教师同意，本学位论文属于保密，在年解密后适用 本授权书。 学位论文作者签名：歹钠 矾7 年夕月访日 粗 缪憎 步目 名 ， 签节 币 厂 膨乍 教 俨 导指 同济大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任 由本人承担。 嚣辔必日 第1 章绪论 第1 章绪论 1 1 集装箱运输的发展现状与趋势 二次大战结束以来，出现了半个多世纪的世界范围的和平，为国际贸易发展 创造了前所未有的好条件。为了繁荣国民经济，各国无一例外的要发展图际贸易， 而开展国际贸易离不开越洋运输。寻觅一种高效、低成本、安全可靠的货物运输 方式，是摆在世界运输界面前的一个重大课题。本世纪5 0 年代中叶，一种将货物 装在特制箱子内再置于船上的运输方式，即集装箱运输在美国脱颖而出，这对传 统的用舱口式货船运输件杂货来说是一次挑战。近半个世纪以来，经过众多志士 仁人的努力，这种运输方式日臻完善。它的强大生命力促成一场运输革命，正在 改变并将继续改变世界港口、船舶、航道和装卸设备及装卸工艺等的传统格局， 使世界各国的国际贸易往来得到大发展，为促进全球经济一体化提供了重要条 件。 由于集装箱运输具有上述许多优越性，使它得到了高速的发展。国际贸易量 的9 5 是通过港口和海运业承担，全球经济和贸易的发展，使杂货集装箱化率和 集装箱运输增长速度逐年提高。6 0 年代，集装箱货运量在海运中的比重仅为 1 2 1 4 ，进入9 0 年代，已发展为3 0 ( 其他为散货和液体燃料) 。据近年统计， 国际经济增长率虽为2 。3 ，但集装箱货贸易平均增长率稳定在6 一7 之间。 9 0 年代以来，随着全球经济和贸易的增长，集装箱运量激增，到1 9 9 9 年，世界 港口集装箱吞吐量为2 0 1 3 4 万标准箱( t w e n t y f o o te q u i v a l e n tu n i t ，简称t e u ) ， 2 0 0 0 年为2 1 0 0 0 万t e u 以上，增长7 8 1 2 4 j ；我国港口集装箱吞吐量连续1 2 年 保持超过2 5 的增长速度，2 0 0 0 年突破2 5 0 0 万标准箱。从我国大陆港口开辟的 国际班轮航线有3 0 0 条，每月3 0 0 0 多个航班。已有7 个港口突破了1 0 0 万t e u 。 2 0 0 3 年，我国港口集装箱吞吐量继续呈高速增长趋势，全年完成港口集装箱吞 吐量4 8 0 0 万t e u ，首次超过美国，跃居世界第一位。受外贸快速增长影响，2 0 0 6 年我国港口集装箱吞吐量完成9 3 0 0 万t e u ，比2 0 0 5 年增长2 3 4 ，连续四年 排名全球第一。随着贸易的逐步扩大，运输集装化程度的提高，中国发展集装箱 运输的潜力巨大。 港口物流正朝着大规模、大流量、高速度方向发展。超大型集装箱船、大吨 位集装箱、相应配套的大型岸桥等装卸运输设备应运而生。自动导引小车 ( a u t o m a t i cg u i d e dv e h i c l e ，简称a g v ) 是一种无人自动搬运设备，近年来正逐 第1 帝绪论 渐应用于国际大型港口的集装箱自动化搬运。由于市场竞争加剧，对物流成本的 控制越来越严，如何解决多装、快速装卸、快速搬运和少中转四大难题，一直是 港口集装箱物流追求的目标之一。 1 1 1 注重解决集装箱自动化中多、快、少的问题 ( 1 ) 多装。1 50 0 0t e u 的马六甲型集装箱船，80 0 0t e u 的巴拿马型集装箱船都 是为多装而设计的1 2 4 1 。为了提高集装箱作业效率，实现多装，发展趋势主要是 扩大相关设备的吨位和能力。 ( 2 ) 快速装卸。包括集装箱船的快速装卸、中转搬运时的快速装卸和汽车、火车 集装箱的快速装卸。 ( 3 ) 快速搬运。这里主要指港口区域内各作业点与货场之间的快速搬运。 1 1 2 集装箱物流一体化基础建设 ( 1 ) 集装箱规格的国际标准化。 ( 2 ) 集装箱船与码头的适应性。例如，有的集装箱船是从甲板上方通过岸桥装 卸；有的则是从船尾通过搬运车辆装卸。不同的装卸方式对码头的配套设计要求 也不同。 ( 3 ) 集装箱装卸搬运设备的配套性。 ( 4 ) 集装箱吊具、辅助工具的配套性。 ( 5 ) 集装箱作业区、暂存区、中转区、发货区、入货区的规划。 1 1 3 集装箱搬运的无人化、智能化 集装箱搬运长期采用人工操作的机械设备和车辆，无人化、智能化的搬运设 想很早就有，主要是相关技术的制约和配套性问题没有解决好，因此直到近年来 才逐步开始在港口应用，如鹿特丹港、伦敦港、汉堡港、哥德堡港。 1 2a g v 在自动化港口中的地位与作用 上世纪9 0 年代在欧洲荷兰鹿特丹港和德国汉堡港，相继建成了自动化码头， 可称为人类改造自然历史又一座新的里程碑，为后继者树立了榜样。在鹿特丹的 d e l t as e a l a n d 码头( 如图1 1 所示) ，5 0 台a g v 能无人驾驶装载集装箱从装卸桥下 驶往堆场起重机旁。一个计算机系统控制这批a g v 和2 5 台自动堆垛起重机。 汉堡港购置了5 9 台a g v ，应用于码头前沿与后方堆场之间的运输。汉堡港的自 2 招l 卓绪* 动化集装箱码头( 如图l 2 所示) 前沿安装上海振华港n e t 械制造公司生产的超 巴拿马型集装箱装卸桥在装卸桥上装备了西门子控制系统，将集装箱作业信息 反馈给码头操作系统。生吊小车在船舶和设在装卸桥高处的中继平f f f 自j 运送集装 箱，在那里交由第2 台起重小车在后伸距上运行，然后由预先定位好的a g v 将集 装箱运至后方堆场。 幽11 茼兰鹿特丹港自动化码头的平面布_ l i 】 示意 图1 2 德国汉堡港自动化码头平面布局示意 a g v 承担着在码头前沿和后方堆场之间的集装箱运输，其运行状况的好坏 直接影响码头的作业效率。它是自动化码头中不可缺少的一环，在自动化港r n 中 发挥着至关重要的作用。这是由a g v 的自身特点所决定的： 第1 章绪论 ( 1 ) 先进性技术含量高，完全在计算机控制下工作，全自动、带一定智能、 快捷高效、准确无误地实现集装箱自动搬运；能有效地减轻劳动强度，节约人力、 物力、财力；能优化生产结构，改善生产环境，建立人机一体、和谐友好、科学 文明的生产关系。 ( 2 ) 可靠性在a g v 系统的工作过程中，每一步都有一系列数字信息的通 讯交换，后台有强大的数据库支持，消除了人为因素，充分保证a g v 作业过程 的可靠性、完成任务的及时性、信息数据的准确性。 ( 3 ) 兼容性a g v 不仅能独立工作，而且更善于与其它执行系统、控制管 理系统等紧密结合，很容易进行重组或扩充，具有良好的兼容性。 ( 4 ) 独特性a g v 作为无人驾驶的自动车辆，能够在某些人工操作很困难 的场合发挥优势，如a g v 可准确地钻到集装箱下面进行托举作业。 ( 5 ) 安全性a g v 的行驶和作业安全保护是一个严格受控的系统，包含机 电p l c 逻辑控制、车辆调度、任务管理、交通管理、充电管理等。比人工操作 搬运集装箱更精确、更灵活、更安全 1 3a g v 的研究现状 集装箱运输的迅猛发展使得集装箱的集散地港口的调度任务r 益繁重，自 动完成从泊位到集装箱堆场的运输已成为必要。荷兰、德国等国已相继建立起港 口集装箱的自动、半自动运输服务调度系统，作为该系统中的核心部分a g v 引起了业内人士的高度关注并已取得了一定的发展。a g v 控制和路径规划是其 中的研究热点。 1 3 1 控制技术的发展 现代自动控制技术的进步和发展，为科学研究和人类进步提供了新的可能 性，开拓了靠人力所不能胜任的新科学事业。例如，1 9 9 7 年由美国科学家们研 制的探路者号( p a t h f i n d e r ) 小车胜利地完成了对火星表面的实地探测，无疑是本世 纪自动化技术的最高成就之一。机器人及其控制技术的进步和应用，正是2 0 世 纪自动控制最有说服力的成就，是当代最高意义的自动化。在不到4 0 年的时间 里，机器人从无到有，发展迅猛。我国的机器人事业起步较晚，但近几年也取得 了明显的进步。 而作为机器人的核心的机器入控制，是一项跨越多个学科的综合性科学技 术，它涉及到自动控制、计算机、传感技术、人工智能、电子技术和机械工程等 多个学科领域的内容。近年来，随着这些学科技术的发展，机器人控制技术也得 4 第1 章绪论 到了长足的进步。传统的机器人控制是在推导机器人的数学模型的基础上用经典 的或者现代的控制方法来实现的。除了早期常见的古典控制方法外，还有一些基 于机器人动态模型的控制方法( 如局部线性化控制方法、计算力矩控制方法、全 局线性化方法等) 和具有鲁棒性的智能控制方法( 如变结构控制方法、自适应控 制方法、神经网络控制方法、模糊控制方法、遗传算法等) 。 1 3 1 1 古典控制方法【1 柏l 早期的机器人伺服控制系统大多数采用p i d 控制算法，这种算法的突出优 点是控制算法简单，计算量相对较小，而且p i d 参数可以通过实验在线调整获 得，在低速运行时可以达到一般工业应用的精度。但由于该算法需要控制对象确 切的模型，而且机器人系统是一个模型不确定的、高度非线性、强耦合、时变的 复杂控制系统，这种传统的控制方法在运动速度较高时，其控制精度较差。 1 3 1 2 基于动态模型的控制方法1 1 删 1 基于局部线性化的控制方法 这种方法的基本思路是将机器人的动态模型沿着给定的轨迹线性化( 如用 t a y l o r 级数展开) ，得到一组具有时变系数的线性化方程组，从而就可以应用六、 七十年代发展起来的现代控制方法对机器人控制系统进行综合控制。但是，经过 了局部线性化处理后，模型的不精确性十分明显，因此这种方法的鲁棒性得不到 保证。同时，机器人动力学的强时变、非线性特征，局部线性化方法无法保证系 统的全局收敛。 2 计算力矩控制方法 计算力矩控制方法是机器人控制中的一个基本而又非常重要的控制方法，近 年发展起来的一些具有鲁棒性的智能控制方法便是在该方法的基础上发展起来 的。考虑a g v 动态模型： d ( g ) 窜+ c ( g ，口) + g ( g ) 一f( 1 1 ) 式中，f 为力矩向量，q 为位移，d ( q ) 为惯性矩阵，c ( q ，口) 为表征离心力和哥 氏力的向量，g ( 曰) 为重力向量。常见的计算力矩控制公式为 r d ( 口) 【吼- k p e - k p 毒j + c ( 口，口) + g ( q ) ( 1 2 ) 如果a g v 的动态模型( 1 1 ) 中的各参数已精确知道，而且不存在其它不确定因 素，那么采用式( 1 2 ) 的控制公式在理论上可以保证a g v 的跟踪误差收敛到零。 然而，在实际的a g v 系统中，不可避免地存在一些不确定性因素( 如摩擦力、 5 第1 市绪论 扰动因素等) ，如果不采用补偿措施，使用这种方法进行控制将存在稳态跟踪误 差。 3 非线性反馈全局线性化的控制方法 该方法是利用微分几何方法，先将a g v 的动态模型( 1 1 ) 转化为一个仿射 非线性状态方程，如果该方程满足一定条件，则可以利用微分同胚变换和反馈控 制，变换成具有b m n o v s k y 标准形式的线性方程。对所得到的全局线性化方程就 可以采用线性系统中的各种成熟控制方法( 如极点配置、小增益定理等) 补偿不 确定性因素的影响，从而对外环控制量进行综合。随着非线性控制理论在a g v 控制中的应用，仿射非线性系统的全局线性化问题的实现算法已得到充分的研究 【1 3 1 t 1 3 2 1 。在a g v 控制中，已有许多学者沿着这一途径简化动态方程，并对外环 控制量的设计作了研究1 1 3 3 - 1 3 4 1 。 上面介绍的几种基于动态模型的控制方法都存在一个共同的缺陷，当模型参 数不能精确确定或模型中存在未建模动态特征时，控制效果就会变差。由于系统 的不确定性具有广泛性，故研究不确定性的a g v 系统的控制问题变得十分重要。 1 3 1 3 智能控制方法 在a g v 控制系统中，存在结构型的不确定和非结构型的不确定两种不确定 因素，前者主要来源于估计的不准确或者参数发生变化的情况，而后者主要是来 自系统外部的干扰、摩擦、机构的柔性以及在建模过程中忽略的高频模态。对具 有不确定性的a g v 的控制，不仅要使a g v 闭环系统满足给定的指标，而且要 使得系统对模型的不确定因素不敏感。为此，采用具有鲁棒性的智能控制方法是 一条势在必行且行之有效的途径【1 加l 。下面就几种被广泛采用的智能控制方法做 简单讨论。 1 变结构控制 随着变结构控制理论的同益成熟完善，a g v 控制专家在近年来越来越多地 把它应用到控制方面，并取得了一定成果。y o u n g 1 3 5 l 首次把变结构理论应用到机 器人的控制中，从那以后，机器人的变结构控制得到很大发展。 变结构控制方法的主要思想是利用高速的开关控制律，驱动非线性系统的状 态轨迹渐近地到达个预先设计的状态空间曲面上( 该曲面也就是通常所说的滑 动表面或开关表面) ，并且在以后的时间里，状态轨迹将保持在该滑动表面上， 系统处于滑动模态。在滑动模态时，理论上系统状态可以指数收敛到零，并且此 时系统的动力学完全由滑动系统的向量场决定，而与被控对象无关，因此对系统 的模型不确定性和外部扰动是鲁棒和不敏感的。 变结构控制方法特别适合于a g v 的控制。这是因为：首先是变结构控制不 6 第1 章绪论 需要精确的系统模型，只需要知道模型中参数的误差范围或变化范围即可，这正 是a g v 控制中所希望的。其次，变结构系统对于有界扰动和参数变化具有不敏 感性。这对a g v 控制特别重要，一方面可消除由哥氏力及粘性摩擦力作用而产 生的影响，另一方面也可消除由于负载变化而对每个关节产生的影响。第三，变 结构控制算法相对简单，容易在线实现，这对a g v 控制尤为重要。而变结构控 制的缺点是由于控制的高速切换而产生的颤动现象( c h a t t e r i n g ) 在机械系统中会 产生磨损。 变结构控制的般原理如下： 对方程( 1 1 ) 有 百= f ( g ，i l ) + b ( q ) v ( 1 3 ) 式中 f ( q ，毋) = - d ( q ) 。1 c ( 留，口) + g ( 口) ( 1 4 ) b ( 留) = - d q 国)( 1 5 ) 设理想轨迹为q a ( t ) ，贝j j e ( t ) = 鸟o ) 一吼o ) ，因此 丢 耋菩； 2 正c e + 吼毒+ 口。，+ 4 薹q ) 。e + q d m ，吼】 s ( e ，叠) ； c ，t ，叠丁】r ；c 。d i a g ( c ；) “，白，口) a 仁；2 ：兰；量s l ( e 。i ，, 色e i ) ) 吕 则在滑动模型下，有s 。一s ：= s 。= 0 ，因此 ( 1 6 ) ( 1 7 ) ( 1 8 ) ( 1 9 ) 色o ) 一一c j e i o ) 或e f o ) 一e j oe x p ( - c f ，y ) ，f 一1 , 2 ，m( 1 1 0 ) 这是一种模型跟踪控制，它实现了解耦，而且与a g v 本身的参数无关，故对 a g v 的参数变化和扰动具有很强的鲁棒性，这是十分理想的。 为了使系统的误差状态进入滑动模，则需要适当选取比，和“f ，这是变结构 控制的困难所在，因为选取u ；不仅要使系统进入滑动模，还要克服结构系统所特 有的颤动现象( c h a t t e r i n g ) ，以及使控制系统具有较强的鲁棒性。各种不同的变 7 笫1 章绪论 结构控制方法的不同点，主要体现在对“? 和f 的不同选取上。 2 自适应控制 自适应控制具有在控制过程中根据被控对象参数的变化实时地调整调节器 参数的特征。在a g v 控制系统中，由于a g v 的动力学模型存在非线性和不确 定性因素，采用自适应控制能补偿这些因素，显著改善a g v 的动态性能。因而 自适应控制是a g v 控制器设计的一种可行方法。 目前a g v 中使用的自适应控制器主要有两种，即模型参考自适应控制器 m r a c ( m o d e lr e f e r e n c ea d a p t i n gc o n t r o l l e r ) 和自校正自适应控制器s t a c ( s e l f - t u n i n g a d a p t i n gc o n t r o l l e r ) ，它们的结构框图分别如图1 3 和图1 4 所示。 图1 3 模型参考白适应控制系统 图1 4 自校正自适应控制系统 在图1 3 的模型参考自适应控制系统中，当y o ) 和y 。o ) 不一致时，由误差 e q ) 去驱动自适应机构而产生适当的调节作用，直接改变调节器参数，从而使 y o ) 逐渐地趋于y 。o ) ，直到两者相等时e o ) 一0 ，自适应调节过程自动终止。而 在图1 4 所示的自校正自适应控制系统中，由估计器在线辨识被控对象的参数， 然后由设计机构( 控制算法) 对调节器参数进行在线调节。由此可见，这种系统 的过程模型辨识( 由估计器完成) 和控制设计( 由设计机构完成) 均应该在每个 采样周期更新一次。 从上面的图示可以看出，a g v 的自适应控制具有如下特点：1 ) 当系统的参 数具有不确定性或在很大范围内变化时，系统能较好地工作；2 ) 系统由两部分 组成，一个是辨识部分( 参数调整部分) ，用于辨识系统的参数或控制器的参数， 另一个是控制部分，实施对a g v 的控制，它是以辨识到的系统参数为基础的。 8 第1 章绪论 基于上面两种基本的自适应控制方案，为了提高控制系统的某些性能，国内 外近期的研究也提出了各种改进方法。例如，为了提高机器人m r a c 的零阶特 性，文献 1 3 6 1 提出了一种改进方法，通过加入一个辅助的跟踪误差反馈来改变 基本的模型参考控制结构，从而提高了m r a c 对线性系统的零阶特性。 3 神经网络控制 由于神经网络具有强非线性映射能力和学习、优化能力，把它应用到a g v 这样复杂的非线性系统中，取得了良好的控制性能【1 3 7 。1 3 9 1 。近年来国内外各种机 器人神经网络控制方案的区别在于神经网络在控制系统中扮演角色的不同。目前 最为流行的控制方案是用神经网络产生辅助关节控制力矩以补偿模型的不确定 性所带来的计算力矩的不确定性。在该方案中，神经网络控制器被置于前馈或反 馈回路中，其学习方式是在线的。这样，神经网络利用机器人模型已知的先前知 识进行在线学习，就能够补偿模型的不确定性。另一种方案是把神经网络当成一 个计算力矩控制器，通过离线学习使它逼近于机器人的标准模型( 估计模型) ， 再通过在线学习使其逼近实际模型。这个方案的主要困难在于在线学习，因为在 线学习要求知道机器人的雅可比( j a c o b i a n ) 矩阵，而该矩阵在实际中用b p 算 法是难以确定和计算的，因而提出了各种各样的改进方法。文献 1 3 8 1 将神经网 络的控制方法引入到传统机器人柔顺控制所用的力位混合控制方案中，构成了 一个基于神经网络的机器人力位混合控制系统，利用神经网络对复杂不确定问 题的自适应能力，通过神经网络对p i d 参数进行适应性调整，取得了良好的控 制效果。 此外，经常用于a g v 控制的智能控制方法还有模糊控制方法、遗传算法等， 在此不再一一列举。需要注意的是，上面这些智能控制方法经常是结合起来应用 的，这样可以发挥各自的特长，收到良好的效果。 1 3 2 路径规划方法 路径规划研究已经做了很多工作，路径规划的基本方法可以分为全局方法和 局部方法两大类。全局方法将环境信息转变为自由位姿空间的连通性表示然后寻 找最优路径，全局方法又可根据其完整性分为精确全局方法和启发式全局方法。 精确全局方法采用代数学理论对环境中障碍物进行建模然后寻求路径规划的精 确解，精确全局路径方法通常不存在解析的代数解而需要转换为数值计算问题求 解。启发式全局方法主要通过启发式来降低规划的复杂度，如可视图法、后退法 以及自由路径法等，通常对障碍物的形状有严格的要求。多数全局方法具有完整 性，主要局限性是将位姿空间用连通图表示时需要大量预处理。局部路径规划方 9 笫1 章绪论 法通常利用传感器信息，只在a g v 的局部工作空间中进行可行路径搜索，计算 量较小但容易陷入非期望的局部吸引点且不具有完整性。 e a r l i e r , p e r e z 和w e s l e y l 6 】应用a 搜索算法提出了一种可视图方法( v 图) 。 该方法把物体移动的目的地简化为一参考点，而障碍则根据移动物体和参考点作 相应拓展。在v 图中，障碍物用多边形构建。该方法利用d i j k s t r a 法，选择距当 前位置代价最小的顶点作为小车的下一轮移动起始点。该方法在处理带有旋转以 及复杂几何体信息时有一定困难，且计算量大。s o l k a 等人【1 j 基于文献【2 】提出的 高度并行无约束d i j k s t r a 方法提出一种新方法来解决一类含有转动约束的路径最 优化问题。该方法中，网络状结构图顶点会由于约束的问题丽不断重复，引起路 径中重复使用一段连线两次以上。b o r o u i e r d i 和u h l m a n n t 3 1 也提出了一种基于转 动约束的最小代价路径算法，作者通过去除结构图中一些不合理的边并对图形进 行适当转换以符合计算要求。k e i 和s r i k a n t h a n l 5 j 为实时多映射应用技术提出了基 于束技术的路径规划策略，在大型网络中该方法比基于d i j k s t r a 方法路径优化 技术更可取。这是因为该方法的计算时间与网络大小及回转程度成线性关系，缩 短了计算时问。b r o o k s 7 用圆锥胞代替求解可见的障碍物梭角，通过用圆锥胞来 分离自由区域，机器人可以沿着自由圆锥胞的轴线移动从而避开障碍物。该方法 的缺点是优化性能较差，计算量大。 另一类用来求解路径规划问题的方法是用势场函数来描述环境的拓扑结构。 通过计算来自障碍物的拆力和来自目标的吸力，可实现小车的无碰撞运行【8 1 0 1 。 但该方法存在两个主要问题：一个是定义的势场函数容易引起系统的不连贯，如 边界条件、规则的重叠等；另一个是这种方法本身存在的局部极小问题。最近发 展了人工势能方法，如数值势场【8 】、牛顿势能【9 】以及水力势能【1 0 】等。这些方法 比v 图法计算简便，更适合于工厂应用。然而，在人工势能法中，小车有可能 在达到目的地之前陷入局部最小位置。k h o s l a 和v o l p e 1 l l 采用超二次势场函数 解决了这一问题。k i m 1 2 提出的谐势场函数以及c h u a n g 等提出的牛顿势场函数 【9 】表明了在牺牲计算效率的条件下，可以避免局部极小。 由于计算机技术的出现，越来越多的学者采用进化类算法来处理一些参数的 优化问题，其中，以遗传算法的应用尤为广泛。遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是近几年发展起来的一种全局寻优算法。它基于生物遗传学的观点，通过自然选 择、遗传、变异等步骤，提高了个体的适应性。这一点体现了自然界中“物竞天 择、适者生存”的进化过程。遗传算法的最大的特点就是无需目标函数的导数信 息，能克服局部极值的缺陷，保障以较大概率获得全局最优解【3 1 皿l 。m g e m e i n d e r 、 m g e r k e 3 3 j 以及m z h a o 、n a n s a r i 等人利用遗传算法对机器人的移动路径进 行了规划。 c lk a r r 用遗传算法产生模糊规则并解决了类模糊控制问题1 3 5 。 1 0 第1 章绪论 早期路径规划方法存在的个最大缺点是其路径修改方案中未能充分考虑 a g v 的运行环境，特别是对障碍信息的考虑，这也就是为什么一些路径规划方 法对某些环境的路径规划相当有效，而在某些环境下( 如迷宫形障碍) 其规划策 略失效的原因。 局部路径规划要求小车能实时避障。a g v 的实时避障方法有很多，其中基 于人工势场的方法使用相当广泛，如势场方法【删、通用势场1 4 1 卜力场1 4 2 4 3 1 ，虚拟 力场1 4 4 j 以及目标重新定位方法1 4 5 】等。势场方法以其简单有效性吸引了不少学者， 然而，该方法解决问题的复杂程度有限。在一个拥挤的场所小车有可能陷入合势 场的局部极值：这时目标对小车的引力与障碍对小车的拆力相均衡，尤其在有凹 形障碍的场合很容易发生。其它的问题诸如当小车通过狭窄过道时易发生振荡现 象、障碍物过多时小车难以找到一条合适通道等都是不容忽视的【矧。这克服这 些问题，b o r e n s t c i n 和k o r c n l 4 7 1 提出了一种叫做向量场柱状图的方法，该方法在 全局模型中建立一个二维卡笛尔柱状图栅格，并随获取的范围数据不断更新：并 将获取的数据建立一个能描述小车周围障碍物密度的一维极坐标柱状图。选择一 个靠近目标方向的障碍密度较低的区域作为小车移动的方向。为解决局部极值问 题，z h a o 和b e m e n t l 钙】提出了一种基于启发式搜索的算法。然而，上述所说的大 部分势场方法实际上很难直接应用到不完整运动学约束的a g v 上，这主要是因 为a g v 存在一个转向角下限值，它并不能跟随任意转向的路径。文献【3 0 】介绍 一种并行连接网络结构，它可以实时地进行无碰撞的路径规划。该网络对一系列 的路径点进行规划，其目标是使得整个路径的长度尽量短，同时又要尽可能远离 障碍物。从数学的观点来看，它等效于优化一个代价函数，该代价函数由路径长 度和碰撞罚函数两部分组成。 1 5 本文的主要研究内容 a g v 在自动化港口中有着至关重要的作用，而目前对自动化码头a g v 的研 究工作还存在不足之处，即：轨迹跟踪方面只注重对算法本身的研究，忽略了参 数取值的重要性；很少有人对后轮驱动、全轮转向的a g v 的定位停车方面作深 入研究；路径规划中未能充分利用有效信息等。因此，本文将对自动化港口a g v 的轨迹跟踪、定位停车控制、路径规划等方面进行了深入研究。各章节安排如下： 第一章绪论，论述集装箱运输的现状与发展趋势，a g v 在自动化港口中的 地位与作用，然后从当前的研究热点入手，详细论述a g v 的研究现状及研究难 点，同时介绍本文的主要研究内容