.png){kind=icon}
返回
Learning-based model predictive control for improved mobile robot path following using Gaussian processes and feedback linearization
.png){kind=icon}
OA
AI
DOI：10.1002/rob.22165.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种高性能路径跟踪算法，该算法将基于高斯过程 (GP) 的学习和反馈线性化 (FBL) 与模型预测控制 (MPC) 相结合，用于在越野地形中运行的地面移动机器人，称为gp-fblmpc。该算法使用标称运动学模型，并通过使用现场实验期间收集的观测数据将未建模的动力学学习为GP模型。使用Clearpath Husky A200移动机器人进行的广泛的室外实验表明，就路径跟踪误差而言，所提出的gp-fblmpc算法的性能与现有的基于GP学习的非线性MPC (gp-nmpc) 方法相当。Gp-fblmpc的优势在于，它在减少GP模型训练过程中未包括的不同路径的路径跟随误差方面是可推广的，而gp-nmpc方法仅在GP模型训练的完全相同的路径上工作良好。Gp-fblmpc也比gp-nmpc在计算上更高效，因为它不进行迭代优化，并且需要更少的GP模型来在每个时间步长在MPC预测范围循环上进行预测。现场测试表明，减少gp-fblmpc算法的路径跟随误差的有效性和通用性。它需要很少的训练数据来执行GP建模，然后才能用于减少相同地形上新的，更复杂的路径跟踪错误 (请参阅上的视频)。
Keyword:
field robotics
machine learning
path planning of mobile robot
predictive control
wheeled robotics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.2
论文数:
1.7K
被引数:
6.0K
机构
引用论文
.png){kind=icon}
分享收藏Modelling and Control Strategies in Path Tracking Control for Autonomous Ground Vehicles: A Review of State of the Art and Challenges自主地面车辆路径跟踪控制中的建模和控制策略: 最新技术和挑战的回顾
PREAI
分享收藏分享收藏分享收藏
查看更多内容