دفاعیه کارشناسی ارشد (مهندسی مکانیک) کنترل ردیابی مسیر مبتنی بر یادگیری برای ربات های متحرک چرخ دار تراکتور-تریلر با دینامیک های مجهول
| تاریخ ارسال: 1403/6/28 |
دانشجو: آقای قاسم زاده علی اکبر
استاد راهنما: دکتر رویا امجدی فرد
زمان: چهارشنبه ۲۸ شهریور ماه ۱۴۰۳ ساعت: ۱۱:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
استاد راهنما: دکتر رویا امجدی فرد
زمان: چهارشنبه ۲۸ شهریور ماه ۱۴۰۳ ساعت: ۱۱:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
چکیده: امروزه رباتهای متحرک چرخدار تراکتور- تریلر در زمینههای متعددی همچون کشاورزی، پزشکی، صنعت و مأموریتهای فضایی مورد استفاده قرار میگیرند. کنترل و ردیابی مسیر این رباتها در کنار شناخت سینماتیک و معادلات دینامیکی دقیق سیستم در شرایط واقعی یکی از چالشهای مهم در این حوزه محسوب میشود. با این وجود به لطف تکامل الگوریتمهای مبتنی بر یادگیری ماشین عرصه برای مطالعه و تحقیقات بیشتر در این حوزه فراهم شده است.
یادگیری تقویتی، یکی از زیر شاخههای علم یادگیری ماشین است که کاربرد آن در علم کنترل در دهه اخیر رشد چشمگیری داشته است. در پژوهش حاضر کنترل ردیابی مسیر یک ربات سیار چرخدار تراکتور- تریلر با استفاده از روش برنامه ریزی پویای تطبیقی طراحی شده است. در این روش کنترلگر فقط با شناخت بردار ورودی های افاین معادلات سیستم زمان پیوسته می تواند آن را را کنترل کند و نیاز به شناخت دقیق سیستم ندارد. از آنجا که کنترلگر طراحی شده تطبیقی است میتواند اثرات ناشی از عدم قطعیتهایی نظیر تغییرات جرم را نیز جبران کند. در این پژوهش شبکه عصبی ناقد طراحی شده با حل برخط معادله همیلتون-جاکوبی-بلمن، تابع هزینه بهینه را تخمین زده و تنظیم سیاست کنترل تطبیقی بهینه را انجام میدهد. لازم به ذکر است که برای هر یک از حلقه های کنترلی سینماتیک و دینامیک ربات یک شبکه عصبی مجزا وجود دارد. در این پژوهش از دو رویکرد مختلف برای تنظیم وزن های شبکه های عصبی استفاده شده است که تفاوت این دو روش در الگوریتم تطبیقی برای پیدا کردن وزن های ایدهال شبکه عصبی است. همچنین برای اینکه کنترلگر بتواند با مجهول فرض کردن کامل دینامیک ربات، آن را در شرایط واقعی کنترل کند، در این پژوهش از یک شناساگر عصبی تطبیقی استفاده شده است. نتایج حاصل از شبیهسازیها در محیط MATLAB در چندین مسیر مرجع که قیود غیر هولونومیک ربات را به چالش میکشد، نشان میدهد کنترلگر پیشنهادی در مقایسه با روشهای کلاسیک، عملکرد بهتری در ردیابی مسیر و کاهش اثرات نامعینی های سیستم دارا میباشند.
کلیدواژهها: ربات سیار چرخدار تراکتور- تریلر، کنترل ردیابی مسیر، برنامه ریزی پویا تطبیقی/تقریبی، کنترل بهینه ، شبکه عصبی، یادگیری تقویتی.
یادگیری تقویتی، یکی از زیر شاخههای علم یادگیری ماشین است که کاربرد آن در علم کنترل در دهه اخیر رشد چشمگیری داشته است. در پژوهش حاضر کنترل ردیابی مسیر یک ربات سیار چرخدار تراکتور- تریلر با استفاده از روش برنامه ریزی پویای تطبیقی طراحی شده است. در این روش کنترلگر فقط با شناخت بردار ورودی های افاین معادلات سیستم زمان پیوسته می تواند آن را را کنترل کند و نیاز به شناخت دقیق سیستم ندارد. از آنجا که کنترلگر طراحی شده تطبیقی است میتواند اثرات ناشی از عدم قطعیتهایی نظیر تغییرات جرم را نیز جبران کند. در این پژوهش شبکه عصبی ناقد طراحی شده با حل برخط معادله همیلتون-جاکوبی-بلمن، تابع هزینه بهینه را تخمین زده و تنظیم سیاست کنترل تطبیقی بهینه را انجام میدهد. لازم به ذکر است که برای هر یک از حلقه های کنترلی سینماتیک و دینامیک ربات یک شبکه عصبی مجزا وجود دارد. در این پژوهش از دو رویکرد مختلف برای تنظیم وزن های شبکه های عصبی استفاده شده است که تفاوت این دو روش در الگوریتم تطبیقی برای پیدا کردن وزن های ایدهال شبکه عصبی است. همچنین برای اینکه کنترلگر بتواند با مجهول فرض کردن کامل دینامیک ربات، آن را در شرایط واقعی کنترل کند، در این پژوهش از یک شناساگر عصبی تطبیقی استفاده شده است. نتایج حاصل از شبیهسازیها در محیط MATLAB در چندین مسیر مرجع که قیود غیر هولونومیک ربات را به چالش میکشد، نشان میدهد کنترلگر پیشنهادی در مقایسه با روشهای کلاسیک، عملکرد بهتری در ردیابی مسیر و کاهش اثرات نامعینی های سیستم دارا میباشند.
کلیدواژهها: ربات سیار چرخدار تراکتور- تریلر، کنترل ردیابی مسیر، برنامه ریزی پویا تطبیقی/تقریبی، کنترل بهینه ، شبکه عصبی، یادگیری تقویتی.
مطالب مشابه
دفعات مشاهده: 45 بار |
دفعات چاپ: 20 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر