Integration von Lyapunov‑basierter Backstepping- und Neuro‑Fuzzy‑Logik mit Sliding‑Mode‑Regelung für präzises Trajektorientracking von Differentialantriebsrobotern

Roboter, die auf Kurs bleiben

Von Lagerkommissionierern bis zu planetaren Rovern bewegen sich viele Roboter auf zwei angetriebenen Rädern — ähnlich einem elektrischen Rollstuhl. Eine solche Maschine mit zentimetergenauer Präzision einer vorgegebenen Bahn folgen zu lassen, ist schwieriger, als es scheint: Böden sind uneben, Räder rutschen, Motoren sättigen, und die Mechanik des Roboters selbst ist anspruchsvoll. Diese Arbeit stellt ein neues Steuerungskonzept für solche Roboter vor — den Fixed Ultra‑Hybrid Adaptive Controller (FUHAC) — der dafür ausgelegt ist, einen zweirädrigen Roboter fest an seiner geplanten Route zu halten, selbst wenn die Umgebung unordentlich und variabel ist.

Warum das Steuern zweier Räder so schwer ist

Differentialantriebsroboter lenken, indem sie linkes und rechtes Rad mit unterschiedlichen Geschwindigkeiten antreiben. Diese einfache Anordnung verbirgt komplexe Physik. Der Roboter kann sich nicht seitwärts bewegen, der Schwerpunkt kann dezentriert sein, und Reibung, Unebenheiten und unbekannte Lasten schieben ihn ständig vom Kurs ab. Klassische Regler wie PID oder sogar fortgeschrittene Einzellösungen funktionieren nur unter engen Bedingungen: Sie folgen sanften Kurven oft glatt, haben aber bei scharfen Wendungen, plötzlichen Stößen oder inkorrekten Modellen Probleme. Forschende haben versucht, Lernmodule, Fuzzy‑Logik oder robuste Regelungsschichten hinzuzufügen; diese Hybride werden jedoch meist ad hoc zusammengefügt, ohne eine solide Garantie dafür, dass der gesamte Stapel stabil bleibt.

Mehrere Intelligenzen zu einer vereinen

Die Autor:innen schlagen FUHAC als einheitliche Architektur vor, die bewusst vier verschiedene Regelungsansätze kombiniert, von denen jeder einen anderen Teil des Problems abdeckt. Ein Backstepping‑Kern liefert modellbasiertes, glattes Steuern, das theoretisch den Roboter zur gewünschten Bahn führt. Ein Neuro‑Fuzzy‑Modul sitzt auf dieser Basis und lernt, unbekannte Effekte — etwa nicht modellierte Reibung oder kleine mechanische Eigenheiten — zu kompensieren, indem es die Entwicklung des Tracking‑Fehlers beobachtet. Eine Sliding‑Mode‑Schicht fügt eine robuste Schutzhülle hinzu, die schnell auf größere Störungen reagiert und garantiert, dass begrenzte Stöße und Böen in endlicher Zeit abgewehrt werden können. Schließlich beobachtet ein Störgrößenbeobachter die Bewegung des Roboters und schätzt die auf ihn wirkenden äußeren Kräfte, sodass der Regler ihnen proaktiv entgegentreten kann, statt nur nachträglich zu reagieren. Anstatt diese Elemente mit festen Gewichten zu mischen, verwendet FUHAC einen leistungsbasierten Mischfaktor, der den Einfluss in Echtzeit verschiebt, abhängig von Größe und Oszillatorität des Tracking‑Fehlers.

Schnelle Reaktion, langsames Lernen

Eine zentrale Innovation von FUHAC ist die Trennung schneller Reflexe von langsameren, strategischen Anpassungen. Der Regler läuft mit zwei Adaptionszeitskalen: einer schnellen Schleife, die alle 30 Millisekunden aktualisiert wird und Gains anpasst, um plötzliche Abweichungen und Schwingungen zu dämpfen, und einer langsameren Schleife, die alle 150 Millisekunden Parameter für langfristige Genauigkeit und Energieeffizienz schrittweise feinjustiert. Dieses Dual‑Rate‑Schema ist so gewählt, dass der Roboter die langsamen Parameter während schneller Bewegungen als nahezu konstant wahrnimmt — ein Prinzip, das von der Zeitmaßstabsseparation in der Regelungstheorie inspiriert ist. Um alles mathematisch zu untermauern, konstruieren die Autor:innen eine einzige energieähnliche Funktion (eine Lyapunov‑Funktion), die Tracking‑Fehler, Lernfehler, Sliding‑Verhalten und Fehler des Störgrößenbeobachters gleichzeitig erfasst. Unter vernünftigen Annahmen zeigen sie dann, dass diese Energie nur abnehmen oder stagnieren kann, was bedeutet, dass die Abweichung des Roboters von der Bahn beschränkt bleibt und, falls Approximationsfehler und Störungen nachlassen, mit der Zeit sogar verschwindet.

Den Regler auf die Probe stellen

Um zu zeigen, wie FUHAC sich verhält, führten die Forschenden Simulationen auf drei Benchmark‑Bahnverläufen durch: einer Acht, einem Kreis und einer stark eckigen Raute. Diese Kurven beanspruchen unterschiedliche Aspekte der Bewegung: kontinuierliche Krümmung, Krümmungsumkehr und abrupte Richtungswechsel. In allen Fällen blieb der Endpositionsfehler unter 4 Zentimetern, mit kleinen kumulativen Fehlerindizes und moderatem durchschnittlichem Motordrehmoment unter 10 Newtonmetern. Der Regler stellte nach etwa 12,7 Sekunden nahezu stationäres Tracking ein und hielt Schwingungen in einer engen Bandbreite; seine adaptive Sliding‑Gain erhöhte sich gerade so weit, dass Robustheit gewahrt blieb, ohne Energie zu verschwenden. Im Vergleich zu Standard‑PID, reinem Backstepping und reinem Sliding‑Mode erreichte oder übertraf FUHAC deren Genauigkeit und reduzierte dabei dramatisch das hochfrequente „Chatter“, das Aktuatoren verschleißen kann. Die Autor:innen testeten die Methode außerdem an aufgezeichneten Daten eines echten Pioneer‑Roboters. Dort führten nicht modellierte Effekte wie Radschlupf und Motorsättigung zu größeren Fehlern — im Meterbereich statt Zentimetern — doch der geschlossene Regelkreis blieb stabil und erholte sich nach aggressiven Manövern, was die Robustheit des Konzepts unterstreicht.

Was das für Alltagsroboter bedeutet

FUHAC zeigt, dass sorgfältig orchestrierte «Viele‑Gehirne»‑Regelung gelenkten Robotern sowohl Präzision als auch Widerstandsfähigkeit verleihen kann. Indem es modellbasiertes, glattes Steuern, lernbasierte Kompensation, robuste Schutzmechanismen und Störgrößenschätzung unter einem einzigen Stabilitätsbeweis vereint, geht die Methode über trial‑and‑error‑Hybride hinaus und hin zu prinzipiengeleiteter Auslegung. Praktisch könnte dies Bodenrobotern, unterstützenden Rollstühlen und Inspektionsplattformen helfen, enge Bahnen mit unter‑dezimeter Genauigkeit zu folgen und dabei moderat Energie zu verbrauchen sowie Stöße, Rauschen und wechselnde Lasten zu tolerieren. Zwar ist das Abstimmen der zahlreichen Parameter komplexer als bei einem einfachen PID, doch bleibt der Regler rechnerisch leicht genug für moderne eingebettete Prozessoren. Die Autor:innen sehen FUHAC als Grundlage für zukünftige Systeme, die solche Regelung mit Wahrnehmung, Kartierung und sogar Deep‑Reinforcement‑Learning verbinden, und ebnen so den Weg zu zuverlässigeren, intelligenten mobilen Robotern für reale Umgebungen.

Zitation: Xu, P., Maghsoudniazi, M. & Maghsoudniazi, Y. Integrating Lyapunov based backstepping and neuro fuzzy logic with sliding mode control for precise trajectory tracking of differential drive robots. Sci Rep 16, 11961 (2026). https://doi.org/10.1038/s41598-026-39667-1

Schlüsselwörter: Steuerung mobiler Roboter, Trajektorienverfolgung, adaptiver Hybridregler, Differentialantriebsroboter, Störungsablehnung