Điều khiển dự báo phi tuyến cho bám quỹ đạo và tránh vật cản động trên robot di động lái vi sai
,
,
và
*
Article Sidebar
Full Text: 
PDF
Abstract
This paper presents a nonlinear model predictive control (NMPC) scheme for differential-drive mobile robots to achieve trajectory tracking and dynamic obstacle avoidance. The nonlinear predictive framework effectively addresses robot model nonlinearities, enhancing trajectory accuracy and navigation stability. By integrating input constraints on linear velocity and angular velocity, the method ensures smoother and more reliable motion. Safety distance constraints are embedded into the NMPC optimization to guarantee collision-free navigation in dynamic environments. Simulations on a 3D robot model in Gazebo under ROS, combined with experiments on a real two-wheeled robot, are conducted and compared with the Dynamic Window Approach (DWA). Results confirm that NMPC outperforms DWA in trajectory tracking accuracy, motion smoothness, and obstacle avoidance effectiveness.
Tóm tắt
Trong bài báo này, một phương pháp điều khiển dự báo mô hình phi tuyến (NMPC) cho robot di động hai bánh vi sai đã được đề xuất nhằm bảo đảm bám quỹ đạo và tránh vật cản động. Khung dự báo phi tuyến giúp xử lý tính phi tuyến của mô hình robot, nâng cao độ chính xác quỹ đạo và độ ổn định điều hướng. Bằng cách tích hợp các ràng buộc vận tốc tuyến tính và vận tốc góc, phương pháp mang lại chuyển động mượt mà và đáng tin cậy hơn. Các ràng buộc khoảng cách an toàn được đưa vào bài toán tối ưu NMPC để đảm bảo di chuyển an toàn, không va chạm trong môi trường động. Các mô phỏng trên mô hình robot 3D trong Gazebo (ROS) và thí nghiệm trên robot hai bánh thực tế được tiến hành và so sánh với phương pháp DWA. Kết quả cho thấy NMPC vượt trội hơn về độ chính xác bám quỹ đạo, độ mượt của chuyển động và hiệu quả tránh vật cản.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Berlin, J., Hess, G., Karlsson, A., Ljungbergh, W., Zhang, Z., Åkesson, K., & Götvall, P.-L. (2021). Trajectory generation for mobile robots in a dynamic environment using nonlinear model predictive control. Paper presented at the 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE). https://doi.org/10.1109/CASE49439.2021.9551644
Chung, M.-A., & Lin, C.-W. (2021). An improved localization of mobile robotic system based on AMCL algorithm. IEEE Sensors Journal, 22(1), 900-908. https://doi.org/10.1109/JSEN.2021.3126605
Ismael, O. Y., Almaged, M., & Abdulla, A. I. (2024). Nonlinear model predictive control-based collision avoidance for mobile robot. Journal of Robotics and Control (JRC), 5(1), 142-151.
https://doi.org/10.18196/jrc.v5i1.20615
Konar, A., Chakraborty, I. G., Singh, S. J., Jain, L. C., & Nagar, A. K. (2013). A deterministic improved Q-learning for path planning of a mobile robot. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 43(5), 1141-1153.
https://doi.org/10.1109/TSMCA.2012.2227719
Lafmejani, A. S., & Berman, S. (2021). Nonlinear MPC for collision-free and deadlock-free navigation of multiple nonholonomic mobile robots. Robotics and Autonomous Systems, 141, 103774. https://doi.org/10.1016/j.robot.2021.103774
Lauttia, T. (2022). Adaptive Monte Carlo Localization in ROS. Tampere University Tampere, Finland.
Lee, C., Chung, D., Kim, J., & Kim, J. (2023). Nonlinear model predictive control with obstacle avoidance constraints for autonomous navigation in a canal environment. IEEE/ASME Transactions on Mechatronics, 29(3), 1985-1996. https://doi.org/10.1109/TMECH.2023.3312672
Li, X., Liu, F., Liu, J., & Liang, S. (2017). Obstacle avoidance for mobile robot based on improved dynamic window approach. Turkish Journal of Electrical Engineering and Computer Sciences, 25(2), 666-676.
https://doi.org/10.3906/elk-1504-194
Malone, N., Chiang, H.-T., Lesser, K., Oishi, M., & Tapia, L. (2017). Hybrid dynamic moving obstacle avoidance using a stochastic reachable set-based potential field. IEEE Transactions on robotics, 33(5), 1124-1138. https://doi.org/10.1109/TRO.2017.2705034
Martins, O., Adekunle, A., Adejuyigbe, S., Adeyemi, O., & Arowolo, M. (2020). Wheeled Mobile Robot Path Planning and Path Tracking Controller Algorithms: A Review. Journal of Engineering Science & Technology Review, 13(3).
https://doi.org/10.25103/jestr.133.17
Norzam, W., Hawari, H., & Kamarudin, K. (2019). Analysis of mobile robot indoor mapping using GMapping based SLAM with different parameter. Paper presented at the IOP Conference Series: Materials Science and Engineering.
https://doi.org/10.1088/1757-899X/705/1/012037
Pham, Q. A. H., Le, Q. T., Le, M. H., & Tran, D. T. (2024). A Model Predictive Control for Dynamic Obstacle Avoidance of a Mobile Robot Based on ROS. Paper presented at the 2024 7th International Conference on Green Technology and Sustainable Development (GTSD).
Tukey, J. W. (1977). Exploratory data analysis. Reading/Addison-Wesley.
Tzafestas, S. G. (2013). Introduction to mobile robot control. Elsevier.
https://doi.org/10.1016/B978-0-12-417049-0.00008-0
Wächter, A., & Biegler, L. T. (2006). On the implementation of an interior-point filter line-search algorithm for large-scale nonlinear programming. Mathematical programming, 106(1), 25-57.
https://doi.org/10.1007/s10107-004-0559-y