基于 EKF 的非模型化差动驱动机器人智能控制
系统与控制
2026-03-17 v1 机器学习
机器人学
系统与控制
摘要
在动态和不确定的环境中，对差动驱动机器人（DDR）进行可靠的控制和状态估计仍是一个挑战，尤其是当系统动力学部分未知且传感器测量容易受到退化影响时。为此，本文引入了一个统一的控制和状态估计框架，将基于 Lyapunov 的非线性控制器和自适应神经网络（ANN）与扩展卡尔曼滤波（EKF）基于多传感器融合相结合。 proposed controller 利用神经网络的通用逼近特性实时建模未知的非线性行为。在 RBF（本文采用的 ANN 架构）中，在线适应方案更新其权重。所学得的动力学被集成到反馈线性化（FBL）控制律中，针对轨迹跟踪任务，Through a Lyapunov-like 稳定性分析，建立了闭环稳定性和渐近收敛的理论保证。为确保稳健的状态估计，EKF 融合了惯性测量单元（IMU）和来自单目摄像机、2D-LiDAR 和轮速计的里程计。融合后的状态估计驱动智能控制器，确保即使在漂移、轮胎打滑、传感器噪声和故障情况下也能保持一致的性能。Gazebo 仿真和实际实验使用 DDR 进行，表明该方法在基准 FBL 方法的线性速度误差降低最高达 ，角速度误差降低最高达 。
引用
@article{arxiv.2603.14940,
title = {Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation},
author = {Amos Alwala and Yuchen Hu and Gabriel da Silva Lima and Wallace Moreira Bessa},
journal= {arXiv preprint arXiv:2603.14940},
year = {2026}
}