MODELOWANIE INŻYNIERSKIE nr 45, t. 14, rok 2012 – ISSN 1896-771X
58
NEURONOWO-ROZMYTE SYSTEMY STEROWANIA
MOBILNYM ROBOTEM KOŁOWYM
Zenon Hendzel
1a, Magdalena Muszyńska
1b1Katedra Mechaniki Stosowanej i Robotyki, Politechnika Rzeszowska e-mail: azenhen@prz.edu.pl, bmagdaw@prz.edu.pl
Streszczenie
Celem niniejszej pracy było zbadanie możliwości zastosowania algorytmów neuronowo-rozmytych w sterowaniu w czasie rzeczywistym ruchem nadążnym mobilnego robota kołowego w obecności zmiennych warunków pracy oraz ich ocena dotycząca jakości sterowania.
NEURAL-FUZZY CONTROL SYSTEMS MOBILE ROBOT
Summary
The aim of this study was to investigate the possibility of using neuro-fuzzy algorithms for control traffic in real- time mobile robot in the presence of variable working conditions and their assessment of the quality control.
1. WSTĘP
W niniejszej pracy do rozwiązania problemu sterowania ruchem mobilnego robota kołowego został opracowany inteligentny sterownik ruchu nadążnego bazujący na sieciach neuronowych i układach z logiką rozmytą zadaniem którego jest kompensacja nieliniowości i niedokładności modelowania mobilnego robota kołowe- go. Powstały układ hybrydowy nazywany jest układem neuronowo-rozmytym. Łączy on zarówno zalety sieci neuronowych i układów z logiką rozmytą. Układ ten został zaprojektowany w taki sposób, aby na bieżąco modyfikować swoje właściwości przy zmieniających się warunkach pracy mobilnego robota. Obiektem sterowa- nia jest 2-kołowy mobilny robot. Badania symulacyjne i weryfikacyjne zostały przeprowadzone dla przypadku, kiedy wybrany punkt mobilnego robota przemieszcza się po trajektorii w kształcie pętli. Przeprowadzone badania są próbą zastosowania w mechanice nowoczesnych technologii informatycznych rozumianych jako sterowa- nie w czasie rzeczywistym, uwzględniające parametrycz- ne i nieparametryczne niedokładności modelowania nieliniowego obiektu.
2. OPIS RUCHU MOBILNEGO ROBOTA
Obiektem sterowania jest mobilny robot, którego sche- mat pokazano na rysunku 1 [2,5]. Podstawowe elementy robota to rama, koła napędzające, samonastawne koło podpierające. Koła 1 i 2 napędzane są oddzielnymi silnikami elektrycznymi, które łącznie z przekładnią tworzą zespół napędzający dane koło, enkodery, które mierzą kąt obrotu kół.
Do rozważań przyjęto opis sterowanego obiektu w postaci równania 1 i 2. Dynamiczne równania ruchu 2-kołowego mobilnego robota można przedstawić w postaci równania (1) [7]:
( )
( )
1 2 3 1 2 1 4 2 1 1
1 2 1 2 3 2 4 2 1 2
5 1 1
6 2 2
a a a a a 0 2a
a a a a a 2a 0
a sgn M
a sgn M
+ + − α α − α α
+ +
− + + α − α − α α
α
+ =
α
& &
&& &
& &
&& &
&
&
(1) gdzie ai to parametry wynikające z geometrii układu, rozkładu mas oraz oporów ruchu analizowanego układu.
Zenon Hendzel, Magdalena Muszyńska
Rys.1. Schemat mobilnego robota-Pioneer 2DX
Przyjęto współrzędną uogólnioną w postaci kąta obrotu własnego kół a M1 i M2 to momenty napędzające koła, które są sygnałami sterowań. W zapisie wektorowo macierzowym równanie (1) można przedstawić w postaci zależności (2):
( ) ( )
M α + && C α α + & & F α = & u
gdzie
[ ]
T[ ]
T Td 1
,
2,
d 1,
2,
d 1,
2α = α α α = α α & & & α = α α && && &&
3. NEURONOWO-ROZMYTY KOMPENSATOR NIELINIOWOŚCI
W sterowaniu ruchem nadążnym obiektów nieliniowych a szczególnie w robotyce, przyjmuje się sygnał sterowań o strukturze w postaci równania (3) [1,3]:
ˆ
Du = + f K s − ς
gdzie KDs to struktura regulatora PD,
dodatkowe sterowanie zadaniem, którego będzie ko pensacja niedokładności,
ˆf
to ocena nieliniowej funkcji sterowanego obiektu, która wynika z opisu matematyc nego i jest przedstawiona za pomocąNieliniowa funkcja f(x) dana jest zależnością:
( ) ( ) ( )
f x = Mv C & + α & v F + α &
gdzie
v = α + Λ &
de v , & = α + Λ &&
de. &
Oznaczymy błąd sterowania w postaci równania (5):
Zenon Hendzel, Magdalena Muszyńska
Pioneer 2DX
Przyjęto współrzędną uogólnioną w postaci kąta obrotu to momenty napędzające koła, re są sygnałami sterowań. W zapisie wektorowo- macierzowym równanie (1) można przedstawić w postaci
(2)
[ ]
T T T
d 1
,
2,
d 1,
2,
d 1,
2α = α α α = α α & & & α = α α && && &&
.ROZMYTY
KOMPENSATOR NIELINIOWOŚCI
obiektów nieliniowych, a szczególnie w robotyce, przyjmuje się sygnał sterowań o strukturze w postaci równania (3) [1,3]:
(3) s to struktura regulatora PD, natomiast ς to którego będzie kom- to ocena nieliniowej funkcji sterowanego obiektu, która wynika z opisu matematycz- nego i jest przedstawiona za pomocą równania (4).
Nieliniowa funkcja f(x) dana jest zależnością:
(4)
v & e v && e. &
Oznaczymy błąd sterowania w postaci równania (5):
e = α − α
doraz uogólniony błąd nadążania w postaci zależności (6):
s = + Λ e & e
W tym rozwiązaniu wykorzystuje się własności ruchu ślizgowego układów o zmiennej strukturze poprzez przyjęcie uogólnionego błędu sterowania w postaci 6.
Takie ujęcie problematyki sterowania ruchem nadążnym pozwala na zastąpienie układu niestacjonarnego ukł dem stacjonarnym i obniża rząd analizowanego układu, a to oznacza, że pierwotny problem możemy zapisać w postaci równania (7) w funkcji uogólnionego błędu s:
( )
Ms & = − C α & s f (x) u + −
Nieliniowość w postaci równania
mowana układem neuronowo-rozmytym. Ze względu na eksplozję rozwiązań wynikającą
nych wejściowych funkcję tę zdekomponowano na 6 składowych funkcji podanych w postaci zależności (8) [6]:
1 1 2 3
2 4 5 6
f (x) g g g
f (x) g g g
= + +
= + +
Każda z tych funkcji posiada dwa sygnały wejściowe umożliwiło zastosowanie tej struktury w czasie wistym. W niniejszej pracy do aproksymacji nielini wych funkcji zastosowano układ neuronowo
Uczeniu w tym układzie podlegają parametry i przesłanki bazy reguł modelu Sugeno.
j 1 j1 2 j1 j
R : IF x =A AND x =B THEN g=w , j 1, 2,..., N=
Stopień spełnienia przesłanki danej reguły przyjęto w postaci:
j Aj
(x )
1 Bj(x )
2φ = µ ⋅µ
Stosując rozmywanie typu singleton, przyjmując funkcję przynależności w postaci funkcji Gaussa oraz stopień spełnienia przesłanek w postaci (10) model rozmyty zapiszemy w postaci zależności (11).
N
k kj j
j 1
g w , k 1...6
=
= ∑ φ =
W procesie adaptacji uczeniu podlegać będą szerokości i środki funkcji Gaussa interpretowanej jako zbiór rozmyty opisany zależnością (12):
2 2
11 1 11
11
r ( x c ) A
(x )
1e
− −µ =
(Uwzględniając (12) stopień spełnienia przesłanki danej reguły (11) zapiszemy jako:
2 2 2 2
11 1 11 12 2 12
r ( x c ) r ( x c )
1
e
− − − −φ =
(5) oraz uogólniony błąd nadążania w postaci zależności (6):
(6) wykorzystuje się własności ruchu układów o zmiennej strukturze poprzez przyjęcie uogólnionego błędu sterowania w postaci 6.
Takie ujęcie problematyki sterowania ruchem nadążnym pozwala na zastąpienie układu niestacjonarnego ukła- dem stacjonarnym i obniża rząd analizowanego układu,
acza, że pierwotny problem możemy zapisać w postaci równania (7) w funkcji uogólnionego błędu s:
Ms C s f (x) u
(7)Nieliniowość w postaci równania (4) zostanie aproksy- rozmytym. Ze względu na eksplozję rozwiązań wynikającą z dużej liczby zmien- nych wejściowych funkcję tę zdekomponowano na 6 składowych funkcji podanych w postaci zależności (8)
(8)
Każda z tych funkcji posiada dwa sygnały wejściowe, co umożliwiło zastosowanie tej struktury w czasie rzeczy- wistym. W niniejszej pracy do aproksymacji nielinio- wych funkcji zastosowano układ neuronowo-rozmyty [4].
Uczeniu w tym układzie podlegają parametry konkluzji i przesłanki bazy reguł modelu Sugeno.
j 1 j1 2 j1 j
R : IF x =A AND x =B THEN g=w , j 1, 2,..., N= (9) Stopień spełnienia przesłanki danej reguły przyjęto
(10) Stosując rozmywanie typu singleton, przyjmując funkcję przynależności w postaci funkcji Gaussa oraz stopień spełnienia przesłanek w postaci (10) model rozmyty
zemy w postaci zależności (11).
g = w φ , k = 1...6
(11)W procesie adaptacji uczeniu podlegać będą szerokości i środki funkcji Gaussa interpretowanej jako zbiór rozmyty opisany zależnością (12):
(12) Uwzględniając (12) stopień spełnienia przesłanki danej
(13)
NEURONOWO-ROZMYTE SYSTEMY STER
Tego typu założenia umożliwiają zapis nieliniowości mobilnego robota w postaci zależności (14) interpret wanej jako model neuronowo-rozmyty. Każdą z tych funkcji gi można zapisać w postaci wagi z indeksem razy stopień spełnienia przesłanki. Te wielkości będą podl gać uczeniu w czasie rzeczywistym i można wówczas powiedzieć, że powstanie układ neuronowo
(1)T (1) (2)T (2) (3)T (3)
1
(4)T (4) (5)T (5) (6)T (6)
2
ˆf W W W
ˆf f ˆ W W W
⋅ φ + ⋅ φ + ⋅ φ
= =
⋅ φ + ⋅ φ + ⋅ φ
gdzie
Rys.2. Schemat układu neuronowo-rozmytego
Gdzie adaptowane parametry układu neuronowo rozmytego wyznacza się na podstawie zależności (17 wraz z sygnałem sterowania odpornego. Wszystkie te sygnały wynikają z analizy stabilności zamkniętego układu sterowania.
T T T T
w
ˆ
w ji ji wˆ ˆ ˆ ˆ
W & = F s φ − F (A r + B c )s − F s W
k
ji r
ˆ
r jiˆ ˆ
r = F AWs F s r −
&
k
ji c
ˆ
c jiˆ ˆ
c & = F BWs F s c −
gdzie jest sygnałem sterowania odpornego i wynosi:
T D
s K Y
ς = − s
Natomiast to macierz (dostępnych) sygnałów.
ς
f
ˆ ˆ ˆ
ji jiY(d , W, r , c )
ROZMYTE SYSTEMY STEROWANIA MOBILNYM ROBO
Tego typu założenia umożliwiają zapis nieliniowości mobilnego robota w postaci zależności (14) interpreto-
rozmyty. Każdą z tych można zapisać w postaci wagi z indeksem razy stopień spełnienia przesłanki. Te wielkości będą podle- gać uczeniu w czasie rzeczywistym i można wówczas powiedzieć, że powstanie układ neuronowo-rozmyty.
(1)T (1) (2)T (2) (3)T (3)
(4)T (4) (5)T (5) (6)T (6)
W W W
W W W
⋅ φ + ⋅ φ + ⋅ φ
⋅ φ + ⋅ φ + ⋅ φ
(14)
(1)T (1) (1) 1 1
11 12 19
W ⋅ φ = w w w
W wyniku przyjętej struktury aproksymacji nieliniow ści robota oraz jej aproksymacji z uwzględnieniem aspektu linearyzacji w funkcji opisującej zbiory rozmyte opis układu zamkniętego otrzyman
[ D ] nrT ˆnr Tˆji Tˆji nrT Tji T ji f
Ms&= −K +C( ) sα& +W% φ −A r −B c +W A r% +B c% +d + ς
rozmytego
Gdzie adaptowane parametry układu neuronowo- rozmytego wyznacza się na podstawie zależności (17-19)
sygnałem sterowania odpornego. Wszystkie te sygnały wynikają z analizy stabilności zamkniętego
T T T T
w w ji ji w
ˆ ˆ
W = F s φ − F (A r + B c )s − F s W
(17) (18) (19) gdzie jest sygnałem sterowania odpornego i wynosi:
(20)
Natomiast to macierz mierzalnych
Zastosowanie przedstawionego adaptacyjnego podejścia do wyznaczenia parametrów konkluzji i przesłanki umożliwiło zastąpienie układu
neuronowym, co symbolicznie pokazano na rys. 2, na którym zademonstrowano tylko realizację nieliniowości oznaczonej we wcześniejszych rozważaniach przez f Struktura ta wynika z układu rozmytego.
4. WYNIKI WERYFIKACJI NEURONOWO-ROZMYTEGO UKŁADU STEROWANIA
W niniejszej pracy zastosowano pakiet Matlab/Simulink oraz platformę sprzętową firmy dSPACE do weryfikacji zaproponowanych rozwiązań sterowania neuronowo rozmytego na obiekcie rzeczywistym, którym był mobi ny robot kołowy Pioneer 2DX.
neuronowo-rozmytego sterowania ruchem nadążnym OWANIA MOBILNYM ROBOTEM KOŁOWYM
(1) 1 (1)
(1)T (1) (1) 1 1 2
11 12 19
(1) 9
W w w w
φ
φ
φ
K
M
(15)W wyniku przyjętej struktury aproksymacji nieliniowo- ści robota oraz jej aproksymacji z uwzględnieniem aspektu linearyzacji w funkcji opisującej zbiory rozmyte opis układu zamkniętego otrzymano w postaci:
( )
T T T T T T
D nr nr ˆji ˆji ˆnr ji ji f
Ms&= − K +C( ) sα& +W φ −A r −B c +W A r% +B c% +d + ς (16)
Zastosowanie przedstawionego adaptacyjnego podejścia do wyznaczenia parametrów konkluzji i przesłanki umożliwiło zastąpienie układu rozmytego układem neuronowym, co symbolicznie pokazano na rys. 2, na którym zademonstrowano tylko realizację nieliniowości oznaczonej we wcześniejszych rozważaniach przez f1. Struktura ta wynika z układu rozmytego.
4. WYNIKI WERYFIKACJI ROZMYTEGO UKŁADU STEROWANIA
W niniejszej pracy zastosowano pakiet Matlab/Simulink oraz platformę sprzętową firmy dSPACE do weryfikacji zaproponowanych rozwiązań sterowania neuronowo- rozmytego na obiekcie rzeczywistym, którym był mobil- ny robot kołowy Pioneer 2DX. Zadaną trajektorię do
rozmytego sterowania ruchem nadążnym
Zenon Hendzel, Magdalena Muszyńska
mobilnego robota przyjęto w kształcie pętli pokazanej na rys. 3a. Została ona wyznaczona z zadania odwrot- nego kinematyki. W badaniach weryfikacyjnych rozwa- żano 5 etapów ruchu: był to rozruch, jazda ze stałą prędkością, jazda po torze kołowym o promieniu R, jazda po prostej oraz hamowanie.
a)
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 x[m]
0 0.5 1 1.5 2 2.5 3
y[m]
b)
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0 t[s]
15 30 45 60 75 90 105 120 135
α1,α2[rad]
c)
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0 t[s]
1 2 3 4 5 6 7 8
α. 1,α. 2[rad/s]
d)
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 -12 t[s]
-9 -6 -3 0 3 6 9 12
α.. 1,α.. 2[rad/s2]
Rys. 3. a) zadana trajektoria ruchu punktu b) przemieszczenia kątowe kół napędzających c) prędkości kątowe kół napędzają- cych d) przyspieszenia kątowe kół napędzających
Wybrano trajektorię w kształcie pętli ponieważ jest to typowa realizacja praktycznych rozwiązań. Weryfikacja
ta dotyczyła uczenia konkluzji i przesłanki bazy reguł.
Adaptowano rozkład zbiorów rozmytych w przestrzeni rozważań oraz parametry konkluzji. Stosując algorytm sterowania (3) i algorytm uczenia wag sieci (17) oraz parametrów przesłanki (18 i 19), otrzymano wartości sygnału sterowania całkowitego i kompensacje uzyskaną podczas uczenia konkluzji i przesłanki bazy reguł mode- lu neuronowo-rozmytego (rys. 4).
0 5 10 15 20 25 30
-4 0 4 8
0 5 10 15 20 25 30
-4 0 4 8
Rys.4. Sygnały sterowania całkowitego i kompensacyjnego uzyskane podczas uczenia konkluzji i przesłanki bazy reguł układu neuronowo-rozmytego
0 5 10 15 20 25 30
-4 0 4 8
0 5 10 15 20 25 30
-0.4 -0.2 0 0.2 0.4
Rys.5. Przebieg sygnałów sterowania za pomocą regulatora PD oraz sygnał sterowania odpornego
M1
M2
M
1, M
2[ N m ]
t[s]
S te ro w an ie k o m . [N m ]
t[s]
nr 2
ˆf
nr 1
ˆf
S te ro w an ie P D [N m ]
t[s]
PD2
PD1
t[s]
ς1
ς2
NEURONOWO-ROZMYTE SYSTEMY STEROWANIA MOBILNYM ROBOTEM KOŁOWYM
0 5 10 15 20 25 30
-4 -2 0 2 4
0 5 10 15 20 25 30
-4 -2 0 2 4
Rys.6. Przebieg błędów nadążania oraz błędów prędkości nadążania dla koła 1 i koła 2
Rys.7. Przebieg prędkości kątowych kół napędzających podczas uczenia konkluzji i przesłanki bazy reguł oraz wartości wag konkluzji bazy reguł układu neuronowo-rozmytego
Rys.8. Przebieg uczenia szerokości i środków funkcji Gaussa znajdujących się w przesłankach bazy reguł układu neuronowo- rozmytego.
Analizując przedstawione przebiegi, można zauważyć, iż zarówno wagi konkluzji bazy reguł jak i szerokości czy środki znajdujące się w przesłankach bazy reguł adaptu- ją się do zmiennych warunków pracy robota. W celu lepszego porównania przeprowadzonych badań na obiekcie rzeczywistym wyniki badań, tzn. błędy w postaci pierwiastka błędu średniokwadratowego, porównano w postaci wykresów słupkowych. I tak na rys. 11 przedstawiono błędy obrotu własnego kół w postaci pierwiastek błędu średniokwadratowego dla koła 1 i 2.
Z przebiegów tych wynika, że zastosowanie konwencjo- nalnego sterowania za pomocą regulatora PD w zada- niu nadążania powoduje większe błędy w stosunku do proponowanych rozwiązań rozmytych i neuronowo- rozmytych.
t[s]
e1
e&1
t[s]
e&2
e2
Zenon Hendzel, Magdalena Muszyńska
Rys.9. Zestawienie błędu obrotu własnego kół w postaci pierwiastka błędu średniokwadratowego
Literatura
1. Chen S., Billings A.: Neural networks for nonlinear dynamic system modeling and identification.
1992, Vol. 56, No. 2, p. 319-346.
2. Giergiel M.J., Hendzel Z., Żylski W.: Modelowanie i sterowanie mobilnych robotów kołowych. Warszawa:
PWN 2002.
3. Hendzel Z.: Robust tracking control of wheeled mobile robot.
s.43.
4. Hendzel Z., Wereszczak M.(Muszyńska):
Warszawa: Ofic. Wyd. Pol. Warsz.2008. „Elektronika” z.166, 463
5. Hendzel Z., Żylski W.: Dynamics and robust control of wheeled mobile robot. In: Proceedings of 3 Symposium on Intelligent Autonomous Vehicles,
6. Hornik K., Stinchcombe M., White H.: Multilayer feedforward networks are universal approximations.
Networks” 1989, Vol. 2, p. 359-366.
7. Żylski W.: Kinematyka i dynamika mobilnych robotów kołowych. Rzeszów:
Pracę wykonano w ramach realizacji projektu badawczego nr N N501 068838 finansowanego ze środków na naukę w latach 2010-2012.
Zenon Hendzel, Magdalena Muszyńska
Rys.9. Zestawienie błędu obrotu własnego kół w postaci
5. WNIOSKI
Skuteczność zaprojektowanego neuronowo
algorytmu sterowania została potwierdzona przez wyn ki badań weryfikacyjnych na
Potwierdzają one słuszność przyjętej metody sterow nia. Uzyskane rezultaty wykazują, że zastosowanie neuronowo-rozmytej kompensacji nieliniowości mobiln go robota w zadaniu nadążania jest bardziej korzystne niż stosowanie do tego regulatorów konwencjonalnych czy też klasycznego sterowania rozmytego. Z analizy otrzymanych wyników weryfikacji wynika, że zbieżność błędów nadążania jest szybsza, gdy w sygnale sterow nia uwzględni się neuronowo
nieliniowości badanego obiektu. Ponadto zapewniona jest stabilność globalna zamkniętego układu sterowania w tym sensie, że sygnały są ograniczone. Wyniki weryf kacji wskazują, że wprowadzając w obiekcie sterowanym informacje neuronowe i rozmyte do układu sterowania, zwiększa się dokładność realizacji założonego ruchu.
Zaproponowany sposób sterowania nieliniowym obie tem, jakim jest mobilny robot kołowy, stanowi narz dzie wykorzystujące informacje neuronowo w sposób bardzo efektywny.
Chen S., Billings A.: Neural networks for nonlinear dynamic system modeling and identification.
W.: Modelowanie i sterowanie mobilnych robotów kołowych. Warszawa:
Hendzel Z.: Robust tracking control of wheeled mobile robot. „Archiwum Budowy Maszyn” 1997, t. XLIV, z.1,
Hendzel Z., Wereszczak M.(Muszyńska): Rozmyto-neuronowy algorytm sterowania mo-bilnym robotem kołowym.
Ofic. Wyd. Pol. Warsz.2008. „Elektronika” z.166, 463-472.
Hendzel Z., Żylski W.: Dynamics and robust control of wheeled mobile robot. In: Proceedings of 3 Symposium on Intelligent Autonomous Vehicles, Madrid, Spain, 1998, Vol.II, p. 465-470.
Hornik K., Stinchcombe M., White H.: Multilayer feedforward networks are universal approximations.
366.
Żylski W.: Kinematyka i dynamika mobilnych robotów kołowych. Rzeszów: Ofic. Wyd. Pol. Rzesz., 1996.
Pracę wykonano w ramach realizacji projektu badawczego nr N N501 068838 finansowanego ze środków na naukę Skuteczność zaprojektowanego neuronowo-rozmytego algorytmu sterowania została potwierdzona przez wyni- ki badań weryfikacyjnych na obiekcie rzeczywistym.
Potwierdzają one słuszność przyjętej metody sterowa- nia. Uzyskane rezultaty wykazują, że zastosowanie
rozmytej kompensacji nieliniowości mobilne- go robota w zadaniu nadążania jest bardziej korzystne
ulatorów konwencjonalnych czy też klasycznego sterowania rozmytego. Z analizy otrzymanych wyników weryfikacji wynika, że zbieżność błędów nadążania jest szybsza, gdy w sygnale sterowa- nia uwzględni się neuronowo-rozmytą aproksymację
biektu. Ponadto zapewniona jest stabilność globalna zamkniętego układu sterowania w tym sensie, że sygnały są ograniczone. Wyniki weryfi- kacji wskazują, że wprowadzając w obiekcie sterowanym informacje neuronowe i rozmyte do układu sterowania, dokładność realizacji założonego ruchu.
Zaproponowany sposób sterowania nieliniowym obiek- tem, jakim jest mobilny robot kołowy, stanowi narzę- dzie wykorzystujące informacje neuronowo-rozmytą
Chen S., Billings A.: Neural networks for nonlinear dynamic system modeling and identification. “Int. J. Control”
W.: Modelowanie i sterowanie mobilnych robotów kołowych. Warszawa:
„Archiwum Budowy Maszyn” 1997, t. XLIV, z.1,
bilnym robotem kołowym.
Hendzel Z., Żylski W.: Dynamics and robust control of wheeled mobile robot. In: Proceedings of 3-rd IFAC 470.
Hornik K., Stinchcombe M., White H.: Multilayer feedforward networks are universal approximations. “Neural
Ofic. Wyd. Pol. Rzesz., 1996.
Pracę wykonano w ramach realizacji projektu badawczego nr N N501 068838 finansowanego ze środków na naukę