本文旨在向您介绍一篇发表于学术期刊《aims electronics and Electrical Engineering》的最新研究成果。这篇题为《Adaptive PID Sliding Mode Control Based on New Quasi-Sliding Mode and Radial Basis Function Neural Network for Omni-Directional Mobile Robot》的论文，由越南学者Thanh Tung Pham（工作单位：Vinh Long University of Technology Education）和Chi-Ngon Nguyen（工作单位：Can Tho University）共同完成。该研究于2023年3月29日正式在线发表，属于机器人控制与自动化领域的原创性研究。以下是对这项研究的详细学术报告。
一、 研究背景与目的
全向移动机器人（Omni-Directional Mobile Robots, OMRs）因其在平面内拥有三个自由度，能够独立且同时地进行平移和旋转运动，从而具备极高的机动灵活性。这一特性使其在工厂、医院、康复辅助、服务机器人等狭窄或复杂空间的应用中具有显著优势。然而，实现高精度的轨迹跟踪控制是发挥其潜力的关键。在实际应用中，机器人常受到模型不确定性、外部干扰（如路面摩擦、通信延迟）以及参数变化（如负载改变导致的质量、惯量变化）的影响，这些因素会降低控制性能，导致跟踪误差甚至系统不稳定。
传统的控制方法，如模糊控制、PI控制、PD+控制、自适应非线性控制以及模型预测控制（MPC）等，已被广泛应用于OMRs的轨迹跟踪。这些方法虽取得了一定成效，但在应对强非线性、不确定性和抑制控制信号抖振（Chattering）方面仍面临挑战。滑模控制（Sliding Mode Control, SMC）以其对匹配不确定性和干扰的强鲁棒性而闻名，但其固有的不连续开关特性会导致高频抖振，可能激发未建模动态并损害执行器。另一方面，神经网络，特别是径向基函数神经网络（Radial Basis Function Neural Network, RBFNN），具有强大的非线性函数逼近能力和自适应学习特性，非常适合用于补偿系统中的未知非线性动态。
因此，本研究旨在设计一种新型的复合控制器，以解决上述问题。具体研究目标包括：1）设计一种能够确保全向移动机器人在有限时间内精确跟踪期望轨迹的控制器；2）有效抑制传统滑模控制带来的抖振现象；3）利用神经网络的在线学习能力，自适应地补偿机器人动力学模型中的非线性成分和不确定性，从而增强系统的鲁棒性和适应性。
二、 研究详细工作流程
本研究主要包含三个核心部分：建立机器人数学模型、设计基于新准滑模面的PID滑模控制器（PID-SMC-NQ）、以及集成RBFNN形成自适应控制器（PID-SMC-NQ-RBF）。整个研究通过理论推导、控制器设计、稳定性证明和仿真验证四个主要步骤完成。
第一步：建立机器人动力学模型。 研究首先基于文献[8]中描述的三轮全向移动机器人结构，建立了其动力学模型。该模型以机器人在地面固定坐标系中的位置（x_w, y_w）和朝向角（φ）作为状态变量，以三个轮子的驱动转矩作为输入，并考虑了未知的系统扰动。模型最终表述为状态空间方程形式：ẋ = A_w * x + B_w * u + d_f。其中，A_w和B_w矩阵包含了机器人的物理参数，如质量（m）、轮半径（r）、转动惯量（I_v, I_w）、轮心到质心距离（l）等。这些参数的具体数值在仿真中设定（见表1）。该数学模型是后续控制器设计与仿真验证的基础。
第二步：设计基于新准滑模的PID滑模控制器（PID-SMC-NQ）。 为了实现对期望轨迹的跟踪，研究者首先定义了跟踪误差e = [x_w - x_d, y_w - y_d, φ - φ_d]^T。随后，设计了一个PID型的滑模面s = K_p * e + K_i * ∫e dt + K_d * ė，其中K_p, K_i, K_d为正定对角矩阵。该滑模面综合了误差的比例、积分和微分信息，有助于改善动态性能并减小稳态误差。
控制器的核心目标是设计控制律u，使得系统状态被驱动到滑模面s=0上并保持。通过李雅普诺夫（Lyapunov）稳定性理论进行推导，标准的滑模控制律通常包含一个等效控制项和一个切换控制项（通常包含符号函数sign(s)）。正是这个符号函数导致了控制信号的抖振。
本研究的创新点之一在于，为了显著降低抖振，在控制器的鲁棒项中，用双曲正切函数tanh(s/ε)替代了传统的符号函数。tanh函数是光滑连续的函数，当参数ε选择适当时，它可以在原点附近提供一个平滑的过渡，从而有效衰减高频抖振，同时保持对干扰和不确定性的鲁棒性。这种采用连续函数近似替代不连续开关函数的方法被称为“准滑模”控制。研究者将这种设计称为“新准滑模”（New Quasi-Sliding Mode）。最终推导出的PID-SMC-NQ控制律如文中公式(9)所示，它能够保证跟踪误差在有限时间内收敛到零。
第三步：集成RBFNN构建自适应控制器（PID-SMC-NQ-RBF）。 尽管PID-SMC-NQ控制器具有鲁棒性并能抑制抖振，但其性能仍然依赖于对系统矩阵A_w的精确已知。而A_w中的参数（如I_v）在实际中可能发生变化。为了进一步提升控制器的自适应能力，本研究引入了径向基函数神经网络（RBFNN）来在线逼近A_w矩阵中的非线性成分。
RBFNN是一种三层前馈网络，具有结构简单、学习收敛速度快、能够逼近任意非线性函数的特点。本研究采用了[5-7-1]的网络结构：输入层有5个节点，接收状态误差及其导数的信息（如e_x, ė_x, e_y, ė_y, e_φ, ė_φ等组合，具体见公式12）；隐藏层有7个节点，采用高斯函数作为激活函数；输出层有1个节点，输出对A_w中特定元素的估计值。每个RBFNN（共三个，分别对应A_w矩阵中的三个相关项）的输出为â_i = w_i^T * h_i，其中h_i是隐藏层输出向量，w_i是输出权重向量。
关键之处在于，网络权重w_i的更新是在线进行的，无需离线训练。更新算法采用基于梯度下降法的反向传播算法，并加入了动量项以提高学习稳定性。性能指标函数定义为网络输出â_i与真实（但未知）a_i之差的平方的一半。通过最小化该指标，RBFNN能够实时调整权重，从而自适应地逼近变化的系统动态。最终，用RBFNN的输出Â_w取代原控制律(9)中的A_w，形成了完整的自适应PID-SMC-NQ-RBF控制律，如公式(20)所示。研究者再次利用李雅普诺夫函数证明了整个闭环系统的稳定性。
第四步：在MATLAB/Simulink环境中进行仿真验证。 为了评估所提出控制器的性能，研究者在MATLAB/Simulink中搭建了详细的仿真模型（见图4）。仿真对象为前述数学模型描述的全向移动机器人，参数按表1设置。提出的PID-SMC-NQ-RBF控制器参数按表2设置。研究进行了多项仿真测试： 1. 基本轨迹跟踪测试：令机器人跟踪一条内摆线（Hypocycloid）轨迹。这是评估控制器动态性能（上升时间、超调）和稳态精度（稳态误差）的核心测试。 2. 抗干扰测试：在系统输出中加入了白噪声，模拟传感器噪声的影响。 3. 参数鲁棒性测试：分别将机器人的质量（m）、车身转动惯量（I_v）和轮子转动惯量（I_w）增加50%，测试控制器在模型参数发生显著变化时的性能。 4. 对比分析：将所提控制器的性能指标（上升时间、超调、稳态误差）与文献[16]中的梯度自适应滑模控制-RBF（GD-ASMC-RBF）方法进行了对比。 5. 性能指标计算：除了常规时域指标，还计算了平均绝对偏差（AAD）、均方误差（MSE）、均方根误差（RMSE）等多种误差度量（公式23-28），以全面评估跟踪精度。
三、 主要研究结果
仿真结果充分验证了所提出的PID-SMC-NQ-RBF控制器的优越性能。
在基本轨迹跟踪测试中，对于内摆线轨迹，机器人在X和Y方向的实际轨迹能快速、精确地收敛到期望轨迹。具体数据为：X方向上升时间为307.711毫秒，稳态误差为0.0018米，超调量为0.13%；Y方向上升时间为364.192毫秒，稳态误差为0.00007米，超调量为0.1%。这些指标均优于对比的GD-ASMC-RBF方法（后者X方向稳态误差为0.014米，超调0.2%；Y方向稳态误差0.016米，超调0.14%）。图5和图6清晰地展示了优异的跟踪效果和极小的跟踪误差。
所设计的新准滑模面效果显著。从图7可以看出，滑模变量s能够快速收敛到零点附近的一个很小邻域内，并保持平滑的滑动运动，没有出现剧烈的抖振。这直接证明了tanh函数在抑制抖振方面的有效性。
控制信号质量得到改善。图8显示了控制输入信号u1, u2, u3的波形。可以看到，控制信号平滑，没有出现传统滑模控制中典型的高频抖振现象，这对于保护实际执行器（如电机）非常重要。
自适应与鲁棒性测试结果令人满意。图10表明，即使在存在传感器白噪声的情况下，机器人仍能很好地跟踪期望轨迹。图11、12、13则分别展示了在质量m、转动惯量I_v和I_w增加50%后，机器人对内摆线、圆形和“8”字形轨迹的跟踪情况。尽管控制信号在图11中出现了些许振荡（因为质量变化直接影响动力学），但实际轨迹仍然能够紧密跟随期望轨迹，误差收敛到零。这强有力地证明了RBFNN在线自适应补偿的有效性，以及整个控制器对系统参数摄动和外部干扰的强鲁棒性。
全面的误差性能度量（表4）进一步量化了控制精度。例如，X和Y方向的均方根误差（RMSE）分别低至2.5493e-05和1.0484e-05，表明在整个仿真过程中，跟踪误差的平方平均非常小，控制器性能稳定且精确。
四、 研究结论与意义
本研究成功设计并验证了一种用于全向移动机器人的自适应PID滑模控制器。该控制器融合了基于新准滑模面（采用tanh函数）的PID滑模控制和径向基函数神经网络。主要结论如下： 1. 控制性能卓越：所提出的PID-SMC-NQ-RBF控制器能够确保全向移动机器人的实际轨迹在有限时间内高精度地跟踪期望轨迹，具有快速的响应速度、极小的稳态误差和超调量。 2. 抖振抑制有效：通过采用双曲正切函数作为准滑模切换律，显著降低了控制信号的抖振现象，提高了系统的平滑性和实际可行性。 3. 自适应与鲁棒性强：集成RBFNN使得控制器能够在线学习和补偿系统动力学中的非线性及不确定性（如参数变化、未建模动态），在面对质量、惯量变化及外部噪声干扰时，依然保持优异的跟踪性能。 4. 理论完备：整个控制系统的稳定性通过李雅普诺夫理论得到了严格证明。
本研究的科学价值在于提出了一种新颖且有效的复合控制策略，将滑模控制的鲁棒性、PID结构的良好动态性能、准滑模的抖振抑制能力以及神经网络的自适应学习能力有机结合，为处理具有非线性、不确定性的移动机器人轨迹跟踪问题提供了一个强有力的解决方案。其应用价值直接体现在工业自动化、服务机器人、医疗康复设备等高精度高机动性要求的领域，能够提升机器人在复杂真实环境中的自主运行性能。
五、 研究亮点
六、 其他有价值的内容
作者在论文最后指出了未来的研究方向：计划采用遗传算法、粒子群优化或鲸鱼优化算法等智能优化算法，来优化RBFNN隐藏层节点的数量或其它参数，以期进一步提升控制性能。此外，他们也计划在真实的物理机器人平台上进行实验，以验证该控制算法在实践中的有效性。这显示了该研究具有持续的深化和工程化潜力。