When designing a control for a nonholonomic mobile robot, the following aspects should be considered: there exists disturbances, nonlinear unknown dynamics of the system, and some parameter uncertainties. Especially, when the mobile robot is used to assist a human in daily life, the mass of the mobile robot changes always. Thus, in that case, there should be a control scheme that can compensate the unknown modeling uncertainty and disturbances. If only conventional kinematic controller is used, then it fails to produce a desired tracking performance. There are several methods to resolve this problem such as sliding mode control and adaptive control.
Since it is generally known that neural networks can approximate the given unknown function, it has been widely applied to the control of general robot system. However, since there exist nonholonomic constraint in the mobile robot system, conventional neural network-based controller cannot be applied.
In this paper, the RBF network controller is proposed. The proposed RBF network controller learns the unknown dynamics and compensate for it. The stability of the proposed controller is proven by using Lyapunov function. To show the effectiveness of the proposed controller, several simulation results are presented. Through the simulations, it is shown the proposed controller can overcome the modeling uncertainty and the disturbances. Also the proposed RBF controller outperforms the previous works from the viewpoint of computation time, which is a crucial fact for a real-applications.
이동 로봇을 제어함에 있어서, 기존의 단순한 방법들을 통해 제어기를 설계할 경우, 외란이나 시스템의 비선형적 특성, 그리고 알려지지 않은 역학 관계에 의해, 원하는 결과를 얻을 수 없게 되는 경우가 있다. 이러한 문제점을 해결하기 위해, 여러가지 다양한 방법들이 제시되고있고 있는데, 강인 제어 이론이나 다층 구조 신경 회로망을 이용한 방법들이 그것이다.
신경망 회로를 제어기에 이용하게 되면, 측정할 수 없거나, 모델링 하기 힘든 여러 인자들을 신경망을 통해 학습하고, 그 효과를 보상해 줌으로써, 원하는 성능을 얻을 수 있게 된다.본 논문에서는 RBF네트워크를 가지고, 이러한 이동로봇의 비선형 특성으로 야기되는 문제를 해결하는 방법을 제안하고, 제안된 제어기에 대한 안정성을 Lyapunov 함수를 통해 보였다.
다음으로, 시뮬레이션을 통하여, 제안된 방법의 타당성과 성능을 보이고, 기존에 제안된 다층 구조 신경회로망과 그 성능을 비교하였다. 기존의 다층 구조 신경회로망을 사용한 방법의 경우, 학습을 통해 시스템을 모델링을 잘 하기 위해서는, 비선형 최적화 방식을 사용하는 등의 이유로, 학습에 필요한 계산량이 증가하게 된다. 반면 RBF Network의 경우에는 비록 전자보다 좀더 많은 뉴런을 사용하지만, 실제 학습해야 할 인자들의 수는 전자에 비해 작거나, 같은 경우가 대부분이며,시뮬레이션을 통해서, 계산량과, 성능면에서 우위를 보이는 것을 확인할 수 있었다.
