一种用于平衡差速驱动移动机器人抽象代价的参数化 MPC 方法
机器人学
2018-02-21 v1 系统与控制
摘要
在为差速驱动移动机器人设计控制策略时，一个标准做法是考虑位于与轮轴正交的线上、距固定距离处的一个点，而非车辆的完整位姿。这种抽象支持用简单得多的二状态单积分器模型（即速度控制点）来替代非完整、三状态独轮车模型。然而，这一变换会带来性能代价，体现在机器人的精度和机动性上。本文推导了以该变换参数为变量的精度与机动性代价表达式。此外，这些代价表明，在应用过程中仅选取一次参数可能导致不当的精度损失。模型预测控制（Model Predictive Control, MPC）是改善此状况的一种方法。然而，MPC 通常生成的是控制信号而非参数，因此本文还提出了一种参数化模型预测控制（Parametric Model Predictive Control, PMPC）方法，用于参数与采样时域优化。实验结果表明了参数化对将针对单积分器模型开发的算法部署到实际差速驱动移动机器人上的影响。
引用
@article{arxiv.1802.07199,
title = {A Parametric MPC Approach to Balancing the Cost of Abstraction for Differential-Drive Mobile Robots},
author = {Paul Glotfelter and Magnus Egerstedt},
journal= {arXiv preprint arXiv:1802.07199},
year = {2018}
}
备注
ICRA 2018