Adaptive dynamic programming for robust path tracking in an agricultural robot using critic neural networks | Adaptives dynamisches Programmieren zur robusten Bahnverfolgung eines landwirtschaftlichen Roboters mithilfe kritischer neuronaler Netze

Немецкий. Die Steuerung der Trajektorienverfolgung für landwirtschaftliche mobile Roboter stellt aufgrund inhärenter nicht-holonomer Einschränkungen und externer Störungen einzigartige Herausforderungen dar. Diese können zu Abweichungen von der gewünschten Bahn führen und die Leistung sowie die Betriebseffizienz des Roboters beeinträchtigen. In diesem Beitrag wird ein fortschrittliches, lernbasiertes Steuerungsframework für die robuste Bahnverfolgung von landwirtschaftlichen Robotern mit Ackermann-Lenkmechanismen vorgestellt. Mithilfe von adaptivem dynamischem Programmieren (ADP) und einem kritischen neuronalen Netz (Critic Neural Network) bewältigt die vorgeschlagene Methode externe Störungen, einschließlich Raddurchdrehens, das in landwirtschaftlichen Umgebungen häufig auftritt. Das kritische neuronale Netz löst die Hamilton-Jacobi-Isaacs (HJI)-Gleichung, wodurch der Regler die nahezu optimale Steuerungspolitik in Echtzeit erlernen und sich an Umweltstörungen anpassen kann. Die Gewichte des neuronalen Netzes werden online durch ein adaptives Gesetz aktualisiert, was kontinuierliches Lernen und Anpassung während des Betriebs gewährleistet. Darüber hinaus werden umfassende Simulationsstudien präsentiert, um die Wirksamkeit des vorgeschlagenen Frameworks zu bewerten. Die Ergebnisse zeigen erhebliche Verbesserungen der Trajektorienverfolgungsleistung im Vergleich zu bestehenden Steuerungsmethoden, insbesondere in Szenarien mit erheblichen Unsicherheiten und Störungen.

Английский. Trajectory tracking control for agricultural mobile robots poses unique challenges due to inherent non-holonomic constraints and external disturbances, which can cause deviations from the desired path, affecting the robot‘s performance and operational efficiency. This paper presents an advanced learning-based control framework for robust path tracking in agricultural robots with Ackermann-steering mechanisms. Using Adaptive Dynamic Programming (ADP) and a Critic Neural Network, the proposed method handles external disturbances, including wheel slippage, which is common in agricultural environments. The Critic Neural Network the Hamilton-Jacobi-Isaacs (HJI) equation, allowing the controller to learn the near-optimal control policy in real time and adapt to environmental disturbances. The critic network‘s weights are updated online through an adaptive law, ensuring continuous learning and adaptation throughout the operation. Furthermore, the paper presents comprehensive simulation studies to evaluate the effectiveness of the proposed framework. The results demonstrate significant improvements in trajectory tracking performance compared to existing control methods, particularly in scenarios with substantial uncertainties and disturbances.