基于大数据聚类的移动机器人运动跟踪控制系统设计

卞悦旭，倪 伟，王展旭

(青岛科技大学 机电工程学院，山东 青岛 266061)

0 引言

近年来，机器人产业高度发展，在工业、服务、灾后救援等方面的应用越来越广泛。机器人能够机械化地完成系统设定的任务，相比较于人工其完成过程效率更高、准确性更好。但是机器人执行任务时会遭遇各种路况和情景，容易出现卡死或侧滑摔倒等情况，所以对移动机器人的运动过程进行跟踪控制就变得尤为重要[1-2]。

当前已有相关领域学者对移动机器人运动跟踪控制作出了研究。文献[3]提出以 CoDeSys为核心的全方位移动机器人控制系统。根据机器人位置和航向偏差构造 Lyapunov函数，利用运动学反演、牵引轮、方向盘等约束条件对车辆速度进行规划，优化跟踪控制系统；文献[4]提出基于质心偏移的移动机器人轨迹跟踪控制方法，利用虚拟反馈变量分析控制系统在各方向的稳定性，利用指数逼近率降低滑模变结构控制的抖动，从而设计线速度和角速度控制律，实现参考轨迹的跟踪。

综上所述，本文基于大数据聚类法提出移动机器人运动跟踪控制系统，针对系统的硬件和软件进行优化设计，系统硬件主要设计了远程控制模块和舵机控制模块，软件部分通过大数据聚类实现分析步态、障碍物过程、行走控制，实现对移动机器人的运动跟踪控制。

1 移动机器人运动跟踪控制系统硬件设计

本文设计的移动机器人运动跟踪控制系统硬件包括主控制器、驱动控制器、远程控制模块、舵机控制模块及电源模块五部分。系统的硬件结构如图1所示。

图1 移动机器人运动跟踪控制系统硬件结构

1.1 主控制器

移动机器人主控制器设计30个I/O端口，用于按键、避障模块的连接。主控制器结构如图2所示。

图2 主控制器结构

由图2可知，本文研究的主控制器结构主要由定时器、通信接口、控制芯片等组成。3个定时器，用于直流电机的驱动和机器人姿态保持控制，4个USART通信接口，用于远程无线通讯，图像采集的数据传输和舵机驱动连接。选用STM32F芯片，其性能强劲，满足基本的控制需求，芯片内部集成元件丰富，功耗低，工作频率可达到10 MHz，同时支持外接USB扩展。芯片集成有512字节的闪存和64SRAM的临时储存，11个多功能双向I/O按键端口；2个16位紧急刹车，4个16位定时器；2个IC接口，5个USRAT接口和5个CAN接口用于通讯[5-6]。控制器电路如图3所示。

图3 控制器电路图

1.2 驱动控制器

主控制器无法直接驱动移动机器人，因此需要驱动模块控制直流电机输出更大的转矩，支持机器人的移动，为机器人的运动提供动能保证。机器人移动过程中两侧主动驱动电机同时工作，分别控制机器人移动的速度和方向。驱动控制器电路如图4所示。

图4 驱动控制器电路图

观察图4可知，电机驱动控制器通常内置桥型电路，一组电路能够很好地控制电机工作状态，另一组电路通过三极管来对电机的翻转进行控制。当电机产生励磁时，PWM脉冲的占空比也会变化，电机的速度能够得到有效控制[7-8]。

驱动控制器选择DBH-01型双路驱动器，该驱动器的刹车功能表现稳定，且可匹配不同速度，使用多种控制场景，采用光耦隔离能够最大程度地减少外界干扰。工作电压固定在6～10 V，设定电机的极限电压是15 V。输出通道如图5所示。

图5 输出通道

观察图5可知，2路输出通道作为直流电机驱动接口，单路接口最大可输出电流为25 A，能够很好地满足大转矩的移动需求。控制信号电压为0～8 V，兼容3 V、4 V、6 V驱动器，励磁脉冲占空比范围为0～95%，极限值为97%。

1.3 远程控制模块

当机器人移动场景较为复杂时，可人工干预通过手动操作控制机器人，这就需要运用远程控制技术，通过无线通讯，图像传输和上机位指令可以远程控制机器人完成多方向移动等复杂动作。无线通讯是上机位与机器人远程连接的重要纽带，机器人的终端数据，图像及上机位传达得到指令都是通过无线通讯系统实现的。

无线通讯模块采用LoRa扩展芯片，工作频率为850 MHz，功率为900 mW，搭载扩展天线，其最大通讯距离可达2 500 m。图像传输模块采用 AOMWAY 无线图传，搭载高清150°广角镜头，清晰度为1 080 p，接收灵敏度高达 95%。上机位模块由控制面板和操作台两部分组成，面板输入控件为人机交互窗口，操作者将设定参数输入后，面板输出控件负责模拟机器人的实时姿态。操作部分主要功能为通过串口参数调节，数据传输速率，指令发送等，设定机器人移动的坐标点，完成对机器人的控制[9-12]。

1.4 舵机控制模块

机器人移动需要两个关节同时工作，协同控制机器人的行走部件，若要控制机器人前行，转向，还需要在行走部件安装伺服舵机[13-14]。UART的双工单线通讯的伺服舵机，工作频率为890 MHz，波特率达到11 000，允许串联和并联混合方式工作，有5种工作模式，当电机连续转动时为轮子模式，此时舵机可作为减速电机使用。当电机锁死时，静止的舵机会产生阻抗，锁死模式可确保舵机不会因外力产生范围外的扭矩。舵机控制模块结构如图6所示。

图6 舵机控制模块结构图

当外力扭动时，舵机依据转动速度不同给出不同的抵抗力，外力越大，速度越大，抵抗力就越大，这种工作模式为阻尼模式[15]。外力可随时扭动舵机，舵机对外呈现掉电状态，此时为待机模式。舵机指定一个电流，舵机朝给定方向转动，且保持电流不超过给定值，此时为力矩控制模式。通过对以上几种运动模式对比，选择将私服舵机设置为阻尼模式，该模式可以确保舵机不会在某一位置被锁定，且输出阻力能够维持机器人的运动稳定性，外力干扰越大时，对外阻力越大，可以充分保证机器人在阻力下的运动姿态。舵机最高转速为0.4 s/60°，额定电压6.5 V，串口总线通讯方式[16]。

1.5 电源模块

考虑到移动式机器人运动场景多样，时间较长，电源模块需要选用续航时间长，且安全性高的锂电池，且锂电池体积更小，安装及更换都较为方便。锂电池电压为45 V，为保证机器人移动的稳定性，要设置比额定电源容量稍大一些的电源。稳压器将45 V电源降压处理后得到20 V稳定电压，用于驱动直流电机，图像采集；再通过芯片LM317降压，得到6 V稳定电压，用于舵机电源，最后经过LM1117芯片降压得到3.5 V稳定电压。

2 基于大数据聚类的移动机器人运动跟踪控制系统软件设计

在设计了上述硬件模块的基础上，设计移动机器人运动跟踪控制系统的软件程序。

2.1 基于大数据聚类的机器人步态分析

对移动机器人步态大数据进行优化聚类[17]，构建步态大数据分布式结构模型，设定有限数据集为：

B={b1,b2,…,bn}

(1)

式(1)中，B表示为有限数据集合；n表示移动机器人步态大数据分布式结构模型中包含的样本个数；在步态大数据分布式结构模型中构建模糊控制迭代函数，使数据的聚类中心得到收敛：

(2)

式(2)中，τ为聚类信道拟合因子；x为大数据聚类的迭代次数；sgn表示为符号函数。对步态数据进行非线性时变的线性调频控制信号模拟，提取数据特征：

(3)

式(3)中，y(b)表示为特征点函数；(ci,di)表示大数据信息流的二维特征位移；通过公式(3)完成特征值拟合，实现数据的优化聚类。

移动机器人由机身和 4 条腿组成，每条腿具有 3 个运动关节，以机身中心为原点建立坐标系{O}，将垂直于机身躯干方向定义为z轴，将垂直于z轴方向定义为x轴方向，设定坐标系{O}，从而获得移动机器人腿足端坐标(x，y，z)为：

(4)

(5)

通过矩阵J的转置可以计算出移动机器人各个关节的输出扭矩。其中，a0、a1、a2分别表示3个关节扭矩，s为矩阵满秩，移动机器人能够从3个方向输出，确保受到的力量是均匀的，同时保证力道可以控制[18]。

2.2 基于大数据聚类的机器人障碍设计

障碍物距离测量通常采用超声波原理，在测量超声信号发射时间的过程中，确定传播速度v=360 m/s，计算传播速度障碍物与机器人间的距离S：

(6)

单个超声波传感器通过上式可以粗略确定障碍物与机器人的距离，若要更精确地判定障碍物位置还需要多个超声波传感器同时工作，当某个障碍物被两个超声波传感器检测到时，设超声波传感器的位置分别为A、B，障碍物位置为O，建立如图7所示的三角测量信息坐标系。

图7 三角测量信息坐标系

设其中O点的坐标为(x，y)，由勾股定理可得到：

(7)

求解可以得到：

(8)

则障碍物O点距离机器人距离L和方位为：

(9)

2.3 移动机器人行走控制流程设计

移动机器人行走步态迈步顺序如图8所示。

图8 移动机器人行走步态迈步顺序

根据移动机器人运行速度和躯干姿态将腿式运动构建简化模型，考虑到移动机器人运行状态与足端轨迹，进一步将机器人实际运动状态等效为虚拟模型，通过虚拟模型等效求解出每个移动机器人每个关节运动所需的扭矩[19-21]。

外部干扰会造成机器人运动失衡，对于姿态扰动和速度扰动，可通过髋关节调节机器人姿态，对异常的运动进行抑制，进而消除外部扰动对机器人姿态和运动速度的影响，抗扰动控制模型如图9所示。

图9 抗扰动控制模型

机器人行走在遇到障碍物时，会造成脚部运动延迟，当另外三只脚着地时，第四只脚悬空会导致机器人失去平衡，对于这类问题，可以增加支撑来达到机器人的稳定状态，引入步态时序规划，将控制指令同时下发到两只脚，此时为对角支撑状态，此时需要第3种支撑来维持动态平衡，设计逻辑如图10所示。

图10 设计逻辑图

在这样的对角步态下，每只脚独立运动，步态时序调整范围大，不会因为延迟造成机器人行走状态失衡，每条腿的运动相互独立，机器人4只脚步态顺序如图 11 所示。

图11 机器人4只脚步态顺序

3 实验研究

为验证所设计基于大数据聚类的移动机器人运动跟踪控制系统的有效性，设计仿真对比实验。实验采用文献[3]方法、文献[4]方法作为实验对比方法，在Simulink仿真软件中对移动机器人运动跟踪稳定性及抗扰动控制性能进行测试。

3.1 实验参数及方法

在Simulink仿真软件中构建移动机器人模型，设置机器人参数如表1所示。

表1 机器人参数

在表1机器人参数设置的基础上，设置机器人运动步态迈步顺序为：左前脚、右后脚，右前脚，左后脚。左前脚迈步到右后脚迈步段机器人前进1.5 m。分别采用3种控制系统对移动机器人的运动进行跟踪控制，测试其跟踪控制准确性。

3.2 运动跟踪实验

分析3种控制系统对机器人运动稳定性的控制效果。3种控制方法下，以机器人为圆心的角速度变化如图12所示。

图12 角速度变化稳定性实验结果

从图12可以看出，文献[4]、文献[5]方法控制下机器人运动的角速度变化波动较大，而基于大数据聚类的控制系统的机器人运动角速度变化波动较小，范围在-15～10 rad/s之间，且波动稳定性较好，表明该控制系统对机器人运动控制的稳定性更好。本文系统利用大数据聚类方法对移动机器人步态大数据进行优化聚类，通过超声波原理计算障碍物距离，实现机器人避障控制，因此机器人运动稳定性控制效果较好。

3.3 抗扰动控制实验

当机器人对角步态运动并受到撞击时，会因外界扰动而造成机器人运动失稳。运用不同的运动跟踪控制系统对机器人撞击时的运动状态进行对比实验，设置机器人运动时间为70 s，分别在机器人运动的第10、30、60 s以俯仰角度撞击机器人，分析机器人运动跟踪控制的轨迹，得到跟踪控制准确性如图13所示。

图13 跟踪控制准确性示意图

从图13可以看出，文献[4]方法的运动轨迹跟踪控制的准确率平均值为85%，其在第10、30、60 s的跟踪准确性均低于平均值；文献[5]方法的运动轨迹跟踪控制的准确率平均值为83%，其在第10、30、60 s的跟踪准确性均低于平均值；本文方法的运动轨迹跟踪控制的准确率平均值为96%，其在第10、30、60 s的跟踪准确性均未受到撞击扰动的影响，与平均值相差不超过1%。由此可见本文方法的跟踪控制准确性更好。

4 结束语

本文设计了基于大数据聚类的移动机器人运动跟踪控制系统，硬件方面设计了主控制器、直流电机控制器、远程控制模块、电源模块，软件方面通过大数据聚类对机器人的运动步态分析，设计图像传输和远程通信流程实现障碍物规避，将机器人运行速度和姿态虚拟为运动模型，通过髋关节调节消除外部扰动，构建出抗干扰模型，进而实现移动机器人运动跟踪控制。实验结果表明所设计机器人运动跟踪控制系统的稳定性较好，能够准确跟踪控制机器人运动轨迹，提升移动机器人的应用性能。