CN102385316B - 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 - Google Patents
一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 Download PDFInfo
- Publication number
- CN102385316B CN102385316B CN 201110275937 CN201110275937A CN102385316B CN 102385316 B CN102385316 B CN 102385316B CN 201110275937 CN201110275937 CN 201110275937 CN 201110275937 A CN201110275937 A CN 201110275937A CN 102385316 B CN102385316 B CN 102385316B
- Authority
- CN
- China
- Prior art keywords
- theta
- epsiv
- centerdot
- sin
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法,涉及欠驱动自主水下航行器的控制技术领域。所述的变深控制方法为:首先通过压力传感器采集压力信息,并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度;然后建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型,根据海流环境以及AUV水动力参数建立欠驱动自主水下航行器AUV的数学模型,采用基于反馈增益的反步法设计鲁棒变深控制器模型;最后获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律,对获得的数学模型中存在的不确定性进行在线识别及误差估计,并给予补偿、优化最终控制器的输出信号,然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。
Description
技术领域
本发明涉及欠驱动自主水下航行器的控制技术领域。
背景技术
海底地形的勘探和测绘对深海资源的开发有着重要的意义,欠驱动自主水下航行器AUV(Autonomous Underwater Vehicle)具有良好的机动性和续航能力,在海底地形、地貌的测绘中扮演着重要的角色,由于欠驱动自主水下航行器AUV的执行机构通常配置为尾部轴向推进器、尾部方向舵和尾部升降舵,在垂向方向上无直接驱动机构(如推进器),仅通过尾部升降舵在自主水下航行器AUV具有一定的航速下产生的附加力和力矩能够实现深度控制,在地形测绘时自主水下航行器AUV携带的多波束侧扫声纳传感器对距海底的高度有一定要求,这就使得欠驱动自主水下航行器AUV的变深航行控制研究更具有实际意义。同时随着自主水下航行器AUV的工作深度的增加,复杂的海洋环境和外界海流的干扰对自主水下航行器AUV的深度控制器设计提出了更高的要求。
目前,国内外对于欠驱动自主水下航行器AUV变深控制的研究大多采用基于线性模型的控制方法,例如滑模控制、增益调度、最优控制,根据不同的工作点对模型进行线性化处理,设计一系列的控制器,仅能保证在工作点邻域内系统的局部稳定性,同时由于忽略模型不确定性的存在,因此无法保证系统的全局渐近稳定性。由于自主水下航行器AUV的数学模型无法精确获得,汪伟等在文献《AUV深度的模糊神经网络滑模控制》(机器人,2003,第25卷第3期)中提出利用模糊神经网络对滑模控制器的增益进行在线调整。唐旭东等在文献《一种水下机器人运动的过程神经元控制》(控制理论与应用,2009,第26卷第4期)中针对水下机器人受到时变的非线性流体动力和海流的干扰作用,提出了基于S模型的过程神经元控制方法,以上方法由于采用梯度法设计自适应规律,因此无法保证参数收敛速度和系统的全局稳定性。为了实现对模型中的不确定非线性项进行在线补偿,俞建成等分别在文献《水下机器人的神经网络自适应控制》(控制理论与应用,2008,第25卷第1期)和《基于模糊神经网络水下机器人直接自适应控制》(自动化学报,2007,第33卷第8期)中提出了神经网络直接自适应控制方法和基于模糊神经网络的自适应控制方法,结合李亚普诺夫稳定性理论证明了存在有界扰动和逼近误差条件下,系统的一致最终有界。以上方法不足之处为均要假设估计误差或不确定性的上界为已知的常值,导致控制器产生不必要的增益较高的控制信号。为实现对模型中不确定性的在线估计,优化控制器输出信号,Li等在文献《A neural network adaptive controller design for free-pitch-angle divingbehavior of an autonomous underwater vehicle》(Robotics and Autonomous Systems,2005,第52卷第2期)中提出了基于神经网络的自适应深度控制方法,利用神经网络对非线性函数的逼近特性,能够实现对有界扰动和未建模动态进行在线补偿,但由于采用传统的反步法设计控制器,导致迭代过程中存在虚拟控制量的高阶导数,使得控制器形式过于复杂。以上提出的深度控制器均未讨论不同初始纵倾角下的深度控制效果,无法满足实际工程中的多工况应用需求。
目前已经受专利保护或已提出申请的欠驱动自主水下航行器的控制方法,如中国专利局在2006年1月11日公开的(申请号:200510010117.9)“浮游式水下机器人运动的S面控制方法”,为针对一类具有六个自由度的全驱动遥控式水下机器人的S面控制方法,不同于本发明方法针对欠驱动自主水下航行器的设计目的;已申请的(申请号:201010173012.6)“无人潜航器垂直面欠驱动运动控制方法”为基于自适应神经模糊推理系统的自抗扰控制方法,虽然采用神经模糊推理系统对模型的不确定性进行在线辨识,但是由于采用梯度法对参数进行估计,无法保证参数的全局收敛性和系统的渐进稳定性,且本发明的控制方法的选取与其存在极大不同,使得本发明更加符合工程应用。
发明内容
本发明设计了一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法。
本发明所述的变深控制方法的过程为:
步骤1.通过压力传感器采集压力信息,并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度;
步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型;
根据海流环境以及AUV水动力参数,建立欠驱动自主水下航行器AUV的数学模型,采用基于反馈增益的反步法设计鲁棒变深控制器模型;
步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律,对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计,并给予补偿、优化最终控制器的输出信号,然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。
步骤3的具体过程为:
首先,对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识,并通过反馈回路对不确定性进行补偿,通过李亚普诺夫稳定性理论设计神经网络权重的学习律,保证参数具有李亚普诺夫意义下的全局收敛性;所述不确定性包含未建模动态和由于海流作用引起的参数不确定性。
然后,针对欠驱动自主水下航行器AUV的数学模型,设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计,并通过反馈回路予以补偿,优化最终控制器的输出信号,所述最终控制器的表达形式为:
式中:δs表示自主水下航行器AUV的水平升降舵舵角,单位是弧度,q表示自主水下航行器AUV的纵倾角速度,qe表示纵倾角速度误差,θ表示自主水下航行器AUV的纵倾角,ze表示跟踪误差,bs表示舵效系数,表示神经网络权值的估计值,Φ(x)为径向基神经网络的高斯基函数,表示神经网络逼近误差的估计值,σ为常数,u表示自主水下航行器AUV的纵向速度。
通过李亚普诺夫稳定性理论设计估计误差的自适应律,保证系统闭环信号的一致渐进有界。
本发明所述的方法利用自主水下航行器搭载的多波束测距声纳和压力传感器的测量数据,设计的一种欠驱动航行器的变深控制方法,进而实现对海底地形的定高跟踪。
本发明相对现有技术具有如下的优点及效果:
1.基于反馈增益的反步法设计变深控制器,避免了采用传统反步法的思想设计变深控制器时,由于存在虚拟控制量的高阶导数导致控制器形式更为复杂的情况,且变深控制器具有相似于PID控制器的形式,参数调节易于工程应用。
2.设计神经网络控制器和自适应鲁棒控制器能够实现对模型存在的不确定性进行在线辨识,并通过反馈控制回路予以补偿,基于利亚普诺夫稳定性理论设计神经网络的学习律和估计误差的自适应律,能够保证参数的全局收敛性,使得控制器具有在线补偿由于海洋环境作用引起的模型参数不确定性的能力。
3.能够实现在不同初始纵倾角条件和深度幅值下的变深控制,满足实际工程中的多工况应用需求。
附图说明
图1是本发明欠驱动自主水下航行器AUV的变深控制器框图。
图2~5是采用本发明方法,分别在三种控制器参数条件下在不同初始条件下的控制效果图。其中,图2是采用表1中的第二组控制器参数Gain2下、分别在三种初始条件下的深度跟踪曲线图,图3是与图2对应的跟踪误差曲线图,图4是与图2对应的控制力矩变化曲线图。图5是与图2对应的在深度跟踪过程中AUV各状态变量的变化曲线图。
图6至9是分别采用PID控制方法和本发明的方法进行深度跟踪控制过程中的各种参数对比图,其中,本发明的方法是分别在表1所述的三种控制参数的情况下获得的三种情况,图6是变深控制响应曲线图,图7是跟踪误差曲线图,图8是控制力矩变化曲线图,图9是AUV变深控制各状态变量变化曲线图。
图10至13是在扰动作用下,分别采用PID控制和本发明的控制方法实现深度跟踪过程中的各参数的对比图,其中,本发明的方法是分别采用表1中所述的三种控制参数实现的深度跟踪,图10是深度跟踪曲线图,图11是深度跟踪误差曲线图,图12为控制力矩曲线图,图13为各状态变量曲线图。
具体实施方式
具体实施方式一:本实施方式所述的一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法的过程为:
步骤1.通过压力传感器采集压力信息,并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度;
步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型;
根据海流环境以及AUV水动力参数,建立欠驱动自主水下航行器AUV的数学模型,采用基于反馈增益的反步法设计鲁棒变深控制器模型;
步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律,对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计,并给予补偿、优化最终控制器的输出信号,然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制。
本实施方式中的步骤3的具体过程为:
首先,对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识,并通过反馈回路对不确定性进行补偿,通过李亚普诺夫稳定性理论设计神经网络权重的学习律,保证参数具有李亚普诺夫意义下的全局收敛性;所述不确定性包含未建模动态和由于海流作用引起的参数不确定性。
然后,针对欠驱动自主水下航行器AUV的数学模型,设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计,并通过反馈回路予以补偿,优化最终控制器的输出信号,所述最终控制器的表达形式为:
式中:δs表示自主水下航行器AUV的水平升降舵舵角,单位是弧度,q表示自主水下航行器AUV的纵倾角速度,qe表示纵倾角速度误差,θ表示自主水下航行器AUV的纵倾角,ze表示跟踪误差,bs表示舵效系数,表示神经网络权值的估计值,Φ(x)为径向基神经网络的高斯基函数,表示神经网络逼近误差的估计值,σ为常数,u表示自主水下航行器AUV的纵向速度,
通过李亚普诺夫稳定性理论设计估计误差的自适应律,保证系统闭环信号的一致渐进有界。
具体实施方式二,本实施方式结合附图对具体实施方式一所述的基于神经网络反步法的欠驱动自主水下航行器变深控制方法的进一步的详细描述:
步骤(2)中,建立欠驱动自主水下航行器AUV的数学模型的过程为:
忽略横摇运动对垂直面运动的影响,得到简化的垂直面运动方程,设自主水下航行器AUV纵向速度由推力系统单独控制保持在稳定航速ud,
则自主水下航行器AUV的数学模型的动力学微分方程为:
式中
自主水下航行器AUV的数学模型的运动学微分方程
公式中w表示自主水下航行器AUV的垂向运动速度,表示垂向速度w的变化率,表示纵倾角速度q的变化率,Z(·),M(·)表示水动力系数,m为自主水下航行器AUV的质量,mw、muq和mq是由式(2)计算获得各种转换后的质量和附加质量,W表示自主水下航行器AUV的重量,B表示自主水下航行器AUV受到的浮力,Iy为自主水下航行器AUV绕y轴运动的转动惯量,Δq表示海流作用扰动项,表示自主水下航行器AUV的垂向位置变化率,表示纵倾角θ的变化率,
假设垂向运动速度w相对于u很小,则获得简化后的运动学方程为
欠驱动AUV变深控制器的设计目的是根据动力学模型(1)和运动方程(4),在保持纵向速度ud>0恒定下,对于给定阶跃变化的深度参考信号zd,设计反馈控制规律和自适应律使得实际深度z跟踪期望深度zd,即满足结合反步法迭代构造Lyapunov能量函数的优点,基于增益反馈的思想设计控制器,不同于传统反步法通过非线性项抵消获得虚拟控制量,避免了控制器中含有虚拟控制量的高阶导数的形式。
根据上述原理,本实施方式中,步骤(2)中所述的基于反馈增益的反步法设计鲁棒变深控制器模型的方法的具体过程为:
选取如下坐标变换
ze=zd-z (5)
θe=θ-α1 (6)
qe=q-α2 (7)
其中α1和α2分别表示为纵倾角和纵倾角速度的虚拟控制量,zd表示期望深度,z表示实际测量深度,θe表示纵倾角误差,所述跟踪深度信号为阶跃变化,所以 表示期望深度zd的变化率,表示期望深度变化率的导数,反步法的过程为:
第一步:
选取Lyapunov能量函数为
公式中V1表示非负定的李亚普诺夫函数,式(8)两边求导,由式(4)和式(5)得
若取虚拟控制量α1的控制规律为:
α1=-c1ze (10)
公式中,c1表示待定鲁棒变深控制器的设计参数、且满足c1>0,则式(9)变为
由于 所以满足 成立,
由式(6)和式(10)得
第二步:
结合式(8)重新选取Lyapunov函数为
公式中,p1为鲁棒变深控制器设计参数,对式(13)两边求导,将式(12)代入整理得到
(14)
根据式(6)和式(10),式(14)变为
若取虚拟控制量α2的控制规律为:
α2=-c2θe,c2>0 (17)
则式(16)变为
c2为鲁棒变深控制器的设计参数,选取参数满足c2>c1u条件,由于 则 成立,
由式(7)和式(17)得
经上述过程获得鲁棒变深控制器的设计参数及设计规律,完成鲁棒变深控制器模型的设计。
这些变量和参数会出现在最终的欠驱动自主水下航行器变深控制器的数学模型中,替换其中的变量对最终的数学模型进行化简。
由于获得的AUV数学模型中的参数无法精确获得,因此给控制器设计带来一定困难,本发明利用了神经网络具有非线性映射和在线学习的特点,采用神经网络实现对数学模型中的不确定性进行在线辨识,并得到相应参数的自适应规律。
基于上述原理,本实施方式中的骤(3)中所述的获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律的具体过程为:
采用径向基神经网络对AUV数学模型中的非线性函数进行逼近
fq(u,w,q)=W*TΦ(x)+ε(x) (20)
所以式(1)可以表示为
其中ε(x)代表由于未知的神经网络权重W*引起的参数不确定性,
假设估计误差满足|ε|≤ε*条件,其中ε*>0定义为满足条件的最小上界,ε表示神经网络的逼近误差,
由于模型中不确定项的上界ε*和神经网络的权值W*无法精确已知,所以需要对W*和ε*进行在线估计,并设计相应的参数自适应规律,
(25)
代入式(19)得
(26)
设计等价控制输入为
其中变量
由式(23)和式(27)可知式(26)变为
由 得到
整理后式(29)变为
由于其中k为常数,满足k=e-(k+1)成立,σ为常数,σ>0。
基于神经网络权重的在线学习算法为
自适应鲁棒控制器参数的自适应规律为
其中λ1>0,λ2>0,W0为初始神经网络权重矩阵,ε0为估计误差初始值,λ1和λ2均表示适应增益参数,通过引入σ修正项增加了系统在神经网络逼近误差存在时的鲁棒性,避免了由于参数漂移过大引起控制器增益过高,长期陷入饱和问题。
将式(32)和式(33)代入到式(31)得到
η为常数,
由下式成立
由(35)和(36)得,对式(34)进行不等式放缩得到
(37)
d1和d2为中间变量,分别为
由上式得
其中
0≤V3(t)≤ρ+(V3(0)-ρ)e-ct (41)
根据欠驱动AUV的数学模型(1)和跟踪误差方程(5),如果设计控制规律为式(42),神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应律为式(32)和式(33),则能够保证闭环系统的所有信号及状态一致最终有界,且收敛到原点附近极小的邻域内。
将式(27)中的中间变量替换为初始的状态变量得到最终的控制器形式,框图如图1所示
其中
由式(43)可以看出最后的控制器的形式,前三项为状态变量的线性组合,类似于PID控制器的形式,仅在最后一项中包含非线性项以实现对模型参数的在线辨识和扰动上界的估计。因此控制器参数的调节规律可以参考PID控制器的经验进行调节。
下面举例说明,验证本发明方法的有效性。采用表1所述的三组变深控制器的参数:
表1 控制器增益参数
c1 | c2 | c3 | p2 | |
Gain1 | 0.08 | 0.16 | 20 | 50 |
Gain2 | 0.05 | 0.1 | 20 | 100 |
Gain3 | 0.04 | 0.08 | 5 | 100 |
采用这三组控制器参数进行对比仿真实验,获得三组参数对应的曲线。其中图2是采用表1中的第二组控制增益参数Gain2下、分别在三种初始条件下的深度跟踪曲线图。图中分别给出了期望深度曲线,以及在AUV在三种不同初始条件下的深度跟踪相应曲线,图中,曲线10(m)0(deg)表示初始条件为:初始深度为10m、初始纵倾角度为度0deg情况下的深度跟踪曲线,该种条件下,大约75秒就能够达到期望深度;曲线8(m)10(deg)表示初始条件为:初始深度为8m、初始纵倾角度为度10deg情况下的深度跟踪曲线,该种条件下,大约85秒就能够达到期望深度;曲线5(m)20(deg)表示初始条件为:初始深度为10m、初始纵倾角度为度20deg情况下的深度跟踪曲线,该种条件下,大约100秒就能够达到期望深度。图3至图5分别是与图2对应的跟踪误差曲线图、控制力矩变化曲线图和各状态变量的变化曲线图,根据图2至图5所述曲线,可以获知本发明所述的控制器在3组不同参数设置下均能够适应不同初始条件下的无超调的深度跟踪控制,而优于现有PID控制器在同一组参数下无法满足不同工作点的控制效果,且深度跟踪具有一定的超调量。
图6至9是分别采用PID控制方法和本发明的方法进行深度跟踪控制过程中的各种参数对对比图,根据对比结果,可以获知本发明所述的控制器在表1所述的3组不同参数设置下均能够适应不同深度幅值变化下的无超调的深度跟踪控制,并且均优于现有PID控制器在同一组参数下无法满足不同工作点的控制效果,且深度跟踪具有一定的超调量。
图10至13是在扰动作用下,分别采用PID控制和本发明的控制方法实现深度跟踪过程中的各参数的对比图,根据对比结果,可以获知本发明与PID相比较,本发明控制器在表中的第二组参数Gain2下,能够适应外界扰动变化并予以补偿,实现精确深度跟踪控制,而采用现有PID控制器在相同参数下无法有效抑制干扰作用。
Claims (1)
1.一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法,其特征在于,该方法的过程为:
步骤1.通过压力传感器采集压力信息,并根据该压力信息计算获得对应的自主水下航行器AUV所在的深度;
步骤2.建立欠驱动自主水下航行器AUV的数学模型和鲁棒变深控制器模型:
根据海流环境以及AUV水动力参数,建立欠驱动自主水下航行器AUV的数学模型,采
用基于反馈增益的反步法设计鲁棒变深控制器模型;所述建立欠驱动自主水下航行器
AUV的数学模型的过程为:
忽略横摇运动对垂直面运动的影响,得到简化的垂直面运动方程,设自主水下航行器AUV纵向速度由推力系统单独控制保持在稳定航速ud,
则自主水下航行器AUV的数学模型的动力学微分方程为:
式中
自主水下航行器AUV的数学模型的运动学微分方程
公式中w表示自主水下航行器AUV的垂向运动速度,表示垂向速度w的变化率,表示纵倾角速度q的变化率,Z(·),M(·)表示水动力系数,m为自主水下航行器AUV的质量,mw、muq和mq是由式(2)计算获得各种转换后的质量和附加质量,W表示自主水下航行器AUV的重量,B表示自主水下航行器AUV受到的浮力,Iy为自主水下航行器AUV绕y轴运动的转动惯量,Δq表示海流作用扰动项,表示自主水下航行器AUV的垂向位置变化率,表示纵倾角θ的变化率,
假设垂向运动速度w相对于u很小,则获得简化后的运动学方程为
所述的基于反馈增益的反步法设计鲁棒变深控制器模型的方法的具体过程为:
选取如下坐标变换
ze=zd-z (5)
θe=θ-α1 (6)
qe=q-α2 (7)
其中α1和α2分别表示为纵倾角和纵倾角速度的虚拟控制量,zd表示期望深度,z表示实际测量深度,θe表示纵倾角误差,跟踪深度信号为阶跃变化,所以表示期望深度zd的变化率,表示期望深度变化率的导数,反步法的过程为:
第一步:
选取Lyapunov能量函数为
若取虚拟控制量α1的控制规律为:
α1=-c1ze (10)公式中,c1表示待定鲁棒变深控制器的设计参数、且满足c1>0,则式(13)变为
由于 所以满足 成立,
由式(6)和式(10)得
第二步:
结合式(8)重新选取Lyapunov函数为
根据式(6)和式(10),式(14)变为
若取虚拟控制量α2的控制规律为:
α2-c2θe,c2>0 (17)
则式(16)变为
c2为鲁棒变深控制器的设计参数,选取参数满足c2>c1u条件,由于 则 成立,
由式(7)和式(17)得
经上述过程获得鲁棒变深控制器的设计参数及设计规律,建立鲁棒变深控制器模型;
步骤3.获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律,对步骤2获得的数学模型中存在的不确定性进行在线识别及误差估计,并给予补偿、优化最终控制器的输出信号,然后采用该控制器实现欠驱动自主水下航行器AUV的变深控制,所述的获得基于神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应规律的具体过程为:
采用径向基神经网络对AUV数学模型中的非线性函数进行逼近
fq(u,w,q)=W*TΦ(x)+ε(x) (20)
所以式(1)可以表示为
其中ε(x)代表由于未知的神经网络权重W*引起的参数不确定性,
由于模型中不确定项的上界ε*和神经网络的权值W*无法精确已知,所以需要对W*和ε*进行在线估计,并设计相应的参数自适应规律,
代入式(19)得
设计等价控制输入为
其中变量bs=u2Mδs,
由式(23)和式(27)可知式(26)变为
由 得到
整理后式(29)变为
基于神经网络权重的在线学习算法为
自适应鲁棒控制器参数的自适应规律为
其中λ1>0,λ2>0,W0为初始神经网络权重矩阵,ε0为估计误差初始值,λ1和λ2均表示适应增益参数,通过引入σ修正项增加了系统在神经网络逼近误差存在时的鲁棒性,避免了由于参数漂移过大引起控制器增益过高,长期陷入饱和问题;
将式(32)和式(33)代入到式(31)得到
η为常数,
由式(35)和(36)得,式(34)变为
d1和d2为中间变量,分别为
由上式得
其中
0≤V3(t)≤ρ+(V3(0)-ρ)e-ct (41)
根据欠驱动AUV的数学模型(1)和跟踪误差方程(5),获得设计控制规律为式(42),神经网络权重的在线学习算法和自适应鲁棒控制器参数的自适应律为式(32)和式(33),则能够保证闭环系统的所有信号及状态一致最终有界,且收敛到原点附近极小的邻域内,
将式(27)中的中间变量替换为初始的状态变量得到最终的控制器形式
其中
首先,对获得的欠驱动自主水下航行器AUV的数学模型中存在的不确定性进行在线辨识,并通过反馈回路对不确定性进行补偿,通过李亚普诺夫稳定性理论设计神经网络权重的学习律,保证参数具有李亚普诺夫意义下的全局收敛性;所述不确定性包含未建模动态和由于海流作用引起的参数不确定性;
然后,针对欠驱动自主水下航行器AUV的数学模型,设计自适应鲁棒控制器模型对神经网络的估计误差进行在线估计,并通过反馈回路予以补偿,优化最终控制器的输出信号,所述最终控制器的表达形式为:
式中:δs表示自主水下航行器AUV的水平升降舵舵角,单位是弧度,q表示自主水下航行器AUV的纵倾角速度,qe表示纵倾角速度误差,θ表示自主水下航行器AUV的纵倾角,ze表示跟踪误差,bs表示舵效系数,表示神经网络权值的估计值,Φ(x)为径向基神经网络的高斯基函数,表示神经网络逼近误差的估计值,σ为常数,u表示自主水下航行器AUV的纵向速度,
通过李亚普诺夫稳定性理论设计估计误差的自适应律,保证系统闭环信号的一致渐进有界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110275937 CN102385316B (zh) | 2011-09-16 | 2011-09-16 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110275937 CN102385316B (zh) | 2011-09-16 | 2011-09-16 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102385316A CN102385316A (zh) | 2012-03-21 |
CN102385316B true CN102385316B (zh) | 2013-03-20 |
Family
ID=45824816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110275937 Active CN102385316B (zh) | 2011-09-16 | 2011-09-16 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102385316B (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768539B (zh) * | 2012-06-26 | 2014-08-06 | 哈尔滨工程大学 | 基于迭代的自主水下航行器三维曲线路径跟踪控制方法 |
CN102722177B (zh) * | 2012-06-27 | 2014-06-25 | 哈尔滨工程大学 | 具有pid反馈增益的自主水下航行器三维直线路径跟踪控制方法 |
CN102901478A (zh) * | 2012-11-06 | 2013-01-30 | 中国船舶重工集团公司第七一〇研究所 | 一种近水面航行器潜深及垂荡测量装置和方法 |
CN103412567A (zh) * | 2013-04-15 | 2013-11-27 | 上海大学 | 基于线性自抗扰技术的水下机器人深度控制装置和方法 |
CN103336887A (zh) * | 2013-06-05 | 2013-10-02 | 哈尔滨工程大学 | 一种基于蜂群算法辨识水动力系数的方法 |
CN103412488B (zh) * | 2013-08-12 | 2018-10-30 | 北京航空航天大学 | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 |
CN103576693B (zh) * | 2013-11-11 | 2016-06-29 | 哈尔滨工程大学 | 基于二阶滤波器的水下机器人三维路径跟踪控制方法 |
CN103645638A (zh) * | 2013-12-09 | 2014-03-19 | 天津工业大学 | 一种欠驱动航行器的鲁棒控制器的设计方法 |
CN103616820A (zh) * | 2013-12-09 | 2014-03-05 | 天津工业大学 | 一种欠驱动航行器的自适应控制器的设计方法 |
CN103616821A (zh) * | 2013-12-09 | 2014-03-05 | 天津工业大学 | 一种六自由度航行器的鲁棒控制器的设计方法 |
CN103754335B (zh) * | 2013-12-30 | 2017-02-15 | 江苏科技大学 | 一种船舶吃水及姿态的鲁棒实时测量系统及其方法 |
CN104133375B (zh) * | 2014-08-14 | 2016-08-17 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN105717936A (zh) * | 2014-11-30 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种无缆自治水下机器人的潜浮控制方法 |
CN104793629B (zh) * | 2015-05-04 | 2017-09-26 | 中国人民解放军国防科学技术大学 | 一种飞艇三维航迹跟踪的反步神经网络控制方法 |
CN104932517A (zh) * | 2015-05-15 | 2015-09-23 | 哈尔滨工业大学 | 环境干扰下的水下无人航行器航迹跟踪动态面控制优化方法 |
CN105333988B (zh) * | 2015-11-25 | 2018-06-29 | 中国海洋大学 | 一种人工侧线压力检测方法 |
CN105843983B (zh) * | 2016-03-14 | 2019-03-01 | 哈尔滨工程大学 | 一种对uuv水动力参数的组合辨识方法 |
CN105867417B (zh) * | 2016-04-21 | 2018-09-28 | 哈尔滨工程大学 | 一种dvl测速失效时的uuv反步滑模动力定位控制方法 |
CN106020212B (zh) * | 2016-05-12 | 2018-12-25 | 哈尔滨工程大学 | 一种uuv海底地形跟踪过程中的航行切换系统及切换方法 |
CN106444796B (zh) * | 2016-10-08 | 2019-03-05 | 哈尔滨工程大学 | 一种不确定时变时滞的欠驱动uuv深度自适应全局滑模控制方法 |
CN106773713B (zh) * | 2017-01-17 | 2020-02-07 | 北京航空航天大学 | 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法 |
CN107544256B (zh) * | 2017-10-17 | 2020-02-14 | 西北工业大学 | 基于自适应反步法的水下机器人滑模控制方法 |
CN107884113B (zh) * | 2017-10-19 | 2019-09-13 | 哈尔滨工业大学 | 一种用于水下螺旋桨推进器的推力测试方法 |
CN107831781B (zh) * | 2017-10-26 | 2020-10-09 | 成都信息工程大学 | 一种机器鱼运动的控制方法及系统 |
CN108197350B (zh) * | 2017-12-11 | 2020-04-24 | 大连海事大学 | 一种无人船速度和不确定性估计系统及设计方法 |
CN108227502B (zh) * | 2018-01-22 | 2020-09-25 | 哈尔滨工程大学 | 一种过驱动auv执行机构切换控制方法 |
CN108594846A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种障碍环境下多auv编队队形优化控制方法 |
CN108563130B (zh) * | 2018-06-27 | 2021-02-09 | 山东交通学院 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
CN109032136B (zh) * | 2018-07-23 | 2020-09-08 | 西北工业大学 | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 |
CN108942935A (zh) * | 2018-07-24 | 2018-12-07 | 南京邮电大学 | 基于输出位置的单臂机械手自适应控制器及控制方法 |
CN108983612A (zh) * | 2018-08-08 | 2018-12-11 | 华南理工大学 | 一种具有预设性能和连接保持的水下机器人编队控制方法 |
CN109470248A (zh) * | 2018-10-31 | 2019-03-15 | 青岛海洋科学与技术国家实验室发展中心 | 一种水下航行器导航系统及导航方法 |
CN109189103B (zh) * | 2018-11-09 | 2020-12-08 | 西北工业大学 | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 |
CN109634307B (zh) * | 2019-01-15 | 2021-08-03 | 大连海事大学 | 一种无人水下航行器复合航迹跟踪控制方法 |
CN109814392B (zh) * | 2019-02-21 | 2021-10-26 | 大连海事大学 | 一种欠驱动水下机器人执行器故障鲁棒容错控制方法 |
CN109946972A (zh) * | 2019-04-08 | 2019-06-28 | 哈尔滨工程大学 | 基于在线学习模型技术的水下机器人预测控制系统及方法 |
CN110460250B (zh) * | 2019-05-23 | 2021-03-16 | 淮阴工学院 | 一种三相pwm整流器直接功率控制方法 |
CN110427040B (zh) * | 2019-07-16 | 2022-07-15 | 哈尔滨工程大学 | 一种基于动态面滑模的欠驱动无缆水下机器人深度反步控制方法 |
CN110376891B (zh) * | 2019-07-16 | 2022-09-02 | 哈尔滨工程大学 | 一种基于模糊切换增益的反步滑模的纵平面轨迹跟踪无人潜航器控制方法 |
CN110618606B (zh) * | 2019-09-30 | 2022-06-17 | 哈尔滨工程大学 | 一种复合干扰下的欠驱动auv反步自适应模糊滑模控制方法 |
CN111781938B (zh) * | 2020-06-23 | 2021-06-18 | 中国科学院声学研究所 | 欠驱动水下航行器及其镇定方法与装置 |
CN114199248B (zh) * | 2021-11-30 | 2023-07-25 | 哈尔滨工程大学 | 一种基于混合元启发算法优化anfis的auv协同定位方法 |
CN114326405B (zh) * | 2021-12-30 | 2023-04-07 | 哈尔滨工业大学 | 一种基于误差训练的神经网络反步控制方法 |
CN114839883B (zh) * | 2022-07-04 | 2022-09-20 | 海南浙江大学研究院 | 非线性欠驱动水下航行器定深抗干扰鲁棒l1控制方法 |
CN115357036B (zh) * | 2022-09-09 | 2023-03-21 | 华中科技大学 | 欠驱动水下航行器的双层抗扰深度跟踪控制方法及系统 |
CN115755938B (zh) * | 2022-10-30 | 2023-12-05 | 西北工业大学宁波研究院 | 一种基于非对称模糊s面的仿蝠鲼航行器深度控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832775A (zh) * | 2010-05-26 | 2010-09-15 | 南京信息工程大学 | 深海作业水下航行器组合导航系统及水下初始对准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265809B2 (en) * | 2009-01-22 | 2012-09-11 | Teledyne Instruments, Inc. | Autonomous underwater vehicle with current monitoring |
-
2011
- 2011-09-16 CN CN 201110275937 patent/CN102385316B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832775A (zh) * | 2010-05-26 | 2010-09-15 | 南京信息工程大学 | 深海作业水下航行器组合导航系统及水下初始对准方法 |
Non-Patent Citations (3)
Title |
---|
周焕银,刘开周,封锡盛.基于神经网络的自主水下机器人动态反馈控制.《电机与控制学报》.2011,第15卷(第7期),87-93. |
基于神经网络的自主水下机器人动态反馈控制;周焕银,刘开周,封锡盛;《电机与控制学报》;20110731;第15卷(第7期);87-93 * |
孙勇,章卫国,章萌.基于神经网络的反步自适应大机动飞行控制.《系统工程与电子技术》.2011,第33卷(第5期),1113-1117. * |
Also Published As
Publication number | Publication date |
---|---|
CN102385316A (zh) | 2012-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102385316B (zh) | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 | |
CN107168312B (zh) | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 | |
CN102768539B (zh) | 基于迭代的自主水下航行器三维曲线路径跟踪控制方法 | |
CN111650948B (zh) | 一种可底栖式auv的水平面轨迹快速跟踪控制方法 | |
CN104793625B (zh) | 一种自主水下航行器动态抗饱和俯仰角控制方法 | |
Wang et al. | Line-of-sight guidance law for path following of amphibious hovercrafts with big and time-varying sideslip compensation | |
CN101833338B (zh) | 无人潜航器垂直面欠驱动运动控制方法 | |
Fan et al. | Course keeping control based on integrated nonlinear feedback for a USV with pod-like propulsion | |
CN109189103B (zh) | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 | |
CN105807789A (zh) | 基于t-s模糊观测器补偿的uuv控制方法 | |
CN103760900A (zh) | 一种考虑控制输入约束的船舶运动控制系统 | |
CN109828458A (zh) | 一种波浪滑翔器路径跟踪控制方法 | |
Deng et al. | UKF based nonlinear offset-free model predictive control for ship dynamic positioning under stochastic disturbances | |
Burger et al. | Straight line path following for formations of underactuated surface vessels under influence of constant ocean currents | |
Liu et al. | Modified adaptive complementary sliding mode control for the longitudinal motion stabilization of the fully-submerged hydrofoil craft | |
CN113031614A (zh) | 一种远洋船舶航向控制复合优化节油方法 | |
CN112363393A (zh) | 无人艇动力定位的无模型自适应预设性能控制方法 | |
Liu et al. | Synchronisation control for ships in underway replenishment based on dynamic surface control | |
Liu et al. | Research on key methods of autonomous sailboat’s position keeping control | |
CN113110512A (zh) | 一种减弱未知干扰与抖振影响的可底栖式auv自适应轨迹跟踪控制方法 | |
Li et al. | [Retracted] A Systematic Pipelaying Control Method Based on the Sliding Matrix for Dynamically Positioned Surface Vessels | |
CN113820956B (zh) | 一种高速auv运动控制方法 | |
Pavlov et al. | Straight line path following for formations of underactuated surface vessels | |
Nayak et al. | Heading plane control of an autonomous underwater vehicle: A novel fuzzy and model reference adaptive control approach | |
Wentao et al. | A novel fast terminal sliding mode control method based on immersion and invariance for course control of USV |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |