【花雕学编程】Arduino FOC 之基本的牛顿法逆解实现

驴友花雕

于 2024-10-03 18:17:20 发布

阅读量404

点赞数 11

分类专栏： Arduino FOC 文章标签：嵌入式硬件单片机 c++ 基本的牛顿法逆解实现 Arduino FOC

本文链接：https://blog.csdn.net/weixin_41659040/article/details/142694225

版权

Arduino FOC 专栏收录该内容

548 篇文章 10 订阅

订阅专栏

在这里插入图片描述

Arduino是一个开放源码的电子原型平台，它可以让你用简单的硬件和软件来创建各种互动的项目。Arduino的核心是一个微控制器板，它可以通过一系列的引脚来连接各种传感器、执行器、显示器等外部设备。Arduino的编程是基于C/C++语言的，你可以使用Arduino IDE（集成开发环境）来编写、编译和上传代码到Arduino板上。Arduino还有一个丰富的库和社区，你可以利用它们来扩展Arduino的功能和学习Arduino的知识。

Arduino的特点是：
1、开放源码：Arduino的硬件和软件都是开放源码的，你可以自由地修改、复制和分享它们。
2、易用：Arduino的硬件和软件都是为初学者和非专业人士设计的，你可以轻松地上手和使用它们。
3、便宜：Arduino的硬件和软件都是非常经济的，你可以用很低的成本来实现你的想法。
4、多样：Arduino有多种型号和版本，你可以根据你的需要和喜好来选择合适的Arduino板。
5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

在这里插入图片描述
Arduino FOC（Field Oriented Control，场向量控制）是一种先进的电机控制技术，它允许精确控制电机的转矩和速度。这种控制技术特别适用于无刷直流电机（BLDC）和步进电机。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。

主要特点:
1、高性能电机控制：FOC是一种高级的电机控制算法，可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机，实现平滑的转速和扭矩输出。
2、闭环控制架构：FOC采用闭环反馈控制，通过检测电机的位置和速度数据，实时调整输出电压和电流，确保电机动作符合预期。
3、模块化设计：Arduino FOC库采用模块化设计，包含电机建模、速度/位置/电流控制环、PWM生成等子模块，用户可根据需求灵活组合使用。
4、可移植性强：Arduino FOC可移植到多种硬件平台，如Arduino、ESP32、STM32与树莓派等，适用于功率从几十瓦到几千瓦的电机系统。
5、参数自动识别：FOC库具有自动识别电机参数的功能，可以大幅简化电机控制系统的调试过程。

应用场景:
1、工业自动化：在工厂的机器人、传送带、CNC加工设备等领域，Arduino FOC可提供高性能的电机控制解决方案。
2、电动车辆：电动自行车、电动汽车、电动叉车等车载电机驱动系统，可以采用Arduino FOC进行精准控制。
3、家用电器：在电风扇、洗衣机、空调等家用电器中，Arduino FOC可实现细腻的电机速度和扭矩控制。
4、航模和无人机：航模飞机、无人机等对电机控制性能要求很高的领域，Arduino FOC能够提供高精度的电机驱动。
5、机器人：工业机器人、服务机器人、仿生机器人等对电机控制性能有严格要求的领域，Arduino FOC是一个不错的选择。

需要注意的事项:
1、硬件要求：Arduino FOC对控制器的性能(如CPU频率、RAM/ROM容量等)有一定要求，需要选择合适的硬件平台。
2、调试复杂性：FOC算法涉及电机建模、坐标变换、PI调节器等诸多环节，调试和调优过程相对复杂，需要一定的专业知识。
3、噪声抑制：电机驱动电路容易产生噪声干扰，需要采取合理的屏蔽和滤波措施，确保信号质量。
4、安全防护：电机驱动系统可能会产生过电流、过压等故障,需要配备可靠的保护电路，确保人身和设备安全。
5、系统集成：将Arduino FOC集成到完整的电机驱动系统中时，需要考虑机械、电力、控制等各个方面的协调配合。

总的来说，Arduino FOC是一种功能强大、性能优秀的电机控制解决方案,适用于工业自动化、电动车辆、家用电器等众多领域。但在硬件选型、算法调试、噪声抑制和安全防护等方面都需要谨慎考虑，以确保系统稳定可靠地运行。

附录：系列目录
1、Arduino FOC的特点、场景和使用事项
http://t.csdnimg.cn/WZhYL
2、Arduino FOC 之简单FOC库 - 跨平台的无刷直流和步进电机FOC实现
http://t.csdnimg.cn/p9ADE
3、Arduino FOC 之无刷直流电机速度控制
http://t.csdnimg.cn/gZ7CY
4、Arduino FOC 之步进电机位置控制
http://t.csdnimg.cn/VYbIb
5、Arduino FOC 之无刷直流电机电流控制
http://t.csdnimg.cn/wWGVu
6、Arduino FOC 之 SimpleFOC 库的主要函数
http://t.csdnimg.cn/S26MC
7、Arduino FOC 之 ArduinoFOC库的核心函数
http://t.csdnimg.cn/3VLzF
8、Arduino FOC 之传感器校准
http://t.csdnimg.cn/NS3TR
9、Arduino FOC 之SimpleFOCShield v2.0.4无刷电机驱动板
http://t.csdnimg.cn/g9mP7
10、Arduino FOC 之 AS5600角度读取
http://t.csdnimg.cn/dmI6F
11、Arduino FOC 之 FOC算法
http://t.csdnimg.cn/ENxc0
12、Arduino FOC 之 SimpleFOC库的适配电机方案
http://t.csdnimg.cn/QdH6k

在这里插入图片描述

Arduino FOC 之基本的牛顿法逆解实现
一、主要特点
高效的数值求解：
牛顿法是一种迭代方法，通过逐步逼近目标解，能够快速收敛到函数的根或逆解，适合于大多数非线性问题的求解。
适用性广：
该方法可以应用于多种类型的逆解问题，如运动学逆解、动力学逆解等，具有较强的适用性。
收敛性：
在初始值选择恰当的情况下，牛顿法通常具有二次收敛性，即收敛速度较快，能够有效减少计算迭代次数。
实现简单：
牛顿法的算法实现相对简单，能够在Arduino等嵌入式平台上快速开发，便于调试和优化。
灵活性：
可以根据具体问题灵活调整迭代公式和收敛标准，适应不同的逆解需求。

二、应用场景
机器人运动学逆解：
在机器人系统中，牛顿法可以用于求解关节角度，以实现末端执行器的精确定位，广泛应用于工业机器人和服务机器人。
机械臂控制：
在机械臂的运动控制中，通过牛顿法求解逆运动学，能够快速计算各个关节的目标角度，提高操作的精度和效率。
无人机飞行控制：
在无人机的路径规划中，牛顿法能够用于求解飞行控制中的逆解问题，以实现精准的飞行姿态和轨迹控制。
自动化设备：
在自动化生产线中，牛顿法可用于位置控制和路径跟踪，确保设备在动态环境中的稳定运行。
仿生机器人设计：
在仿生机器人中，通过牛顿法求解逆解，能够模拟生物运动，提高机器人的灵活性和适应性。

三、注意事项
初始值选择：
牛顿法对初始值的选择非常敏感，不合适的初始值可能导致收敛到错误解或不收敛，需仔细选择初始点。
函数的可导性：
该方法依赖于目标函数在求解区域的可导性，需确保所求解的函数在该点能够计算出导数。
收敛性问题：
在某些情况下，牛顿法可能会出现收敛缓慢或不收敛的情况，需设计合适的收敛判定标准和迭代次数限制。
计算复杂性：
虽然牛顿法收敛速度快，但每次迭代需要计算雅可比矩阵，可能导致计算复杂性增加，需平衡计算效率与解的精度。
数值稳定性：
在实际计算中，需注意数值稳定性，避免因浮点运算精度问题引起的计算误差，影响最终结果。

总结
基本的牛顿法逆解实现可以在Arduino FOC技术应用中为多种机器人和自动化设备提供高效的逆解求解方案。通过快速的数值求解和广泛的应用场景，能够显著提升系统的控制精度和响应速度。在实施过程中，需关注初始值选择、函数可导性和收敛性问题，以确保系统的高效性和可靠性。合理的设计与优化将推动该技术在智能化和自动化领域的发展。

在这里插入图片描述
1、简单的牛顿法求解逆运动学

#include <Arduino.h>

const float L1 = 10.0; // 第一个连杆长度
const float L2 = 10.0; // 第二个连杆长度

// 目标位置
float targetX = 12.0;
float targetY = 12.0;

// 关节角度
float theta1 = 0.0;
float theta2 = 0.0;

// 牛顿法参数
const float tolerance = 0.01; // 容忍度
const int maxIterations = 100; // 最大迭代次数

void setup() {
  Serial.begin(9600);
  if (newtonMethod(targetX, targetY)) {
    Serial.print("Theta1: ");
    Serial.println(theta1);
    Serial.print("Theta2: ");
    Serial.println(theta2);
  } else {
    Serial.println("未能找到解");
  }
}

void loop() {
  // 无需在loop中运行
}

bool newtonMethod(float x, float y) {
  for (int i = 0; i < maxIterations; i++) {
    // 计算当前末端执行器位置
    float currentX = L1 * cos(theta1) + L2 * cos(theta1 + theta2);
    float currentY = L1 * sin(theta1) + L2 * sin(theta1 + theta2);

    // 计算误差
    float errorX = x - currentX;
    float errorY = y - currentY;

    // 计算雅可比矩阵
    float J[2][2] = {
      {-L1 * sin(theta1) - L2 * sin(theta1 + theta2), -L2 * sin(theta1 + theta2)},
      {L1 * cos(theta1) + L2 * cos(theta1 + theta2), L2 * cos(theta1 + theta2)}
    };

    // 计算雅可比矩阵的逆
    float detJ = J[0][0] * J[1][1] - J[0][1] * J[1][0];
    if (abs(detJ) < 1e-6) {
      return false; // 雅可比矩阵不可逆
    }

    float J_inv[2][2] = {
      {J[1][1] / detJ, -J[0][1] / detJ},
      {-J[1][0] / detJ, J[0][0] / detJ}
    };

    // 更新关节角度
    theta1 += J_inv[0][0] * errorX + J_inv[0][1] * errorY;
    theta2 += J_inv[1][0] * errorX + J_inv[1][1] * errorY;

    // 检查收敛
    if (sqrt(errorX * errorX + errorY * errorY) < tolerance) {
      return true; // 找到解
    }
  }
  return false; // 超过最大迭代次数
}

2、带有初始值的牛顿法逆解

#include <Arduino.h>

const float L1 = 10.0;
const float L2 = 10.0;

float targetX = 8.0;
float targetY = 6.0;

float theta1 = 0.5; // 初始值
float theta2 = 0.5; // 初始值

const float tolerance = 0.01;
const int maxIterations = 100;

void setup() {
  Serial.begin(9600);
  if (newtonMethod(targetX, targetY)) {
    Serial.print("Theta1: ");
    Serial.println(theta1);
    Serial.print("Theta2: ");
    Serial.println(theta2);
  } else {
    Serial.println("未能找到解");
  }
}

void loop() {
  // 无需在loop中运行
}

bool newtonMethod(float x, float y) {
  for (int i = 0; i < maxIterations; i++) {
    float currentX = L1 * cos(theta1) + L2 * cos(theta1 + theta2);
    float currentY = L1 * sin(theta1) + L2 * sin(theta1 + theta2);

    float errorX = x - currentX;
    float errorY = y - currentY;

    float J[2][2] = {
      {-L1 * sin(theta1) - L2 * sin(theta1 + theta2), -L2 * sin(theta1 + theta2)},
      {L1 * cos(theta1) + L2 * cos(theta1 + theta2), L2 * cos(theta1 + theta2)}
    };

    float detJ = J[0][0] * J[1][1] - J[0][1] * J[1][0];
    if (abs(detJ) < 1e-6) {
      return false;
    }

    float J_inv[2][2] = {
      {J[1][1] / detJ, -J[0][1] / detJ},
      {-J[1][0] / detJ, J[0][0] / detJ}
    };

    theta1 += J_inv[0][0] * errorX + J_inv[0][1] * errorY;
    theta2 += J_inv[1][0] * errorX + J_inv[1][1] * errorY;

    if (sqrt(errorX * errorX + errorY * errorY) < tolerance) {
      return true;
    }
  }
  return false;
}

3、多目标位置控制的牛顿法逆解

#include <Arduino.h>

const float L1 = 10.0;
const float L2 = 10.0;

float targets[3][2] = {
  {10.0, 10.0},
  {5.0, 5.0},
  {15.0, 0.0}
};

float theta1 = 0.0;
float theta2 = 0.0;

const float tolerance = 0.01;
const int maxIterations = 100;

void setup() {
  Serial.begin(9600);
  for (int i = 0; i < 3; i++) {
    if (newtonMethod(targets[i][0], targets[i][1])) {
      Serial.print("Target ");
      Serial.print(i);
      Serial.print(" - Theta1: ");
      Serial.print(theta1);
      Serial.print(", Theta2: ");
      Serial.println(theta2);
    } else {
      Serial.print("Target ");
      Serial.print(i);
      Serial.println(" - 未能找到解");
    }
  }
}

void loop() {
  // 无需在loop中运行
}

bool newtonMethod(float x, float y) {
  theta1 = 0.0; // 重置角度
  theta2 = 0.0; // 重置角度
  
  for (int i = 0; i < maxIterations; i++) {
    float currentX = L1 * cos(theta1) + L2 * cos(theta1 + theta2);
    float currentY = L1 * sin(theta1) + L2 * sin(theta1 + theta2);

    float errorX = x - currentX;
    float errorY = y - currentY;

    float J[2][2] = {
      {-L1 * sin(theta1) - L2 * sin(theta1 + theta2), -L2 * sin(theta1 + theta2)},
      {L1 * cos(theta1) + L2 * cos(theta1 + theta2), L2 * cos(theta1 + theta2)}
    };

    float detJ = J[0][0] * J[1][1] - J[0][1] * J[1][0];
    if (abs(detJ) < 1e-6) {
      return false;
    }

    float J_inv[2][2] = {
      {J[1][1] / detJ, -J[0][1] / detJ},
      {-J[1][0] / detJ, J[0][0] / detJ}
    };

    theta1 += J_inv[0][0] * errorX + J_inv[0][1] * errorY;
    theta2 += J_inv[1][0] * errorX + J_inv[1][1] * errorY;

    if (sqrt(errorX * errorX + errorY * errorY) < tolerance) {
      return true;
    }
  }
  return false;
}

要点解读
牛顿法的基本原理：
牛顿法是一种迭代方法，用于求解非线性方程。通过线性化当前状态并计算雅可比矩阵，逐步逼近目标解。在逆运动学中，牛顿法能够有效地计算出关节角度，适用于多关节系统。
状态和误差计算：
每次迭代中，首先计算当前末端执行器的位置，然后与目标位置进行比较，计算误差。这一过程帮助我们了解当前状态与目标之间的差距，以便进行下一步的调整。
雅可比矩阵的应用：
在示例中使用雅可比矩阵来求解关节角度的变化。雅可比矩阵的逆用于将位置误差映射到关节空间，确保每次迭代中关节角度的更新方向正确。
初始值的重要性：
第二个代码案例展示了使用初始值进行牛顿法求解。选择合适的初始值可以显著提高收敛速度和成功率，特别是在面对多解或复杂解的情况下。
多目标控制的实现：
第三个代码案例展示了如何通过牛顿法处理多个目标位置。通过循环遍历每个目标，可以实现机器人在多个位置间的移动控制。这种方法在多关节机器人和自动化系统中非常有用。

在这里插入图片描述
4、无刷直流电机位置控制

#include <SimpleFOC.h>

// 电机和传感器初始化
BLDCMotor motor = BLDCMotor(7);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

void setup() {
  // 初始化串口
  Serial.begin(9600);

  // 初始化传感器
  sensor.init();
  motor.linkSensor(&sensor);

  // 初始化驱动器
  driver.voltage_power_supply = 12;
  driver.init();
  motor.linkDriver(&driver);

  // 设置控制模式
  motor.controller = MotionControlType::angle;
  motor.init();
}

void loop() {
  // 目标位置
  float target_position = 1.57; // 90度

  // 使用牛顿法计算逆解
  float current_position = sensor.getAngle();
  float error = target_position - current_position;
  float k = 0.1; // 牛顿法增益
  float correction = k * error;

  // 设置电机位置
  motor.move(current_position + correction);

  // 输出当前角度
  Serial.print("Current Angle: ");
  Serial.println(current_position);

  delay(100);
}

5、步进电机速度控制

#include <SimpleFOC.h>

// 电机和传感器初始化
StepperMotor motor = StepperMotor(50);
StepperDriver4PWM driver = StepperDriver4PWM(9, 10, 11, 12);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

void setup() {
  // 初始化串口
  Serial.begin(9600);

  // 初始化传感器
  sensor.init();
  motor.linkSensor(&sensor);

  // 初始化驱动器
  driver.voltage_power_supply = 24;
  driver.init();
  motor.linkDriver(&driver);

  // 设置控制模式
  motor.controller = MotionControlType::velocity;
  motor.init();
}

void loop() {
  // 目标速度
  float target_velocity = 10; // 10 rad/s

  // 使用牛顿法计算逆解
  float current_velocity = motor.shaft_velocity;
  float error = target_velocity - current_velocity;
  float k = 0.05; // 牛顿法增益
  float correction = k * error;

  // 设置电机速度
  motor.move(current_velocity + correction);

  // 输出当前速度
  Serial.print("Current Velocity: ");
  Serial.println(current_velocity);

  delay(100);
}

6、机器人关节角度控制

#include <SimpleFOC.h>

// 电机和传感器初始化
BLDCMotor motor = BLDCMotor(14);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

void setup() {
  // 初始化串口
  Serial.begin(9600);

  // 初始化传感器
  sensor.init();
  motor.linkSensor(&sensor);

  // 初始化驱动器
  driver.voltage_power_supply = 12;
  driver.init();
  motor.linkDriver(&driver);

  // 设置控制模式
  motor.controller = MotionControlType::angle;
  motor.init();
}

void loop() {
  // 目标角度
  float target_angle = 3.14; // 180度

  // 使用牛顿法计算逆解
  float current_angle = sensor.getAngle();
  float error = target_angle - current_angle;
  float k = 0.1; // 牛顿法增益
  float correction = k * error;

  // 设置电机角度
  motor.move(current_angle + correction);

  // 输出当前角度
  Serial.print("Current Angle: ");
  Serial.println(current_angle);

  delay(100);
}

要点解读
传感器初始化：每个案例中，传感器（如AS5600）都需要在setup()函数中进行初始化。这确保了传感器能够正确地开始工作并提供准确的数据。
电机和驱动器初始化：在setup()函数中，电机和驱动器也需要进行初始化，并链接到传感器。这是实现闭环控制的基础。
控制模式设置：根据具体应用，设置电机的控制模式（如角度控制或速度控制）。这决定了电机的运行方式和控制策略。
牛顿法逆解计算：在loop()函数中，使用牛顿法计算逆解，通过调整电机的当前位置或速度来逼近目标值。增益k的选择对收敛速度和稳定性有重要影响。
实时数据输出：通过Serial.print()函数，将当前的角度或速度输出到串口监视器，便于实时查看和调试系统的运行状态。

注意，以上案例只是为了拓展思路，仅供参考。它们可能有错误、不适用或者无法编译。您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。实际编程时，您要根据自己的硬件配置、使用场景和具体需求进行调整，并多次实际测试。您还要正确连接硬件，了解所用传感器和设备的规范和特性。涉及硬件操作的代码，您要在使用前确认引脚和电平等参数的正确性和安全性。

在这里插入图片描述