1.一种基于非线性优化算法的AGV轨迹跟踪控制方法，其特征在于，包括如下步骤：步骤1、根据AGV在二维平面中的运动学关系建立离散运动模型；

步骤2、基于离散运动模型，根据参考轨迹设计AGV的二次损失函数；

步骤3、计算所有采样时刻控制输入的梯度；具体过程为：

步骤3.1、记所有采样时刻k＝0,...,N的控制输入为X＝[u′(0),...,u′(N)]′，其中，u′(0)、u′(N)分别为第0个采样时刻AGV在平面坐标系下的控制输入u(0)的转置、第N个采样时刻AGV在平面坐标系下的控制输入u(N)的转置；给定所有采样时刻k＝0,...,N的控制输入X的初始迭代值；

步骤3.2、执行公式(1)，得到所有采样时刻的位姿；

步骤3.3、计算所有采样时刻的协态变量；具体过程为：

步骤3.3.1、基于离散运动模型和二次损失函数，定义如下的第一哈密尔顿函数：r r r

H(x(k),u(k),λ(k+1))＝[[x(k)‑x (k)]′Q[x(k)‑x (k)]+[u(k)‑u (k)]′R[u(k)‑ur(k)]]+λ′(k+1)x(k+1)(3)；

其中，H(·)表示第一哈密尔顿函数；λ(k+1)＝[λ1(k+1),λ2(k+1),λ3(k+1)]′表示第k+1个采样时刻x(k+1)对应的协态变量；λ1(k+1)、λ2(k+1)、λ3(k+1)分别为第k+1个采样时刻x1(k+1)、x2(k+1)、x3(k+1)对应的协态变量；x(k+1)＝[x1(k+1),x2(k+1),x3(k+1)]′表示第k+1个采样时刻AGV在平面坐标系下的位姿；λ′(k+1)为λ(k+1)的转置；

步骤3.3.2、协态变量λ(k+1)满足如下的方程：

λ(N+1)＝03×1 (5)；

其中，λ(k)表示第k个采样时刻x(k)对应的协态变量；λ(N+1)表示第N+1个采样时刻x(N+1)对应的协态变量，此时的协态变量是给定的终端值；x(N+1)表示第N+1个采样时刻AGV在平面坐标系下的位姿；03×1表示3维的零向量；

步骤3.3.3、执行公式(4)，得到所有采样时刻的协态变量；

步骤3.4、计算二次损失函数J关于所有采样时刻控制输入的梯度，公式如下：其中， 表示二次损失函数J关于所有采样时刻控制输入的梯度，该梯度共有M个索引位置，M和N的关系为M＝2(N+1)； 是一个二维行向量，包含两个元素，分别为梯度的第0个和第1个索引位置的元素； 是一个二维行向量，包含两个元素，分别为梯度的第M‑2个和第M‑1个索引位置的元素；步骤4、计算所有采样时刻控制输入的海森矩阵；具体过程为：步骤4.1、计算所有采样时刻的正向迭代伴随状态和倒向迭代伴随状态；具体过程为：步骤4.1.1、定义如下的第二哈密尔顿函数：

其中，H0(·)为第二哈密尔顿函数；σ(k+1)表示第k+1个采样时刻x(k+1)对应的倒向迭代伴随状态；η(k)表示第k个采样时刻λ(k)对应的正向迭代伴随状态；σ′(k+1)为σ(k+1)的转置；η′(k)为η(k)的转置；取 第0个索引位置的元素并记为Φ1(x(0),u(0),λ(1))；x(0)、u(0)、λ(1)分别为第0个采样时刻AGV在平面坐标系下的初始位姿、第0个采样时刻AGV在平面坐标系下的控制输入、第1个采样时刻的协态变量；

步骤4.1.2、正向迭代伴随状态和倒向迭代伴随状态分别满足如下的方程：η(0)＝σ(N+1)＝03×1 (10)；

其中，η(k+1)表示第k+1个采样时刻λ(k+1)对应的正向迭代伴随状态；σ(k)表示第k个采样时刻x(k)对应的倒向迭代伴随状态；η(0)表示第0个采样时刻λ(1)对应的正向迭代伴随状态，此时的正向迭代伴随状态是给定的初始值；σ(N+1)表示第N+1个采样时刻x(N+1)对应的倒向迭代伴随状态，此时的倒向迭代伴随状态是给定的终端值；

步骤4.1.3、分别执行公式(8)和公式(9)，得到所有采样时刻k＝0,...,N的正向迭代伴随状态和倒向迭代伴随状态；

步骤4.2、计算海森矩阵第一行元素；具体过程为：

执行公式(11)，得到海森矩阵第一行元素：

其中， 表示二次损失函数J关于所有采样时刻控制输入的海森矩阵第一行元素，共有M个索引位置； 是一个二维行向量，包含

两个 元素，分 别为海 森矩阵 第 一行的 第0 个和 1个索 引位 置的 元素 ，是一个二维行向量，包含两个元素，分别为海森矩阵第一行的第M‑2个和第M‑1个索引位置的元素；

步骤4.3、海森矩阵其他奇数行的元素的计算方式与第一行元素的计算方式相同，计算时，改变公式(7)第二哈密尔顿函数中的Φ1(x(0),u(0),λ(1))，每次计算时，x、u、λ括号内的数值依次加一，即依次取下一个元素；海森矩阵偶数行元素的计算方式与第一行元素的计算方式相同，计算时，取 第1个索引位置的元素并记为φ2(x(0),u(0),λ(1))，改变第二哈密尔顿函数中的φ1(x(0),u(0),λ(1))为Φ2(x(0),u(0),λ(1))，每次计算时，x、u、λ括号内的数值依次加一，即依次取下一个元素；所有行的元素构成海森矩阵；

步骤5、设计非线性优化算法并求最优解；

步骤6、将最优解的第一个控制输入转化为控制指令驱动AGV运行；当AGV在平面坐标系下的位姿发生变化时，重复执行步骤3‑步骤5，进而实现AGV的轨迹跟踪控制。

2.根据权利要求1所述基于非线性优化算法的AGV轨迹跟踪控制方法，其特征在于，所述步骤1中，离散运动模型为：其中，x1(k+1)、x2(k+1)、x3(k+1)分别表示第k+1个采样时刻AGV在平面坐标系下的横坐标、纵坐标、航向角；x1(k)、x2(k)、x3(k)分别表示第k个采样时刻AGV在平面坐标系下的横坐标、纵坐标、航向角；Δ表示采样间隔；u1(k)、u2(k)分别表示第k个采样时刻AGV在平面坐标系下的线速度、角速度。

3.根据权利要求2所述基于非线性优化算法的AGV轨迹跟踪控制方法，其特征在于，所述步骤2中，二次损失函数J为：其中，x(k)＝[x1(k),x2(k),x3(k)]′、 分别表示第k个采样时刻AGV在平面坐标系下的位姿、参考位姿； 分别为第k个采样时刻AGV在平面坐标系下的参考横坐标、参考纵坐标、参考航向角；u(k)＝[u1(k),u2(k)]′、 分别表示第k个采样时刻AGV在平面坐标系下的控制输入、参考输入； 分别为第k个采样时刻AGV在平面坐标系下的参考线速度、参考角速度；Q、R分别表示给定的维度相容的半正定加权矩阵、正定加权矩阵；N表示采样时刻的总数。

4.根据权利要求3所述基于非线性优化算法的AGV轨迹跟踪控制方法，其特征在于，所述步骤5的具体过程为：步骤5.1、给定第0次迭代时X的初始值X0和算法停止阈值τ>0；

步骤5.2、根据步骤3计算所有采样时刻控制输入的梯度；

步骤5.3、根据步骤4计算所有采样时刻控制输入的海森矩阵；

步骤5.4、执行公式(12)‑公式(14)得到Xm+1；

Xm+1＝Xm‑hn(Xm) (12)；

其中，m、n分别表示外循环、内循环迭代次数的序号；Xm+1、Xm分别表示第m+1次、第m次外循环迭代时X的迭代值；h0(Xm)、hn‑1(Xm)、hn(Xm)分别表示内循环迭代的第0次、第n‑1次、第n次更新量； 分别表示二次损失函数J在Xm处关于所有采样时刻控制输入的梯度、海森矩阵；Γ表示给定的与 维度相容的正定加权矩阵；

步骤5.5、重复执行步骤5.2‑步骤5.4，直至满足||Xm+1‑Xm||<τ，以最终的Xm+1作为非线性优化算法的最优解。