El Control Neuro Proporcional-Derivativo para la formación Líder-Seguidor entrenado con el Filtro de Kalman Extendido
DOI:
https://doi.org/10.32870/recibe.v12i1.263Palabras clave:
Formación, Control PD Adaptativo, Filtro de Kalman Extendido, Robot móvil, Turtlebot3Resumen
Este trabajo presenta un esquema control neuro adaptativo para la formación Líder-Seguidor de robots móviles diferenciales. El esquema está basado en un control neuro proporcional derivativo entrenado con filtro de Kalman extendido. El controlador propuesto ofrece un ajuste de ganancias adaptativo en línea, lo cual es ideal para lidiar con problemas de perturbaciones, ruido y dinámicas no modeladas. El esquema propuesto es implementado a nivel simulación y experimental usando robots Turtlebot3® y la plataforma Sistema Operativo Robótico (ROS). Además, el desempeño del controlador propuesto es comparado con un controlador para la formación Líder-Seguidor del estado del arte. Los resultados muestran que la propuesta de control tiene un mejor tiempo de convergencia, menor error de formación y menor error de seguimiento.Citas
Alfaro, A., & Morán, A. (2020). Leader-Follower Formation Control of Nonholonomic Mobile Robots. 2020 IEEE ANDESCON, 1-6.
Ben-Ari, M., & Mondada, F. (2017). Elements of Robotics. Nueva York, Estados Unidos: Springer International Publishing.
Bry on, J. J. (2019). Th P D c d nd Fu ur of AI’ I p c on oc y. BBVA. Ob n do d Open Mind BBVA.
Dai, S.-L., He, S., Chen, X., & Jin, X. (2020). Adaptive Leader–Follower Formation Control of Nonholonomic Mobile Robots With Prescribed Transient and Steady-State Performance. IEEE Transactions on Industrial Informatics, 3662-3671.
Hassan, M. F., & Hammuda, M. (2020). Leader-follower formation control of mobile nonholonomic robots via a new observer-based controller. International Journal of Systems Science, 1243-1265.
Hernandez-Alvarado, R., Garcia-Valdovinos, L. G., Salgado-Jimenez, T., Gómez-Espinosa, A., & Fonseca-Navarro, F. (2016). Neural Network-Based Self-Tuning PID Control for Underwater Vehicles. Sensors.
Hernandez-Barragan, J., Rios, J. D., Alanis, A. Y., Lopez-Franco, C., Gomez-Avila, J., & Arana-Daniel, N. (2020). Adaptive single neuron anti-windup pid controller based on the extended kalman filter algorithm. MDPI Electronics, 636.
Hernandez-Barragan, J., Rios, J. D., Gomez-Avila, J., Arana-Daniel, N., Lopez-Franco, C., & Alanis, A. Y. (2021). Adaptive neural PD controllers for mobile manipulator trajectory tracking. PeerJ Computer Science, 7, e393. doi:10.7717/peerj-cs.393
Kamel, M. A., Yu, X., & Zhang, Y. (2020). Formation control and coordination of multiple unmanned ground vehicles in normal and faulty situations: A review. Annual Reviews in Control, 49, 128-144. doi:https://doi.org/10.1016/j.arcontrol.2020.02.001
Klancar, G., Zdesar, A., Blazic, S., & Skrjanc, I. (2017). Wheeled mobile robotics: from fundamentals towards autonomous systems. Butterworth-Heinemann.
Kolhatkar, C., & Wagle, K. (2021). Review of SLAM algorithms for indoor mobile robot with LIDAR and RGB-D camera technology. Innovations in electrical and electronic engineering, 397-409.
Liang, X., Liu, Y.-H., Wang, H., Chen, W., Xing, K., & Liu, T. (2016). Leader-Following Formation Tracking Control of Mobile Robots Without Direct Position Measurements. IEEE Transactions on Automatic Control, 61(12), 4131-4137. doi:10.1109/TAC.2016.2547872
Liang, X., Wang, H., Liu, Y.-H., Liu, Z., & Chen, W. (2020). Leader-Following Formation Control of Nonholonomic Mobile Robots With Velocity Observers. IEEE/ASME Transactions on Mechatronics, 25(4), 1747-1755. doi:10.1109/TMECH.2020.2990991
Lu, Q., Miao, Z., Zhang, D., Ye, L. Y., Yang, S. X., & Su, C.-Y. (2019). Distributed Leader-follower Formation Control of Nonholonomic Mobile Robots. IFAC-PapersOnLine, 67-72.
Oh, K.-K., Park, M.-C., & Ahn, H.-S. (2015). A survey of multi-agent formation control. Automatica, 53, 424-440. doi:https://doi.org/10.1016/j.automatica.2014.10.022
Open Robotics. (2021). Why ROS? Obtenido de ROS: https://www.ros.org
ROBOTIS. (2022). Robotis Turtlebot3 Overview. Obtenido de Robotis Turtlebot3: https://emanual.robotis.com/docs/en/platform/turtlebot3/overview/
Sanchez, E. N., & Alanis, A. Y. (2006). Redes neuronales: conceptos fundamentales y aplicaciones a control automático. Cinvestav Unidad Guadalara: Editorial Prentice Hall.
Sanchez, E. N., Alanís, A. Y., & Loukianov, A. G. (2008). Discrete-time high order neural control. Warsaw: Springer.
Sanfeliu, A., Hagita , N., & Saffiotti, A. (2008). Robotics and Autonomous SystemsRobotics and Autonomous Systems 56 (2008) 793–797. Network robot systems, 56(10), 793–797. doi:https://doi.org/10.1016/j.robot.2008.06.007
Siegwart, R., Nourbakhsh, I. R., & Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots. Cambridge, Massachusetts, United States: MIT Press.
Tang, W., Wang, L., Gu, J., & Gu, Y. (2020). Single Neural Adaptive PID Control for Small UAV Micro-Turbojet Engine. Sensors.
Wang, H., Guo, D., Liang, X., Chen, W., Hu, G., & Leang, K. K. (2016). Adaptive Vision-Based Leader-Follower Formation Control of Mobile Robots. IEEE Transactions on Industrial Electronics, 64(4). doi:10.1109/TIE.2016.2631514
Xuan-Mung, N., & Hong, S. K. (2019). Robust adaptive formation control of quadcopters based on a leader–follower approach. International Journal of Advanced Robotic Systems, 1-11.
Yu, H., Fu, Q., Yang, Z., Tan, L., Sun, W., & Sun, M. (2019). Robust Robot Pose Estimation for Challenging Scenes With an RGB-D Camera. IEEE Sensors Journal, 2217-2229.
Zhong, J., Zhu, Y., Zhao, C., Han, Z., & Zhang, X. (2020). Position tracking of a pneumatic-muscle-driven rehabilitation robot by a single neuron tuned pid controller. Complexity.
