移动机器人面临着一个看似简单却极具挑战性的问题：车轮打滑。
无论是湿滑的地面、冰冻的路面，还是高速启动和停止时，轮胎与地面间的滑移都会导致机器人位置和方向的累积误差，严重影响运动控制精度。
传统控制方法往往建立在＂车轮无滑移＂的理想假设基础上，但现实环境中这一假设难以成立。
近年来，研究者提出了一种基于RBF神经网络的自适应控制方法，通过实时传感器数据获取和动态模型调整，有效解决了未知纵向滑移问题，为移动机器人在复杂环境中的精准运动提供了新思路。
滑移困境与挑战
在我们的日常生活中，当冬天道路结冰或雨天路面湿滑时，汽车常常会打滑，这不仅给驾驶带来困难，也增加了安全隐患。
其实，移动机器人也面临着相似的问题。
当机器人在复杂环境中执行任务时，车轮与地面之间的滑移现象是不可避免的，这直接影响了机器人的运动精度和控制效果。
传统的移动机器人控制方法大多基于一个理想化的假设：车轮与地面之间完全无滑移，即车轮纯滚动。
早期的研究者如Jiangdagger和Nijmeijer（1997）、Yang和Kim（1999）以及Yang等人（2016）都在这一假设的基础上进行工作。
这些控制技术包括反步法、输入-输出线性化方法、基于数据的跟踪控制、基于滑模的跟踪算法、神经网络跟踪控制方法等。
这些方法在理想条件下确实能够实现良好的控制效果。
然而，现实环境远比理论模型复杂。
当机器人在湿滑或结冰的地面上行走，或者在高速启动和停止时，车轮与地面之间的完全无滑移假设往往难以满足。
这种滑移现象会导致机器人位置的累积误差，与传统移动机器人相比，精度大大降低，严重影响机器人的运动控制精度。
为了量化和分析滑移现象，研究人员通常使用滑移率来描述车轮滑移程度。
滑移率定义为车轮理想速度与实际速度之间的差值与理想速度的比值。
例如，左右驱动轮的滑移率可表示为：
sl = （vl-v̄l）/vl
sr = （vr-v̄r）/vr
其中，sl和sr分别是左右车轮的滑移率，vl和vr是参考速度，v̄l和v̄r是由于纵向滑移造成的当前速度。
当滑移率为0时，表示车轮没有滑移；当滑移率为1时，表示车轮完全滑移，此时机器人处于失控状态，通常这种极端情况会被忽略。
考虑到滑移现象的存在，机器人的运动学模型需要进行修正。
理想情况下，机器人的运动学模型可以表示为：
q̇ = S（θ）v
其中q̇表示机器人位置和方向的变化率，S（θ）是与机器人方向相关的变换矩阵，v是车轮的驱动速度。
但在存在滑移的情况下，这一模型需要修改为：
q̇ = S̄（θ，sl，sr）v̄
其中S̄（θ，sl，sr）是考虑滑移因素后的变换矩阵，与机器人方向和左右车轮滑移率相关，v̄是当前实际速度。
从动力学角度看，滑移现象使机器人的控制更加复杂。
传统的动力学模型如下：
M（q）q̈ + V（q，q̇）q̇ + G（q） + τd = B（q）τ - ATλ
其中M（q）是惯性矩阵，V（q，q̇）是离心和科里奥利矩阵，G（q）是重力向量，τd表示未知干扰，B（q）是输入变换矩阵，τ是控制输入扭矩，AT（q）λ表示约束力。
当考虑滑移因素后，动力学模型变为：
M̄（v̄）v̇̄ + V̄（v̄）v̄ + τ̄d = B̄（v̄）τ̄
这一模型明显更加复杂，增加了控制难度。
多年来，研究人员提出了多种方法来解决滑移问题。
Dixon等人（2017）基于他们之前的工作，在运动学层面设计了鲁棒跟踪和调节控制器来处理滑移现象。
Chang Boon Low等人利用运动学-全球定位系统和其他传感器收集机器人信息，开发了基于GPS的控制器实现路径跟踪。
Gonzalez等人（2010）针对有滑移条件的移动机器人，提出了结合LMI方法的自适应控制律，保证了在约束和变化动力学下的稳定性和渐近收敛。
虽然从运动学角度考虑车轮滑移现象为控制提供了理论可能性，但运动学模型只考虑了位置和速度，而没有考虑模型不确定性、未建模或非结构化干扰、非线性摩擦等因素。
因此，有必要从动力学角度研究运动控制问题。
近年来，一些研究者开始从动力学角度解决滑移问题。
例如，Kang等人（2024）使用广义扩展状态观测器在运动学和动力学层面提出了一种鲁棒跟踪方法。
Tian等人（2026）为了渐近稳定机器人系统，开发了一种时不变不连续反馈律。
面对纵向滑移条件，Gao等人（2027）提出了一种改进的自适应控制器，结合神经网络学习程序。
然而，大多数研究工作主要集中在控制方案设计上，仅通过仿真验证，缺乏实验验证。
而在实际应用中，纵向滑移是更为常见的现象，因此对未知纵向滑移下移动机器人的运动控制研究具有重要意义。
神经智能控制法
面对移动机器人滑移问题的复杂性，传统控制方法已显得力不从心。
为了有效解决未知纵向滑移条件下的运动控制难题，研究人员将目光投向了更加智能化的控制方案——RBF神经网络自适应控制方法。
这种方法不仅能够处理非线性系统，还能够通过学习自动适应环境变化，为移动机器人提供更加精准的控制能力。
RBF（径向基函数）神经网络在非线性系统中具有显著优势。
与传统控制方法相比，它能够通过学习逼近任意复杂的非线性函数，无需准确的数学模型。
这一特性使其特别适合处理移动机器人中存在的未知纵向滑移等非结构化不确定性。
正如Wang等人在研究中指出，RBF神经网络具有良好的学习和近似非线性函数的性能，这正是应对滑移这类难以精确建模的现象的理想工具。
在该控制系统中，自适应控制技术与滑移补偿的结合是核心原理。
控制系统的最终目标是控制扭矩使机器人能够跟随预设轨迹。
在惯性坐标系中，给定参考轨迹qr（t） = ［xr yr θr］^T和当前轨迹q（t） = ［x y θ］^T，跟踪误差可表示为：
e（t） = ［［cos θ， sin θ， 0］， ［-sin θ， cos θ， 0］， ［0， 0， 1］］ · ［xr - x， yr - y， θr - θ］^T
为了设计控制输入并跟随期望速度，引入辅助速度跟踪误差：
e（t） = ξ - ξc
其中，ξc是定义的辅助速度：
ξc = ［vc， wc］^T = ［vr cos θe + k1xe， wr + k2vrye + k3vr sin θe］^T
这里k1、k2、k3是设计参数。
在该方法中，采用全模型逼近的思路来处理系统的不确定性。
传统的计算扭矩方法常用于轨迹跟踪，定义控制输入扭矩为：
τ̄ = ĝ + Kvr
其中ĝ是对非线性函数g（x）的估计，Kv是增益矩阵。
将该控制输入代入系统动力学方程，可得：
M̄（v）ṙ = -（V̄（v） + KvB̄（v̄））r + ζo
其中ζo表示函数估计误差与未知干扰的组合。
RBF神经网络被用来近似系统中的非线性函数：
ĝ（x） = Ŵ^Tφ（x）
其中Ŵ是神经网络权重的当前值，φ（x）是基函数向量。
自适应律给出权重调整规则：
Ŵ̇ = Fφr^T
其中F是一个正定矩阵。
为了分析系统稳定性，定义李雅普诺夫函数候选：
L = （1/2）r^TM̄（v）r + （1/2）tr（W̃^TF^（-1）W̃）
其中W̃ = W - Ŵ是权重估计误差。
通过计算该函数的导数，并利用系统的性质，最终可以得到：
L̇ = -r^TKvr + r^T（ε + τ̄d + ν）
为了确保系统稳定，设计辅助信号：
ν = -（εN + bd）sgn（r）
这样可以保证：
L̇ ≤ 0
这个结果表明系统是稳定的，跟踪误差将收敛到零附近的范围内。
研究者通过仿真和实验验证了该控制方案的有效性。
在仿真中，考虑线性参考轨迹，假设左右车轮的纵向滑移分别为sl = 0.2 sin（v̄l）和sr = 0.2 sin（v̄r）。
控制增益选择为Kv = diag［50， 50］。
仿真结果显示，该方法能够快速稳定地跟踪参考信号，并且能够很好地适应纵向滑移的干扰现象。
全模型逼近方法的设计思路是该控制系统的关键。
与传统方法不同，它不需要精确的数学模型，而是通过神经网络学习系统的动态特性。
这种设计使得控制系统能够自适应地处理各种不确定性，包括未知的纵向滑移。
在实际应用中，神经网络的权重会根据实时反馈数据不断调整，使得控制策略能够适应环境变化。
这种自适应能力使得控制系统在面对不同路面条件（如正常、潮湿或结冰的大理石地面）时，都能保持良好的控制性能。
李雅普诺夫稳定性分析为该方法提供了理论保证。
通过构造适当的李雅普诺夫函数，可以证明在该控制策略下，即使存在未知的纵向滑移，系统仍能保持稳定，并使跟踪误差收敛到期望的范围内。
总之，RBF神经网络自适应控制方法通过结合神经网络的学习能力和自适应控制的稳定性，为解决移动机器人中的未知纵向滑移问题提供了有效途径。
该方法不依赖于精确的数学模型，而是通过在线学习适应环境变化，实现了对移动机器人的精准控制。
传感融合感知
在移动机器人智能控制系统中，及时准确地获取机器人的位置和姿态信息是实现精准控制的基础。
就像人类需要眼睛和平衡感来判断自己的位置和姿态一样，机器人也需要各种传感器来＂感知＂自己在环境中的状态。
特别是在存在未知纵向滑移的复杂环境中，单一传感器往往难以提供足够准确的信息，因此多传感器融合成为解决这一问题的关键。
要解决移动机器人在滑移条件下的运动控制问题，首先需要建立一套完整的传感系统。
根据Wang等人的研究，他们在实验平台上配置了多种传感器，包括惯性测量单元（IMU）、编码器、超声波传感器、障碍物检测传感器、星光红外位置传感器以及安全触摸传感器。
这些传感器各司其职，共同构成了机器人的＂感官系统＂。
其中，IMU装配在移动机器人平台上，用于收集机器人当前的方向信息。
IMU通常包含加速度计和陀螺仪，能够测量机器人的加速度和角速度，通过算法融合后可以得到机器人的姿态信息。
这就像人的内耳系统，能够感知身体的平衡和方向。
编码器则安装在直接电机系统上，用于收集当前速度信息。
编码器通过计数电机轴的旋转次数，可以精确测量车轮的旋转速度，从而计算出机器人的移动速度。
在存在滑移的情况下，这一信息尤为重要，因为它能够反映车轮的实际转速，与理论速度对比后可以估计滑移程度。
超声波传感器和障碍物检测传感器则主要用于环境感知，帮助机器人避开障碍物。
星光红外位置传感器可以提供机器人的绝对位置信息，特别是在GPS信号不可用的室内环境中。
安全触摸传感器则用于检测碰撞，保证机器人的安全运行。
在实际应用中，这些传感器数据需要进行实时处理和融合。
在RT-Linux操作系统下，研究人员使用C语言编写了所有计算程序。
整个系统的实现架构如图5所示，包括主机PC计算机、Linux程序、RT任务、TCP/IP通信、GOOGOL控制器以及各种传感器和执行机构。
实时获取机器人位置和方向的方法是控制系统的核心部分。
在理想情况下，机器人的位置和方向可以通过运动学方程从车轮速度积分得到。
但在存在滑移的情况下，这种方法会导致累积误差。
因此，需要结合多传感器数据进行更准确的状态估计。
研究人员采用的方法是，首先通过编码器获取车轮的实际转速，然后结合IMU提供的姿态信息，使用修正后的运动学模型计算机器人的位置和方向。
这里的关键是考虑了滑移因素的修正运动学模型：
q̇ = S̄（θ，sl，sr）v̄
其中S̄（θ，sl，sr）是考虑滑移因素的变换矩阵，v̄是车轮的当前实际速度。
通过实时测量v̄，结合自适应估计的滑移率sl和sr，可以得到更准确的位置和方向信息。
自适应技术对未知纵向滑移边界的补偿是该系统的另一个关键环节。
传统控制方法往往假设滑移率已知或有确定的边界，但在实际应用中，滑移率会随环境条件不断变化，很难事先确定。
因此，研究人员采用自适应技术，通过在线学习来估计和补偿未知的滑移边界。
具体来说，系统使用RBF神经网络来近似整个系统的非线性部分，包括滑移引起的不确定性。
通过设计适当的自适应律：
Ŵ̇ = Fφr^T
其中F是一个正定矩阵，φ是基函数向量，r是滤波跟踪误差，系统能够自动调整神经网络的权重，从而补偿未知的滑移边界。
控制系统的框架如图2所示，包括运动学控制器、神经网络、动力学控制器以及反馈环路。
系统的工作流程大致如下：
首先，基于期望轨迹qr（t）和当前轨迹q（t）计算跟踪误差e（t）
运动学控制器根据跟踪误差生成参考速度vr（t）
通过比较参考速度vr（t）和当前速度v̄（t），计算速度误差ē（t）
神经网络根据系统状态估计非线性函数ĝ
动力学控制器综合考虑速度误差和神经网络的输出，生成控制输入τ̄
控制输入作用于机器人系统，同时考虑滑移的影响
传感器采集新的状态信息，完成反馈环路
这一控制框架的特点是结合了运动学控制和动力学控制，通过神经网络和自适应技术处理系统的不确定性，包括未知的纵向滑移。
实验结果表明，该控制系统能够有效地适应不同的地面条件，实现精准的运动控制。
在实际应用中，研究人员进行了三组不同地面条件下的实验：A组-正常大理石地面，B组-潮湿大理石地面，C组-结冰大理石地面。
通过比较位置跟踪误差e=√（（ex）²+（ey）²）和方向跟踪误差eθ，评估了控制方法的效果。
实验结果显示，即使在高度滑移的结冰地面上，该控制系统仍能保持较好的跟踪性能，证明了该方法对未知纵向滑移的适应能力和鲁棒性。
总之，通过多传感器融合和实时数据处理，结合自适应技术对未知滑移边界的补偿，研究人员成功实现了移动机器人在未知纵向滑移条件下的精准运动控制。
这一技术为移动机器人在复杂环境中的应用提供了重要支持。
多环境验证实践
理论分析和控制设计固然重要，但对于一个实际的工程系统来说，最终的检验标准是它在真实环境中的表现。
为了验证RBF神经网络自适应控制方法的实际效果，研究人员不仅进行了计算机仿真，还搭建了一个实际的验证平台，在不同的地面条件下进行了多组实验，全面评估了该控制方法应对未知纵向滑移的能力。
在计算机仿真阶段，研究人员通过软件实现了控制算法并对其性能进行了评估。
利用MATLAB/Simulink软件，结合动态分析软件获取的机器人参数（如表1所示：机器人平台质量为69.263 kg，转动惯量为4.729 kg·m²，驱动轮半径为0.0625 m，两驱动轮之间的距离为0.412 m），研究人员对控制系统进行了全面仿真。
为了简化仿真并排除两个驱动轮速度差异的影响，研究者选择了线性参考轨迹进行测试。
具体来说，给定的参考轨迹速度为v = ［0.1sint， 0.1sint］^T，其中t为仿真时间（0-50秒）。
同时，假设左右车轮的纵向滑移分别为sl = 0.2 sin（v̄l）和sr = 0.2 sin（v̄r）。
控制增益选择为Kv = diag［50， 50］，扭矩干扰为τ̄d = ［0.2 sin（t）， 0.2 sin（t）］^T。
图3展示了控制方案在车轮纵向滑移条件下的性能表现。
图3（a）显示了该方法对每个驱动轮的速度跟踪结果，可以看到系统能够快速稳定地跟踪参考信号。
图3（b）展示了纵向滑移条件下对应的每个驱动轮上的扭矩，表明所提出的方法能够很好地适应纵向滑移的干扰现象。
这得益于采用了基于模型的自适应律来补偿移动机器人系统中的干扰。
此外，由于RBF网络具有良好的非线性函数逼近能力，本文中采用神经网络来逼近整个系统的非线性部分，如图3（c）所示。
图3（d）给出了惯性坐标系中相应的位置和方向跟踪误差，表明该控制算法能够在有纵向滑移的运动中实现良好的位置控制和方向控制精度。
仿真结果令人鼓舞，但真正的挑战来自实际环境。
为此，研究人员搭建了一个验证平台，用于验证上述提出的方案，并研究移动机器人运动控制过程中的基本问题，如图4所示。
该实验平台由两套配备绝对旋转编码器的直接电机系统、超声波传感器、IMU、障碍物检测传感器、星光红外位置传感器、安全触摸传感器组成。
IMU安装在移动机器人平台上，用于收集机器人当前的方向信息，绝对旋转编码器用于收集当前速度。
实验系统中使用的参数与仿真中相同，如表1所示。
在RT-Linux操作系统下，研究人员使用C语言编写了所有计算，如图5所示。
在实验验证中，研究人员使用线性轨迹（线速度v = 1 m/s）进行实验，以避免其他轨迹（如圆形轨迹）中驱动轮不同速度的影响。
考虑到实际工作环境，在实验系统上进行了三组不同平面地面条件的实验：A组 - 正常大理石地砖表面，B组 - 潮湿大理石地砖表面，C组 - 结冰大理石地砖表面。
在接下来的实验中，研究人员引入了位置跟踪误差e = √（（ex）² + （ey）²）和方向跟踪误差eθ来评估效果。
图6展示了在纵向滑移条件下，A、B、C三个组的实验结果。
对于三组实验，B组和C组的线性轨迹跟踪结果在相同的实验条件下（除地面表面外）表现出类似的趋势。
图6（c）显示C组的结果略差，这是因为与B组相比，更高度滑移的表面使得滑移现象更明显，当移动机器人突然改变方向时，C组的位置误差和方向误差比图6（b）中的B组呈现出更大的实验误差。
值得注意的是，C组实验需要移动机器人从起点到目的地的时间更长。
这一现象的原因是纵向滑移作为外部干扰降低了线速度，因此控制器必须调整输入来补偿由纵向滑移引起的偏差。
此外，从图6还可以看出，纵向滑移现象主要发生在移动机器人的加速阶段。
从实验结果中，我们得出结论：在不同表面环境下，该方法对未知纵向滑移具有一定的实用性和鲁棒性，实现了自适应跟踪能力。
这些实验结果充分证明了所提出的控制方法在面对未知纵向滑移时的有效性。
特别是在高度滑移的地面条件下（如潮湿或结冰的大理石地面），该方法仍能保持较好的控制性能，这对于移动机器人在复杂环境中的应用至关重要。
通过仿真和实验的比较，可以发现实际系统中的误差通常大于仿真中的误差，这主要是因为实际环境中存在更多的不确定因素，如地面不平整、传感器噪声等。
但总体而言，所提出的控制方法展示了良好的鲁棒性和适应性，能够有效地处理各种地面条件下的未知纵向滑移问题。
这些验证结果不仅证明了理论分析的正确性，还展示了该控制方法在实际工程应用中的潜力。
该研究为移动机器人在复杂环境中的精准运动控制提供了新的解决方案，有望应用于各种需要在不确定地面条件下运行的移动机器人系统，如工业自动化、服务机器人、救灾机器人等领域。
参考资料
Wang， G.， Liu， X.， Zhao， Y.， & Han， S. （2019）. Neural Network-Based Adaptive Motion Control for a Mobile Robot with Unknown Longitudinal Slipping. Chinese Journal of Mechanical Engineering， 32（61）.
Dixon， W. E.， Dawson， D. M.， & Zergeroglu， E. （2001）. Nonlinear control of wheeled mobile robot. Lecture Notes in Control and Information Sciences. New York: Springer-Verlag.
Gao， H.， Song， X.， Liang， D.， et al. （2014）. Adaptive motion control of wheeled mobile robot with unknown slippage. International Journal of Control， 87（8）， 1513–1522.
Kang， H. S.， Hyun， C. H.， & Kim， S. （2014）. Robust tracking control using fuzzy disturbance observer for wheeled mobile robots with skidding and slipping. International Journal of Advanced Robotic System， 11（1）， 1–11.
Lewis， F. L.， Liu， K.， & Yesildirek， A. （1995）. Neural net robot controller with guaranteed tracking performance. IEEE Transactions on Neural Networks， 6（3）， 703–715.