结合深度神经网络与安全鲁棒自适应控制的轮式移动机器人可靠运行系统

《IEEE Transactions on Automation Science and Engineering》：Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

　　

摘要：

深度神经网络（DNN）通过规避动态建模的需求，能够在保持低计算成本的同时实现精确控制。然而，对于重型轮式移动机器人（WMR）来说，部署这种黑盒方法仍然具有挑战性，因为这些机器人需要遵守严格的国际标准，并且容易发生故障和受到干扰。我们为重型WMR设计了一种分层控制策略，该策略由两个具有不同权限级别的安全层进行监控。为此，我们训练并部署了一个DNN策略作为主要控制策略，在正常运行条件下提供高精度性能。当外部干扰达到一定强度，导致系统性能低于预定义阈值时，低级别安全层会介入，通过停用主要控制策略并激活一种无模型的鲁棒自适应控制（RAC）策略。这种转换使系统能够在确保稳定性的同时继续运行，有效管理系统鲁棒性和响应性之间的固有权衡。无论使用哪种控制策略，高级安全层都会在运行过程中持续监控系统性能。只有当干扰严重到无法补偿，且继续运行会危及系统或其环境时，它才会启动关闭程序。所提出的DNN和RAC策略的结合在某种程度上保证了整个WMR系统的均匀指数稳定性，并遵循了安全标准。通过使用6000公斤重的WMR进行实时实验，进一步验证了该方法的有效性。