CN101833338B - 无人潜航器垂直面欠驱动运动控制方法 - Google Patents

Abstract

本发明提供的是一种无人潜航器(AUV)垂直面欠驱动运动控制方法。(1)对AUV进行初始化设置；(2)顶层控制计算机发送任务使命并完成全局规划；(3)运动控制计算机接收传感器反馈信息，利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算，输出控制指令，即艉升降舵舵角δ_s；(4)舵机执行控制指令，完成AUV深度与纵倾的协调控制，实现AUV垂直面欠驱动约束下的运动控制；(5)判断是否完成本次任务，若完成则保存数据并结束本次航行，若未完成则继续由运动控制计算机解算控制指令。本发明适应AUV在垂直面运动过程中欠驱动、强耦合和复杂的运动关系，能实现精确的运动控制。

Description

无人潜航器垂直面欠驱动运动控制方法

技术领域

本发明涉及一种水下运动体的控制方法。具体地说是一种无人潜航器垂直面欠驱动运动控制方法。

背景技术

无人潜航器(AUV)运动控制技术一直是困扰AUV技术工作者的一个十分复杂的问题。而AUV的垂直面一般运动问题虽然只是空间一般运动的一个特殊情形，但它是一个具有实用性和典型性的常见运动形式，因此在AUV运动和建模研究中有重要意义。AUV垂直面运动具有欠驱动、强耦合的特点，海流对垂直面的干扰更加复杂，大攻角变深以及如何保证控制品质，特别是深度的超调问题特别需要重点关注。

随着控制理论的发展，很多先进的算法被应用于AUV垂直面运动控制的研究中，如滑模变结构控制、非线性控制、自适应控制、神经网络控制及模糊控制等，这些控制方法对于AUV的运动控制来说各有优缺点，但是为了解决AUV垂直面欠驱动运动控制问题，考虑深度和纵倾的耦合问题，这些智能控制算法往往停留在数值仿真阶段，在实际应用中显出其不足。因此，研究新型的非线性控制算法，特别是能实际应用于AUV垂直面运动控制中，解决AUV垂直面运动欠驱动、强耦合问题，提高AUV垂直面控制性能，是目前AUV运动控制研究中一个迫切需要解决的问题。

文献《自抗扰控制器在潜艇近水面航行深度控制中的应用》(船海工程，2008年6月，第37卷第3期)介绍了标准的自抗扰控制器(ADRC)在潜艇近水面航行深度控制中的仿真研究，该文献把潜艇垂直面操纵运动系统看作是双输入双输出全驱动系统，操纵艏舵和艉舵达到控制潜艇深度的目的，仿真结果表明自抗扰控制器具有较高的控制品质。但是该文献只提供了利用Matlab/simulink对其潜艇进行近水面仿真的结果，并且对自抗扰控制器的参数整定未加说明。

文献《自抗扰控制技术在AUV航向控制中的应用》(中国优秀硕士学位论文全文数据库，2009，(11))介绍了标准的自抗扰控制器在AUV航向控制中的仿真研究，该文献也只提供了AUV航向控制仿真结果，对自抗扰控制器的参数整定以试凑为主，若应用于工程实际，在复杂的环境干扰及繁杂的控制器参数整定过程中不利于现场调试。

文献《基于神经网络的自抗扰控制器》(系统仿真学报，2000年3月，第12卷第2期)将人工神经网络(ANN)嵌入到ADRC中，利用一定结构的ANN能任意逼近非线性函数的性质，用辨识出的ANN补偿对象的一部分，近似地认为使原对象的变化范围变小，从而让ADRC的控制品质提高。该文献虽然不是对ADRC参数整定进行优化，但对ADRC的改进提供了参考。

发明内容

本发明的目的在于提供一种可以有效的适应AUV在垂直面运动过程中欠驱动、强耦合和复杂的运动关系，能实现精确的运动控制的无人潜航器垂直面欠驱动运动控制方法。

本发明的目的是这样实现的：

1、对AUV进行初始化设置；

2、顶层控制计算机发送任务使命并完成全局规划；

3、运动控制计算机接收传感器反馈信息，利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算，输出控制指令，即艉升降舵舵角δ_s；

4、舵机执行控制指令，完成AUV深度与纵倾的协调控制，实现AUV垂直面欠驱动约束下的运动控制；

5、判断是否完成本次任务，若完成则保存数据并结束本次航行，若未完成则继续由运动控制计算机解算控制指令。

本发明还可以包括：

1、所述控制器参数整定方法为：

(1)、对自抗扰控制器中跟踪微分器、扩张状态观测器、非线性误差反馈三部分参数进行赋值或初始化；

(2)、由AUV的指定深度ζ₀、纵倾θ₀、升降舵舵角指令δ_s、不同时刻差值等生成神经模糊推理系统；

(3)、经过自适应神经模糊推理系统推理学习，优化自抗扰控制器，得到自抗扰控制器参数；

(4)、在控制器作用下，运动控制计算机修改控制指令，即改变艉升降舵舵角δ_s；

(5)、从深度计、光纤陀螺等传感器反馈AUV当前深度ζ、纵倾θ等信息；

(6)、运动控制计算机进行控制解算，计算深度偏差Δζ、纵倾偏差Δθ是否为0，是则确定控制器参数，否则转至步骤(2)。

2、所述利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算，输出控制指令的方法为：由期望的AUV深度ζ₀(t)和纵倾θ₀(t)作为跟踪微分器的输入信号，由各传感器获取的深度ζ(t)、纵倾θ(t)信息作为扩张状态观测器的输入信号，由跟踪微分器和扩张状态观测器输出信号的偏差e(t)作为非线性误差反馈的输入信号，由非线性误差反馈输出的控制信号经由扰动补偿后输出得到自抗扰控制器的输出信号，即AUV的一个控制量。

本发明适用的AUV主体只有艉升降舵，没有艏升降舵，结合附图1，在AUV的艉部安装着一对方向舵1、一个升降舵2以及左右两个推进器3作为执行机构，AUV在垂直面运动过程中，仅操艉升降舵对AUV的深度和纵倾进行控制。在AUV上配置着很多声纳，大体可分为两类，一类用于自身运动控制并探测外部环境，如前视声纳4、测高声纳5、光纤陀螺6、多普勒测速仪7、全球定位系统8等，一类用于海洋观测，如声学多普勒海流观测仪9、侧扫声纳10、温盐深探测仪11等。在AUV内部安装着两台PC104计算机，一个为顶层控制计算机，一个为运动控制计算机。设计基于自适应神经模糊推理系统的自抗扰控制器，由顶层控制计算机规划使命，运动控制计算机进行实时控制解算发出控制指令，由小于系统自由度的控制输入，实现在欠驱动约束下深度与纵倾的协调控制。

自抗扰控制器主要涉及三个部分的设计问题：(1)安排过渡过程的部分，即跟踪微分器的设计；(2)扩张状态观测器的设计；(3)非线性误差反馈的设计。

本发明在实现过程中吸取自抗扰控制器的优点，参考文献对标准自抗扰控制器进行改进，在自抗扰控制器参数整定过程中对其进行优化，通过自适应神经模糊推理系统得到自抗扰控制器的最佳参数，使得改进后的自抗扰控制器具有自适应学习能力。

本发明的主要特点体现在：

1、本发明在实现过程中吸取自抗扰控制器的优点，参考文献对标准自抗扰控制器进行改进，基于自适应神经模糊推理系统的自抗扰控制方法，设计自抗扰控制器，在自抗扰控制器参数整定过程中对其进行优化，通过自适应神经模糊推理系统得到自抗扰控制器的最佳参数，使得改进后的自抗扰控制器具有自适应学习能力，方便AUV在现场进行在线调试。

2、所设计的基于自适应神经模糊推理系统的自抗扰控制器具有自抗扰的特性，能够实时跟踪估计扰动并给予相应补偿，以解决AUV垂直面欠驱动运动过程中的控制问题，并克服AUV动力学严重的非线性、运动模型水动力的不确定性，抑制传感器噪声干扰以及外界环境干扰(如海流)。使用若干个基于自适应神经模糊推理系统的自抗扰控制器并结合自抗扰控制技术解决AUV垂直面运动过程中深度与纵倾耦合的问题。

本发明针对AUV垂直面运动过程中欠驱动、强耦合的特点，提出了一种基于自适应神经模糊推理系统的自抗扰控制方法，使得改进后的自抗扰控制器具有自适应学习能力，达到工程应用水平。多输入-多输出系统的解耦控制方法无论是控制理论界还是控制工程界都是追求解决的重要问题。依靠系统模型的解决办法是有的，但是需要很大的计算量。用自抗扰控制技术来解决这个问题比较简单，所需计算量也不大，特别是控制器的鲁棒性很好。因此在欠驱动约束下，设计自抗扰控制器能比较方便的解决垂直面深度和纵倾的耦合问题。采用自适应神经模糊推理系统最大的优点在于该系统既具有模糊系统类似于人的推理思维模式，又具有神经网络从样本中进行有效学习的能力。设计一个控制器的核心在于该控制器的参数整定。自抗扰控制器参数较多，目前比较有效可行的参数整定方法仍以试凑为主，采用自适应神经模糊推理系统能快速有效的推理出自抗扰控制器的参数，提高控制器的可行性和控制效率。

附图说明

图1本发明的AUV结构示意图；

图2自抗扰控制器(ADRC)结构示意图；

图3自适应神经模糊推理系统(ANFIS)结构示意图；

图4AUV垂直面欠驱动运动控制控制器示意图；

图5AUV垂直面控制系统工作流程图；

图6控制器参数整定流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合附图5、附图6，基于自适应神经模糊推理系统的自抗扰控制方法在AUV垂直面欠驱动运动控制中的具体实施步骤可表述为：

1、对AUV进行初始化设置，完成AUV位置、姿态初始化；

2、顶层控制计算机发送任务使命并完成全局规划；

3、运动控制计算机接收传感器反馈信息，利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算；

4、由期望的AUV深度ζ₀(t)和纵倾θ₀(t)作为跟踪微分器的输入信号，由各传感器获取的深度ζ(t)、纵倾θ(t)信息作为扩张状态观测器的输入信号，由跟踪微分器和扩张状态观测器输出信号的偏差e(t)作为非线性误差反馈的输入信号，由非线性误差反馈输出的控制信号经由扰动补偿后输出得到自抗扰控制器的输出信号，即AUV的一个控制量；

5、由AUV的指定深度ζ₀、纵倾θ₀、升降舵舵角指令δ_s、不同时刻差值等生成神经模糊推理系统，经过自适应神经模糊推理系统推理学习，得到自抗扰控制器参数；

6、在控制器作用下，运动控制计算机修改控制指令，即改变艉升降舵舵角δ_s；

7、舵机执行控制指令，完成AUV深度与纵倾的协调控制，实现AUV垂直面欠驱动约束下的运动控制。

AUV的运动控制工作包括当前位置姿态的获取、控制器的解算、执行机构的力学输出等。结合附图举例对本发明做更详细的描述：

结合附图2，以二阶自抗扰控制器为例，二阶自抗扰控制器各部分算法为：

其中，“安排过渡过程”有三个参数：设定值v、决定过渡过程快慢的参数r₀以及步长h；“线性扩张状态观测器”有三个参数β₀₁，β₀₂，β₀₃；“误差反馈”部分有三个参数r，c，h₁；还有一个补偿因子b₀需要调整，才能最后确定出最终控制量u，作用于控制对象，得到系统输出量y。

在(1)式中，fhan(x₁，x₂，r，h)为最速控制综合函数，其算法公式如下：

u＝fhan(x₁，x₂，r，h)：

结合附图4及AUV的数学模型，举例说明AUV垂直面欠驱动运动控制的具体实现。

设AUV的航行速度稳定于u₀，重心在运动坐标系的原点上即重心[x_G，y_G，z_G]为零。并忽略水平面运动影响(即认为v，p，r为小量)，AUV数学模型如下：

$\left[\begin{array}{c}\stackrel{\·}{w}\\ \stackrel{\·}{q}\end{array}\right]=\left[\begin{array}{cc}{\hat{a}}_{11}& {\hat{a}}_{12}\\ {\hat{a}}_{21}& {\hat{a}}_{22}\end{array}\right]\left[\begin{array}{c}w\\ q\end{array}\right]+\left[\begin{array}{c}{\hat{b}}_{11}\\ {\hat{b}}_{21}\end{array}\right]{\mathrm{\δ}}_s+\left[\begin{array}{c}{\hat{d}}_w\\ {\hat{d}}_q\end{array}\right]---\left(3\right)$

式中

$\left[\begin{array}{cc}{\hat{a}}_{11}& {\hat{a}}_{12}\\ {\hat{a}}_{21}& {\hat{a}}_{22}\end{array}\right]=H^{-1}P,$ $\left[\begin{array}{c}{\hat{b}}_{11}\\ {\hat{b}}_{21}\end{array}\right]=H^{-1}Q,$ $\left[\begin{array}{c}{\hat{b}}_w\\ {\hat{b}}_q\end{array}\right]=H^{-1}\left[\begin{array}{c}{d}_w\\ d_q\end{array}\right],$

$H=\left[\begin{array}{cc}m-\frac{1}{2}{\mathrm{\ρL}}^3{Z}_{\stackrel{\·}{w}}^{\′}& -\frac{1}{2}{\mathrm{\ρL}}^4{Z}_{\stackrel{\·}{q}}^{\′}\\ -\frac{1}{2}{\mathrm{\ρL}}^4{M}_{\stackrel{\·}{w}}^{\′}& I_y-\frac{1}{2}{\mathrm{\ρL}}^5{M}_{\stackrel{\·}{q}}^{\′}\end{array}\right],$ $P=\left[\begin{array}{cc}\frac{1}{2}{\mathrm{\ρL}}^2{Z}_{\mathrm{uw}}^{\′}{u}_0& \frac{1}{2}{\mathrm{\ρL}}^3{Z}_{\mathrm{uq}}^{\′}{u}_0+u_{0}m\\ \frac{1}{2}{\mathrm{\ρL}}^3{M}_{\mathrm{uw}}^{\′}{u}_0& \frac{1}{2}{\mathrm{\ρL}}^4{M}_{\mathrm{uq}}^{\′}{u}_0\end{array}\right],$ $Q=\left[\begin{array}{c}\frac{1}{2}\mathrm{\ρ}{L}^2{Z}_{{\mathrm{\δ}}_s}^{\′}{u}_0^2\\ \frac{1}{2}{\mathrm{\ρL}}^3{M}_{{\mathrm{\δ}}_s}^{\′}{u}_0^2\end{array}\right]$

其中，AUV在运动坐标系中的速度为[u，v，w]′；角速度为[p，q，r]′；δ_s为艉升降舵舵角；d_w，d_q包括了设计模型中线性近似产生的误差、不确定性和外界干扰，对于系统的有界输入，它们是有界的。m为AUV质量，ρ为海水密度，L为AUV长度，Z′_(·)，M′_(·)为无因次水动力系数，I_y为AUV在y轴的转动惯量。

将式(3)的状态方程改写为方程组的形式：

$\left\{\begin{array}{c}\stackrel{\·}{w}={\hat{a}}_{11}w+{\hat{a}}_{12}q+{\hat{b}}_{11}{\mathrm{\δ}}_s+{\hat{d}}_w---(4-1)\\ \stackrel{\·}{q}={\hat{a}}_{21}w+{\hat{a}}_{22}q+{\hat{b}}_{21}{\mathrm{\δ}}_s+{\hat{d}}_q---(4-2)\end{array}\right.$

z轴速度w和纵倾q相互耦合，将(4-1)中有关q的因式当成(4-1)式内扰的一部分；将(4-2)中有关w的因式当成(4-2)式内扰的一部分。

将(4)式写成如下形式：

$\left\{\begin{array}{c}\stackrel{\·}{w}=f(w,w_w,t)+{\hat{d}}_w+{\hat{b}}_{11}{\mathrm{\δ}}_s\\ \stackrel{\·}{q}=f(q,w_q,t)+{\hat{d}}_q+{\hat{b}}_{21}{\mathrm{\δ}}_s\end{array}\right.---\left(5\right)$

令 $\left\{\begin{array}{c}{U}_1={\hat{b}}_{11}{\mathrm{\δ}}_s\\ U_2={\hat{b}}_{21}{\mathrm{\δ}}_s\end{array}\right.,$ $B\left(t\right)=\left[\begin{array}{c}{\hat{b}}_{11}\\ {\hat{b}}_{21}\end{array}\right],$ $\left\{\begin{array}{c}{a}_1\left(t\right)=f(w,w_w,t)+{\hat{d}}_w\\ a_2\left(t\right)=f(q,w_q,t)+{\hat{d}}_q\end{array}\right.,$

U₁，U₂作为各自系统的控制量；a₁(t)，a₂(t)作为各自系统的总扰动。水动力系数，及矩阵B(t)已知，U₁和U₂分别将a₁(t)和a₂(t)作为各自的系统扰动从而实现自抗扰控制，以此完成解耦控制。

针对本发明研究对象特点，采用二阶自抗扰控制器进行设计。对于二阶自抗扰控制器，结合式(1)，利用自适应神经模糊推理系统进行推理学习，寻优获得自抗扰控制器的满意参数。将自适应神经模糊推理系统与自抗扰控制器相结合，优化自抗扰控制器，获得良好的控制效果，以便应用于工程实际，方便现场调试。

结合附图3，自适应神经模糊推理系统产生自抗扰控制器参数的具体步骤为：

1、前件网络的实现

前件网络由4层组成。第一层为输入层。模糊神经网络输入表示为：

X＝[τ_c，δ_s(k)，δ_s(k-1)，δ_s(k-2)，

τ(k)，τ(k-1)，τ(k-2)，r(k)，r(k-1)，r(k-2)](6)

式中，τ_c为指令值，δ_s(k)，δ_s(k-1)，δ_s(k-2)为k，k-1，k-2时刻控制器的输出舵角，τ(k)，τ(k-1)，τ(k-2)为k，k-1，k-2时刻AUV的实际测定值，r(k)，r(k-1)，r(k-2)为k，k-1，k-2时刻指令值与实际测定值的偏差。该层节点总数N₁＝n。

第二层为模糊化层。每个节点代表一个语言变量值，如NM，PS等。隶属度函数采用高斯函数表示的铃型函数，则

${\mathrm{\μ}}_i^j=\exp (-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2})---\left(7\right)$

式中，c_ij和σ_ij分别表示隶属函数的中心和宽度。该层节点数

第三层的每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适应度。规则节点执行模糊操作：

${\mathrm{\α}}_j=\min \{{\mathrm{\μ}}_1^{i_1},{\mathrm{\μ}}_2^{i_2},...,{\mathrm{\μ}}_n^{i_n}\}---\left(8\right)$

式中，i₁∈{1，2，…，m₁}，…，i_n∈{1，2，…，m_n}，j＝1，2，…，

该层的节点总数N₃＝m。

第四层实现归一化计算，节点总数与第三层相同，即N₄＝N₃＝m。

${\stackrel{\‾}{\mathrm{\α}}}_j=\frac{{\mathrm{\α}}_j}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i}(j=\mathrm{1,2},...,m)---\left(9\right)$

2、后件网络的实现

后件网络由3层组成。第一层是输入层，将输入变量传送到第二层。输入层中第0个节点的输入值x₀＝1，它的作用是提供规则后件中的常数项。

第二层的每个节点代表一条规则，它的作用是计算每一条规则的后件，即

$y_{\mathrm{ij}}=p_{j0}^i+p_{j1}^i{x}_1+...+p_{\mathrm{jn}}^i{x}_n=\underset{l=0}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{jl}}^i{x}_l,(j=\mathrm{1,2},...,m;i=\mathrm{1,2},...,r)---\left(10\right)$

式中，

为后件网络的连接权。

第三层计算系统的输出，即

$y_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\stackrel{\‾}{\mathrm{\α}}}_j{y}_{\mathrm{ij}},(i=\mathrm{1,2},...,r)---\left(11\right)$

至此，所设计的神经网络完全实现了Taagi-Sugeno模糊推理系统。

3、学习算法的实现

根据上述模糊神经网络的结构，输入分量是预先确定的，需要学习的参数主要是后件网络的连接权

以及前件网络第二层各节点隶属函数的中心值cji及宽度σ_ji(i＝1，2，…，m；j＝1，2，…，m_i)。

取误差代价函数为：

$E=\frac{1}{2}\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(12\right)$

其中，t_i和y_i分别表示期望输出和实际输出值。

(1)参数的学习算法：

$\frac{\∂E}{\∂p_{\mathrm{ji}}^l}=\frac{\∂E}{\∂y_l}\frac{\∂y_l}{\∂y_{\mathrm{li}}}\frac{{\∂y}_{\mathrm{li}}}{\∂p_{\mathrm{ji}}^l}=-(t_l-y_l){\stackrel{\‾}{\mathrm{\α}}}_j{x}_i---\left(13\right)$

$p_{\mathrm{ji}}^l(k+1)=p_{\mathrm{ji}}^l\left(k\right)-\mathrm{\β}\frac{\∂E}{\∂p_{\mathrm{ji}}^l}=p_{\mathrm{ji}}^l\left(k\right)+\mathrm{\β}(t_l-y_l){\stackrel{\‾}{\mathrm{\α}}}_j{x}_i---\left(14\right)$

其中，j＝1，2，…，m，i＝1，2，…，n，l＝1，2，…，r，β为学习率。

(2)参数c_ji及δ_ji的学习算法：

将参数

固定。

${\mathrm{\δ}}_i^{\left(5\right)}{=t}_i-y_i,(i=\mathrm{1,2},...,n)---\left(15\right)$

${\mathrm{\δ}}_i^{\left(4\right)}=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(5\right)}{y}_{\mathrm{ij}},(j=\mathrm{1,2},...,m)---\left(16\right)$

${\mathrm{\δ}}_i^{\left(3\right)}={\mathrm{\δ}}_i^{\left(4\right)}\underset{i=1,i\≠j}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i/{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i\right)}^2,(j=\mathrm{1,2},...,m)---\left(17\right)$

${\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\δ}}_k^{\left(3\right)}{s}_{\mathrm{ij}}{e}^{-{(x_i-c_{\mathrm{ij}})}^2/{\mathrm{\σ}}_{\mathrm{ij}}^2},(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m)---\left(18\right)$

其中，and采用取小运算，当

是第k个规则节点输入的最小值时，s_ij＝1；否则s_ij＝0。则，

$\frac{\∂E}{{\∂c}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2(x_i-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}$ $\frac{\∂E}{{\∂\mathrm{\σ}}_{\mathrm{ij}}}=-{\mathrm{\δ}}_{\mathrm{ij}}^{\left(2\right)}\frac{2{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^3}$

$c_{\mathrm{ij}}(k+1)=c_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{\∂c_{\mathrm{ij}}}$ ${\mathrm{\σ}}_{\mathrm{ij}}(k+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)-\mathrm{\β}\frac{\∂E}{\∂{\mathrm{\σ}}_{\mathrm{ij}}}$

其中，β＞0，为学习率，i＝1，2，…，n；j＝1，2，…，m。

本发明的AUV结构示意图见附图1，自抗扰控制器结构示意图见附图2，自适应神经模糊推理系统结构示意图见附图3，AUV垂直面欠驱动运动控制控制器示意图见附图4，AUV垂直面控制系统工作流程图见附图5，控制器参数调整流程图见附图6。

本发明的优点是适用于AUV复杂的强耦合、欠驱动系统，适用于复杂的海洋环境及扰动较多的环境，可应用与通用的AUV控制系统设计，进行水下探测、水下救捞、水下巡查等，可实现AUV的自抗扰控制。

Claims (3)

1.一种无人潜航器垂直面欠驱动运动控制方法，其特征是：

(1)、对AUV进行初始化设置；

(2)、顶层控制计算机发送任务使命并完成全局规划；

(3)、运动控制计算机接收传感器反馈信息，利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算，输出控制指令，即艉升降舵舵角δ_s；

(4)、舵机执行控制指令，完成AUV深度与纵倾的协调控制，实现AUV垂直面欠驱动约束下的运动控制；

(5)、判断是否完成本次任务，若完成则保存数据并结束本次航行，若未完成则继续由运动控制计算机解算控制指令。

2.根据权利要求1所述的无人潜航器垂直面欠驱动运动控制方法，其特征是：自抗扰控制器的参数整定方法为：

1)、对自抗扰控制器中跟踪微分器、扩张状态观测器、非线性误差反馈三部分参数进行赋值或初始化；

2)、由AUV的指定深度ζ₀、纵倾θ₀、艉升降舵舵角指令δ_s、不同时刻差值生成神经模糊推理系统；

3)、经过自适应神经模糊推理系统推理学习，优化自抗扰控制器，得到自抗扰控制器参数；

4)、在控制器作用下，运动控制计算机修改控制指令，即改变艉升降舵舵角δ_s；

5)、从深度计、光纤陀螺传感器反馈AUV当前深度ζ、纵倾θ信息；

6)、运动控制计算机进行控制解算，计算深度偏差Δζ、纵倾偏差Δθ是否为0，是则确定控制器参数，否则转至步骤2)。

3.根据权利要求1或2所述的无人潜航器垂直面欠驱动运动控制方法，其特征是：所述利用基于自适应神经模糊推理系统的自抗扰控制器进行控制解算，输出控制指令的方法为：由期望的AUV深度ζ₀(t)和纵倾θ₀(t)作为跟踪微分器的输入信号，由各传感器获取的深度ζ(t)、纵倾θ(t)信息作为扩张状态观测器的输入信号，由跟踪微分器和扩张状态观测器输出信号的偏差e(t)作为非线性误差反馈的输入信号，由非线性误差反馈输出的控制信号经由扰动补偿后输出得到自抗扰控制器的输出信号，即AUV的一个控制量。 

Images