DOI QR코드

DOI QR Code

경사감소학습을 이용한 이동로봇의 적응 PD 제어 방법

An Adaptive PD Control Method for Mobile Robots Using Gradient Descent Learning

  • Choi, Young-Kiu (Department of Electrical Engineering, Pusan National University) ;
  • Park, Jin-Hyun (Dept. of Mechatronics Engineering, Kyeognam National Univ. of Science and Technology)
  • 투고 : 2016.06.07
  • 심사 : 2016.06.13
  • 발행 : 2016.09.30

초록

이동로봇은 유연한 생산시스템이 필요한 산업현장에서 유용하게 사용된다. 이동로봇이 생산부품과 같은 기계적 부하를 싣고 정해진 경로를 따라 정확히 이동하여야 하며 통상 기구학적 제어기가 사용되고 있다. 그러나 부하가 매우 크고 비선형 마찰도 클 경우, 기구학적 제어기로 만족할 만한 제어성능을 기대할 수 없어서 동적 제어기가 연구되고 있다. 기존의 동적 제어기는 부하의 무게와 위치를 정확히 알아야 한다는 조건이 있다. 그러나 실제 기계적 부하는 빈번히 변하고 정확히 알 수 없으므로 기존의 동적제어기 성능에 한계가 있다. 따라서 기계적 부하를 정확히 알지 못해도 이동로봇의 동적제어가 작동하도록 경사감소학습을 이용하여 적응 PD 제어 방법을 본 논문에서 제안하였다. 여러 가지 부하 변동 조건하에서 다양하게 시뮬레이션 하여 본 논문의 적응 PD 제어 방법이 기존의 방법보다 폭넓은 수렴영역을 가지고 있음을 확인하였다.

Mobile robots are effectively used in industrial fields that require flexible manufacturing systems. Mobile robots have to move with mechanical loads such as product parts along the specified paths, and are usually equipped with kinematic controllers. When the loads and nonlinear frictions are too high, satisfactory control performances can not be expected with the kinematic controllers, so some dynamic controllers have been developed. Conventional dynamic controllers require the exact weights and locations of the loads; however, the loads are frequently changed and unknown so that the control performances of the conventional controllers are limited. This paper proposes an adaptive PD control method using gradient descent learning to have sufficient dynamic control performance for unknown loads. Simulation studies have been conducted for various load conditions to verify that the adaptive PD control method have much broader convergence region than the convention method.

키워드

참고문헌

  1. F. Fahimi, Autonomous Robots: Modeling, Path Planning, and Control, New York, NY: Springer, 2010.
  2. R. Siegwart, I. R. Nourbakhsh, and D. Scaramuzza, Introduction to Autonomous Mobile Robots, 2nd ed. Cambridge, MA: The MIT Press, 2011.
  3. A. K. Das et. al., "A vision-based formation control framework," IEEE Trans on Robotics and Automaton, vol. 18, no. 5, pp. 813-825, Oct. 2002. https://doi.org/10.1109/TRA.2002.803463
  4. R. Fierro and F. L. Lewis, "Control of a nonholonomic mobile robot: Backstepping kinematics into dynamics," Proc. IEEE Conference on Decision and Control, pp. 3805-3810, 1995.
  5. E. R. Fierro and F. L. Lewis, "Control of a nonholonomic mobile robot using neural networks," IEEE Trans on Neural Networks, vol. 9, no. 4, pp. 389-600, July 1998. https://doi.org/10.1109/72.668882
  6. Y. Wang, S. Wang, R. Tan, and Y. Jiang, "Motion control of a wheeled mobile robot using digital acceleration control method," International Journal of Innovative Computing, Information and Control, vol. 9, no. 1, pp. 387-396, Jan. 2013.
  7. F. L. Lewis, D. M. Dawson, and C. T. Abdallah, Robot Manipulator Control: Theory and Practice, New York. Basel, NY: Marcel Dekker, Inc., 2004.
  8. V. Kecman, Learning and Soft Computing, The MIT Press, Cambridge, MA, 2001.
  9. C. T. Lin and C. S. G. Lee, Neural Fuzzy Systems, Upper Saddle River, NJ: Prentice Hall, 1996.