CN103760900B - 一种考虑控制输入约束的船舶运动控制系统 - Google Patents

Abstract

本发明提供的是一种考虑控制输入约束的船舶运动控制系统。包括导引系统、控制系统、传感器系统、微分同胚变换器、数据处理系统，还包括控制输入补偿系统；导引系统根据输入的期望值与船舶的初始位置，计算船舶在各个时刻的期望位姿及期望速度；传感器采集船舶实际位姿信息和速度信息；数据处理系统得到船舶的低频位姿信息和速度；微分同胚变换器得到新的状态变量；控制系统根据新的状态变量进行相应解算得到相应的控制指令信息；控制指令信息传递给输入约束补偿系统经补偿后，得到最终的控制指令发送给船舶的执行机构。本发明是一种模型存在未知非线性函数并考虑控制输入约束时基于自适应神经网络估计的利用滤波反步法设计的船舶运动控制系统。

Description

一种考虑控制输入约束的船舶运动控制系统

技术领域

本发明涉及的是一种船舶运动控制系统。具体地说是一种模型存在未知非线性函数并考虑控制输入约束时基于自适应神经网络估计的利用滤波反步法设计的船舶运动控制系统。

背景技术

近年来，陆地资源日益匮乏，丰富的海洋资源吸引着各国的目光，而各国也将注意力越来越多地投向了海洋工程和海洋开发。因此，与船舶控制相关的领域受到研究人员的广泛关注，船舶航向控制、航迹控制、路径跟踪以及动力定位技术等，已成为控制领域研究的热点。

在船舶运动控制器的设计过程中，大多数文献对动力定位等全驱动船舶的运动控制研究都没有考虑推进器的动态特性及自然约束条件(饱和及死区特性)，这与实际应用是有区别的；设计控制器时如果不考虑这些约束条件，其控制精度必然会受到影响。而且，目前大多数非线性控制方法都是基于模型信息的，而通常建立精确的系统模型是十分困难的，因此针对模型存在未知非线性函数时的船舶运动研究基于自适应神经网络估计器的非线性控制方法是很有必要的。此外，利用常规反步法进行控制器设计的过程中，需要在每一步对虚拟控制量进行求导，如果系统阶数增加，不仅使得求导过程复杂，也对系统特性提出了要求。为了避免在反步控制器设计过程中对虚拟控制量进行求导，引入二阶滤波器对虚拟控制量及其导数进行逼近，以简化控制器的设计过程；滤波器的引入也可以增强控制器对噪声的抑制能力。

大连海事大学卜仁祥的2007年博士论文《欠驱动水面船舶非线性反馈控制研究》，其针对欠驱动水面船舶的运动控制问题，只考虑了输入饱和特性，而并未考虑死区特性；华南理工大学周洪波等在《控制与决策》(2012年第4期)发表的文章《基于滤波反步法的无人直升机轨迹跟踪控制》针对无人直升机设计了滤波反步法的轨迹跟踪控制器，用滤波器对虚拟控制量及其导数进行逼近，而不是直接对虚拟控制量进行求导，简化了控制器设计；华南理工大学贺跃帮等在《华南理工大学学报》(2013年第2期)发表的文章《无人直升机鲁棒积分滤波反步法飞行控制设计》对滤波反步法在无人直升机轨迹跟踪中的应用进行了深入研究，并通过引入积分项和鲁棒项提高闭环系统的抗干扰能力。但是以上文献均是针对模型已知的系统进行的控制器设计，且均未考虑执行机构的饱和特性和死区特性。

发明内容

本发明的目的在于提供一种无需已知船舶精确模型，鲁棒性好，控制精度高的考虑控制输入约束的船舶运动控制系统。

本发明的目的是这样实现的：

包括导引系统5、控制系统3、传感器系统13、微分同胚变换器7、数据处理系统8，还包括控制输入补偿系统2，所述传感器系统13包含位姿传感器12和速度传感器11；导引系统5根据输入的期望值与船舶的初始位置，计算船舶在各个时刻的期望位姿及期望速度；位姿传感器12与速度传感器11分别采集船舶实际位姿信息和速度信息，并传递给数据处理系统8；数据处理系统8的传感器数据经数据融合系统10及滤波系统9处理后，得到船舶的低频位姿信息和速度；船舶的低频位姿信息和速度传递给微分同胚变换器7，经变换后得到新的状态变量；控制系统3的滤波反步控制器4和自适应神经网络估计器6根据新的状态变量进行相应解算；自适应神经网络估计器6根据导引系统5和微分同胚变换器7的数据，对控制器所需的未知非线性函数进行估计；滤波反步控制器同时接收导引系统5的期望位姿和速度、微分同胚变换器7的新的状态变量，以及自适应神经网络估计器6提供的对未知非线性函数的估计，经解算得到相应的控制指令信息；控制系统3将控制指令信息传递给输入约束补偿系统2，经输入饱和补偿器16和死区补偿器15的补偿后，得到最终的控制指令，将控制指令发送给船舶的执行机构，调整船舶的纵向推力、横向推力及转首力矩，实现对船舶的准确控制。

本发明还可以包括：

1、所述控制系统3的滤波反步控制器4和自适应神经网络估计器6根据新的状态变量进行相应解算是指：控制系统3中自适应神经网络估计器6根据微分同胚变换器7提供的新状态变量以及导引系统5提供的期望信息，按自适应律，通过RBF神经网络系统对未知非线性函数、低频干扰以及未建模动态进行综合估计，得到控制器所需的非线性函数。

2、所述经输入饱和补偿器16和死区补偿器15的补偿后得到最终的控制指令是指：控制输入补偿系统2对控制系统3的控制指令进行判断和处理，如果超出了执行机构的输出界限，则通过输入饱和补偿器16对控制指令进行输入饱和补偿；如果控制指令处于执行机构的死区中，则通过死区补偿器15对控制指令进行死区补偿。通过控制输入补偿系统2对控制指令的补偿操作，可以提高控制系统的精度和适应性。

本发明申请的导引系统5通过给定的期望目标与船舶的初始位置，得到各时刻船舶的期望位姿及其导数(速度)，使得船舶经过加速、匀速、减速运动，最后以期望的艏向平稳地稳定在期望位置；将得到的期望位姿及速度传递给控制系统3，以估计未知非线性函数和解算控制指令。

本发明申请的传感器系统13分为位姿传感器12和速度传感器11，这些传感器将采集的位姿及速度信息传递给数据处理系统8，进行数据融合和滤波处理。

本发明申请的数据处理系统8包括数据融合系统10和滤波系统9，数据融合系统10将多种多个传感器采集的数据进行融合处理，得到对应的信息，然后经滤波系统9滤波，得到最终反馈给控制系统3的船舶运动信息，并传递给微分同胚变换器7。

本发明申请的微分同胚变换器7将数据处理系统8提供的船舶位姿和速度信息进行微分同胚状态变换，得到新的状态变量，以便进行滤波反步控制器的设计。

控制系统3包含自适应神经网络估计器6和滤波反步控制器4两部分，自适应神经网络估计器6根据导引系统5的期望信息和微分同胚变换器7的新变量，并以一定的自适应律对未知的非线性函数进行估计，并将估计结果传递给滤波反步控制器4，供其进行控制指令的解算；滤波反步控制器4根据导引系统5提供的期望位姿和速度，以及自适应神经网络估计器6对未知非线性函数的估计值，结合微分同胚变换器7的新变量，经解算得到合适的控制指令。

本发明申请的输入约束补偿系统2包含输入饱和补偿器16和死区补偿器15两部分，输入饱和补偿器16将控制系统3得到的控制指令进行判断、处理后，传递给死区补偿器15，如果控制指令在死区范围之内，则对控制指令进行死区补偿，否则则作为最终的控制指令，驱动船舶的执行机构，调整船舶的位置和速度，以达到控制目的。

本发明的优点在于考虑了执行机构的输出饱和特性和死区特性的自然约束条件，改善了控制系统的控制精度；而滤波器的引入也增强了控制器对噪声的抑制能力；并且对船舶模型存在未知非线性函数，同时系统存在控制输入约束时设计基于自适应神经网络估计器的滤波反步控制系统，实现对船舶运动控制。由于本发明设计的自适应神经网络估计器不仅能够对模型中未知的非线性函数进行估计，同时也补偿了外界低频干扰，提高了系统对干扰的鲁棒性能；而滤波反步法中通过引入滤波器对虚拟控制量及其导数进行逼近，取代了常规反步法中对虚拟控制量的求导过程，使得控制器的形式简单，简化了设计过程。

附图说明

图1为考虑控制输入约束的基于自适应神经网络估计器的滤波反步船舶运动控制系统总体结构图；

图2为死区补偿器结构；

图3为RBF神经网络结构

图4为位姿跟踪误差曲线；

图5为控制器控制指令曲线。

具体实施方式

下面对本发明进行详细描述：

如图1所示，本发明的考虑了控制输入约束时基于自适应神经网络估计器的滤波反步船舶运动控制系统包括导引系统5、控制系统3、控制输入补偿系统2、传感器系统、13、微分同胚变换器7、数据处理系统8。传感器系统13中的位姿传感器12与速度传感器11分别采集船舶实际位姿和速度信息，并一起打包传递给数据处理系统8，经数据融合系统10和滤波系统9处理后，得到应用于控制系统3的船舶位姿和速度；处理后的数据经微分同胚变换器7变换得到新的状态变量，以进行反步法设计；将这些新变量传递给控制系统3的滤波反步控制器4和自适应神经网络估计器6，进行控制指令计算；自适应神经网络估计器6同时接收导引系统5和微分同胚变换器7的数据，对控制器所需的未知非线性函数进行估计，也包含了对低频干扰和未建模动态的估计；滤波反步控制器4同时接收导引系统5的期望信息、微分同胚变换器7的新状态变量，以及自适应神经网络估计器6对未知非线性函数的估计，经解算得到相应的控制指令；控制系统3将控制指令传输给输入约束补偿系统2，经输入饱和补偿器16和死区补偿器15补偿后，得到最终的控制指令，调整船舶的纵向推力、横向推力及转首力矩，实现对船舶的准确控制。

1)导引系统5根据设定的期望值η_d以及船舶初始位置，可以得到船舶各时刻的期望位置x_d,y_d和期望艏向ψ_d及其导数和使船舶能够经加速，匀速和减速到达指定位置。为了方便可以记η_r＝[x_d,y_d,ψ_d]^T,

2)传感器系统13包含位姿传感器12和速度传感器11，分别采集船舶的实际位姿和速度信息；数据经数据处理系统8的数据融合系统10和滤波系统9处理后得到可用于控制系统3的船舶的位姿信息η＝[x,y,ψ]^T和速度信息ν＝[u,v,r]；同时处理后的数据经微分同胚变换器)变换(x₁＝η,x₂＝J(η)ν)，得到新变量x₁,x₂，由其构成原系统的等价模型。

原系统模型为：

$\stackrel{\·}{\mathrm{\η}}=J\left(\mathrm{\η}\right)v$

$M\stackrel{\·}{v}=-C\left(v\right)v-D\left(v\right)v+J^T\left(\mathrm{\η}\right)b+\mathrm{\τ}$

$\stackrel{\·}{\mathrm{\τ}}=\stackrel{\‾}{A}\mathrm{\τ}+\stackrel{\‾}{B}{\mathrm{\τ}}_e$

式中：η为船舶位置和艏向向量；ν为船舶的速度向量；b为低频干扰力，J(η)是船体坐标系与大地坐标系之间的转换矩阵；Μ为系统惯性矩阵；C(ν)为科里奥利向心力矩阵；D(ν)为阻尼矩阵；τ为控制向量；τ_e为控制指令向量。

经微分同胚变换后，得到的等价系统为：

${\stackrel{\·}{x}}_1=x_2$

$\begin{array}{c}{\stackrel{\·}{x}}_2={M_{\mathrm{\η}}}^{-1}\left(x_1\right)(u+J\mathrm{\ω})-{M_{\mathrm{\η}}}^{-1}\left(x_1\right)C_{\mathrm{\η}}(x_1,x_2)x_2\\ -{M_{\mathrm{\η}}}^{-1}\left(x_1\right)D_{\mathrm{\η}}(x_1,x_2)x_2+{M_{\mathrm{\η}}}^{-1}\left(x_1\right)b\end{array}$

$\stackrel{\·}{u}=Au+{\mathrm{B\τ}}_e$

式中：D_η(x₁,x₂)＝J^-T(η)D(ν)J^-1(η)，

$C_{\mathrm{\η}}(x_1,x_2)=J^{-T}\left(\mathrm{\η}\right)\[C\left(v\right)-{\mathrm{MJ}}^{-1}\left(\mathrm{\η}\right)\stackrel{\·}{J}\left(\mathrm{\η}\right)\]J^{-1}\left(\mathrm{\η}\right),$

Μ_η(x₁)＝J^-T(η)MJ^-1(η)

u＝J^-Τ(η)τ

$A=J^{-T}\left(\mathrm{\η}\right)\stackrel{\‾}{A}{J}^T\left(\mathrm{\η}\right)+{\stackrel{\·}{J}}^{-T}\left(\mathrm{\η}\right)J^T\left(\mathrm{\η}\right)$

$B=J^{-T}\left(\mathrm{\η}\right)\stackrel{\‾}{B}$

3)根据上面得到的等价模型，设计以下滤波反步控制器：

z₁＝x₁-x_1c

z₂＝x₂-x_2c

z₃＝u-x_3c

其中x_ic(i＝1,2,3)，为二阶滤波器的输出，用于逼近各虚拟控制量，其导数也由二阶滤波器输出。

此时各虚拟控制量的期望为：

${\mathrm{\α}}_1=-k_1{z}_1+{\stackrel{\·}{x}}_{1c}$

${\mathrm{\α}}_2=M_{\mathrm{\η}}(-k_2{z}_2+{\stackrel{\·}{x}}_{2c}-f(x_1,x_2)-v_1)$

${\mathrm{\α}}_3=B^{-1}(-k_3{z}_3+{\stackrel{\·}{x}}_{3c}-Au-{M_{\mathrm{\η}}}^{-T}{v}_2)$

其中，f(x₁,x₂)＝-Μ_η ^-1(η)[(C_η(ν,η)+D_η(ν,η))x₂+b+Jω]；k_i(i＝1,2,3)为控制增益矩阵(正定对角阵)；v_i(i＝1,2,3)是各跟踪误差的补偿向量，并定义为

其中向量可定义为

式中g₁＝1，g₂＝M_η ^-1，g₂＝B，并且的初值为零此时控制律为：

τ_e＝α₃

控制器设计过程中需要用到的x_ic和定义如下：

(1)i＝1时，

(2)i＝2,3时，x_ic和则由滤波器输出。

注：为设定的定位目标x_1d，为设定的跟踪速度

各滤波器可定义如下：

$\left[\begin{array}{c}{\stackrel{\·}{\mathrm{\φ}}}_{i1}\\ {\stackrel{\·}{\mathrm{\φ}}}_{i2}\end{array}\right]=\left[\begin{array}{cc}0& I\\ -{{\mathrm{\ω}}_{ni}}^{2}I& -2{\mathrm{\ζ}}_i{\mathrm{\ω}}_{ni}I\end{array}\right]\left[\begin{array}{c}{\mathrm{\φ}}_{i1}\\ {\mathrm{\φ}}_{i2}\end{array}\right]+\left[\begin{array}{c}0\\ {{\mathrm{\ω}}_{ni}}^{2}I\end{array}\right]{\mathrm{\α}}_{(i-1)c}$

$\left[\begin{array}{c}{x}_{ic}\\ {\stackrel{\·}{x}}_{ic}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\φ}}_{i1}\\ {\mathrm{\φ}}_{i2}\end{array}\right]$

式中，I为三阶单位阵。可见，当α_(i-1)c有界时，x_ic和是有界且连续的。

4)以上设计均是在模型参数精确已知的情况下进行的，但通常模型参数未知或部分未知，此时进行基于模型的控制器设计就很困难。如果非线性函数f未知，则前面所述的backstepping控制则无法实现。此问题可通过引入RBF神经网络加以解决。为了逼近控制器设计中所需的未知非线性函数f，可利用自适应神经网络系统逐一逼近f的每个元素f_i(i＝1,2,3)，即

其中W_i(i＝1,2,3)分别为三个RBF神经网络的权值，分别为三个RBF神经网络的高斯基函数，ε_i(i＝1,2,3)分别为三个RBF神经网络的逼近误差，且有：

||[ε₁,ε₂,ε₃]||＜ε_n,ε_n＞0

假设神经网络权值有界，即||W_i||≤W_M。三个神经网络的输出为：

可定义：

$Z=\left[\begin{array}{ccc}{W}_1& 0& 0\\ 0& W_1& 0\\ 0& 0& W_1\end{array}\right]$

$\hat{Z}=\left[\begin{array}{ccc}{\hat{W}}_1& 0& 0\\ 0& {\hat{W}}_1& 0\\ 0& 0& {\hat{W}}_1\end{array}\right]$

且满足：||Z||_F≤Z_M。定义RBF神经网络权值估计误差为总的高斯基函数向量为则此时RBF神经网络对未知非线性函数f的估计为：

设计RBF神经网络权值自适应律为：

其中k＞0，并定义：

γ＝diag{r₁I_N,r₂I_N,r₃I_N},

其中I_N为N阶单位阵，r_i＞0,(i＝1,2,3)。

有了对非线性函数的估计，backstepping控制器设计便可进行。根据前面所讨论的，控制系统(3)可根据公式τ_e＝α₃计算得出补偿前的控制指令以控制船舶的位置和艏向。

5)为了便于分析输入饱和特性对系统的影响，控制输入补偿系统2中的输入饱和补偿器16中引入如下辅助设计系统：

$\stackrel{\&CenterDot;}{\mathrm{\&zeta;}}=\left\{\begin{array}{cc}-K_1\mathrm{\&zeta;}-\frac{\left|{z_2}^T\mathrm{\&Delta;}\mathrm{\&tau;}\right|+0.5{\mathrm{\&Delta;\&tau;}}^T\mathrm{\&Delta;}\mathrm{\&tau;}}{{||\mathrm{\&zeta;}||}^2}\mathrm{\&zeta;}+\mathrm{\&Delta;}\mathrm{\&tau;},& ||\mathrm{\&zeta;}||\&GreaterEqual;\mathrm{\&mu;}\\ 0,& ||\mathrm{\&zeta;}||<\mathrm{\&mu;}\end{array}\right.$

其中，K₁＝K₁ ^T＞0，μ为设计参数(比较小的正数)，为辅助设计系统的状态，理想控制指令τ_e0的定义为：

${T_{e0}}^{*}=-{\mathrm{\&lambda;}}_2(z_2-\mathrm{\&zeta;})-z_1-\hat{f}+v$

其中，λ₂为正定对角阵，为前面定义的对未知非线性函数的估计，v为补偿干扰和估计误差的鲁棒项。

6)控制输入补偿系统2中死区补偿器15接收输入饱和补偿器16输出的理想控制指令，通过RBF神经网络对执行机构的非线性环节进行估计，同时另一个RBF神经网络用于系统前馈通道的补偿，其结构图如图2所示。为了利用RBF神经网络对执行机构的死区进行补偿，首先进行如下定义：

定义符号“{*}”为GL矩阵，定义“·”为其乘法算子。令n_ij为正整数，i＝1,…,n,j＝1,…,n。对于神经网络函数逼近而言，可视A_ij为权值向量，B_ij为高斯基函数向量。GL向量{A_k}和其转置{A_k}^T按下式定义：

{A_k}＝{A_k1…A_kn}

${\left\{A_k\right\}}^T=\left\{\begin{array}{ccc}{A}_{k1}^T& \mathrm{...}& A_{kn}^T\end{array}\right\}$

GL矩阵{A}和其转置{A}^T定义为：

对于给定的GL矩阵{B}：

{A}^T与{B}的GL乘法为一个n×n的矩阵：

令为死区补偿前的控制指令，则最终的控制指令τ_e则为：

${\mathrm{\&tau;}}_e=w+{\hat{w}}_{NN}\left(w\right)$

根据RBF神经网络的万能逼近特性，可分别得到执行机构的非线性特性D(u)和死区补偿向量w_NN：

D(u)＝{W}^T·{σ(u)}+ε(u)

w_NN＝{W_i}^T·{σ_i(w)}+ε_i(u)

其中ε(u),ε_i(u)是神经网络的逼近误差，W,W_i是理想权值，σ,σ_i是高斯基函数的输出。

为了得到理想的估计值，利用自适应技术对神经网络的权值进行更新，最终得到能够使系统稳定的权值此时：

$\hat{D}\left(u\right)={\left\{\hat{W}\right\}}^T\&CenterDot;\left\{\mathrm{\&sigma;}\left(u\right)\right\}$

${\hat{w}}_{NN}={\left\{{\hat{W}}_i\right\}}^T\&CenterDot;\left\{{\mathrm{\&sigma;}}_i\left(w\right)\right\}$

定义为RBF神经网络权值的估计误差，σ'为高斯基函数的一阶导数，则神经网络死区补偿器的自适应律设计为：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{\hat{W}}}_k=-{\mathrm{S\&sigma;}}^{\&prime;}\left(u_k\right){\hat{W}}_{ik}^T{\mathrm{\&sigma;}}_i\left(w_k\right)z_{2k}-K_{1}S||z_2||{\hat{W}}_k\\ {\stackrel{\&CenterDot;}{\hat{W}}}_{ik}={\mathrm{T\&sigma;}}_i\left(w_k\right)z_{2k}{\hat{W}}_k^T{\mathrm{\&sigma;}}^{\&prime;}\left(u_k\right)-K_{1}T||z_2||{\hat{W}}_{ik}-K_{2}T||z_2||||{\hat{W}}_i||{\hat{W}}_{ik}\end{array}\right.$

其中S＝S^T,T＝T^T为正定常量对称矩阵，K₁,K₂为正常数。

本发明采用某水面船的非线性数学模型进行仿真试验，仿真试验的船舶模型参数为：

$M=\left[\begin{array}{ccc}9.1948\&CenterDot;{10}^7& 0& 0\\ 0& 9.1948\&CenterDot;{10}^7& 1.2607\&CenterDot;{10}^9\\ 0& 1.2607\&CenterDot;{10}^9& 1.0724\&CenterDot;{10}^{11}\end{array}\right]$

$D_l=\left[\begin{array}{ccc}1.5073\&CenterDot;{10}^6& 0& 0\\ 0& 8.1687\&CenterDot;{10}^6& -1.3180\&CenterDot;{10}^8\\ 0& -1.3180\&CenterDot;{10}^8& 1.2568\&CenterDot;{10}^{11}\end{array}\right]$

D_n(ν)＝-diag{X_|u|u|u|,Y_|v|v|v|,N_|r|r|r|}

其中：D(ν)＝D_l+D_n(ν)

X_|u|u＝-2.9766·10⁴，

Y_|v|v＝-8.0922·10⁴，

N_|r|r＝-1.2228·10¹²。

仿真中，加入如下干扰和不确定参数：

b＝[0.25×10⁵sin(0.1t),0.25×10⁵sin(0.1t),0.25×10⁶sin(0.1t)]^T

M_η＝(1+0.3sin(0.8t))M_η ^*

C_η＝(1+0.3sin(0.8t))C_η ^*

D_η＝(1+0.3sin(0.8t))D_η ^*

其中带上标“*”的参数为标称模型参数。执行机构死区界限为(-0.5×10⁵，0.6×10⁵)N，并有τ_e|≤[0.2×10⁶,0.15×10⁶,0.15×10⁸]^T。

其初始位置坐标(0m，0m，0deg)，初始速度为(0m/s，0m/s，0deg/s)，期望位置为(2m，1m，5deg)。仿真结果见附图4-5。

通过对仿真曲线和数据分析后可以看出，在本发明提出的考虑控制输入约束的基于自适应神经网络估计器的滤波反步船舶运动控制器的作用下，船舶能够克服模型参数不确定性的影响，在存在外界干扰的情况下，快速跟踪上导引系统提供的期望位置，并保持给定艏向，在比较光滑的控制力作用下，达到期望的控制效果。说明所设计的自适应神经网络估计器能够对船舶模型未知非线性函数和干扰进行较好的估计，且滤波反步法中的滤波器可以很好的逼近虚拟控制量及其导数，避免了常规反步法中对虚拟控制量的求导过程，简化了控制器设计；同时，控制输入补偿系统针对执行机构的饱和特性和死区特性，对控制指令进行分析判断并作出相应补偿，提高了控制系统的控制精度。仿真结果表明，本发明控制律具有全局渐近跟踪特性，对于模型参数不确定性和未建模动态有较好的鲁棒性。

Claims (3)

1.一种考虑控制输入约束的船舶运动控制系统，包括导引系统(5)、控制系统(3)、传感器系统(13)、微分同胚变换器(7)、数据处理系统(8)，其特征是：还包括控制输入补偿系统(2)，所述传感器系统(13)包含位姿传感器(12)和速度传感器(11)；导引系统(5)根据输入的期望值与船舶的初始位置，计算船舶在各个时刻的期望位姿及期望速度；位姿传感器(12)与速度传感器(11)分别采集船舶实际位姿信息和速度信息，并传递给数据处理系统(8)；数据处理系统(8)的传感器数据经数据融合系统(10)及滤波系统(9)处理后，得到船舶的低频位姿信息和速度；船舶的低频位姿信息和速度传递给微分同胚变换器(7)，经变换后得到新的状态变量；控制系统(3)的滤波反步控制器(4)和自适应神经网络估计器(6)根据新的状态变量进行相应解算；自适应神经网络估计器(6)根据导引系统(5)和微分同胚变换器(7)的数据，对控制器所需的未知非线性函数进行估计；滤波反步控制器同时接收导引系统(5)的期望位姿和速度、微分同胚变换器(7)的新的状态变量，以及自适应神经网络估计器(6)提供的对未知非线性函数的估计，经解算得到相应的控制指令信息；控制系统(3)将控制指令信息传递给输入约束补偿系统(2)，经输入饱和补偿器(16)和死区补偿器(15)的补偿后，得到最终的控制指令，将控制指令发送给船舶的执行机构，调整船舶的纵向推力、横向推力及转首力矩，实现对船舶的准确控制。

2.根据权利要求1所述的考虑控制输入约束的船舶运动控制系统，其特征是所述控制系统(3)的滤波反步控制器(4)和自适应神经网络估计器(6)根据新的状态变量进行相应解算是指：控制系统(3)中自适应神经网络估计器(6)根据微分同胚变换器(7)提供的新状态变量以及导引系统(5)提供的期望信息，按自适应律，通过RBF神经网络系统对未知非线性函数、低频干扰以及未建模动态进行综合估计，得到控制器所需的非线性函数。

3.根据权利要求1或2所述的考虑控制输入约束的船舶运动控制系统，其特征是所述经输入饱和补偿器(16)和死区补偿器(15)的补偿后得到最终的控制指令是指：控制输入补偿系统(2)对控制系统(3)的控制指令进行判断和处理，如果超出了执行机构的输出界限，则通过输入饱和补偿器(16)对控制指令进行输入饱和补偿；如果控制指令处于执行机构的死区中，则通过死区补偿器(15)对控制指令进行死区补偿。