控制教学与研究的联系及其对于学生学习的影响——基于机器人实现的案例研究

2013年8月28日至30日，国际自动控制联合会第10届IFAC研讨会控制教育进展。英国谢菲尔德基于机器人实现Payman Shakouri，Olga Duran，Andrzej Ordys和Gordana Collier英国伦敦金斯顿大学科学、工程和计算机学院，地址：RoehamptonVale，Friars Avenue，SW15 3DW，(Tel电话：+44（0）20 84174822;电子邮件：P. Kingston.ac.uk）。翻译后摘要：先进的控制概念提出了一个教学挑战-即使在硕士水平的学生受益于这些概念的实现和演示的真实硬件，而不是简单地建模的工厂，应用控制策略和调整。本文提供了参考资料（理论和测试结果），用于控制教学和评估使用实验室实验，与实时单板计算机为基础的机器人车辆（国家仪器机器人入门套件）。本文探讨了实际实施的ACC系统，通过使用实时单板计算机为基础的机器人车辆（国家仪器机器人入门套件）。ACC算法的模糊PID控制的基础上部署在现场可编程门阵列（FPGA），包括在机器人的架构。该机器人车辆使用图形编程语言（LabVIEW）进行编程。卡尔曼滤波器用于估计未测量的参数，同时在硬件（真实机器人）中实现控制算法。仿真模型和真实机器人，分别得到的结果进行了比较。实验表明，理论预期和现实生活中的系统性能之间存在明显的相关性，同时提供了一个新的想法，如何提供这种先进的控制概念，在一个应用和可视化的方式。关键词：自适应巡航控制系统，模糊控制，PID控制器，卡尔曼滤波器，机器人控制，研究型教学，状态估计1. 介绍许多大学倾向于将研究和教学视为两个独立的实体，很少将研究融入教学。然而，发展研究和教学之间的联系已被视为优先事项。对大学教学与研究之间的联系以及它们如何促进学生学习有不同的解释（Brew，2003年;Senaratne和Amaragtunga，2006年）。工程学本科生的研究活动通常被视为基于探究的学习。调查任务可以设计为探索现有的知识，并通过分析和实验建立新的知识。然而，工程师必须能够应用在大学里学到的概念，以解决他们在课程中的经验之外的问题。基于探究和问题的学习可能导致只构建学科知识（Mills和Treagust，2003）.因此，研究方法和技能不仅应该是渐进的：还应该提供各种方法和技能。赫瑞瓦特大学采用了一个有趣的例子，学生参与实验室实验的设计、实施、获取数据、分析数据并比较不同层次的结果（Jenkins和Zetter，2003年）。在这个例子之后，我们的一些研究生（硕士和博士水平）被用来开发研究知情的教材，包括动手实验和虚拟学习，以加强控制为基础的科目的教学。本文中提出的工作已经由一名博士生完全开发，并通过他自己的研究（Shakouri et al，2012）提供信息。这种材料将用于一个职位研究生机电一体化模块的学生学习机器人学，传感方法，控制和人工智能。从这个意义上说，自适应巡航控制（ACC）系统，巡航控制（CC）系统和紧急停车是更常见的纵向应用，已在机器人和智能交通系统（ITS）领域进行了研究（Gerdes和Hedrick，1997）。ACC系统是巡航控制系统的扩展，它不仅控制车辆的速度，而且还能够控制领头车和跟随车之间的距离，以保持安全距离。对ACC进行了全面研究（Xiao和Gao，2010年）。已经提出并开发了几种基于模型的控制方法和架构，用于设计从经典到非线性先进控制方法的ACC系统，例如采用增益调度方法的比例-积分-微分（PID）控制和线性二次控制（LQC）（Shakouri等人，二〇一一年; Riis，2007）模型预测控制（MPC）和非线性MPC（NMPC）（Shakouri等人，2012; van den Bleek，2007）以及滑动模式控制器（Zhou和Peng，2004）等。本文介绍了模糊PID控制方法在实时单板机机器人小车ACC系统中的实际应用。此外，将ACC系统的模糊PID控制器的结果与传统PI控制器的结果进行比较（Shakouri等人，2012）。传统的PID控制器由于其结构简单、易于设计、实现成本低而被广泛应用于各种工业控制场合。© IFAC 192 10.3182/20130828-3-UK-2039.00075第十届IFAC ACE2013年8月28日至30日。英国谢菲193然而，如果系统是高度非线性的，它可能无法提供令人满意的性能。而模糊控制能够获得系统的传递函数，使得它将呈现机器人的最佳估计：运用模糊集理论处理非线性和不确定性。因此，通过将这两种技术结合在一起可以获得更好的控制性能，这就是所谓的模糊PID控制器（Feng，2007）。模糊vsp0.000197s 0.17804 3.757212019 -05-15 01：00：00（一）逻辑控制由于其处理非线性和不确定性的公知能力，是开发ACC系统的广泛采用的技术（Naranjo等人，2006;Naranjo等人，2003; Masouminia，2011; Tsai等人，2010年）。模糊逻辑控制是一种基于规则的决策方法，它根据输入变量的当前值使用定义的规则来控制模糊系统。语言变量、隶属函数和规则是构建模糊系统的三个主要部分（National Instrument Corporation，2009）。模糊系统利用近似推理的模式，允许其以类似于人类的方式基于不准确和不完整的信息做出决策（Harisha等人，2008年）。模糊系统不需要精确的数学或逻辑模型。模糊控制提供了一种灵活的工具来模拟输入信息和控制输出之间的关系，并通过其相对于噪声和系统参数的变化的鲁棒性来区分。本文的其余部分组织如下：第2节描述了硬件特性和系统识别。第3节介绍了基于模糊PID控制器的ACC结构。第4节描述了使用卡尔曼滤波器对未测量参数的估计。第5节介绍了实验和模拟的结果，第6节介绍了课程的实施情况。最后，在第7节中得出结论。图1. NI LabVIEW starter kit robot2. 硬件原理和系统识别此应用程序使用两个NI LabVIEW入门套件机器人。机器人可通过高级LabVIEW功能或LabVIEW FPGA模块进行编程。机器人“跟随者”配备了超声波传感器，用于跟踪“领导者”的速度和距离。为了设计一个控制器，描述系统的动态行为的模型，即初学者套件机器人，需要被识别。系统识别过程包括从真实世界系统中获取数据，然后对激励和响应数据进行数值分析，以估计工厂的参数。LabVIEW系统识别工具包用于根据采集的数据估计反映系统动态行为的模型。的其中vsp和vsp分别表示机器人从估计的传递函数（1）获得的模拟响应和真实系统的响应已在图2中进行了比较和说明。两个响应之间的均方根误差（RMSE）为0.0237（m/s）。图2系统（机器人）的响应与选择方波信号作为激励的模拟响应的比较。图三.采用模糊PID控制器的ACC原理图。3. 控制设计本文提出的ACC系统设计的模糊PID控制器如图3所示。模糊规则通过评估系统的整体动态来计算结果误差值，所述系统的整体动态包括测量值和参考值之间的差，即期望距离和期望巡航速度、引导车辆和跟随车辆之间的速度差以及从预处理步骤估计的加速度作为输入。PID控制器根据模糊逻辑控制器的结果误差值计算系统的指令变量值。模糊PID控制器的优点是它没有特殊的工作点。另一第十届IFAC ACE2013年8月28日至30日。英国谢菲194模糊逻辑PID控制器相对于常规PID控制器的优点在于它可以通过使用语言规则来实现非线性控制策略。模糊逻辑 PID 控 制 器 可 以 在 误 差 变 化 时 自 行 考 虑 误 差 趋 势（Naranjo等人，2003年）。3.1 ACC系统ACC系统根据前方距离跟踪或速度跟踪的情况以两种不同的模式操作。如果跟随器的超声波传感器（配备ACC）检测到前方有任何障碍物或移动较慢的机器人，则控制器调整速度以保持间隙间距（所需距离）。如果由超声波传感器测量的间距大于期望的距离，则其将切换到速度跟踪模式，称为巡航控制（CC）模式，以跟踪期望的巡航速度。期望的车头时距ddes可以使用恒定时间车头时距策略来计算（van den Bleek，2007; Zhou andPeng，2004）：（一）（b）第（2）款ddesmosquitoes（二更）其中l是机器人长度，d是两个机器人之间的附加距离，vf是跟随机器人速度，vl是领导机器人速度，Th是恒定时间车头时距（近似系统反应时间）（s）。相对速度-vr、距离误差-ed和速度误差-ev如下获得（c）第（1）款vr vf  vl（三）德德·德德·德斯（四）ev vf  五代（五）（d）其他事项其中Vdes是期望的巡航速度。3.2 模糊PID控制器ACC系统的模糊逻辑控制器的输入变量是距离误差、相对速度、速度误差和加速度。输出变量是根据相关模糊规则计算的结果误差。由于本会议文件篇幅有限，这些规则没有在这里介绍，但可以找到（Masouminia，2011年）。第十届IFAC ACE2013年8月28日至30日。英国谢菲195ACC系统的输入变量和输出变量的隶属函数如图4-5所示。选择区域中心（CoA）方法来执行解模糊化，因为该方法计算多个输出语言术语之间的最佳折衷。此外，后件蕴涵采用最小蕴涵方法，所有规则的支持度均为1。离散PID控制器（Ogata，1995）用于根据模糊逻辑控制器（e FL）产生的结果误差值来计算系统的命令变量输入值，即机器人的速度设定点（v sp）。见图4。ACC的模糊逻辑控制器的输入变量的成员函数-（a）距离误差（ed），（b）速度误差（ev），（c）相对速度（vr），和（d）加速度（af）。图五.成员函数的输出变量的模糊逻辑控制器的ACC-随之而来的错误（eFL）。4. 不可测参数估计ACC系统的操作所需的参数是距离（d）、跟随机器人速度（vf）、加速度（af）和第十届IFAC ACE2013年8月28日至30日。英国谢菲196相对速度（vr）。距离和跟随机器人的速度是测量参数，因为它们分别通过超声波传感器和连接到电机的编码器提供给系统。加速度和相对速度是不可测参数，需要在控制算法中进行估计。基于离散时间系统的线性最小方差（LMV）估计的离散时间卡尔曼滤波器被用来估计系统 的 不 可 测 参 数 （ 状 态 ） （ Ogata ， 2001; Powell，2004）。为了估计未测量的参数，有必要对前面的机器人的行为进行建模，然后构建整个系统的模型，包括两个机器人。在本文中，我们假设前面的机器人以恒定的速度行进，然而，领导机器人速度（vl）的变化对系统起干扰作用（Steinbuch，2010）。机器人的状态空间模型可以通过从其传递函数方程（1）转换获得。为了建立整个系统的状态空间方程，给出了包括引导机器人的速度和机器人之间的距离的状态，即车辆间动态，5. 仿真结果ACC系统的开发，测试和实施的硬件，即NI启动工具包机器人，使用LabVIEW利用模糊PID控制器。基于给定的二阶传递函数，对机器人模型进行了辨识和控制。通过模糊系统设计器设计模糊控制器。ACC系统首先通过模拟 进行 设 计和 测 试， 然后 部 署到 机 器人 的 LabVIEWFPGA模块中进行比较。在最初的实验中，领导机器人是虚拟的，正弦信号代表领导机器人的速度。测试的最后阶段使用两个测试机器人，即一个用于领导机器人，另一个用于跟随机器人。PID控制器的调整进行了试验和错误的方法;Kp= 1.7，Ki= 1.3和Kd=0.6。图6示出了距离跟踪控制（ACC）的结果。机器人之间的初始距离设定为0.1米，这是根据我们的实验两种机器人都从零速度和时间常数车头时距开始，实验上选择的Th为1.3 s.通过xintmart.js 埃克塞特将vT添加到机器人的状态中ACC系统计算机器人速度（图6.c），使得跟随机器人和引导机器人之间的距离为模型， 这 是 的 从动件 机器人velocitya sxaf vT，保持在所需距离内（图6.a-b）。因为，由（2）给出的期望距离是以下速度的函数：增强系统（Shakouri等人，2012年）：对于随动机器人，它的变化取决于速度。 的af vf dvT（六）数值的均方根误差（RMSE）的距离跟踪结果从模拟实验，因此，状态空间模型和它们的集成机器人的动态和跟踪的动态（增强动态）的系数可以以离散时间形式给出如下：使用测试机器人分别为0.0211（m）和0.0366（m）。最后的测试是通过利用两个机器人对应的领导者和追随者的机器人。的距离x k 1 2008年8月18日2008年8月，yk 1998年8月 2008年8月，（七）（八）通过超声波测距仪测量机器人之间的距离。超声波传感器在距离读取中不是那么准确，因为测量会受到不同表面的反射率和环境Aaug和Baug是状态和输入转换矩阵，Caug和Daug分别是输出和直接（馈通）转换矩阵。下标系统输入（uk）是速度设定点（vsp）。超声波传感器获得的距离（d）用作系统的输出测量，以利用卡尔曼滤波器来估计系统的未测量状态（af和vl）。卡尔曼滤波器增益矩阵通过递归算法并使用由（6）-（8）给出的整个系统的状态空间模型来计算。用递推算法计算出的增益矩阵为Kk+1=[0.0630 - 0.068 0.3452 0. 2559]T。因此，加速度（af）和相对速度（v r）可以在具有估计d状态e（x∈k ∈1）的情况下获得|1）为：因子，增益取决于障碍物相对于传感器的位置。为了减轻突然变化的距离，这反过来又降低了控制过程中，中值滤波器中使用的程序算法。图7显示了使用两个机器人获得的结果。在试验中，引导机器人的纵向运动被任意定义。实际运行结果表明，该ACC系统具有较好的性能。尽管距离测量以及未测量参数的估计误差施加了干扰，但距离跟踪在可接受的水平上完成（距离跟踪的RMSE为0.0325（m））。由卡尔曼滤波器估计的参数包括引导机器人和跟随机器人的间距、速度和加速度，a1 002019年月10日01|11|1（九）（十）如图7所示。这里，加速度指示机器人在跟踪期间的平滑性能。传感器测量的参数之间的比较，即距离和速度的后续机器人，具有相同的参数其中x<$k<$1|k是卡尔曼滤波器的估计状态，卡尔曼滤波器估计（图7 a-b）表明，时间k+1基于在时间k给出的信息。它们的估计误差很小，这是可以接受的。距离估计的RMSE和第十届IFAC ACE2013年8月28日至30日。英国谢菲197跟踪机器人的速度分别为0.0085（m）和0.0163（m）。（一）（b）第（2）款（c）第（1）款见图6。 使用模糊PID控制器的距离跟踪（ACC）：(a) 使用测试机器人的机器人之间的间距，（b）从仿真获得的机器人之间的间距，以及（c）在距离跟踪期间获得的速度。6. CIRRICULUM和RESUTLS的实现本文介绍的材料是针对嵌入式系统课程的硕士生。在我们的课程中实施的成本包括购买十台DANI机器人车辆。学生们得到了一套正式的讲座和教程，涵盖了实时嵌入式系统环境和使用LabVIEW编程紧凑RIO。大多数学生都参加了控制系统模块或具有控制背景。该课程100%通过课程作业进行评估。电动车安全距离自动车速依赖ECU功能的设计与实现占总成绩的50%。在这里，我们评估了以下学习目标：-指定、设计并实现一个典型的嵌入式系统。-应用嵌入式软件设计技术另外50%的模块与微控制器硬件和低级语言编程有关。学生们被告知，从车需要能够保持设定的距离，同时遵循主车的速度曲线（伪随机）。为了确定安全距离，他们需要考虑领导者和追随者之间的距离。该设计必须使用 LabVIEW 和 两 个 National Instruments Robotic 套 件（“DaNI机器人车辆”）进行实施和验证。虽然他们没有被迫使用模糊逻辑在他们的实施，这是作为一个提示，建议的控制策略和一些学生尝试，而其他人选择了一个简单的控制策略。软件和硬件的介绍是单独完成的，以确保每个学生都有机会学习软件，并具备独立工作的能力。然而，协作学习被用于课程作业和可能的团队是由不同课程或学位的学生，以实现跨学科的小组工作。虽然，这种方法相对于一个更理论的，影响了学生的学习在一个积极的方式，学生发现任务具有挑战性，特别是那些谁没有采取控制系统模块。然而，他们发现该课程的实践方面是最有趣的，也是将理论与实践联系起来的更好方式。在未来，我们打算在机电一体化，控制和嵌入式系统课程中使用机器人平台来演示控制概念，并允许学生实施不同的先进控制策略。此外，学生将接受控制系统和模糊逻辑的正式讲座，然后要求他们编程和创建嵌入式实现作为一个新模块的一部分，即7. 结论材料开发和部署的结果取决于沟通和研究技能，这是工程师能够团队工作的基础（即收集数据，理解数据并得出结论）。这里介绍的工作是由一位博士候选人的工作所告知的研究，并提供了一系列机器人和控制概念，以及控制策略，包括模糊逻辑和PID控制器，以及基于卡尔曼滤波器的状态估计。提出了基于模糊PID控制器的自适应巡航控制（ACC）的控制策略，设计，实现和部署在基于实时单板计算机的机器人车辆（美国国家仪器机器人入门套件）。该方法是基于四个主要步骤：1）系统建模和识别，2）控制调整和ACC系统的设计，3）在仿真中的实施和测试，以及4）部署到硬件。系统辨识是通过LabVIEW实现的。仿真和实际实现进行了比较，显示出很好的相关性。此外，实施的模糊PID控制器显示了60%的误差减少相比，标准的PID控制器。未来的工作将涉及其他类型的控制算法（例如模型预测控制）和硬件增强/扩 展 ， 以 包 括 更 多 的 传 感 器 ， 例 如 全 球 定 位 系 统（GPS），惯性导航系统（INS），视觉系统等。第十届IFAC ACE2013年8月28日至30日。英国谢菲198（一）(b)(c)见图7。利用两个测试机器人测试ACC系统-由超声波传感器测量的距离和未测量的参数由卡尔曼滤波器估计：（a）机器人之间的间距，（b）跟踪期间领先和跟随机器人的速度，以及（c）由卡尔曼滤波器估计的跟随机器人的加速度。引用Brew，A.（2003年）的报告。教学与研究：新的关系及其对高等教育探究式教学的影响。高等教育研究与发展22（1）3-18。Feng，G.（2006年）。基于模型的模糊控制系统的分析与设计综述，IEEE模糊系统学报，第14卷，第5期，10月。Gerdes，J. C.和Hedrick J.K.（1997年）。通过协调节气门和制动器的Masouminia，S.（2011年）。自适应控制器适用于车辆间间隙保持，应用环境和生物科学杂志，TextRoad出版物，1（10）426- 431。米尔斯，J.E.和Treagust，D.F.，2003年工程教育基于问题或基于项目的学习是答案吗？澳大利亚J. EngngEduc.，11，pp. 2比16纳兰霍，J.E.，冈萨雷斯角加西亚河，和de Pedro，T.（2006年）。带油门和制动器模糊控制的ACC+停止-行驶机动，IEEE Trans. Intelligent Transportation Systems，第7卷，第2期，第100页。213-225纳兰霍，J.E.，冈萨雷斯角Reviejo，J.，加西亚河和dePedro T.（2003年）的报告。自适应模糊控制的车间距保持，IEEE Trans. Intell。运输单系统-《行政协调会专刊》，第4卷，第3号，第100页。132Ogata，K.（1995年）。离散时间控制系统Powell，D.（2004年）。离散时间观测器和LQG控制。麻省理工学院机械工程系讲义。Riis，P.（2007年）。自适应巡航控制器的嵌入式分布式系统仿真，硕士论文，林雪平大学。和Amartunga，A.（2006）高等教育中的研究融入教学的原则：知识转移的角度。Shakouri，P.，Collier，G.和Ordys，A.（2012年）。使用NI入门套件机器人进行教学控制，UKACC国际控制会议，英国加的夫，9月3-5日。Shakouri，P.，奥迪斯A，Laila D. S.和M. R.阿斯卡里（2011年）。自适应巡航控制系统：比较增益调节PI和LQ控制器. 第18届国际会计师联合会世界大会。意大利米兰Shakouri，P.，Ordys，A.，阿斯卡里湾R.（2012）Adaptive Cruise Control with Stop Go Function Using theState-Dependent Nonlinear Model Predictive ControlApproach，ISA Transaction，第51卷，第5期，第622-631页Steinbuch，G.J.L. Naus和J. Ploeg和M.J.G. van deMolengraft和W.P.M.H. Heemels和M.（2010年）。参数化自适应巡航控制的设计与实现：一种显式模型预测控制方法。控制工程实践18，8号。pp. 882-892蔡角，澳-地C.的方法，谢，S. M.，Chen C.，马缨丹属T.（2010年）。模糊纵向控制器的设计和实验自适应巡航控制和停止去，智能与机器人系统杂志，第59卷，第2期，页。167-189.范登布利克河A. P. M.（2007年）。设计一个混合自适应巡航控制停止-去系统，硕士致动，（控制工程实践）5：1607-1614。萧凌芸，高峰。 （2010年）。 全面Harisha ， S. K. ， Ramkanth Kumar P. ， Krishna ， M. 和Sharma，S. C.（2008年）。模糊逻辑推理控制移动机器人在预定义的带状路径，世界科学，工程和技术学院，42，第642-646页。Jenkins A和Zetter R（2003）将部门中的研究和教学联系起来，约克，高等教育学院。LabVIEW PID和模糊逻辑工具包用户手册，National Instrument Corporation，2009年6月。回顾了自适应巡航控制系统的发展，车辆系统动力学48：10（2010年4月）：1167-1192。周杰，Peng，H.（2004年）。自适应巡航控制的范围策略以改善流量稳定性和串稳定性，2004 IEEE会议论文集，网络感测控制国际会议，台北，台湾，3月21- 23日。