针对循环水养殖饵料投喂劳动强度大、人力成本高等问题,本文设计了一种自动投喂机器人,并提出了基于物理增强神经网络的模型预测控制(Physics-informed neural network based model predictive control, PINN-MPC)方法,以解决变负载、...针对循环水养殖饵料投喂劳动强度大、人力成本高等问题,本文设计了一种自动投喂机器人,并提出了基于物理增强神经网络的模型预测控制(Physics-informed neural network based model predictive control, PINN-MPC)方法,以解决变负载、湿滑路面下的自主路径跟踪问题。首先,设计了机器人总体架构与路径规划控制方案。其次,构建了变负载、复杂环境下的机器人模型。然后,在传统MPC架构基础上,将关键物理参数视为时变因子,引入多层前馈神经网络对其进行在线预测,提升控制精度。最后,通过仿真和现场试验验证了算法有效性。在单缸投喂试验中,PINN-MPC在2个关键观测点的平均误差分别为0.12、0.18 m,较传统MPC降低50%;纵向速度波动幅度为MPC的50%,横向偏移标准差降低58.3%。在多缸投喂试验中,PINN-MPC将9个目标点间的平均路径误差控制在0.050~0.055 m,轮胎横向受力波动减少58.9%。展开更多
文摘针对循环水养殖饵料投喂劳动强度大、人力成本高等问题,本文设计了一种自动投喂机器人,并提出了基于物理增强神经网络的模型预测控制(Physics-informed neural network based model predictive control, PINN-MPC)方法,以解决变负载、湿滑路面下的自主路径跟踪问题。首先,设计了机器人总体架构与路径规划控制方案。其次,构建了变负载、复杂环境下的机器人模型。然后,在传统MPC架构基础上,将关键物理参数视为时变因子,引入多层前馈神经网络对其进行在线预测,提升控制精度。最后,通过仿真和现场试验验证了算法有效性。在单缸投喂试验中,PINN-MPC在2个关键观测点的平均误差分别为0.12、0.18 m,较传统MPC降低50%;纵向速度波动幅度为MPC的50%,横向偏移标准差降低58.3%。在多缸投喂试验中,PINN-MPC将9个目标点间的平均路径误差控制在0.050~0.055 m,轮胎横向受力波动减少58.9%。
