一、自动引导车轨迹偏差的智能控制(论文文献综述)
苗静静[1](2021)在《磁导引AGV路径跟踪控制系统设计》文中提出自动导引物流车(Automated Guided Vehicle,简称AGV)的应用是实现智能制造和智能运输的关键所在,对现代工业的智能化和自动化发展有着重要意义。目前,AGV的导引方式主要有磁导引、惯性导引、激光导引、视觉导引等,磁条导引因其具有铺设灵活性高、成本低、环境适应性强等诸多优点,在实际生产中得到广泛应用。但磁条导引AGV在工作时由于环境中存在着不确定因素会干扰运行,以及AGV自身的非线性复杂系统导致在运输过程中存在着响应速度慢,运行不平稳,偏离目标路径等问题,降低了生产运输效率。为了解决以上问题,本文基于改进的模糊PID算法设计了路径跟踪控制系统,主要研究内容如下:首先对AGV的整体结构进行设计与介绍。针对AGV具备的功能与技术指标进行说明,然后对AGV的整体结构、导引方式以及驱动控制方式进行设计,确定了前轮转向与后轮差速驱动型AGV的轮系结构,推导出前轮转向角、后轮线速度与AGV车体位姿之间的关系,建立了AGV运动学方程。设计了一种基于改进模糊PID算法的路径跟踪控制方法。在传统的PID控制中加入模糊控制,实现对PID参数的动态调整。基于模糊PID控制算法分别设计了转角模糊控制器与转速模糊控制器,提高对前轮舵机转角与后轮电机转速的控制精度。在MATLAB中搭建基于模糊PID控制与PID控制的AGV路径跟踪控制系统,将AGV的运行速度设定在低速、高速、变速三种状态下分别进行仿真对比分析,仿真结果表明模糊PID控制下的AGV的路径偏差在±5mm之内,有效提高了AGV的路径跟踪精度。搭建AGV硬件控制系统并进行整体性能测试。确定AGV控制系统的整体方案,对应用到的避障传感器、RFID读写器等硬件进行选型,搭建了AGV硬件平台。然后建立实验场地对样机进行实验测试,包括AGV的路径跟踪能力、避障能力、和站点识别能力等。实验结果表明本文设计的模糊PID控制方法有效提高了磁导引AGV的路径跟踪精度,AGV各项功能达到预期技术指标。
齐嘉晖[2](2020)在《自动导引车轨迹跟踪控制方法的设计》文中指出自动导引车(automated guided vehicle,AGV)是轮式移动机器人领域应用最为广泛的一类,在工业生产、农用制造、军事国防以及航空航天具有广泛的应用,因此深入研究自动导引车的控制问题具有极强的实用意义。如何快速精准实现自动导引车轨迹跟踪,是备受研究人员关注的热点和难点。本文主要以双舵轮自动导引车为研究对象,对其轨迹跟踪控制方法进行理论研究和实验验证。首先,以双舵轮自动导引车为研究对象,建立自动导引车运动学模型,求得车体转弯半径,并重点分析双舵轮自动导引车转向优势。以此为基础,设计了基于运动学模型的单神经元比例-积分-微分轨迹跟踪控制器,及模糊算法控制器。通过仿真实验对比验证控制器轨迹追踪效果,证明单神经元比例-积分-微分算法和基于模糊算法的控制器,能够较为精准地完成简单的直线和圆弧轨迹的跟踪任务;其次,研究模型预测控制算法在双舵轮自动导引车中的应用问题。基于双舵轮自动导引车运动学位姿误差模型,建立了基于模型预测控制的轨迹跟踪控制器,且分析了控制时域权重和预测时域长度两项模型参数对系统性能的影响。为验证该模型预测控制算法在双舵轮导引车中实际跟踪效果,进行仿真实验,最终实验表明,相对于单神经元比例-积分-微分轨迹跟踪控制器,采用该模型预测控制器可以满足各类约束条件,高效精准完成对连续大曲率目标路径的有效跟踪,同时具有较高的实时性和鲁棒性;最后,考虑车体运动性能指标及各类约束,设计并实现双舵轮AGV轨迹跟踪控制算法的工业场景实地实验,验证了模型预测控制轨迹跟踪技术应用于双舵轮自动导引车的可行性和有效性。
段江哗[3](2020)在《面向机器人操作的示教学习与智能控制方法研究》文中认为机器人操作的应用场景广泛、潜力巨大。但就现阶段而言大部分机器人部署在结构化环境中按照人工预定义的规则从事单一、重复和具有规律性的工作。如何结合人工智能与机器人技术,实现机器人对操作技能的理解、学习,而无需繁琐的手工编程与调试是提高机器人智能化水平、降低机器人使用门槛和部署周期、促进产业升级的重要途径。当前,随着人工智能技术的快速发展,机器人操作学习技术已成为机器人前沿领域的研究热点。基于上述研究背景,本学位论文主要研究如何让机器人理解学习任务操作中的基本运动,包括点到点运动、轨迹追踪运动、柔顺运动以及手眼协调运动等,有效解决了点到点运动学习快速性、精度与鲁棒性的权衡问题,轨迹追踪运动学习的泛化问题,柔顺运动中力位混合学习与模型参数递归更新问题等。总体而言,本论文主要研究内容与贡献如下:(1)提出了一种基于前馈神经网络的点对点运动学习框架,该方法采用了超限学习机对人类示教动作进行建模和学习,并通过将李雅普诺夫稳定性判据融入到神经网络最优化过程的约束条件中,以确保到点运动稳定收敛到期望位置。所提出的方法不仅能够提高学习的速度,还在复现中展示出较高的鲁棒性和精度,相比于其他方法具有结构简单、计算效率高等特点。(2)在实现点到点动作的学习控制后,进一步地将学习策略扩展至复杂轨迹的准确追踪问题。针对这个问题,通过直接对轨迹追踪示教数据中的位置误差收敛策略进行学习,获得使运动轨迹收敛至期望轨迹的机器人速度控制律;然后利用李雅普诺夫理论,推导出了控制算法中相关参数的稳定性约束,并证明了所设计的速度控制律可以保证位置误差及速度误差最终均收敛于零。正是由于采用了误差收敛行为的学习,该方法展现了较好的学习和泛化能力,即学习了某一固定形状轨迹的追踪策略后,可随意应用至其他期望跟踪的轨迹上,而无需对控制器进行任何调整。(3)柔顺运动不仅包含动作轨迹也包含力觉的柔顺信息,本文提出一种联合运动轨迹与柔顺力行为的序贯学习控制框架。该学习框架通过一个低成本的示教接口在线收集示教者示范的力、位移、速度、加速度等信号,然后设计了序贯神经网络对机器人运动进行编码,并提出了基于示教力的可变阻抗学习算法来估计三个方向上的变阻尼和刚度矩阵。运动轨迹与柔顺力行为学习均采用了基于递归形式的在线更新策略,与传统的先收集后离线训练的模式相比,该更新方法不仅提高了示教学习的效率,还可避免离线收集数据不足或过多的问题。(4)提出了一种手眼协调运动学习框架。该框架可以在无事先手眼标定的情况下,根据人类示教数据,自动的学习基于图像的手眼协调抓取操作。通过采用像平面中可抓取位置学习、智能函数逼近器解决了传统伺服中期望像素位置需人为设定和手眼协调需事先标定的问题。此外,通过设计基于模糊逻辑规则的自适应调整模型参数,克服了由示教数据不同,而引起数据驱动型控制器收敛速度各异的问题,有效提高了手眼协调运动的收敛速度。
曹皓清[4](2020)在《路灯清洗平台自动举升运动控制研究》文中进行了进一步梳理道路照明灯具是保障交通通畅和行驶安全的重要基础设施。受雾霾、雨水、汽车尾气和扬尘等环境因素的影响,路灯表面极易形成一层附着性污渍,不仅影响路灯的照度,而且影响着灯具的散热,进而对路灯照明质量和使用寿命产生不利影响。路灯特别是灯罩的清洗属高空作业范畴,本文开展路灯清洗平台自动举升运动控制,为末端清洗装置提供有力的平台支撑。主要研究内容如下:(1)路灯清洗平台举升控制的总体方案设计。分析路灯的结构参数、安装环境,提出清洗平台的举升要求,设计总体研究方案,包括清洗平台的臂架举升结构、臂架举升的电液伺服控制系统和举升控制方案及流程。(2)清洗平台机械臂架的运动学建模与分析。在清洗平台机械臂架等效为6自由度机器人系统,将臂架系统简化为符合D-H标准的连杆坐标系,进行运动学建模和运动学正、逆解求解,并完成机构末端的可达空间范围的求解。运用MATLAB/Robotics Toolbox建立臂架系统在D-H坐标系下的仿真模型,验证正、逆解及末端工作范围的合理性和有效性。(3)清洗平台电液控制系统的建模与分析。建立三铰点和四连杆两种变幅机构的几何关系模型,分析支臂举升角度与变幅油缸间的运动规律,获得支臂举升角度与伺服阀输入信号之间的控制关系。采用传递函数法建立清洗平台控制系统的数学模型,借助Bode图分析电液控制系统的稳定性,设计PID控制器进一步提升控制系统的动态性能。(4)清洗平台举升过程中的轨迹规划。分析常用的轨迹规划方法,在Robotics Toolbox建立清洗平台举升臂架系统的仿真模型。在确定清洗平台的运动轨迹的前提下,开展臂架系统的举升运动轨迹分析,采用关节空间规划法中的三次多项式插值法和五次多项式插值法进行轨迹插补规划,分别完成定向举升时的轨迹规划和完整举升路径下的轨迹规划,研究不同工况下的规划特点,总结相适应的规划方法,为实现常用举升工况下清洗平台的自动化运动控制提供依据。
彭孝林[5](2020)在《面向柔性车间的AGV轨迹纠偏与车间调度问题研究》文中提出目前制造行业的自动化水平不高,大多处于半自动化水平,随着人力成本的不断提高,企业必须进行自动化改革来降低产品的生产成本,提升自身产品的价格优势。AGV(Automated Guided Vehicle)是集机械、通信、自动控制等技术于一体的产品,通过无线网络技术将多个AGV组成一个车间物流系统来实现工件的自动转运,在此基础上,通过调度算法可以实现工件加工、装配、转运等任务的自动分配。调度算法是连接各个环节的关键部分,通过对调度算法的优化,不仅可以实现自动化生产与监控,也可以优化生产资源的分配,实现资源的最大化利用。本文以自动化生产线为背景,采用视觉导引AGV来完成车间的搬运任务,通过调度算法实现车间AGV、加工机器等有限资源的最大化利用,最后为AGV寻找到无冲突的可行路径,具体内容如下:(1)完成了AGV实验平台的搭建,在此基础上,本文采用Lab VIEW平台来处理摄像头采集的图像信息,通过图像矫正、分割、形态学处理、语义提取等操作,得到了AGV运行过程中的轨迹偏差信息,通过实验分析,发现该平台可以快速的识别出AGV的轨迹偏差,满足实时运算的要求。(2)根据AGV的运行环境,建立了AGV的运动模型与误差模型,然后采用模糊控制算法来完成对AGV运动的纠偏,最后利用Simulink搭建AGV运动的纠偏模型,通过仿真实验证明了该算法可以取得很好的控制效果。(3)根据生产线上工件的生产环境,建立了AGV运行的电子地图,并据此建立了加工任务和搬运任务的求解模型,然后采用遗传算法来求解最佳分配方案。但传统的遗传算法容易陷入局部最优值,所以本文采用改进的遗传算法搜索最优解,首先引入了动态的交叉和变异概率,此外,在算法进行交叉操作时,先对个体按适应值进行排序,然后依次进行交叉操作。通过仿真实验发现改进后的算法求解到的任务完成时间是146,相比改进前求得的任务完成时间198,可以知道改进后的算法具有更好的寻优性能。(4)采用了基于区域通行时间管控的方法来解决多AGV的冲突问题,在保证不影响机器加工和AGV执行其它任务的前提下,通过调节AGV通过各个区域的时间来解决多AGV冲突问题,最后利用粒子群算法进行求解,证明该方法可以找到无路径冲突的通行方案。
张健[6](2020)在《智能车辆路径跟踪控制研究》文中研究说明随着工业技术的发展,汽车的数量逐渐增多,道路交通安全日益受到人们的关注。传统的车辆被动安全可以在事故发生时降低人员伤亡,但无法从更根本上减少事故的发生。目前主动安全和自动驾驶越来越受到人们的关注,本文将对智能车辆的路径跟踪控制问题展开研究。首先本文通过Pacejka魔术公式对车辆轮胎进行建模分析,使用系统辨识工具箱对魔术公式中的参数进行辨识。通过对车辆行驶过程中的运动状态分析,建立二自由度车辆模型,为后序的路径跟踪算法研究提供理论基础。使用Carsim车辆动力学仿真软件建立了被控车辆的精确模型,并对二自由度车辆模型进行了验证。其次通过对驾驶员的行为分析,对基于轨迹预测的路径跟踪控制算法进行公式推导与仿真分析,通过车辆当前位置、控制周期和预瞄偏差得到车辆的预测轨迹,根据二自由度车辆动力学模型对前轮转角进行求解。分析了不同速度下,控制周期分别对路径跟踪效果的影响,在此基础上提出了控制周期自适应的轨迹预测路径跟踪算法。通过Carsim与Simulink搭建的仿真平台对路径跟踪算法有效性进行验证。结果表明改进后的路径跟踪算法效果明显优于原始算法。然后通过基于模型预测控制的路径跟踪算法进一步提高车辆稳定性,将二自由度车辆模型进行线性化与离散化,得到线性时变预测方程。构建了基于横向偏差、航向角偏差以及车辆稳定性的目标函数,结合车辆质心侧偏角、轮胎侧偏角以及前轮转角增量等约束条件进行求解,得到车辆前轮转角。仿真结果表明两种跟踪算法都可以控制车辆完成对目标路径的跟踪,但模型预测控制算法跟踪效果优于轨迹预测控制算法,同时前者的运算周期要远高于后者。最后,本文制定了路径跟踪实验方案并搭建实验平台对路径跟踪算法实时性进行测试。使用定位接收机与高精度定位服务实现了车辆的高精度定位,使用英伟达自动驾驶开发板“Xavier”与整车控制器联合搭建了智能驾驶系统运算平台,通过ROS开发了智能驾驶车辆的软件平台。实验结果表明本文提出的路径跟踪算法具有一定的工程应用价值,可以实现低速下车辆对目标路径的精确跟踪。
吕彦卿[7](2020)在《室内智能小车的轨迹跟踪控制研究》文中提出随着信息化时代到如今工业化4.0时代数十年的发展与科技的不断突破,信息技术,机器人技术,人工智能技术得到了飞速发展。智能小车作为智能化领域重要的组成部分,在交通运输、物流输送、工业生产、军事行动、地外天体探测等领域起到了至关重要的作用。智能小车集中运用了环境感知、路径规划、轨迹跟踪控制等技术,还涉及计算机、传感器信息融合、自动控制技术,是当前控制领域的研究热点。本文研究的轮式移动智能小车以32位微控制器作为轨迹检测、轨迹跟踪、速度控制及机构运动的核心控制单元。完成了智能小车的程序设计、平台开发、电脑仿真与实景试验工作。因为智能小车属于智能车辆的微型版本,所以本文的工作对促进智能小车从实验室迈向实际应用具有重要的意义及广泛的应用前景,本文工作内容如下。首先,本文研究的轮式移动智能循迹小车的运动部件为双直流电机所驱动的差速后轮及舵机驱动的转向前轮。智能小车的硬件系统为六个模块,其核心控制模块为一块32位的STM32RCT6微处理器。该单片机将图像传感器模块和速度传感器模块检测出的信号作为智能小车转向控制和速度控制的反馈信号,构成了闭环系统结构。核心控制器、直流电机驱动器及其它模块采用的是12V电源模块供电,轨迹图像的提取与识别采用的是线性CCD传感器模块,它可以识别场景地图中的黑色轨迹并将小车与轨迹偏离的误差信号传递给核心控制器,前轮舵机转向模块根据单片机的控制信号调节舵机转角使小车精确地跟踪前方轨迹。同时,控制信号也控制小车后轮双直流电机模块进行差速转向;智能小车行驶速度的测量通过双直流电机上的测速传感器模块来完成。其次,应用Keilμ5C语言开发软件编写、编译与调试基于TSL1401CL线性CCD图像传感器的智能小车循迹算法,该算法应用动态阈值理论对传感器采集到的黑白视频信号进行二值化处理,计算智能小车与黑色轨迹间的距离偏差,从而实现小车对目标轨迹的自动跟踪。研究了智能小车的前轮转向舵机,舵机应用了位置式PID控制方法,后轮直流电机分别应用了位置式PID和模糊位置式PID控制方法,其后部连接的测速传感器实时检测智能车的轮速,传感器将信号反馈至STM32微控制器,使其读取测速传感器采集的数据并构成速度闭环控制。再次,构建了智能车的运动学模型,制定智能车轨迹跟踪策略。选择了经典PID控制方法与模糊自适应整定PID控制方法,设定模糊自适应控制器的输入量及输出量、将两个量模糊化并制定隶属度函数与模糊推理规则,最后进行反模糊化运算。在Matlab/Simulink环境中搭建基于PID控制与模糊自适应PID控制方法的智能车模型轨迹跟踪控制器模块,针对了两种参考轨迹分别进行了仿真并对仿真效果进行了研究、对比与分析。最后,在实验室中搭建试验场景地图,布置了智能小车所需要跟踪的轨迹。将PID控制算法与模糊自适应PID控制算法下载至32位车载微控制器中,分别对两种试验轨迹进行实车跟踪试验;试验结果表明,两种控制算法可以使智能小车系统以良好的状态运行,可以实现智能小车的自动轨迹跟踪运动。
郑浦[8](2020)在《AGV运动轨迹纠偏控制算法》文中认为AGV自动导引车是移动机器人的重要分支,在自动运输、物流、工厂自动装配领域应用广泛,具有良好的发展前景。AGV自动导引车的核心技术是运动控制算法,为保证AGV自动导引车系统的良好运行,需对AGV运动控制技术进行研究。移动机器人运动控制技术的特点在于非完整约束的空间位置不可由时间积分解算,所以其控制有一定的难度,若控制技术不够科学完善,则会造成轨迹跟踪中位姿误差较高。为了有效降低机器人在执行轨迹跟踪任务中所产生的位姿误差,本文提出了非完整约束AGV运动轨迹纠偏控制算法。本文首先阐述了AGV自动导引车系统的整体工作流程,讲解了非完整约束的定义并刨析了其在AGV自动导引车中的意义,建立了AGV全局参考坐标系和AGV局部坐标系,计算了他们的转化关系;在此基础上,进行了AGV运动学模型的建立和分析和AGV定位方法的研究应用,同时用卡尔曼滤波的方法进行了定位位姿数据的优化;其次分析了非线性相关策略,组建了非完整约束AGV运动轨迹纠偏控制模型,通过模型预测原理形成多个优化控制器,设计终端控制器,再通过状态观测器提升跟踪精度。在上述基础上,组建了避障器完善整个控制器的功能,实现整体控制算法设计;最后用Matlab进行了控制算法的仿真实验,从速度平稳性,轨迹跟踪效果,控制效率三个方面与其他控制算法进行对比,从而验证了所提控制算法的准确性以及有效性。本文重点是AGV自动导引车轨迹跟踪控制算法的设计。该控制算法的创新之处在于克服整体可调性以及控制性低的问题,提升跟踪精度,通过惩罚系数反馈效果组建避障器,完善整个控制器的功能。本文所提控制算法在AGV轨迹跟踪中大大减小了AGV轨迹跟踪的位姿误差,并且控制时间短,控制效率高,在高速的情况下仍保持较高的控制精度,速度稳定性好,是较优的轨迹纠偏控制算法。
刘敏伟[9](2016)在《汽车生产行业精益物流系统中AGV自动导引车的设计研究》文中进行了进一步梳理中国作为一个汽车零部件加工和整车制造的大国,已在汽车制造的规模上远远领先其他老牌的汽车制造国家。然而,工业化进步既要求是技术的进入,也要求是解放劳动力的进步。而我国将在2017间出现劳动力负增长状况,劳动力会出现短缺,人工成本将上涨,再加上原材料价格、环境保护费用的不断提高,我国作为世界加工厂和汽车制造大国地位将面临挑战,也就是说解决不了上述矛盾,我国的加工制造业就将失去竞争力,从而失去市场。因此,我们有必要从先进的技术上来找到突破口,用计算机技术、机械装置来替代工人的简单劳动,从而降低制造成本。早在70年代,美国就已开始将AGV系统用于工业制造,它作为一种可以用来代替搬运和装卸工人劳动的系统(涵盖多种技术,诸如机械、电子、光学技术等),能够不间断的完成物料输送。当前,如果配以计算机技术,则就形成了高效能的智能机器人系统。我国很多生产效率高的制造企业都在使用AGV。如长春柴油发动机,中国重汽集团杭州发动机,广汽集团等都在总装线上进行对发动机的支撑、移动。特别是中国自主生产的大型客机C919在大部件的组装过程中,广泛使用了AGV,极大的降低了零部件对接、组装的失误,提高了生产效率,降低了人力和生产成本。国内目前在AGV技术的设计和应用上主要还是基于单片机的智能化应用,从自动引导车的行进路线上来说有两种,一种是固定路线,一种是无固定路线。后者由于其智能化对提供的协助不高,并能快速实现工作要求,具有很大的发展潜力。到目前为止,无固定行进路线AGV自动引导车基本采用三种相结合的技术来实现,采用地理信息系统(GIS)能够对周围环境进行图像识别,但不能对相关环境做较大改变,特别是控制系统要处理大量的来自外部的图像信息,而且视觉导航对实时性的动作处理要求比较高;采用激光导引会产生精确性问题,这是由于来自外部的照明、物体颜色、材料的表面反射都对激光引导的准确性产生影响;采用记忆识别则会使得自动引导车过于死板或者相同的物体也会有视觉差,而产生不同的识别。但是,AGV在工业制造中的重要作用是毋庸置疑的。由于普及性和认识的局限性,还有一些工业制造业企业沿袭过去的老的制造技术,使用过去旧的加工理念,对AGV的价值认识不足,或对AGV技术感到实现困难。基于此,本文作者在深入学习和实践后,重点研究AGV的硬件设计和系统实现,从算法设计和软硬件相结合的角度对AGV进行论述。本文论述中的AGV控制模式将不再是单一的集中控制模式,而是采用分布式控制模式,这样进行设计和实现的优点在于自动引导车的行进路线选择或其运行轨迹管理上具有较大灵活性,也便于监控。本文拟从生产物流系统和AGV软硬件设计两个主要部分进行设计研究:(一)生产物流系统的设计本设计为了能够实现在类似生产环境下参考通用,所以拟选定一种具备代表性的产品线,运用分析工具进行物流投送规划,然后建立能够推广的模型。之后对所建立的模型进行模拟推演,检验系统运转节拍和调度能力,最后提出对AGV系统的结构和技术要求。(二)AGV系统的设计AGV系统的设计方面分软硬件两个部分,首先对MCU主控模块,电机驱动,速度检测等多个模块进行设计方案论证,然后对系统所涉及的主要硬件模块和软件模块等进行具体的工作展开。具体包括了I2C模块,卡尔曼滤波,AD转换模块与DMA模块,PWM调速,系统滴答模块,控制算法程序,车载显示模块程序,寻迹模块,转速检测模块,电机驱动模块等。
崔明月,孙棣华,李永福,廖孝勇[10](2013)在《基于滤波反演法的参数不确定自动引导车的运动控制》文中提出针对参数不确定的自动引导车的运动控制问题,应用Backstepping方法改计自适应控制器,并运用Lyapunov稳定性理论与Barbalat定理证明了系统的稳定性;同时利用进化规划算法优化控制器参数,通过跟踪微分器对输入信号与虚拟控制信号进行滤波处理并提取微分信号,避免了对虚拟控制信号的解析求导,简化了控制器的设计过程.与传统PID控制的对比仿真结果表明,所提出的自适应控制策略能较好地补偿系统参数摄动的影响,提高了自动引导车的轨迹跟踪性能和鲁棒性.
二、自动引导车轨迹偏差的智能控制(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自动引导车轨迹偏差的智能控制(论文提纲范文)
(1)磁导引AGV路径跟踪控制系统设计(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 课题研究背景 |
1.1.2 课题研究意义 |
1.2 路径跟踪算法研究现状 |
1.3 论文主要章节及内容安排 |
第二章 磁导引AGV整体结构设计 |
2.1 AGV整体设计要求 |
2.1.1 AGV主要功能介绍 |
2.1.2 操作方式 |
2.1.3 注意事项 |
2.2 AGV导引方式的选择 |
2.2.1 无线式导引 |
2.2.2 有线式导引 |
2.2.3 磁导航传感器 |
2.3 AGV轮系结构的设计 |
2.4 本章小结 |
第三章 AGV路径跟踪控制策略的研究与设计 |
3.1 AGV运动学模型的建立 |
3.1.1 AGV运动状态分析 |
3.1.2 AGV运动学方程 |
3.1.3 电机的数学简化模型 |
3.2 模糊PID控制算法的设计 |
3.2.1 PID控制基本原理 |
3.2.2 模糊PID控制基本原理 |
3.3 模糊控制器设计 |
3.3.1 转速模糊控制器设计 |
3.3.2 转角模糊控制器设计 |
3.4 本章小结 |
第四章 AGV路径跟踪控制系统的搭建与仿真 |
4.1 AGV仿真平台的搭建 |
4.1.1 模糊控制器模型 |
4.1.2 AGV车体运动学模型 |
4.1.3 路径规划模块 |
4.2 电机调速系统的建模 |
4.3 AGV路径跟踪仿真分析 |
4.3.1 恒速运行下路径跟踪仿真 |
4.3.2 变速运行下路径跟踪仿真 |
4.4 本章小结 |
第五章 AGV系统的硬件设计与实验测试 |
5.1 AGV平台硬件系统设计 |
5.1.1 AGV硬件架构设计 |
5.1.2 主控制模块 |
5.1.3 舵机的选型 |
5.1.4 RFID读写模块 |
5.1.5 避障传感器 |
5.2 磁导引AGV实验测试 |
5.2.1 实验环境 |
5.2.2 路径跟踪实验 |
5.2.3 功能测试实验 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
发表论文和参加科研情况 |
致谢 |
(2)自动导引车轨迹跟踪控制方法的设计(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及意义 |
1.2 国内外研究现状 |
1.2.1 自动导引车研究现状 |
1.2.2 轮式移动机器人轨迹跟踪控制方法研究现状 |
1.3 本文主要研究内容及章节安排 |
第2章 自动导引车分类及系统构成 |
2.1 轮式移动机器人分类 |
2.2 舵轮式移动机器人系统构成 |
2.3 本章小结 |
第3章 移动机器人轨迹跟踪控制 |
3.1 引言 |
3.2 舵轮式移动机器人运动学模型 |
3.3 舵轮式移动机器人比例-积分-微分控制 |
3.3.1 比例-积分-微分控制简介 |
3.3.2 比例-积分-微分控制器设计 |
3.3.3 仿真实验与结果分析 |
3.4 舵轮式移动机器人的模糊控制 |
3.4.1 模糊控制器总体设计 |
3.4.2 模糊推理模型 |
3.4.3 仿真实验与结果分析 |
3.5 本章小结 |
第4章 双舵轮自动导引车轨迹跟踪控制器设计 |
4.1 引言 |
4.2 模型预测控制器设计原理 |
4.3 双舵轮移动机器人轨迹跟踪控制器设计 |
4.3.1 基于二次规划的线性误差模型的建立 |
4.3.2 目标函数的建立 |
4.3.3 轨迹跟踪控制器模型算法求解 |
4.4 仿真分析 |
4.5 本章小结 |
第5章 双舵轮移动机器人轨迹跟踪控制仿真及实验 |
5.1 引言 |
5.2 轨迹跟踪控制器系统约束集 |
5.3 基于模型预测控制轨迹跟踪控制器仿真结果及分析 |
5.3.1 控制时域权重矩阵对系统影响分析 |
5.3.2 预测时域对系统影响分析 |
5.3.3 MPC控制器与PID控制器对比实验分析 |
5.4 MPC控制器设计及实现 |
5.5 本章小结 |
第6章 总结与展望 |
参考文献 |
致谢 |
攻读硕士学位期间学术论文及科研项目 |
学位论文评阅及答辩情况表 |
(3)面向机器人操作的示教学习与智能控制方法研究(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 机器人点到点运动学习研究现状 |
1.2.2 机器人轨迹追踪运动的研究现状 |
1.2.3 机器人柔顺控制的研究现状 |
1.2.4 机器人手眼协调运动的研究现状 |
1.3 本文章节结构安排 |
第2章 基于示教学习的机器人点到点运动控制 |
2.1 引言 |
2.2 点到点运动学习算法 |
2.3 到点运动学习的稳定性分析 |
2.3.1 局部渐近稳定 |
2.3.2 全局渐近稳定 |
2.3.3 精度的提高 |
2.4 实验验证 |
2.5 本章小结 |
第3章 基于示教学习的机器人复杂轨迹追踪 |
3.1 引言 |
3.2 针对位置误差输入的轨迹追踪问题描述 |
3.3 针对位置误差输入的轨迹追踪策略 |
3.3.1 基于学习人类策略的控制律设计 |
3.3.2 轨迹追踪策略学习控制系统稳定性分析 |
3.4 实验验证 |
3.4.1 2D轨迹追踪实验 |
3.4.2 3D轨迹的追踪 |
3.5 本章小结 |
第4章 基于示教学习的机器人柔顺运动控制 |
4.1 引言 |
4.2 基于阻抗控制器的柔顺操作学习问题描述 |
4.3 联合控制器的序贯学习 |
4.3.1 柔顺操作示教接口 |
4.3.2 运动轨迹的序贯学习 |
4.3.3 变阻抗参数学习 |
4.4 变阻抗控制稳定性分析 |
4.5 实验验证 |
4.5.1 任务操作轨迹学习实验 |
4.5.2 变阻抗参数学习 |
4.5.3 柔顺操作学习 |
4.6 本章小结 |
第5章 基于示教学习的机器人无标定手眼协调运动控制 |
5.1 引言 |
5.2 基于图像的无标定视觉伺服问题的提出 |
5.3 眼在手的机器人无标定视觉伺服控制算法 |
5.3.1 像平面下基于概率模型的期望抓取位置的学习 |
5.3.2 基于图像的智能视觉伺服系统 |
5.4 实验验证 |
5.4.1 抓取操作示教与数据收集 |
5.4.2 像平面中可成功抓取位置学习 |
5.4.3 矩阵(?)智能逼近器训练 |
5.4.4 自适应λ的模糊控制器设计 |
5.4.5 手眼协调实验 |
5.5 本章小结 |
第6章 总结 |
6.1 主要工作与贡献 |
6.2 研究展望 |
参考文献 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
致谢 |
(4)路灯清洗平台自动举升运动控制研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 电液伺服控制系统的研究现状 |
1.2.2 平台举升运动控制的研究现状 |
1.3 主要研究内容 |
第二章 路灯清洗平台举升控制总体方案设计 |
2.1 路灯清洗要求 |
2.1.1 路灯及其安装参数 |
2.1.2 清洗平台的举升控制要求 |
2.2 清洗平台举升控制系统的方案设计 |
2.2.1 清洗平台举升运动分析 |
2.2.2 清洗平台的臂架举升结构分析 |
2.2.3 臂架举升电液伺服控制系统分析 |
2.2.4 清洗平台的举升控制方案及流程 |
2.3 论文的总体布置与实施 |
2.3.1 总体布置 |
2.3.2 实施方法 |
2.4 本章小结 |
第三章 清洗平台机械臂架系统建模与分析 |
3.1 位姿描述 |
3.2 臂架系统运动学建模 |
3.2.1 运动学建模D-H法简介 |
3.2.2 臂架系统改进D-H法建模 |
3.2.3 运动学正解求解 |
3.2.4 运动学逆解求解 |
3.3 臂架系统运动仿真分析 |
3.3.1 仿真模型的构建 |
3.3.2 运动学仿真分析 |
3.3.3 清洗平台的可达空间 |
3.4 本章小结 |
第四章 清洗平台电液控制系统的建模与分析 |
4.1 臂架变幅机构的运动学模型 |
4.1.1 三铰点式变幅机构 |
4.1.2 四连杆式变幅机构 |
4.2 臂架电液伺服控制系统建模 |
4.2.1 臂架电液伺服系统的工作原理 |
4.2.2 臂架电液伺服系统的建模 |
4.3 臂架电液伺服控制系统的性能分析 |
4.3.1 系统仿真参数的确定 |
4.3.2 臂架电液系统的稳定性分析 |
4.3.3 PID控制性能分析 |
4.4 本章小结 |
第五章 清洗平台举升过程中的轨迹规划 |
5.1 清洗平台的举升运动轨迹规划概述 |
5.2 臂架系统建模及轨迹规划方法 |
5.2.1 Robotics Tool Box模型构建 |
5.2.2 常用的轨迹规划方法 |
5.3 清洗平台的定向轨迹规划仿真 |
5.3.1 水平方向轨迹仿真 |
5.3.2 竖直方向轨迹仿真 |
5.3.3 斜向轨迹仿真 |
5.4 清洗平台举升作业的完整路径规划 |
5.4.1 完整的清洗平台举升路径 |
5.4.2 五次多项式插值轨迹规划 |
5.5 本章小结 |
结论 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(5)面向柔性车间的AGV轨迹纠偏与车间调度问题研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 关键技术的研究现状 |
1.2.1 AGV导引方式的研究现状 |
1.2.2 AGV轨迹纠偏控制的研究现状 |
1.2.3 调度算法的研究现状 |
1.2.4 多AGV冲突规避的研究现状 |
1.3 论文研究内容与组织结构 |
第2章 AGV轨迹偏差识别 |
2.1 AGV实验平台的搭建 |
2.1.1 行走装置 |
2.1.2 引导装置 |
2.1.3 通信装置 |
2.1.4 安全装置 |
2.2 AGV控制平台 |
2.2.1 下位机平台 |
2.2.2 上位机平台 |
2.3 路径的图像信息提取 |
2.3.1 图像畸变 |
2.3.2 图像去噪 |
2.3.3 图像分割 |
2.4 实验分析 |
2.4.1 图像畸变的矫正 |
2.4.2 阀值分割 |
2.4.3 形态学处理 |
2.4.4 图像语义信息的提取 |
2.5 本章小结 |
第3章 AGV的轨迹纠偏 |
3.1 AGV轨迹误差模型的建立 |
3.1.1 轨迹误差建模 |
3.2 模糊控制理论基础 |
3.3 模糊控制器的建立 |
3.3.1 输入输出变量论域的确定 |
3.3.2 隶属度函数的选择 |
3.3.3 模糊规则的建立 |
3.4 AGV轨迹纠偏的仿真实验 |
3.4.1 仿真结果分析 |
3.5 本章小结 |
第4章 柔性车间的任务调配 |
4.1 工作环境建模 |
4.1.1 栅格地图 |
4.1.2 可视图地图 |
4.1.3 拓扑地图 |
4.2 调度问题建模 |
4.2.1 建模的假设 |
4.2.2 加工机器的选择以及搬运时间的确定 |
4.3 遗传算法的改进 |
4.3.1 遗传算法的优缺点 |
4.3.2 遗传算法的改进 |
4.4 加工任务与机器的匹配 |
4.4.1 染色体编码 |
4.4.2 适应度函数的定义 |
4.4.3 加工任务分配的仿真实验 |
4.5 搬运任务与AGV的匹配 |
4.5.1 搬运任务列表的生成 |
4.5.2 染色体的编码 |
4.5.3 适应度函数的定义 |
4.5.4 搬运任务分配的仿真实验 |
4.6 本章小结 |
第5章 基于区域通行时间管控的多AGV冲突规避 |
5.1 理论基础 |
5.1.1 冲突类型介绍 |
5.1.2 时间窗理论介绍 |
5.1.3 粒子群算法介绍 |
5.2 路径冲突的检测与规避 |
5.2.1 冲突检测 |
5.2.2 基于区域通行时间管控的冲突规避 |
5.3 粒子群算法求解问题的步骤 |
5.3.1 搬运任务的确定 |
5.3.2 种群的初始化 |
5.3.3 适应值函数的设计 |
5.3.4 更新个体的速度和位置 |
5.4 仿真验证 |
5.4.1 碰撞路径检测 |
5.4.2 仿真结果及分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 论文总结 |
6.2 论文展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的研究成果 |
(6)智能车辆路径跟踪控制研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
1.2 智能车辆的发展历史 |
1.3 智能汽车的关键技术 |
1.4 路径跟踪算法研究现状 |
1.5 本文结构安排 |
2 路径跟踪系统建模 |
2.1 轮胎模型 |
2.1.1 轮胎模型的建立 |
2.1.2 轮胎特性分析 |
2.2 车辆动力学建模 |
2.3 动力学模型验证 |
2.4 本章小结 |
3 基于轨迹预测的路径跟踪控制 |
3.1 轨迹预测方程的建立 |
3.1.1 轨迹预测方程 |
3.1.2 前轮转角的求解 |
3.2 基于轨迹预测的路径跟踪控制分析 |
3.2.1 仿真平台以及目标路径 |
3.2.2 控制周期对控制效果的影响 |
3.3 基于控制周期自适应的路径跟踪控制分析 |
3.3.1 输入输出隶属度函数 |
3.3.2 模糊控制规则其清晰化 |
3.4 路径跟踪控制结果仿真分析 |
3.5 本章小结 |
4 基于模型预测控制的路径跟踪控制 |
4.1 模型预测控制概述 |
4.1.1 模型线性化 |
4.1.2 模型离散化 |
4.1.3 预测方程 |
4.2 滚动优化 |
4.2.1 建立目标函数 |
4.2.2 多条件约束 |
4.3 仿真分析 |
4.3.1 车速固定时路径跟踪结果对比 |
4.3.2 车速变化时路径跟踪结果对比 |
4.4 本章小结 |
5 智能车辆路径跟踪实验 |
5.1 实验平台概述 |
5.2 执行机构的改装与性能测试 |
5.2.1 转向执行机构 |
5.2.2 制动执行机构 |
5.3 定位传感器 |
5.3.1 定位传感器简介 |
5.3.2 定位数据处理 |
5.4 控制运算平台的搭建 |
5.4.1 路径跟踪控制器的选型 |
5.4.2 整车控制器的选型 |
5.5 上位机软件的搭建 |
5.5.1 ROS简介 |
5.5.2 软件框架及主要功能 |
5.6 实验结果分析 |
5.7 本章小结 |
6 总结与展望 |
参考文献 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(7)室内智能小车的轨迹跟踪控制研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 智能车研究的背景与意义 |
1.2 智能车国内外研究与发展状况 |
1.2.1 智能车国外研究与发展状况 |
1.2.2 智能车国内研究与发展状况 |
1.3 智能车机器视觉导航技术研究现状 |
1.4 智能车轨迹跟踪横向运动控制技术研究现状 |
1.4.1 横向运动控制技术中模糊控制技术的原理 |
1.4.2 基于模糊控制技术的控制器组成 |
1.5 论文研究的内容及各章节安排 |
2 智能小车的试验平台及软硬系统结构 |
2.1 概述 |
2.2 智能小车开发的基本框架 |
2.2.1 试验平台简介 |
2.2.2 车载系统的整体架构 |
2.3 智能小车的机械构造 |
2.3.1 机械结构与运动执行机构 |
2.4 智能小车系统各模块的硬件组成 |
2.4.1 控制系统的32位核心控器模块 |
2.4.2 电源管理模块 |
2.4.3 轨迹检测线性CCD模块 |
2.4.4 伺服舵机模块 |
2.4.5 直流减速电机驱动模块 |
2.4.6 车速测量模块 |
2.4.7 蓝牙从机无线通信模块 |
2.5 智能小车系统轨迹跟踪控制功能的开发与调试软件 |
2.5.1 线性CCD视觉传感器图像检测上位机软件 |
2.5.2 循迹程序编译与调试开发环境 |
2.6 本章小结 |
3 基于线性CCD视觉传感器的智能小车循迹算法研究 |
3.1 基于线性CCD视觉传感器的轨迹图像处理 |
3.1.1 跟踪轨迹图像预处理 |
3.1.2 跟踪轨迹的提取方法 |
3.2 智能循迹小车的自动控制算法 |
3.2.1 差速驱动的运动学分析 |
3.2.2 后轮差速转向直流电机PID控制 |
3.2.3 后轮差速转向直流电机模糊PID控制 |
3.2.4 前轮伺服舵机速度的PID控制 |
3.3 本章小结 |
4 智能小车数学模型构建与轨迹跟踪控制策略 |
4.1 小车运动学模型描述与构建 |
4.2 小车PID轨迹跟踪控制器设计 |
4.2.1 参考轨迹参数化设定 |
4.2.2 PID轨迹跟踪控制器设计 |
4.2.3 基于Simulink的 PID轨迹跟踪控制器模型搭建 |
4.3 小车模糊自适应整定PID轨迹跟踪控制器设计 |
4.3.1 确定控制系统的输入及输出变量 |
4.3.2 输入及输出变量的模糊化 |
4.3.3 定义输入及输出变量的隶属度函数 |
4.3.4 模糊推理规则的制定 |
4.3.5 反模糊化运算 |
4.4 基于Simulink的模糊自适应PID轨迹跟踪控制器模型搭建 |
4.5 本章小结 |
5 智能小车轨迹跟踪控制器仿真与试验 |
5.1 PID轨迹跟踪控制器仿真效果 |
5.1.1 U型参考轨迹条件下的PID控制器跟踪效果 |
5.1.2 S型参考轨迹条件下的PID控制器跟踪效果 |
5.2 模糊自适应PID轨迹跟踪控制器仿真效果 |
5.2.1 U型参考轨迹条件下的模糊自适应PID控制器跟踪效果 |
5.2.2 S型参考轨迹条件下的模糊自适应PID控制器跟踪效果 |
5.3 两种控制器跟踪参考轨迹仿真对比与分析 |
5.3.1 U型参考轨迹条件下两种控制器跟踪效果对比 |
5.3.2 S型参考轨迹条件下两种控制器跟踪效果对比 |
5.4 智能小车实车轨迹跟踪试验 |
5.4.1 循迹算法程序移植和实现流程 |
5.4.2 轨迹跟踪试验场景创建 |
5.4.3 轨迹跟踪试验及对比分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 论文工作总结 |
6.2 论文不足之处与研究展望 |
参考文献 |
附录A 直流电机模糊PID控制程序代码 |
致谢 |
(8)AGV运动轨迹纠偏控制算法(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外AGV研究发展现状 |
1.2.1 国内AGV应用发展现状 |
1.2.2 国外AGV研究发展现状 |
1.3 AGV相关技术的国内外研究现状及发展趋势 |
1.3.1 AGV总体涉及相关技术概况 |
1.3.2 AGV导引技术研究现状 |
1.3.3 AGV定位技术研究现状 |
1.3.4 AGV控制技术研究现状 |
1.3.5 AGV其他技术的研究现状 |
1.4 本文主要研究内容 |
第二章 AGV系统及运动学分析 |
2.1 AGV系统的总体描述 |
2.1.1 AGV系统的工作流程 |
2.1.2 AGV的功能模块和大体组成 |
2.2 AGV底盘及驱动系统设计 |
2.2.1 非完整约束 |
2.2.2 AGV底盘设计及驱动轮选择 |
2.3 AGV坐标系的建立和位姿表示 |
2.4 AGV运动学模型建立及分析 |
2.4.1 舵轮的运动学约束 |
2.4.2 对角舵轮式AGV运动学计算 |
2.4.3 三点式AGV运动学计算 |
2.5 本章小结 |
第三章 AGV定位的方法 |
3.1 AGV定位方法的分类和选择 |
3.2 UWB定位技术的特点 |
3.3 UWB定位技术适用的定位算法 |
3.4 AGV自动导引车定位方法 |
3.4.1 TDOA算法及测距定位原理 |
3.4.2 TDOA算法在AGV定位上的应用 |
3.4.3 UWB定位数据优化 |
3.5 UWB定位模块精确度测试 |
3.6 本章小结 |
第四章 AGV运动轨迹纠偏控制算法设计与分析 |
4.1 引言 |
4.2 预测模型控制思想 |
4.3 算法的提出 |
4.4 AGV运动轨迹跟踪的纠偏控制算法 |
4.4.1 构建运动轨迹纠偏控制模型 |
4.4.2 非完整约束AGV运动轨迹纠偏控制 |
4.5 本章小结 |
第五章 非完整约束AGV运动轨迹纠偏控制仿真实验 |
5.1 仿真实验软件环境 |
5.2 非完整约束AGV运动轨迹纠偏仿真实验 |
5.2.1 AGV动力学环境下速度平稳性仿真实验 |
5.2.2 AGV动力学环境下轨迹跟踪效果实验 |
5.2.3 AGV控制时间仿真结果 |
5.3 仿真实验结果总结 |
5.4 本章小结 |
结论 |
参考文献 |
致谢 |
(9)汽车生产行业精益物流系统中AGV自动导引车的设计研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景和意义 |
1.2 AGV的国内外现状 |
1.2.1 国外智能车辆发展概况 |
1.2.2 国内智能车辆发展概况 |
1.3 本文的主要研究内容 |
1.4 研究成果 |
第二章 精益物流系统设计 |
2.1 AGV应用的精益模型设计 |
2.1.1 产品线选择 |
2.1.2 价值流图绘制(VSM) |
2.1.3 AGV应用于精益生产环境下的模型设计 |
2.2 AGV系统的机构和技术要求 |
第三章 系统硬件设计 |
3.1 系统设计思路 |
3.2 系统各模块的设计方案论证 |
3.2.1 MCU主控模块方案论证 |
3.2.2 电机与电机驱动模块论证 |
3.2.3 速度检测模块设计原理 |
3.2.4 磁场检测模块设计论证 |
3.2.5 电源模块设计论证 |
3.3 系统主要模块的设计 |
3.3.1 STM32F103RBT6 单片机核心控制模块 |
3.3.2 电机驱动模块 |
3.3.3 电源电路模块 |
3.3.4 道路寻迹模块 |
3.3.5 避障保护模块 |
3.3.6 金属检测模块 |
3.3.7 速度检测模块 |
3.3.8 车载显示模块 |
3.4 系统设计图效果 |
第四章 系统的软件设计 |
4.1 系统整体流程图设计 |
4.2 I~2C模块 |
4.2.1 I~2C总线特点 |
4.2.2 I~2C总线工作原理 |
4.3 卡尔曼滤波 |
4.3.1 卡尔曼滤波理论 |
4.4 AD转换模块与DMA模块 |
4.5 PWM调速部分软件设计 |
4.6 系统滴答模块 |
4.7 控制算法程序设计 |
4.8 车载显示模块软件设计 |
4.8.1 液晶显示相关的流程图 |
4.8.2 液晶显示模块部分程序 |
4.9 寻迹模块软件设计 |
4.10 转速检测模块软件设计 |
4.11 电机驱动模块软件设计 |
第五章 系统测试 |
5.1 测试计划与结果 |
5.2 系统评价 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
攻读学位期间本人出版或公开发表的论着、论文 |
致谢 |
四、自动引导车轨迹偏差的智能控制(论文参考文献)
- [1]磁导引AGV路径跟踪控制系统设计[D]. 苗静静. 天津工业大学, 2021(01)
- [2]自动导引车轨迹跟踪控制方法的设计[D]. 齐嘉晖. 山东大学, 2020(02)
- [3]面向机器人操作的示教学习与智能控制方法研究[D]. 段江哗. 中国科学院大学(中国科学院深圳先进技术研究院), 2020(07)
- [4]路灯清洗平台自动举升运动控制研究[D]. 曹皓清. 长安大学, 2020(06)
- [5]面向柔性车间的AGV轨迹纠偏与车间调度问题研究[D]. 彭孝林. 湘潭大学, 2020(02)
- [6]智能车辆路径跟踪控制研究[D]. 张健. 北京交通大学, 2020(06)
- [7]室内智能小车的轨迹跟踪控制研究[D]. 吕彦卿. 大连理工大学, 2020(02)
- [8]AGV运动轨迹纠偏控制算法[D]. 郑浦. 长安大学, 2020(06)
- [9]汽车生产行业精益物流系统中AGV自动导引车的设计研究[D]. 刘敏伟. 苏州大学, 2016(09)
- [10]基于滤波反演法的参数不确定自动引导车的运动控制[J]. 崔明月,孙棣华,李永福,廖孝勇. 控制与决策, 2013(08)