巡检机器人入库充电控制方法、系统及室外巡检机器人

1.本发明属于智能室外巡检机器人运动控制技术领域，特别涉及一种巡检机器人入库充电控制方法、系统及室外巡检机器人。


背景技术：

2.随着智能机器人技术的发展，机器人运动控制技术越来越智能先进；针对环境中有多机器人工作时，为机器人设定特定的充电桩，用于停靠进行进一步的维护、充电工作，已在物流、安防等多个领域实现应用，现亟需一种机器人自动入库充电运动控制方法。


技术实现要素：

3.针对现有技术中存在的技术问题，本发明提供了一种巡检机器人入库充电控制方法、系统及室外巡检机器人，以实现巡检机器人自动入库充电的技术问题。
4.为达到上述目的，本发明采用的技术方案为：
5.本发明提供了一种巡检机器人入库充电控制方法，包括以下步骤：
6.步骤1、当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；
7.步骤2、根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；
8.步骤3、根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；
9.步骤4、采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；
10.步骤5、按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
11.进一步的，步骤2中，巡检机器人的姿态信息包括巡检机器人的位置坐标及速度矢量；最接近充电桩的姿态信息包括充电桩位置坐标及充电桩库的入口朝向；
12.获取与巡检机器人最接近充电桩的姿态信息过程如下：
13.获取机器人充电区桩区域内，预先建立的所有充电桩的姿态信息；将当前巡检机器人的位置与所有充电桩位置进行逐一对比，根据距离最短原则，选择与当前巡检机器人位置距离最短的充电桩作为最接近充电桩，并获取最接近充电桩的姿态信息。
14.进一步的，步骤3中，巡检机器人的期望入库约束ξ
d
的表达式为：
15.ξ
d
＝θ
t
+n
·
θ
[0016][0017]
其中，θ为巡检机器人的运行方向；θ
t
为充电桩库的入口朝向与大地坐标系横轴的夹角；n为巡检机器人与充电桩库的相对位置判定参数；x
t
为待选择充电桩库在大地坐标系中横坐标，y
t
为待选择充电桩库在大地坐标系中纵坐标；x(k)为当前巡检机器人在大地坐标系中的横坐标，y(k)为当前巡检机器人在大地坐标系中的纵坐标。
[0018]
进一步的，步骤4中，计算巡检机器人入库充电所需的运动控制量过程如下：
[0019]
步骤41、构建巡检机器人的动力学模型；
[0020]
步骤42、采用δ算子对巡检机器人的动力学模型进行离散化处理，得到离散化的机器人动力学模型；
[0021]
步骤43、构建滑模变结构超平面及滑模变结构趋近律；
[0022]
步骤44、根据离散化的机器人动力学模型、滑模变结构超平面、滑模变结构趋近律及巡检机器人的期望入库约束，计算得到巡检机器人入库充电所需的运动控制量。
[0023]
进一步的，步骤41中，巡检机器人为两轮差速机器人，巡检机器人的动力学模型的控制输入为直流驱动电机的驱动电压；其中，巡检机器人的动力学模型的表达式为：
[0024][0025]
v＝[v w]
t
[0026]
u＝[u
l u
r
]
t
[0027]
其中，为v的微分项；v为巡检机器人的运动控制向量，v为巡检机器人的线速度，w为巡检机器人的旋转角速度；u为巡检机器人的直流驱动电机的驱动电压，u
l
为巡检机器人的左轮驱动电机的驱动电压；u
r
为巡检机器人的右轮驱动电机的驱动电压；k1及k2为巡检机器人的系统参数；x为与巡检机器人驱动轮有关的参数矩阵。
[0028]
进一步的，步骤42中，离散化的机器人动力学模型的表达式为；
[0029][0030][0031][0032]
其中，第k个采样时刻离散后的巡检机器人的动力学模型；v(k)为第k个采样
时刻巡检机器人第的运动控制向量；u(k)为第k个采样时刻直流驱动电机的驱动电压；a和b分为离散模型的巡检机器人的系统参数；i为单位矩阵；t为采样周期。
[0033]
进一步的，步骤43中，滑模变结构超平面s(k)的表达式为：
[0034]
s(k)＝cx
′
(k)
[0035]
其中，c为滑动参数矩阵；x
′
(k)为巡检机器人在第k个采样时刻的驱动输入；
[0036]
滑模变结构趋近律s(k+1)的表达式为：
[0037]
s(k+1)＝(1
‑
qt)s(k)
‑
εts(k)
[0038]
其中，q为与δ相关的前向移位算子，且q＞0；ε变结构参数，ε＞0；t＞0。
[0039]
进一步的，步骤44中，巡检机器人入库充电所需的运动控制量的表达式为：
[0040]
u(k)＝(cb)
‑1[ψs(k)
‑
cax
′
(k)
‑
cξ
d
]
[0041]
ψs(k)＝(1
‑
qt)s(k)
‑
εtsign(s(k))
[0042]
其中，u(k)为巡检机器人在第k个采样时刻的运动控制量；ψ为中间变量。
[0043]
本发明还提供了一种巡检机器人入库充电控制系统，包括定位模块、存储模块、模型模块、计算模块及运动控制模块；定位模块，用于当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；存储模块，用于根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；模型模块，根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；运算模块，采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；入库控制模块，用于按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0044]
本发明还提供了一种室外巡检机器人，包括巡检机器人及远程控制系统；远程控制系统与巡检机器人连接；远程控制系统采用本发明所述的巡检机器人入库充电控制系统。
[0045]
与现有技术相比，本发明的有益效果为：
[0046]
本发明提供了一种巡检机器人入库充电控制方法、系统及巡检机器人，通过获取与巡检机器人最接近的充电桩，构建巡检机器人的期望入库约束，采用含期望入库约束的离散化变结构算法，获取所需的运动控制量，对巡检机器人进行控制；通过加入期望入库约束，实现了对巡检机器人姿态快速精准控制，有效降低离散化变结构的抖震，确保了系统的稳定性，系统鲁棒性好；控制无须人员干预，实现独立且高效快速的完成自动入库充电任务。
附图说明
[0047]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为实施例中的巡检机器人入库充电控制方法的流程图；
[0049]
图2为实施例中的巡检机器人的结构框图；
[0050]
图3为实施例中巡检机器人入库充电的过程示意图；
[0051]
图4为实施例中巡检机器人入库充电的运动轨迹曲线图；
[0052]
图5为实施例中巡检机器人入库充电的超平面轨迹曲线图；
[0053]
图6为实施例中巡检机器人入库充电的航线角曲线图。
具体实施方式
[0054]
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0055]
本发明提供了一种巡检机器人入库充电控制方法，包括以下步骤：
[0056]
步骤1、当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；
[0057]
步骤2、根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；巡检机器人的姿态信息包括巡检机器人的位置坐标及速度矢量；最接近充电桩的姿态信息包括充电桩位置坐标及充电桩库的入口朝向；
[0058]
其中，获取与巡检机器人最接近充电桩的姿态信息过程如下：
[0059]
获取机器人充电区桩区域内，预先建立的所有充电桩的姿态信息；将当前巡检机器人的位置与所有充电桩位置进行逐一对比，根据距离最短原则，选择与当前巡检机器人位置距离最短的充电桩作为最接近充电桩，并获取最接近充电桩的姿态信息。
[0060]
步骤3、根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；
[0061]
巡检机器人的入库期望约束ξ
d
的表达式为：
[0062]
ξ
d
＝θ
t
+n
·
θ
[0063][0064]
其中，θ为巡检机器人的运行方向；θ
t
为充电桩库的入口朝向与大地坐标系横轴的夹角；n为巡检机器人与充电桩库的相对位置判定参数；x
t
为待选择充电桩库在大地坐标系中横坐标，y
t
为待选择充电桩库在大地坐标系中纵坐标；x(k)为当前巡检机器人在大地坐标系中的横坐标，y(k)为当前巡检机器人在大地坐标系中的纵坐标。
[0065]
步骤4、采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；
[0066]
计算巡检机器人入库充电所需的运动控制量的具体过程如下：
[0067]
步骤41、构建巡检机器人的动力学模型；其中，巡检机器人为两轮差速机器人，巡
检机器人的动力学模型的控制输入为直流驱动电机的驱动电压；其中，巡检机器人的动力学模型的表达式为：
[0068][0069]
v＝[v w]
t
[0070]
u＝[u
l u
r
]
t
[0071]
其中，为v的微分项；v为巡检机器人的运动控制向量，v为巡检机器人的线速度，w为巡检机器人的旋转角速度；u为巡检机器人的直流驱动电机的驱动电压，u
l
为巡检机器人的左轮驱动电机的驱动电压；u
r
为巡检机器人的右轮驱动电机的驱动电压；k1及k2为巡检机器人的系统参数；x为与巡检机器人驱动轮有关的参数矩阵。
[0072]
步骤42、采用δ算子对巡检机器人的动力学模型进行离散化处理，得到离散化的机器人动力学模型；
[0073]
其中，离散化的机器人动力学模型的表达式为；
[0074][0075][0076][0077]
其中，第k个采样时刻离散后的巡检机器人的动力学模型；v(k)为第k个采样时刻巡检机器人第的运动控制向量；u(k)为第k个采样时刻直流驱动电机的驱动电压；a和b分为离散模型的巡检机器人的系统参数；i为单位矩阵；t为采样周期。
[0078]
步骤43、构建滑模变结构超平面及滑模变结构趋近律；
[0079]
滑模变结构超平面s(k)的表达式为：
[0080]
s(k)＝cx
′
(k)
[0081]
其中，c为滑动参数矩阵；x
′
(k)为巡检机器人在第k个采样时刻的驱动输入。
[0082]
滑模变结构趋近律sfk+1)的表达式为：
[0083]
s(k+1)＝(1
‑
qt)s(k)
‑
εts(k)
[0084]
其中，q为与δ相关的前向移位算子，且q＞0；ε变结构参数，ε＞0；t＞0。
[0085]
步骤44、根据离散化的机器人动力学模型、滑模变结构超平面、滑模变结构趋近律及巡检机器人的期望入库约束，计算得到巡检机器人入库充电所需的运动控制量；
[0086]
巡检机器人入库充电所需的运动控制量的表达式为：
[0087]
u(k)＝(cb)
‑1[ψs(k)
‑
cax
′
(k)
‑
cξ
d
]
[0088]
ψs(k)＝(1
‑
qt)s(k)
‑
εtsign(s(k))
[0089]
ψ＝1
‑
qt
‑
εt/|s(k)|
[0090]
其中，u(k)为巡检机器人在第k个采样时刻的运动控制量；ψ为中间变量。
[0091]
步骤5、按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0092]
本发明还提供了一种巡检机器人入库充电控制系统，包括定位模块20、存储模块10、模型模块、运算模块40及入库控制模块30；其中，定位模块20，用于当巡检机器人运行至
机器人充电桩区域时，自动获取巡检机器人的姿态信息；存储模块10，用于根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；模型模块，用于根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；运算模块40，采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；入库控制模块30，用于按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0093]
本发明还提供了一种室外巡检机器人，包括巡检机器人100及远程控制系统；远程控制系统与巡检机器人连接；远程控制系统采用巡检机器人入库充电控制系统；所述巡检机器人入库充电控制系统包括定位模块20、存储模块10、模型模块、运算模块40及入库控制模块30；其中，定位模块20，用于当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；存储模块10，用于根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；模型模块，用于根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；运算模块40，采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；入库控制模块30，用于按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0094]
本发明所述的一种巡检机器人入库充电方法、系统及巡检机器人，巡检机器人到达机器人需要充电时，自动入库功能立即启动，激活巡检机器人的外部传感器，收集巡检机器人的姿态信息，访问巡检机器人的内部存储模块，对比所有的充电桩信息与巡检机器人当前位置信息，为巡检机器人自动寻找合适的充电桩，通过建立充电桩与机器人的相对模型，计算机器人入库所需的角约束；并根据传感器采集的机器人信息，传入运算模块，根据以含角约束的离散变结构算法计算到达该充电桩所需要的运动控制量，不断通过计算运动控制量实时地调整室外巡检机器人的运动转角，最终实现自动入库的功能；本发明能使机器人实现独立且高效快速的完成自动入库充电任务。
[0095]
本发明提供的一种巡检机器人入库充电控制系统和室外巡检机器人中相关部分的说明，可以参见本发明所述的一种巡检机器人入库充电控制方法中对应部分的详细说明，在此不再赘述。
[0096]
实施例
[0097]
如附图1
‑
2所示，本实施例提供了一种巡检机器人入库充电控制方法，包括以下步骤：
[0098]
步骤1、当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；其中，巡检机器人的姿态信息包括巡检机器人的位置坐标(x,y)及速度矢量(v,θ)；其中，x为巡检机器人在大地坐标系中的横坐标；y为巡检机器人在大地坐标系中的纵坐标；v为巡检机器人的移动速度；θ为巡检机器人的前进方向。
[0099]
本实施例中，巡检机器人需要充电时，立即启动自动入库功能，采集各模块信息；采集gps位置信号和采集速度信号，并计算现在的航向，将位置信号与存储的充电桩位置信息一一运算，找到相距最近的充电桩，将充电桩的位置与姿态信息采集备用。
[0100]
步骤2、根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；最接近充电桩的姿态信息包括充电桩库位置坐标(x
t
,y
t
)及充电桩库的入口朝向θ
t
；其中，x
t
为待选择充电桩库在大地坐标系中的横坐标；y
t
为待选择充电桩库在大地坐标系中的
纵坐标；θ
t
为待选择充电桩库的入口朝向与大地坐标系横轴的夹角；根据与巡检机器人当前位置距离最短原则，获取要到达的充电桩信息作为下一步模型建立的数据。
[0101]
其中，获取与巡检机器人最接近充电桩的姿态信息过程如下：
[0102]
获取机器人充电区桩区域内，预先建立的所有充电桩的姿态信息；每个充电桩的姿态信息提前预存在巡检机器人的存储模块中；将当前巡检机器人的位置与所有充电桩位置进行逐一对比，根据距离最短原则，选择与当前巡检机器人位置距离最短的充电桩作为最接近充电桩，并获取最接近充电桩的姿态信息；其中，选择与当前巡检机器人位置距离最近的充电桩时，按照以下距离公式进行求解：
[0103][0104]
其中，d(k)为巡检机器人与待选择充电桩库的相对距离；x
t
为待选择充电桩库在大地坐标系中横坐标，y
t
为待选择充电桩库在大地坐标系中纵坐标；x(k)为当前巡检机器人在大地坐标系中的横坐标，y(k)为当前巡检机器人在大地坐标系中的纵坐标。
[0105]
步骤3、根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；
[0106]
巡检机器人的入库期望约束ξ
d
的表达式为：
[0107]
ξ
d
＝θ
t
+n
·
θ
[0108][0109]
其中，θ为巡检机器人的运行方向；θ
t
为充电桩库的入口朝向与大地坐标系横轴的夹角；n为巡检机器人与充电桩库的相对位置判定参数；本实施例中，巡检机器人与充电桩库的相对位置判定参数n取1。
[0110]
步骤4、利用含巡检机器人的期望约束及以最优估计补偿绕动的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；本实施例中，利用含角约束的离散化变结构算法，获得从巡检机器人位置到最接近充电桩入库的最佳运动控制；具体过程如下：
[0111]
步骤41、构建巡检机器人的动力学模型；其中，巡检机器人为两轮差速机器人，巡检机器人的动力学模型的控制输入为直流驱动电机的驱动电压；本实施例中，根据两轮差速机器人的lagrange动力学模型与直流驱动电机的驱动模型，通过消项处理，得到所述巡检机器人的动力学模型。
[0112]
其中，两轮差速机器人的lagrange动力学模型的表达式为：
[0113]
[0114][0115]
τ＝[τ
l τ
r
]
t
[0116]
其中，及分别为中间参量；m为巡检机器人的质量；i
m
为巡检机器人相对于中心点m的转动惯量；r为巡检机器人的驱动轮半径；l为驱动轮到中心点m的距离；τ为巡检机器人的驱动轮旋转力矩向量，f
l
为巡检机器人的左轮驱动力矩，f
r
为巡检机器人的右轮驱动力矩。
[0117]
巡检机器人的直流驱动电机的驱动模型如下：
[0118][0119]
u＝[u
l u
r
]
t
[0120]
τ
m
＝k
τ
i
[0121]
ω
m
＝n
′
ω
[0122]
ω＝[ω
wl ω
wl
]
t
[0123]
f＝n
′
f
m
[0124]
其中，u为巡检机器人直流驱动电机的驱动电压，u
l
为巡检机器人左轮直流驱动电机的控制输入电压，u
r
为巡检机器人右轮直流驱动电机的控制输入电压；τ
m
为直流驱动电机的输出转矩；n
′
为机械齿轮减速比；i为直流驱动电机的电枢电流向量，i
l
为巡检机器人左轮直流驱动电机的输出电流，i
r
为巡检机器人左轮直流驱动电机的输出电流；k
l
为直流驱动电机的电感；r为直流驱动电机的电阻；k
τ
为直流驱动电机的转矩常数，kb为直流驱动电机的反电动势常数；ω
m
为直流驱动电机的电机角速度向量；ω
wl
为巡检机器人的左轮角速度，ω
wr
为巡检机器人的右轮角速度；w为巡检机器人的旋转角速度。
[0125]
将两轮差速机器人的lagrange动力学模型与其直流驱动电机的驱动模型，进行消项处理，得到巡检机器人的动力学模型，所述巡检机器人的动力学模型的表达式为：
[0126][0127]
v＝[v w]
t
[0128]
其中，为v的微分项；v为巡检机器人的运动控制向量，v为巡检机器人的线速度，w为巡检机器人的旋转角速度；u为巡检机器人的直流驱动电机的驱动电压，u
l
为巡检机器人的左轮驱动电机的驱动电压；u
r
为巡检机器人的右轮驱动电机的驱动电压；k1及k2为巡检机器人的系统参数；x为与巡检机器人驱动轮有关的参数矩阵。
[0129]
步骤42、采用δ算子对巡检机器人的动力学模型进行离散化处理，得到离散化的机器人动力学模型；
[0130]
其中，离散化的机器人动力学模型的表达式为；
[0131][0132]
[0133][0134]
其中，第k个采样时刻离散后的巡检机器人的动力学模型；v(k)为第k个采样时刻巡检机器人第的运动控制向量；u(k)为第k个采样时刻直流驱动电机的驱动电压；a和b分为离散模型的巡检机器人的系统参数；i为单位矩阵；t为采样周期。
[0135]
步骤43、构建滑模变结构超平面及滑模变结构趋近律，并以离散化的方法描述滑模变结构超平面和滑模变结构趋近律。
[0136]
其中，滑模变结构超平面的表达式为：
[0137]
s(k)＝cx
′
(k)
[0138]
其中，c为滑动参数矩阵；x
′
(k)为巡检机器人在第k个采样时刻的驱动输入。
[0139]
对于滑模变结构控制系统而言，只有当系统处于滑动平面上时才具有最良好的鲁棒性；在本实施例中，s(0)＝0，表明系统一开始就处于滑动模态上，使得系统一开始就处在滑动平面上而具有良好的鲁棒性。
[0140]
本实施例中，滑模变结构趋近律描述，具体过程如下：
[0141]
对于传统的指数趋近律：
[0142]
s(k+1)＝(1
‑
qt)s(k)
‑
εtsign(s(k))＝ψs(k)
[0143]
ψ＝1
‑
qt
‑
εt/|s(k)|
[0144]
其中，q为与δ相关的前向移位算子，且q＞0；ε变结构参数，ε＞0；t＞0。
[0145]
对于离散变结构控制系统，由任意的初始状态出发的运动，一般不会恰好落到切换面上，在趋近条件的约束下，可确信存在k；当x
′
(k)到达s(x)＝c
t
x
′
＝0(s(x)＞0)的一侧近旁时，x
′
(k+1)将穿越s(x)＝0(s(x)＜0)的一侧近旁，系统总是不断穿越切换面形成抖动的运动过程，这样对控制器是有害的。
[0146]
由到达条件|s(k+1)|＜|s(k)|知，|ψ|＜1，故：
[0147][0148]
由分析可知，当|s(k)|＞ω时，系统趋近于稳定；当|s(k)|≤ω时，系统发散；当|s(k)|＝ω时，系统出现振荡；其中，ω为中间变量。
[0149]
因此，本实施例中，滑模变结构趋近律的表达式为：
[0150]
s(k+1)＝ψ(k)s(k)
[0151][0152]
s
f
＝c|x|
[0153]
其中，c为滑态参数矩阵，ε为变结构参数，且ξ＞0；q为与δ相关的前向移位算子，τ为计算参数，τ＞0；s
f
为中间变量，x为巡检机器人状态变量；ψ为与滑模变结构稳定性分析参量；t为采样时间；为趋近律变量。
[0154]
联立上式，得到滑模变结构趋近律的表达式为：
[0155]
s(k+1)＝(1
‑
qt)s(k)
‑
εts(k)
[0156]
其中，q为与δ相关的前向移位算子，且q＞0；ε变结构参数，ε＞0；t＞0。
[0157]
步骤44、根据离散化的机器人动力学模型、滑模变结构超平面、滑模变结构趋近律
及巡检机器人的期望入库约束，计算得到巡检机器人入库充电所需的运动控制量。
[0158]
本实施例中，对于离散化的机器人动力学模型，在加入巡检机器人的期望约束ξ
d
后，可描述为：
[0159]
x
′
(k+1)＝ax
′
(k)+bu(k)+ξ
d
[0160]
其中，x
′
(k+1)为巡检机器人在第k+1个采样时刻的驱动输入；x
′
(k)为巡检机器人在第k个采样时刻的驱动输入；u(fk)为巡检机器人在第k个采样时刻的运动控制量；
[0161]
对于上式等号左右同乘变量，得到：
[0162]
s(k+1)＝cax
′
(k)+cbu(k)+cξ
d
＝ψs(k)
[0163]
从上式中分离运动控制量，得到巡检机器人入库充电所需的运动控制量的表达式为：
[0164]
u(k)＝(cb)
‑1[ψs(k)
‑
cax
′
(k)
‑
cξ
d
]
[0165]
ψs(k)＝(1
‑
qt)s(k)
‑
εtsign(s(k))
[0166]
ψ＝1
‑
qt
‑
εt/|s(k)|。
[0167]
步骤5、按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0168]
本实施例所述的一种巡检机器人入库充电控制方法，当巡检机器人需要充电时，巡检机器人能够自动根据其姿态信息，选择合适的充电桩；根据所选择的充电桩的姿态信息与巡检机器人当前姿态信息，建立巡检机器人下一步的相对模型；按照含角约束的离散滑模变结构算法，计算巡检机器人入库所需的运动控制量；根据所需运动控制量，控制所述巡检机器人入库充电；采用δ算子对机器人动力学模型进行离散化处理，保证了离散驱动控制系统的稳定性；根据构建的滑动超平面及滑模趋近律，建立离散滑模变结构控制，有效保证了系统的稳定控制能力，无抖震且系统鲁棒性好。
[0169]
如附图3所示，本实施例还提供了一种巡检机器人入库充电系统，包括定位模块10、存储模块20、运算模块40及入库控制模块30；其中，定位模块10，用于当巡检机器人需要充电时，定位机器人自身位置；是选择充电桩和建立机器人相对运动模型的基础，定位模块的位置信息最终在运算模块加以利用；存储模块20，用于将所有充电桩信息存储；具体的数据包括充电桩的位置坐标(x
t
,y
t
)，库的入口朝向θ
t
，其中，θ
t
为充电桩库口朝向与大地坐标系横轴的夹角；运算模块40，与存储模块20以及定位模块10连接；首先，接收定位模块的数据，并访问存储模块，按照距离最小的原则逐一对比存储模块中的充电桩与巡检机器人距离，选择最近的充电桩，为建立下一步运动模型服务；其次，运算模块还完成含巡检机器人的期望入库约束的离散化变结构算法对机器人入库运动控制量的计算；本实施例中，运算模块40通过机器人通信模块的内部通讯方式实现与其他模块的信息交互，还与外部传感器连接，采集速度、角速度速度及机器人姿态等实时信息，利用含巡检机器人的期望入库约束的离散化变结构算法计算，从而生成控制信号，使得入库控制模块实现所述入库；入库控制模块30，与所述运算模块40连接；在获得计算好的运动控制量后，转换控制信号为两轮的电信号，实现巡检机器人的控制。
[0170]
根据明实施例，通过在室外巡检机器人达到机器人充电桩区域时，自动测量室外巡检机器人的环境信息，利用通讯模块将环境信息发送给远程控制系统，使其确定出合适的充电桩，由入库控制模块生成入库路径，运动控制模块控制室外巡检机器人进行入库，这样实现了室外巡检机器人在到达充电桩区域时，自动入库，无需人员干预即可达到指定的
充电桩；本实施例中，外部传感器至少包括：gps、陀螺仪、超声波传感器、速度传感器及加速度计；其中，速度传感器和陀螺仪用于测量室外巡检机器人的速度和角度等运动信息；速度传感器具体可以由轮速传感器等设备来实现。
[0171]
根据本发明实施例，通过在室外巡检机器人需要充电时，自动定位，筛选合适的充电桩目标，计算入库角约束，由运算模块计算机器人入库控制量，然后又入库控制模块控制两轮直流电压实现室外巡检机器人入库；通过加入期望入库约束，实现了对巡检机器人姿态快速精准控制，有效降低离散化变结构的抖震，确保了系统的稳定性，系统鲁棒性好；控制无须人员干预，实现独立且高效快速的完成自动入库充电任务。
[0172]
本实施例还提供了一种室外巡检机器人，包括巡检机器人100及远程控制系统；远程控制系统与巡检机器人连接；远程控制系统采用巡检机器人入库充电控制系统；所述巡检机器人入库充电控制系统包括定位模块20、存储模块10、模型模块、运算模块40及入库控制模块30；其中，定位模块20，用于当巡检机器人运行至机器人充电桩区域时，自动获取巡检机器人的姿态信息；存储模块10，用于根据巡检机器人的姿态信息，获取与巡检机器人最接近充电桩的姿态信息；模型模块，用于根据巡检机器人的姿态信息及最接近充电桩的姿态信息，构建巡检机器人的期望入库约束；运算模块40，采用含巡检机器人的期望入库约束的离散化变结构算法，计算巡检机器人入库充电所需的运动控制量；入库控制模块30，用于按照巡检机器人入库所需的运动控制量，控制巡检机器人入库充电。
[0173]
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器及app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于被处理器执行时实现实施例的巡检机器人自动入库充电控制方法。
[0174]
仿真结果
[0175]
本文仿真选择离散化采样时间t＝0.001秒，选择rs380
‑
st/3545型电机、形如附图2的机器人模型，仿真初始条件：充电库位置(25,20)，充电桩库的库口朝向与大地坐标系横轴的夹角θ
t
＝0.4π；巡检机器人起始位置(0,0)，速度0.25m/s，初始航向0
°
；仿真步长为0.01s，给定均值为0，方差为0.2m的测量误差；仿真结果如附图4
‑
6所示，从附图4运动轨迹曲线中可以看出，机器人运行稳定，并很快到达目标点；从附图5可以看出，本设计在很快的时间即完全进入超平面并不在抖震；从图6中可以看出，整个导引过程航向角增加平缓，保证了导引精度。
[0176]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请的保护范围之中。