CN106773689B - 基于分层分布式模型预测控制的auv编队协同控制方法 - Google Patents
基于分层分布式模型预测控制的auv编队协同控制方法 Download PDFInfo
- Publication number
- CN106773689B CN106773689B CN201611163767.1A CN201611163767A CN106773689B CN 106773689 B CN106773689 B CN 106773689B CN 201611163767 A CN201611163767 A CN 201611163767A CN 106773689 B CN106773689 B CN 106773689B
- Authority
- CN
- China
- Prior art keywords
- control
- auv
- state
- indicate
- moment
- 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.)
- Expired - Fee Related
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 23
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种AUV编队的分层分布式模型预测控制协同策略。通过分析编队之间的运动学特性和动力学特性,建立上层和下层串联结构的分层控制体系结构:设计分布式模型预测控制算法实现多AUV上层系统的协同控制,设计非线性模型预测控制算法实现AUV下层系统的跟踪控制。最后串联实现在整个AUV编队的协同控制,达到预定多路径规划。
Description
技术领域
本发明涉及控制系统领域,具体涉及使用模型控制算法在分布式框架下实现编队协同控制的一种新型方法。
背景技术
近年来,随着多水下自主航行器(Autonomous Underwater Vehicle,AUV)技术在深海资源探测、海底绘图、协同护航、海洋搜救等方面应用需求的不断增加,对多AUV协同控制的研究,特别是在集群、合作、跟踪和编队等方面得到了快速的发展。AUV编队协同控制指多个AUV在执行任务的过程中,适应实际环境的约束,达到保持某种规定队形作业的一种控制技术。这种控制技术可以完成复杂任务的分布化:将各项任务分散到大量低成本,功能单一的子AUV中,通过各个子AUV系统之间的协作来完成原本复杂的任务。编队协同技术对提高多AUV控制效率、节约系统成本和保证系统可靠性也具有重要的意义。
模型预测控制(Model predictive control,MPC)是近年来广泛研究的一种反馈控制策略,是一种除PID控制算法以外,工业界应用最多的一种新型高级控制方法。这个算法是一种基于模型的闭环优化控制策略,其算法具有控制效果好、鲁棒性强等优点,可以有效地克服过程的不确定性、非线性和耦合性,并能方便的处理被控变量和操纵变量中的各种约束。模型预测控制的机理可以描述为:在每一采样时刻,根据获取系统当前的状态和输入信息,在线求解一个有限时域开环优化问题,并且将得到的控制序列的第一个元素作用于系统的控制对象,在下一采样时刻,重复上述过程,不断用新的预测值刷新优化问题并求得最新解。随着计算机计算性能的不断提升,模型预测控制的实时性变的更强,具有应用到AUV控制的广泛前景。
AUV编队控制主要解决AUV群组在某一设定速度下,并且沿着一个期望的多路径编队运动问题。这个控制问题主要可以分为个体的路径跟踪和不同个体之间实现协同控制两个问题。对于单个AUV的路径跟踪问题在许多文献中都被研究。如Breivik和Fossen在研究中考虑了欠驱动三自由度的单个航行器,提出其控制策略,并且在模型仿真和试验中均得到验证。Fredriksen等人同样提出了基于Line-of-sight(LOS)导引的控制策略,证明了稳定性,并在后来一个实验中也证实了该理论成果。对多AUV协同控制方面的研究,Skjetne等人在全驱动的航行器的研究中提出了一种集成编队控制策略的操纵控制方法。Pascoal等人对一种全驱动的水下航行器的平面运动问题,提出了分散编队控制思想。这种控制策略是将解耦控制问题的思想应用于个体的路径跟踪及不同个体信息协同中。Scattolini中研究了一种被动的同步路径跟踪控制方法。Lapierre等人考虑两个欠驱动水下航行器沿着平行平面路径,并且保持一个恒定距离的控制问题,提出了一种leader-follower控制策略。
分布式控制策略相比之前学者研究的集中式控制策略能够减少通信和计算成本,提高系统的控制性能;对于控制系统采用分层结构可以较少系统的优化频率,降低优化次数,而且更加便于实际工程的应用;模型预测算法控制率是一种先进的控制算法,相比其他算法具有显示地处理物理约束和优化轨迹的优势。比如在舵机性能和输入受限的实际情况。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于分层分布式模型预测控制的AUV编队协同控制方法。
技术方案
为了实现AUV编队的协调控制,本发明提供一种AUV编队的分层分布式模型预测控制协同策略。通过分析编队之间的运动学特性和动力学特性,建立上层和下层串联结构的分层控制体系结构:设计分布式模型预测控制算法实现多AUV上层系统的协同控制,设计非线性模型预测控制算法实现AUV下层系统的跟踪控制。最后串联实现在整个AUV编队的协同控制,达到预定多路径规划。
一种基于分层分布式模型预测控制的AUV编队协同控制方法,其特征在于步骤如下:
步骤1:假设编队控制中有M个AUV,每个AUV的横滚问题已被解决;通过分析第i个AUV的运动学特性,其中i∈M,建立上层运动学系统的状态方程:
其中,zi(t)表示上层系统的状态矢量,即xi(t)、yi(t)和zi(t)表示第i个AUV在全局空间下t时刻的X轴、Y轴和Z轴的坐标位置,φi(t)和θi(t)表示AUV系统t时刻的偏航角和俯仰角;ui(t)表示上层系统的控制矢量,ui(t)、vi(t)和wi(t)表示AUV在全局空间下t时刻的每个坐标相对应的控制速度,和ri(t)表示t时刻偏航角的角速度和俯仰角的角速度;
步骤2:将上层系统状态方程以采样周期Tu离散化,得到离散的状态方程:
zi(k+1)=Aizi(k)+Biui(k) (2)
其中,Ai为系统矩阵,Bi为系统的控制输入矩阵,k为离散参数点;
步骤3:对上层运动学系统构造二次性能指标:
其中,和为上层系统优化目标函数的状态量、控制量和终端状态的影响系数,为各AUV的协同合作指标项的影响系数,Ri=(Rxi,Ryi,Rzi,0,0)表示全局空间坐标下控制路径的期望航路点矢量,为邻居jAUV的预测状态,在上式子(6)中,设计Kj为一个可收敛的N*5阶矩阵,和表示在空间坐标系下,每个AUV和邻居AUV之间需要协同保证的各个方位的距离信息,其中i,j∈M,且i≠j;公式(6)为合作指标项,保证第i个AUV的状态与邻居的保持编队协同;Gi(zi(k+N))表示系统二次性能指标中的终端成本函数;
步骤4:求解最优的控制序列:
zi(k+1)=Aizi(k)+Biui(k), (8)
umin≤ui(k+j|k)≤umax,j=0,…,N-1, (9)
zi(k+N|k)∈Ωi, (10)
其中,表示系统控制输入最优序列;umin表示控制输入允许的最小值输入量,umax表示控制输入允许的最大值输入量;(9)式按元素满足不等式;对于终端状态满足(10)式终端范围约束;
步骤5:通过优化计算得到第i个AUV上层系统控制器最优的输入控制量,将其传递给下层系统,作为下层系统整个优化过程的参考轨迹即也就是下层控制器在[l*T,(l+Nd-1)*T]时间区间内的设定值;
步骤6:对于下层控制系统,通过分析单个AUV的动力学特性,建立下层系统的状态方程:
其中u(t)表示下层系统的状态矢量,即w(t)表示k时刻下层系统的控制矢量,即w(t)=[τ水(t),τ垂(t),δ水(t),δ垂(t)]T,τ水(t)和δ水(t)表示在空间X-Y平面坐标系下,t时刻的航行器的推力和舵偏转,τ垂(t)和δ垂(t)表示在与X-Y垂直的平面坐标系下,t时刻的航行器的推力和舵偏转;
步骤7:将下层系统状态方程以采样周期Td=Tu/Nd进行离散化,其中Nd为下层系统控制域的循环次数;得到离散的状态方程:
u(l+1)=Au(l)+Bw(l) (12)
其中,A为系统矩阵,B为系统的控制输入矩阵;
步骤8:对下层系统构造二次性能指标:
L(l+j|l,u,w,ur)=α||u(l+j|l)-ur||2+ρ||w(l+j|l)||2
G(u(l+N|l))=β||u(l+N|l)-ur||2
其中,G(u(l+T|l))表示系统二次性能指标中的终端成本函数;
步骤9:求解最优的控制序列:
u(l+1)=Au(l)+Bw(l), (15)
wmin≤w(l+j|l)≤wmax,j=0,…,N-1, (16)
其中,w*(l)=[w*(l|l),…,w*(l+N-1|l)]T表示控制输入最优序列;wmin表示控制输入允许的最小值输入量,wmax表示控制输入允许的最大值输入量;(16)式按元素满足不等式;对于终端状态满足(17)式的终端范围约束。
有益效果
本发明提出的一种基于分层分布式模型预测控制的AUV编队协同控制方法,有益效果为:①提高系统控制的实时性。分层可减少上层系统优化的频率,并进一步减少整个优化次数。②便于工程应用。采用分布式结构和分层的优化框架更加便于实际应用。③两层控制系统均采用模型预测控制算法可处理实际系统的约束。比如在舵机输入受限的实际情况。④优化计算方法,可以在极大程度上提高系统的优化控制性能。
附图说明
图1为分层分布式模型预测控制的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
基于分层分布式模型预测控制算法,结合上层系统和下层系统的控制方案,对于实现编队协同中每个AUV之间的信息交换、优化计算和协同控制策略,我们设计以下算法:
离线部分:首先,在上层系统中,对于第i个AUV系统的运动学方程以周期Ti进行线性离散化。设计上层系统优化目标函数的状态量、控制量和终端状态的影响系数和以及各AUV的协同合作指标项的影响系数设计控制器的终端的约束集合Ωi;在此设计上层系统的预测域长度和控制域的循环次数为N和Nu(且N≥Nu);目标协同轨迹参考矢量Ri=(Rxi,Ryi,Rzi,0,0);设计每个邻居AUV的对进行优化的预测系数Kj。其次,在下层控制器中,以Td=Tu/Nd为周期建立下层系统离散的动力学方程,设计控制器优化目标函数的状态量、控制量和终端状态的影响参数α、ρ和β;在此设计下层系统的预测域长度和控制域的循环次数为N和Nd,(且N≥Nd);设计控制器终端的约束集合
1)在上层系统在线计算部分,控制域的循环次数为Nu,执行以下过程:
a.在初始时刻,假设编队中每个AUV的初始状态都已经获得,选取第i个AUV的初始状态zi(k)进行优化;
b.第i个AUV接受相邻j(j≠i)发来当下的预测状态
c.发送自己当下状态的预测值给周围的邻居AUV;
d.求解优化问题Ji(k,zi,ui),求解得到满足约束的最优控制输入序列
e.将最优控制输入值传递给下层控制系统。
2)在下层系统在线计算部分,控制时域的循环次数为Nd,执行以下过程:
a.接受上层系统传递的信息,记作为下层系统在优化过程的参考值;
b.获取下层系统的状态初始值u(l);
d.求解优化问题J(l,u,w,ur),求解得到满足约束的最优控制输入序列w*(l);
e.将最优的控制输入值w*(l|l),应用到系统控制器;
f.令l=l+1,循环计算执行N步后,返回上层控制系统。
对分层分布式模型预测控制方法的设计包括以下步骤:
1)假设编队控制中有M个AUV,每个AUV的横滚问题已被解决。通过分析第i(i∈M)个AUV的运动学特性,建立上层运动学系统的状态方程:
其中zi(t)表示上层系统的状态矢量,即xi,yi和zi表示第i个AUV在全局空间下的X轴、Y轴和Z轴的坐标位置,φi和θi表示AUV系统的偏航角和俯仰角;ui(t)表示上层系统的控制矢量,即ui,vi和wi表示AUV在全局空间下的每个坐标相对应的控制速度,和ri表示偏航角的角速度和俯仰角的角速度。
2)将上层系统状态方程以采样周期Tu离散化,得到离散的状态方程:
zi(k+1)=Aizi(k)+Biui(k) (2)
在此公式中,Ai为系统矩阵,Bi为系统的控制输入矩阵。
3)对上层运动学系统构造二次性能指标:
具体如下所示,
在上式子(4)中,其中Ri=(Rxi,Ryi,Rzi,0,0)表示全局空间坐标下控制路径的期望航路点矢量。我们定义在编队中,对每个AUV在某一确定距离的半径范围内,并且可以保证与之互相通信的其余AUV为其邻居。记邻居j AUV的预测状态在上式子(6)中,我们设计Kj为一个可收敛的N*5阶矩阵。和(i,j∈M,且i≠j)表示在空间坐标系下,每个AUV和邻居AUV之间需要协同保证的各个方位的距离信息。公式(6)为合作指标项,保证第i个AUV的状态与邻居的保持编队协同。Gi(zi(k+N))表示系统二次性能指标中的终端成本函数。
4)求解最优的控制序列:
zi(k+1)=Aizi(k)+Biui(k), (8)
umin≤ui(k+j|k)≤umax,j=0,…,N-1, (9)
zi(k+N|k)∈Ωi, (10)
其中表示系统控制输入最优序列;umin表示控制输入允许的最小值输入量,umax表示控制输入允许的最大值输入量;(9)式按元素满足不等式;对于终端状态满足(10)式终端范围约束。
通过优化计算得到第i个AUV上层系统控制器最优的输入控制量,将其传递给下层系统,作为下层系统整个优化过程的参考轨迹即也就是下层控制器在[l*T,(l+Nd-1)*T]时间区间内的设定值。由于下层系统并无邻居之间的协同关系,因此为了书写方便,对于每个对应优化的AUV,在下层系统优化过程中将去掉每个相关参数的下标,并作此说明。
5)对于下层控制系统,通过分析单个AUV的动力学特性,建立下层系统的状态方程:
其中u(t)表示下层系统的状态矢量,即w(t)表示k时刻下层系统的控制矢量,即w(t)=[τ水(t),τ垂(t),δ水(t),δ垂(t)]T。τ水和δ水表示在空间X-Y平面坐标系下,航行器的推力和舵偏转。τ垂和δ垂表示在与X-Y垂直的平面坐标系下,航行器的推力和舵偏转。
6)将下层系统状态方程以采样周期Td=Tu/Nd(Nd为下层系统控制域的循环次数)离散化。得到离散的状态方程:
u(l+1)=Au(l)+Bw(l) (12)
在此公式中,A为系统矩阵,B为系统的控制输入矩阵。
7)对上述系统构造二次性能指标:
具体如下所示:L(l+j|l,u,w,ur)=α||u(l+j|l)-ur||2+ρ||w(l+j|l)||2
G(u(l+N|l))=β||u(l+N|l)-ur||2
这里G(u(l+T|l))表示系统二次性能指标中的终端成本函数。
8)求解最优的控制序列:
u(l+1)=Au(l)+Bw(l), (15)
wmin≤w(l+j|l)≤wmax,j=0,…,N-1, (16)
其中w*(l)=[w*(l|l),…,w*(l+N-1|l)]T表示控制输入最优序列;wmin表示控制输入允许的最小值输入量,wmax表示控制输入允许的最大值输入量;(16)式按元素满足不等式;对于终端状态满足(17)式的终端范围约束。
Claims (1)
1.一种基于分层分布式模型预测控制的AUV编队协同控制方法,其特征在于步骤如下:
步骤1:假设编队控制中有M个AUV,每个AUV的横滚问题已被解决;通过分析第i个AUV的运动学特性,其中i∈M,建立上层运动学系统的状态方程:
其中,zi(t)表示上层系统的状态矢量,即xi(t)、yi(t)和zi(t)表示第i个AUV在全局空间下t时刻的X轴、Y轴和Z轴的坐标位置,φi(t)和θi(t)表示AUV系统t时刻的偏航角和俯仰角;ui(t)表示上层系统的控制矢量,ui(t)、vi(t)和wi(t)表示AUV在全局空间下t时刻的每个坐标相对应的控制速度,和ri(t)表示t时刻偏航角的角速度和俯仰角的角速度;
步骤2:将上层系统状态方程以采样周期Tu离散化,得到离散的状态方程:
zi(k+1)=Aizi(k)+Biui(k) (2)
其中,Ai为系统矩阵,Bi为系统的控制输入矩阵,k为离散参数点;
步骤3:对上层运动学系统构造二次性能指标:
其中,和分别为上层系统优化目标函数的状态量、控制量和终端状态的影响系数,为各AUV的协同合作指标项的影响系数,Ri=(Rxi,Ryi,Rzi,0,0)表示全局空间坐标下控制路径的期望航路点矢量,为邻居jAUV的预测状态,在上式子(6)中,设计Kj为一个可收敛的N*5阶矩阵,和表示在空间坐标系下,每个AUV和邻居AUV之间需要协同保证的各个方位的距离信息,其中i,j∈M,且i≠j;公式(6)为合作指标项,保证第i个AUV的状态与邻居的保持编队协同;Gi(zi(k+N))表示系统二次性能指标中的终端成本函数;
步骤4:求解最优的控制序列:
zi(k+1)=Aizi(k)+Biui(k), (8)
umin≤ui(k+j|k)≤umax,j=0,…,N-1, (9)
zi(k+N|k)∈Ωi, (10)
其中,表示系统控制输入最优序列;umin表示控制输入允许的最小值输入量,umax表示控制输入允许的最大值输入量;(9)式按元素满足不等式;对于终端状态满足(10)式终端范围约束;
步骤5:通过优化计算得到第i个AUV上层系统控制器最优的输入控制量,将其传递给下层系统,作为下层系统整个优化过程的参考轨迹即也就是下层控制器在[l*T,(l+Nd-1)*T]时间区间内的设定值;
步骤6:对于下层控制系统,通过分析单个AUV的动力学特性,建立下层系统的状态方程:
其中u(t)表示下层系统的状态矢量,即w(t)表示k时刻下层系统的控制矢量,即w(t)=[τ水(t),τ垂(t),δ水(t),δ垂(t)]T,τ水(t)和δ水(t)表示在空间X-Y平面坐标系下,t时刻的航行器的推力和舵偏转,τ垂(t)和δ垂(t)表示在与X-Y垂直的平面坐标系下,t时刻的航行器的推力和舵偏转;
步骤7:将下层系统状态方程以采样周期Td=Tu/Nd进行离散化,其中Nd为下层系统控制域的循环次数;得到离散的状态方程:
u(l+1)=Au(l)+Bw(l) (12)
其中,A为系统矩阵,B为系统的控制输入矩阵;
步骤8:对下层系统构造二次性能指标:
L(l+j|l,u,w,ur)=α||u(l+j|l)-ur||2+ρ||w(l+j|l)||2
G(u(l+N|l))=β||u(l+N|l)-ur||2
其中,G(u(l+T|l))表示系统二次性能指标中的终端成本函数;
步骤9:求解最优的控制序列:
u(l+1)=Au(l)+Bw(l), (15)
wmin≤w(l+j|l)≤wmax,j=0,…,N-1, (16)
其中,w*(l)=[w*(l|l),…,w*(l+N-1|l)]T表示控制输入最优序列;wmin表示控制输入允许的最小值输入量,wmax表示控制输入允许的最大值输入量;(16)式按元素满足不等式;对于终端状态满足(17)式的终端范围约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611163767.1A CN106773689B (zh) | 2016-12-16 | 2016-12-16 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611163767.1A CN106773689B (zh) | 2016-12-16 | 2016-12-16 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106773689A CN106773689A (zh) | 2017-05-31 |
CN106773689B true CN106773689B (zh) | 2019-08-13 |
Family
ID=58892790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611163767.1A Expired - Fee Related CN106773689B (zh) | 2016-12-16 | 2016-12-16 | 基于分层分布式模型预测控制的auv编队协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106773689B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490961B (zh) * | 2018-03-23 | 2020-11-10 | 哈尔滨工程大学 | 一种多auv动态圆弧编队控制方法 |
CN108594834B (zh) * | 2018-03-23 | 2020-12-22 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
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 |
CN108427284A (zh) * | 2018-04-09 | 2018-08-21 | 中国石油大学(华东) | 一类串联结构多智能体系统协调一致性控制方法 |
CN108710373B (zh) * | 2018-05-31 | 2021-01-15 | 大连海事大学 | 一种网络化欠驱动无人艇分布式编队控制器及其设计方法 |
CN108829133A (zh) * | 2018-06-25 | 2018-11-16 | 北京仿真中心 | 一种存在扰动三维环境下的分布式编队控制系统和方法 |
CN108897215B (zh) * | 2018-06-25 | 2020-07-14 | 西北工业大学 | 基于分布式模型预测控制的多海洋机器人协同环形扫描方法 |
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 |
CN109002636B (zh) * | 2018-08-02 | 2022-11-01 | 哈尔滨工程大学 | 一种水下无人潜航器低耦合分层架构逐级优化方法 |
CN110297499B (zh) * | 2019-06-18 | 2022-04-08 | 东南大学 | 基于跟随分层结构的编队跟踪包围和未知速度估计方法 |
CN110426951A (zh) * | 2019-07-17 | 2019-11-08 | 西北工业大学深圳研究院 | 一种应用于集群智能系统的鲁棒分布式平均跟踪控制方法 |
CN110879600A (zh) * | 2019-12-03 | 2020-03-13 | 南京工程学院 | 一种基于分布式预测控制的多水下机器人系统协调控制方法 |
CN111665861A (zh) * | 2020-05-19 | 2020-09-15 | 中国农业大学 | 一种轨迹跟踪控制方法、装置、设备和存储介质 |
CN112571420B (zh) * | 2020-12-21 | 2022-08-23 | 西北工业大学 | 一种未知参数下的双功能模型预测控制方法 |
CN112882493B (zh) * | 2021-01-27 | 2022-04-05 | 北京理工大学 | 基于分布式最优能量mpc的集群协同部署方法 |
CN112936290B (zh) * | 2021-03-25 | 2022-06-10 | 西湖大学 | 一种基于分层强化学习的四足机器人运动规划方法 |
CN113359437B (zh) * | 2021-05-14 | 2022-09-09 | 北京理工大学 | 基于演化博弈的多智能体编队的分层模型预测控制方法 |
CN113805587B (zh) * | 2021-09-17 | 2023-08-15 | 中国人民解放军国防科技大学 | 多无人车分布式编队控制方法、装置和设备 |
CN114115262B (zh) * | 2021-11-23 | 2024-02-02 | 上海交通大学 | 基于方位角信息的多auv执行器饱和协同编队控制系统和方法 |
CN115268476B (zh) * | 2022-08-23 | 2024-02-06 | 海南大学 | 一种分布式的水面舰艇和水下航行器协同控制系统和方法 |
CN115453872B (zh) * | 2022-09-13 | 2023-05-30 | 四川大学 | 一种基于分布式随机模型预测的多智能体编队及避障方法 |
CN116301058B (zh) * | 2023-05-11 | 2023-08-04 | 中国空气动力研究与发展中心空天技术研究所 | 一种无人飞行反馈非线性偏航控制方法、系统和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984242A (zh) * | 2014-05-19 | 2014-08-13 | 上海交通大学 | 基于模型预测控制的分层预测控制系统及其控制方法 |
CN106094524A (zh) * | 2016-07-07 | 2016-11-09 | 西北工业大学 | 基于输入趋势补偿的快速模型预测控制方法 |
CN108898854A (zh) * | 2018-07-06 | 2018-11-27 | 广州交通信息化建设投资营运有限公司 | 一种基于模型预测控制的多匝道协同控制方法 |
CN108897215A (zh) * | 2018-06-25 | 2018-11-27 | 西北工业大学 | 基于分布式模型预测控制的多海洋机器人协同环形扫描方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101145848B1 (ko) * | 2006-11-29 | 2012-05-17 | 삼성전자주식회사 | 콘텐츠 전송을 위한 접근 제어 방법 및 상기 접근 제어방법을 이용하는 네트워크의 노드 |
-
2016
- 2016-12-16 CN CN201611163767.1A patent/CN106773689B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984242A (zh) * | 2014-05-19 | 2014-08-13 | 上海交通大学 | 基于模型预测控制的分层预测控制系统及其控制方法 |
CN106094524A (zh) * | 2016-07-07 | 2016-11-09 | 西北工业大学 | 基于输入趋势补偿的快速模型预测控制方法 |
CN108897215A (zh) * | 2018-06-25 | 2018-11-27 | 西北工业大学 | 基于分布式模型预测控制的多海洋机器人协同环形扫描方法 |
CN108898854A (zh) * | 2018-07-06 | 2018-11-27 | 广州交通信息化建设投资营运有限公司 | 一种基于模型预测控制的多匝道协同控制方法 |
Non-Patent Citations (5)
Title |
---|
Model Predictive Stabilization of Constrained Underactuated Autonomous Underwater Vehicles With Guaranteed Feasibility and Stability;Huiping Li 等;《IEEE/ASME TRANSACTIONS ON MECHATRONICS》;20170630;第22卷(第3期);全文 |
Two-layer Model Predictive Formation Control Of Unmanned Surface Vehicle;Zhenyuan Fan 等;《IEEE》;20171130;全文 |
分布式模型预测控制方法的研究;曾静 等;《系统仿真学报》;20081130;第20卷(第21期);全文 |
基于分布式模型预测控制的多无人机协同规避控制技术;章豪 等;《南京航空航天大学学报》;20170930;第49卷;全文 |
基于模型预测控制的无人机编队自主重构研究;华思亮 等;《系统仿真学报》;20090831;第20卷;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106773689A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106773689B (zh) | 基于分层分布式模型预测控制的auv编队协同控制方法 | |
Song et al. | Three-dimensional guidance law based on adaptive integral sliding mode control | |
Zhao et al. | Control method for path following and collision avoidance of autonomous ship based on deep reinforcement learning | |
Kim et al. | Nonlinear model predictive coordinated standoff tracking of a moving ground vehicle | |
Qin et al. | A task-based hierarchical control strategy for autonomous motion of an unmanned surface vehicle swarm | |
CN103149937B (zh) | 一种基于曲率补偿的横侧向曲线航迹跟踪方法 | |
CN108594846A (zh) | 一种障碍环境下多auv编队队形优化控制方法 | |
CN104808590B (zh) | 一种基于关键帧策略的移动机器人视觉伺服控制方法 | |
CN109521797A (zh) | 无人船引导水下航行器群的优化割草型编队控制方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN110989639B (zh) | 一种基于应力矩阵的水下航行器编队控制方法 | |
CN109283842A (zh) | 一种无人艇航迹跟踪智能学习控制方法 | |
CN108594639A (zh) | 一种基于强化学习的全垫升气垫船航迹跟踪控制方法 | |
Zhang et al. | Improved composite learning path-following control for the underactuated cable-laying ship via the double layers logical guidance | |
Chu et al. | Distributed fixed-time formation tracking of multi-robot systems with nonholonomic constraints | |
CN109032136A (zh) | 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 | |
CN105068421A (zh) | 多移动机器人的二自由度协同控制方法 | |
CN108089589A (zh) | 一种水下机器人姿态控制方法 | |
CN108614560A (zh) | 一种移动机器人视觉伺服保性能跟踪控制方法 | |
Bian et al. | Three-dimensional coordination control for multiple autonomous underwater vehicles | |
CN109933074A (zh) | 一种有领导者的多无人船群集运动控制器结构及设计方法 | |
Fang et al. | Autonomous underwater vehicle formation control and obstacle avoidance using multi-agent generative adversarial imitation learning | |
CN110095983A (zh) | 一种基于路径参数化的移动机器人预测跟踪控制方法 | |
Wang et al. | Decentralized MPC-based trajectory generation for multiple quadrotors in cluttered environments | |
CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190813 Termination date: 20191216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |