一种基于改进的稀疏多元线性回归系统时延预测方法与流程

本发明属于机器人控制技术领域，具体涉及一种基于改进的稀疏多元线性回归的遥操作系统时延预测算法。

背景技术：

机器人遥操作系统，是以机器人为基础并辅以遥操作控制算法的一类机器人系统。它能够充分利用人的处理突发事件的能力，并借助机器人的远端操作能力，实现人在本地端对远端操做目标的遥操作，极大扩展人类的操作能力和活动范围，非常具有实用价值和现实意义，是非常有应用前景的一类机器人系统。

常见的机器人遥操作系统基础上由五大部分组成，即操作者、本地机器人、通信信道、远端机器人和远端环境。该系统工作时借助于通信信道，实现本地端和远端的正常交互通信。使得本地端的人的操作意图或命令，能够经过本地端机器人的转换后，传达给远端机器人并作出相应的跟随动作，实现对远端环境中的操作目标的操作，从而完成既定的操作任务或目标。

但是，通信信道的存在，尤其当无线网络作为通信媒介时，不可避免的引入了传输时延。加之遥操作系统各个控制回路中，本身存在的处理时延。最终，导致机器人遥操作系统常常需要面对大时延问题。而大时延不确定和随机时变的本质，也决定了它会造成系统信号传输时序和混乱以及信号的丢失。进而，导致机器人遥操作系统操作时的临场感弱甚至出现不稳定的问题。为了能消除时延对系统的影响，包括无源控制、鲁棒控制以及预测控制等控制方法，被提出或者引入到机器人遥操作系统的控制中。但是，除了预测控制方法，其他的控制方法都无法彻底解决时延带来的相角和幅值不匹配的问题。所以，预测控制被视为机器人遥操作系统控制中，最有应用前景和研究价值的一类控制算法。基于smith预测控制的预测控制方法，因为其简单易实现的特点，得到了众多学者的关注和极大地重视。基于smith预测控制的预测控制方法，实现较好的控制效果的前提分为两个方面：(1)精确的回路时延预测；(2)精确的远端模型(包括远端机器人和环境)辨识。只有解决了这两个问题，基于smith的预测控制算法才能有效的消除相角滞后和幅值误差，最终提供本地操作者较好的临场感以及克服系统的不稳定问题。

在时延预测方面，基于稀疏多元线性回归、基于自回归模型、基于神经网络模型等等预测方法均被用来实现时延的准确预测。然而，在这些方法中：1)基于稀疏的多元线性回归算法一般只适合长程预测，且预测速度会随着数据量的增大而降低。2)基于自回模型和神经网络模型的方法不适合时延跳变剧烈的情形，也即不适合短程预测。

技术实现要素：

要解决的技术问题

针对现有方法中的不足之处，本发明提出了一种改进的基于稀疏多元线性回归方法，不仅保证了时延的预测速度，同时，还对时延变化灵敏度高，非常适合于短程预测。

技术方案

一种基于改进的稀疏多元线性回归系统时延预测方法，其特征在于步骤如下：

步骤1：参数初始化，包括以下3个部分：

步骤1a：采样时刻缓存空间置初值k＝1；

步骤1b：定义时延数据存储空间，也即时延集合y，并令为空集y＝φ；

步骤1c：定义滑动窗口长度m＝m0，且m0＞1；

步骤2：原始时延数据积累：

搜集每个采样时刻的反馈数据的真实时延值dtk，构成集合y＝{dt1,dt2,…,dtk}；直到采样时刻k＞2m，转入步骤3；

步骤3：创建回归矩阵，包括以下5个部分：

步骤3a：创建回归向量xi＝[dtk-2m+i，dtk+1-2m+i，…，dtk+m-1-2m+i]^t，其中i＝1，2，…，m+1；

步骤3b：定义矩阵x＝[x1，x2，…，xm]；

步骤3c：计算自相关系数其中i＝1，2，…，m；

步骤3d：选择前n个值最大的相关系数：其中1≤p＜q＜r≤m；

步骤3e：基于δ构造回归矩阵

r＝[h，xp，…，xq，…，xr]，其中h＝[1，1，…，1]^t；

步骤4：进行时延预测，包括以下5个部分：

步骤4a：定义回归方程

state＝r·b＝b0h+b1xp+…+bnxr

其中b为回归方程的系数，b＝[b0，b1，…，bn]^t；

步骤4b：计算最小均方估计

步骤4c：创建新的回归矩阵rnew＝[h，xp+1，…，xq+1，…，xr+1]

步骤4d：预测下一个时刻的时延

步骤4e：令k＝k+1，当k小于等于给定时间t，返回步骤3；当k大于给定时间t，预测终止。

有益效果

本发明聚焦于解决smith预测控制中的时延预测问题，基于稀疏多元线性回归算法，在预测速度和灵敏度上做了较大提高和改进，设计了一种改进的稀疏多元线性回归方法，实现高精度和快速的时延建模和预测。改进点主要集中在步骤四的第二步中，传统的基于稀疏多元线性回归算法创建的回归矩阵，回归向量个数会随着数据的增多，而急剧增大，从而导致计算第三步计算回归系数时的计算量急剧增大，造成预测速度下降，导致只适合长程预测。而改进后的基于稀疏多元线性回归算法，则基于在步骤四中限定了回归矩阵中向量的个数。同时，选取了相关系数最大的回归向量，最终在保证预测精度的基础上，保证了预测速度，并拥有较好的灵敏度，对短程预测也非常有效。

附图说明

图1基于改进的稀疏多元线性回归时延预测算法

具体实施方式

现结合实施例、附图对本发明作进一步描述：

如图1所示，给出了整个时延预测算法的各个步骤及工作机制。具体步骤及给出如下：

步骤一：初始化；

步骤二：原始数据积累；

步骤三：时延预测开始；

步骤四：建立回归矩阵；

步骤五：时延预报。

最终，综合上面的工作实现对回路时延的准确预测，为smith预测控制策略的有效实施打下基础。

步骤一：

该步骤主要是对该算法的参数初始化，包括：

(1)采样时刻缓存空间置初值k＝1；

(2)定义时延数据存储空间，也即时延集合y，并令为空集y＝φ；

(3)定义滑动窗口长度m＝m0，且m0＞1；

步骤二：

该步骤主要实现原始时延数据积累，并存入实验数据存储空间，即时延集合y。

包括两部分：

(1)搜集每个采样时刻的反馈数据的真实时延值dtk，构成集合y＝{dt1，dt2，…，dtk}；

(2)“开关”连接到触点“3”。

步骤三：

该步骤是当k＞2m时启动，主要包括触点转换，也即将“开关”从触点“2”连接到触点“3”。

步骤四：

该步骤主要为创建回归矩阵，包括如下五个部分：

(1)创建回归向量xi＝[dtk-2m+i，dtk+1-2m+i，…，dtk+m-1-2m+i]^t

其中i＝1，2，…，m+1；

(2)定义矩阵

x＝[x1，x2，…，xm]；

(3)计算自相关系数

其中i＝1，2，…，m；

(4)选择前n个值最大的相关系数：

其中1≤p＜q＜r≤m；

(5)基于δ构造回归矩阵

r＝[h，xp，…，xq，…，xr]

其中h＝[1，1，…，1]^t；

步骤五：

该步骤，主要进行时延预测，包括：

(1)定义回归方程

state＝r·b＝b0h+b1xp+…+bnxr

其中b＝[b0，b1，…，bn]^t；为回归方程的系数；

(2)计算最小均方估计

(3)创建新的回归矩阵rnew＝[h，xp+1，…，xq+1，…，xr+1]

(4)预测下一个时刻的时延

(5)令k＝k+1，并返回“步骤四”。

针对机器人遥操作系统的不确定随机时变时延的时延预测方法。基于稀疏多元线性回归方法，并通过“步骤四”中的(1)改进减小了(4)的计算量，从而提高了该时延预测算法的预测效率。再通过基于短程相关性原则，提高对时延变化的灵敏度，从而适合于时延抖动较大地情形。相比神经网络等预测估计方法，能大大提高灵敏度，从而适合于不确定随机时延的预测。为应用smith预测控制算法，提供必备的基础并辅助完成遥操作任务。