الملخص

تم تطوير هذا البحث والتحقيق من أداء الخوارزميات الذكية من أجل تثبيت الروبوت عند تتبعه لاشارة مرجعية محددة. أحد أنواع الروبوتات هو روبوت متحرك ذو عجلتي (TWBMR) حيث يتطلب التحكم في هذا النوع من الربوت التحكم فى كلا من الموازنة والمناورة باستخدام المتحكم الهجين. ايضا في هذه الورقة تم استخدام لوغاريتمات الذكاء الاصطناعي وهى الشبكات العصبية (NN) والتحكم المنطقي الضبابي (FLC) كأدوات رئيسية لتحسين أداء نظام الروبوت غير الخطي دون استخدام أي نموذج رياضي. يتم استخدام بيانات الإدخال والإخراج الخاصة بـ TWBMR الناتجة عن نظام التحكم في الحلقة المغلقة لتكوين نموذج الشبكة العصبية الذى يحاكي النظام الاخطى للربوت. في هذه الدراسة ، يمكن تدريب نموذج الشبكات العصبية في وضع عدم الاتصال ثم نقله إلى عملية يتم فيها تنفيذ التعلم التكيفي Online باستخدام نظام الاستدلال الضبابي المتكيف ANFIS وذلك لتحسين أداء النظام. اثبتت نتائج المحاكاة من أن استراتيجيات التحكم الذكية يمكن أن تحقق أداء تحكم مناسبًا بالاضافة للحصول على نتائج دقيقة جدا حتى فى وجود بعض المؤثرات لاغير مرغوب بها.

ABSTRACT

This paper investigates the balancing and tracking control of the mobile robot using a strongly integrated controller. The two independently motorized wheels in this mechatronic system track the target reference and investigate a balancing at the gravity center above the axis of the wheels' rotation where model fluctuations and an external disruption are included in the consideration. In this work, the innovative controller is presented and tested as a coupling controller based on the notions to satisfy considered design objectives. The proposed controller depends on linking several algorithms with each other, where the integrated controller design passes through three phases that are sequential and dependent on each other. The input-output data of TWBMR generated from the closed loop control system is used to develop a neural network model. In this study, the neural networks model can be trained offline and then transferred into a process where adaptive online learning is carried out using Adaptive Network-Based Fuzzy Inference System ANFIS to improve the system performance. The simulation results verify that the considered identification and control strategies can achieve favorable control performance. The ANFIS control design approach does not require an accurate model of the plant. In addition, high-level knowledge of the system is not needed to build a set of rules for a fuzzy controller.  ANFIS achieved acceptable tracking accuracy in compared to FLC. Evaluation of navigation and balance abilities for TWMR are tested with different scenarios, the designed controller is investigated to observe the behavior of the robot on various targets, and its effectiveness is validated. The most significant advantages of designed controllers are that it renders the control system insensitive to external disturbances and model uncertainty.