کنترل مدل پیش‌بین مبتنی بر بینایی برای ربات متحرک چرخ‌دار

در این مقاله کنترل ربات متحرک چرخ دار بر مبنای بینایی ماشین موردتوجه واقع شده است. یکی از روش های رایج در کنترل سیستم های مذکور، استفاده از الگوریتم های مدل پیش بین می باشد. در این دست از سیستم ها، سرعت پاسخ الگوریتم کنترلی و بهینگی آن دو فاکتور اساسی برای رسیدن به عملکرد مطلوب می باشد. همچنین عدم امکان دست یابی به مقادیر دقیق پارامترهای ربات و تغییر آن ها در حین عملکرد ربات، چالش مهمی در پیاده سازی کنترل کننده است، لذا تمرکز این مقاله روی الگوریتم کنترلی مدل پیش بین مقاوم و بی درنگ می باشد تا بتواند علاوه بر پاسخ بهینه و بی درنگ، پایداری ربات را در برابر نایقینی ها و اغتشاشات محیطی تضمین نماید. به این منظور از روش بهینه سازی شبکه عصبی بازگشتی تصویر به عنوان بهینه ساز کنترل مدل پیش بین استفاده شده تا بتواند به صورت بی درنگ مقادیر بهینه ورودی های کنترلی را محاسبه نماید. ترکیب بهینه سازی شبکه عصبی بازگشتی تصویر با کنترل مدل پیش بین منجر به فرمول بندی و قیود جدیدی شده که نوآوری مقاله محسوب می شود. در نهایت به منظور بررسی صحت عملکرد الگوریتم پیشنهادی، عبور ربات از راهرو با حضور موانع در نرم افزار vrep شبیه سازی شده است. نتایج نشان می دهد که زمان محاسبه ورودی کنترلی بهینه در مقایسه با روش های مشابه کاهش یافته است و همچنین انتخاب مسیر بهینه توسط سیستم فازی در حضور موانع به شکل مناسبی انجام شده است.

Vision-Based Model Predictive Control of Wheeled Mobile Robot

In this article, a novel control of wheeled mobile robot based on machine vision is considered. One of the common methods for controlling such systems is the use of Model Predictive Control (MPC) algorithms. In these systems, the response speed of the control algorithm and the optimality of these are two basic factors for achieving the optimal performance. Also, the impossibility of achieving precise values of the robot parameters and their variation during the operation of the robot is an important challenge in the implementation of the controller, therefore, this paper focuses on realtime and robust MPC, so that it can ensure the system against uncertainties and environmental disturbances in addition to the optimal and realtime response. Hence, the optimization based on projection recurrent neural network (PRNN) has been used as an optimizer to reduce the calculation time cost. The combination of PRNN optimization with MPC leads to new formulation and constraints that are considered to be the article innovations. Finally, in order to verify the validity of the proposed algorithm, the robot passes through the corridor with the presence of obstacles, which is simulated in the VREP software. The results show that the optimum control input speed has been increased in comparison with similar methods, and the optimal path selection by the fuzzy system in the presence of obstacles has been well suited.