一、背景 在四足机器人的发展中,由于串联腿结构对关节驱动电机的要求很高,控制精度难以保证,因此逐渐出现了使用闭链五杆机构作为机器人腿结构的四足机器人,如宾夕法尼亚大学的Minitaur,斯坦福的开源机器狗Stanford Doggo,以及在2019年全国大学生机器人大赛Robocon赛事中以武汉大学的四足机器人为代表的一系列高校所采取的并联五杆结构四足机器人。 本文针对这一类机器人所采用的闭链
扩张状态观测器(extended state observer, ESO)是自抗扰控制(active disturbance rejection control, ADRC)的核心组成部分,在自抗扰控制的相关文献中大都会反复出现ESO和ADRC这两个英文缩写词。关于ADRC的具体思想和设计方法可以参见其发明者韩京清的专著[1],不过,专著[1]中更多地从工程角度对ADRC进行分析,而本文则主要是分
我们先看一下稳定性,看下面的这幅图A,B,C三个点都是平衡点,把小球放在三个点上,都不会动,A点和C点的区别就是C点是有摩擦的。如果我们让A点的小球小球偏离A点,小球就会无休止的摆下去,如果让B点的小球偏离,则小球永远不会回到B点,如果让C点的小球偏离,因为有摩擦力,偏离平衡点之后,最终小球会逐渐的回到C点。所以我们称A,C点是稳定点,B点不是一个稳定点。 在这里,提出一个不严谨的说法:
https://zhuanlan.zhihu.com/p/20282234?utm_source=qq&utm_medium=social 什么是麦克纳姆轮 在竞赛机器人和特殊工种机器人中,全向移动经常是一个必需的功能。「全向移动」意味着可以在平面内做出任意方向平移同时自转的动作。为了实现全向移动,一般机器人会使用「全向轮」(Omni Wheel)或「麦克纳姆轮」(Mecanum Wh
假设有两个小车m1和m2,中间靠一根弹簧连着。如果没有弹簧以及后面的m2的话,我们凭直觉可能会觉得我们可以通过控制u来控制x 1 ,。但是有了弹簧以及m2之后,我们还能通过控制u来控制x 1 吗?也就是通过控制u来控制两辆车的速度和位置,有没有这种可能? 用数学一点的语言来说,就是一个系统的状态方程是x ˙ = A x + B u,是否存在一个u,使得t 0 时的x 0 状态在t 1
上一次总结了利用变分法推导得到的典型情形下最优控制需要满足的必要条件,具体的推导在大部分最优控制教材中都可以找到,并且在这些教材中一般会将变分法、极小值原理和动态规划作为最优控制的三大理论支撑。事实上,变分法的历史要比最优控制久远许多,并非专门为最优控制而生,只是后来人们发现可以用变分法求解最优控制问题,因此也将其作为最优控制的理论支撑之一。 1.关于极小值原理 我们接下来看看极小值原理,它的
这一章也是我最先看到进而关注up主的一章,特别推荐看原视频(https://www.bilibili.com/video/av15795540 )。我感觉我记下的笔记应该不如原视频精彩的十分之一。先看一些基本的假设,假设有一个男孩叫与非,女孩叫梦寒。用Y(t)Y(t)Y(t)表示与非对梦寒的爱或者恨,当Y>0Y>0Y>0的时候,与非是爱着梦寒的;当Y<0Y<0Y&
上一次总结了终端时刻固定和自由两种情形下利用变分法得到的必要条件,在大部分最优控制教材中都会介绍这些条件,有的教材还会进一步利用变分法推导含有内点约束(即关于某个时刻系统状态的等式约束)、过程约束(系统在整个过程中状态和控制量应满足的等式和不等式约束)的情形,这些推导的复杂性会有些增加,感兴趣的读者可以进一步参考文献[1],下面给出两种相对简单的情形。 参考文献 [1]
相轨迹(phase portrait)是用来分析微分方程解的一种方法,up主将其用于动态系统的分析,可参考下面网站得到绘制工具。http://comp.uark.edu/~aeb019/pplane.html (似乎已经失效 )试试 下面的http://mathlets.org/mathlets/linear-phase-portraits-matrix-entry/http://www.bl
我们从一个常见的例子说起一个质量为m的物体,受到一个弹簧和阻尼的共同作用,弹簧的弹力系数为k,阻尼的阻尼系数是B,这样的系统称为质量-弹簧-阻尼系统(mass-spring-damping)。这个系统的输入是u(t)=f(t)u(t) = f(t)u(t)=f(t),输出是弹簧块向右的位移xxx,也就是我们可以通过控制f(t)f(t)f(t)的大小,来控制物体右移的距离。汽车的悬挂系统,以及任
本文是在学习B站up主DR_CAN博士之后的学习笔记以及一些个人的感悟。B站链接为https://space.bilibili.com/230105574/,感兴趣的可以去B站看视频。本文针对的读者是大学里面学过自动控制或者现代控制的本科生或者研究生。 现代控制的基本问题现代控制的基本问题可以用一句话来总结,我们希望一个系统的输出按照我们想要的方式去输出结果,举个例子:我们希望一个热水器的水温保
一、相关网站介绍开源代码的下载、配置、结构等:QGC Dev Guide:https://dev.qgroundcontrol.com/master/en/ QGC的使用手册:QGC User Guide:https://docs.qgroundcontrol.com/master/en/index.html QGC各个版本的开源代码及安装包:QGC Github:https://github
状态观测器是根据系统的输入输出来确定系统内部状态变量的装置,它的示意图如下: 在自抗扰控制器的设计过程中,我们通常把未知的干扰都用f ff来表示,如果利用状态观测器可以将未知的干扰观测出来,就可以提前在控制器中采取补偿措施,使得控制器的设计更加简单,这也是自抗扰控制器的核心思想。 上面那张图实际上有两条曲线,是状态估计的比较好,所以两条曲线基本重合到一起了,下面有一张局部的细节图。
前言: 现在QGC最新的版本为v4.1.1,但是网上的教程主要都是针对于3.x的版本,但是许多3.x版本中的文件在4.x中已经不存在了,所以为了方便学习开发,选择安装QGC3.4稳定版。 https://github.com/mavlink/qgroundcontrol/tree/Stable_V3.4 一、软件软件 版本Qt 5.11.0Visual Studio 2
韩京清老师所写的《自抗扰控制技术》中,介绍了跟踪微分器的设计过程,下面就把数学原理和代码来详细记录跟踪微分器的设计过程。跟踪微分器的作用就是从被噪声污染的信号中合理的提取微分信号。(1)一般的跟踪微分器传统的微分信号是用如下的微分环节来得到的: 所得到的结果如下图: 下面是代码的实现过程,对正弦信号求微分: clear all; h=0.001; T=0.001; time = 20; N
PID的理论工作比较成熟,在实际编程时可能会遇到问题,如果只是简单的二阶惯性系统(s ¨ = u ),可以比较容易的求出输出,并且与输入做差,再进行一个PID控制。如果是一个s ¨ = − s + s ˙ + u 可能就有同学不会算输出了。如果用matlab的Simulink的话,可以很简单的拖动框图来设计,比如上面的微分方程如果用Simulink设计一个PID控制器,总体的设计图如下: P
控制理论发展到现在,可以说成果丰硕,特别是在理论方面每年都有大量的论文发表,相应的控制方法分支也很多(这里主要是指现代控制理论,以频域分析为代表的经典控制理论在控制工程中用得比较多,而且通常在本科阶段的自动控制原理课程上讲得比较多了,同时以MATLAB为代表的软件也将频域分析工具做得比较完善了,所以主要是实际应用,但不太好写论文发表),一般在控制理论专业的研究生课程里面多少会接触一些控制分支的入门
关于INDI的前言: 增量型非线性控制方法是一种2010年以后才流行起来的非线性控制方法,目前主要用于设计先进飞行控制律。这种方法的典型代表是增量型动态逆(incremental nonlinear dynamic inversion)以及增量型反步法(incremental backstepping)。目前,INDI和IBKS在多个领域(包括但不限于直升机模型,四旋翼模型/真机,固定翼UAV模
前面3篇博客分析了扩张状态观测器(ESO)收敛性分析的套路,基本上是过了一遍原文献的证明步骤,穿插一些说明,目的在于让人看清证明背后的思想。考虑到ESO是自抗扰控制(ADRC)的核心,因此ADRC的稳定性证明套路其实在一定程度上也借鉴了ESO收敛性套路。文献[1]首次给出了多输入多输出系统ADRC稳定性的完整证明,但其使用的符号比较多,且数学味过于浓厚,毕竟文献[1]对应的期刊其实是一本数学期刊,
诚如之前博客一直强调的,控制理论方面如果是为了写论文的话,找几篇感兴趣的TAC、Automatica、Letters等期刊上面的文章仔细研读,弄明白套路后就容易结合自己的研究方向写出新的,如果重点是工程应用,其实更有意义的是频域方面的研究,而不是拿一个Laypunov函数推来推去,像做数学题似的自娱自乐,自抗扰控制也不例外,这里推荐一些综述和偏重频域方面的自抗扰控制中文论文,有兴趣的读者可以按图索
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信