Torque control design of nonholonomic mobile robots using a neural network-based approach
Notice bibliographique
Résumé
In this thesis, a novel control algorithm is proposed for a nonholonomic mobile robot with completely unknown robot dynamics and subject to bounded unknown disturbances. By taking advantage of the robot regressor dynamics, the neural network assumes a single layer structure. The learning algorithm is derived from Lyapunov stable analysis, which is much simpler than most commonly used neural network learning algorithms. The control algorithm is computationally 'efficient' resulting from the simple neural network structure and its simple learning rule. The proposed controller is capable of achieving precise motion control of a nonholonomic mobile robot through the on-line learning ability. The stability of the proposed controller is proved using a Lyapunov stability theory. In addition, the proposed controller is extended to a mobile robot with unknown kinematic parameters, where the linear and angular velocities are chosen as the velocity control input. The extended controller is capable of dealing with completely unknown kinematics and dynamics parameters of the robot system. One neural network is designed to learn both the dynamics and kinematic parameters. Furthermore, a novel torque controller is proposed for nonholonomic mobile robots with obstacle avoidance. By introducing an obstacle torque in the controller, the proposed controller is capable of driving the robot to its target and avoiding obstacles in various environments. Both the neural network structure and its learning algorithm are simple. The controller is guaranteed to be stable and converge by a Lyapunov stability theory, subject to unmodeled unstructured disturbance. No prior information of the environment is needed, all the environment information needed can be obtained from the on-board robot sensors with a limited visibility range.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».