研究一类移动机器人迭代学习离散控制的设计及仿真方法，对移动机器人轨迹跟踪的迭代学习控制进行编程

本文针对差速移动机器人轨迹跟踪问题,提出一种使用PID环节对航向角和距离进行控制算法。首先对实际GPS传感器的经纬度进行转换，其次建立差速移动机器人运动学模型，最后利用控制算法对离散的数据点进行跟踪并与PurePursuit算法进行横向对比

利用backstepping算法设计的移动机器人轨迹跟踪控制器matlab源代码

对非完整移动机器人的有限时间轨迹跟踪控制问题进行讨论. 与基于非连续状态反馈的传统有限时间控制 算法相比, 基于连续状态反馈的有限时间控制算法更适合于控制工程应用. 利用该连续系统有限时间控制技术, 设计 一种连续的状态反馈跟踪控制算法. 使得对角速度为非零常数的期望轨迹, 非完整移动机器人能够实现全局跟踪, 并 能在有限时间内完全跟踪上期望轨迹. 仿真结果表明了该方法的有效性.

课题的规划主要是在操 作空间中，依据机器人操作臂运动时有无路径约束和运动约束的要求来进行规划 的。通过对机器人操作臂的轨迹规划的具体分析、基于运动学寻轨迹算法的模拟 实现、关节空间的轨迹优化等方面的全过程的研究，阐述了机器人轨迹规划的一 般规律。研究出的规划方法可以很好解决在机器人操作空间规划时，实时性和精 确性的矛盾，以及关节空间中的时间最小优化问题。

基于轮式移动机器人的运动学模型，以速度为控制量，采用控制Lyapunov函数设计出一种具有全局渐近稳定的速度跟踪控制器。仿真结果证明了该方法的有效性。

本文提出了一种名为 MCMP（Monte Carlo Motion Planning）的新方法，用于解决不确定性下的运动规划问题，即计算满足概率避碰约束的低成本路径的问题。 MCMP 通过蒙特卡罗采样参考跟踪控制器的执行（在本文中我们考虑 LQG）来估计给定路径的碰撞概率（CP）。 本文的关键算法贡献是统计方差减少技术的设计，即控制变量和重要性抽样，以使这种抽样过程适合实时实施。 MCMP 通过迭代 (i) 计算问题的确定性版本的（近似）最优路径（此处使用 FMT* 算法），将此 CP 估计过程应用于运动规划，（ii）计算该路径的 CP，以及（ iii) 根据 CP 是高于还是低于目标值，以一个公因数对障碍物充气或放气。 MCMP 的优点有三个方面： (i) CP 估计的渐近正确性，与大多数当前的近似相反，如本文所示，后者可能会相差很大倍数并阻碍可行计划的计算； (ii) 速度和可并行性，以及 (iii) 通用性，即该方法几乎适用于任何规划问题，只要路径跟踪控制器和配置空间中的障碍物距离概念可用。 数值结果说明了 MCMP 的正确性（在可行性方面）、效率（在路径成本方面）和计

一种机器人轨迹规划的优化算法pdf,一种机器人轨迹规划的优化算法

基于MATLAB Robotics Toolbox的四足机器人轨迹仿真与优化.pdf

利用backstepping算法设计的移动机器人轨迹跟踪控制器matlab源代码