CN107656531B - 一种海洋机器人姿态控制方法、装置和系统 - Google Patents
一种海洋机器人姿态控制方法、装置和系统 Download PDFInfo
- Publication number
- CN107656531B CN107656531B CN201610596664.8A CN201610596664A CN107656531B CN 107656531 B CN107656531 B CN 107656531B CN 201610596664 A CN201610596664 A CN 201610596664A CN 107656531 B CN107656531 B CN 107656531B
- Authority
- CN
- China
- Prior art keywords
- attitude
- neural network
- network
- marine robot
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000001580 bacterial effect Effects 0.000 claims abstract description 17
- 230000002431 foraging effect Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 22
- 230000005012 migration Effects 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 11
- 241000894006 Bacteria Species 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000010076 replication Effects 0.000 claims description 6
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及“一种海洋机器人姿态控制方法、装置和系统”。本申请公开了一种海洋机器人姿态控制方法，利用基于细菌觅食优化算法改进的概率神经网络PID控制算法，对采集到的海洋机器人水下实际纵倾角、航向角及深度与预期数值之间的误差进行控制，实现对推进器的控制。该方法将概率神经网络与PID控制相结合，具有良好的自适应性控制和抗干扰能力，并且对概率神经网络进行基于细菌觅食优化算法优化，提高了算法的自学习能力和速度，使海洋机器人能快速获得较高的姿态稳定性。
Description
技术领域
本发明的实施例总体上涉及自动控制技术领域，具体涉及一种海洋机器人姿态控制。
背景技术
在海洋开发热的环境下，海洋机器人逐渐成为航海中的新的前沿和热点的问题。由于在海洋中运行存在诸多外部干扰因素，海洋机器人在执行任务的过程中，不但要求其在环境扰动下能够按照预定的轨迹运动，而且在许多情况下需要利用海洋机器人对目标物进行更细致的观察和操作，这就需要海洋机器人相对于目标物的位置保持不变，即要求海洋机器人具有能够抵抗环境扰动的较高的姿态稳定性，当海洋机器人因其力学性能变化和所处的环境发生改变而引起控制性能下降时，海洋机器人的控制器参数会改变，这时为了实现对机器人的精确、快速控制，需要控制系统具有良好的自适应调节能力，能根据海洋环境下的时变特性，自适应调整控制器的参数，以满足控制需求。
但是目前，许多海洋机器人在水下姿态自动调整方面存在不足，由于水下干扰的复杂性，海洋机器人控制系统要保持较好的稳定性、快速性和准确性具有一定的难度。
发明内容
本发明的实施例的目的在于克服上述现有技术的至少一个缺点和不足。
根据本发明的实施例，提供了一种海洋机器人姿态控制方法，使得PID控制器具有良好的自适应性控制和抗干扰能力，海洋机器人能快速获得较高的姿态稳定性。
根据本发明的实施例的海洋机器人姿态控制方法，该方法包括以下具体步骤：
步骤S1，实时采集海洋机器人的姿态信息，所述姿态信息包括水下实时纵倾角、航向角及深度信息；
步骤S2，将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比，得到姿态误差；
步骤S4，通过概率神经网络自身的学习，调整加权系数，降低姿态误差，例如使误差趋于零，优化PID控制器，例如得到最优控制下的PID控制器参数kP，kI，kD；
步骤S5，通过优化后的PID控制器对海洋机器人姿态进行修正，使之稳定在设定的工作姿态。
优选地或可选地，上述方法进一步包括步骤S3，利用细菌觅食优化算法训练概率神经网络，从而构建BFO-PNN网络，优化概率神经网络连接权值，提高概率神经网络全局寻优能力，
在步骤S3中，利用细菌觅食优化算法训练概率神经网络包括将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中，将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中进一步包括以下步骤：
步骤S31，建立初始PNN模型和完成菌群初始化，不同细菌个体代表神经网络中不同的连接权值；
步骤S32，利用PNN通过反复迭代运算，计算每个网络的均方误差(MSE)作为网络的适应值，完成对每一个细菌体连接权值的优化；
步骤S33，复制操作：淘汰MSE过大的细菌个体对应的网络，MSE较小的网络进行繁殖且繁殖的子代网络与母代网络具有相同的结构和网络权值；
步骤S34，迁徙操作：以给定概率选择部分细菌个体对应的网络，并重新赋予初始权值，死亡再生后随机分配到寻优空间，这有利于保持网络多样性；
步骤S35，重复进行训练、复制和迁徙操作，将整个网络模型中具有最优MSE的网络权值保存，当目标函数值MSE小于给定误差时，算法停止，训练结束。
由此，利用基于细菌觅食优化算法改进的概率神经网络PID控制算法，对采集到的海洋机器人水下实际纵倾角、航向角及深度与预期数值之间的误差进行控制，进而实现对推进器的控制。
根据本发明的实施例，提供了一种用于海洋机器人的姿态控制的控制器，包括：
经典PID控制器；以及
与所述经典PID控制器耦合的自适应学习模块，用于通过概率神经网络自身的学习，调整加权系数，降低姿态误差，优化所述经典PID控制器。
根据本发明的实施例，提供了一种用于海洋机器人的姿态控制的系统，包括根据本发明的实施例的用于海洋机器人的姿态控制的控制器。
相比于现有技术的缺点和不足，本发明的实施例具有以下有益效果：将概率神经网络与PID控制相结合，具有良好的自适应性控制和抗干扰能力，并且对概率神经网络进行基于细菌觅食优化算法优化，提高了算法的自学习能力和速度，使海洋机器人能快速获得较高的姿态稳定性，具有良好的自适应调节能力，使海洋机器人在海洋多变环境下执行多种动作。
附图说明
图1是根据本发明的实施例的控制系统示意图；
图2是根据本发明的实施例的海洋机器人的姿态控制方法的流程图；
图3是根据本发明的利用细菌觅食优化算法训练概率神经网络的流程图；
图4是PNN-PID和BFO-PNN-PID算法控制效果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明的实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1是根据本发明的实施例的控制系统示意图。如图1所示，用于海洋机器人的姿态控制的系统包括对经典PID控制器进行改进得到的BFO-PNN-PID控制器。其中，通过概率神经网络自身的学习(例如通过自适应学习模块)和/或利用例如细菌觅食优化算法训练概率神经网络(例如通过训练模块)，来对经典PID控制器进行改进，得到优化的PID控制器。优化的PID控制器的输出可通过D/A转换后作用于推进器，进而作用于被控对象。进一步，还可包括反馈回路，该反馈回路包括传感器和A/D转换器，通过传感器来对与被控对象相关联的被控制量进行感测，并通过A/D转换器来转换后，反馈到控制器的输入。由此，通过优化后的PID控制器对海洋机器人姿态进行修正，使之稳定在设定的工作姿态。
要理解，图1示出的只是本发明的一个实施例，根据实际需要，其它实施例可以包含多于或少于图1所示的部件。
图2是根据本发明的实施例的海洋机器人的姿态控制方法的流程图。该方法主要是实时采集海洋机器人水下实时纵倾角、航向角及深度信息，与初始设定的工作姿态信息进行对比，得到姿态误差，然后为了保障海洋机器人的姿态稳定，利用PID对姿态误差进行调节，完成对被控对象的控制。但是当海洋机器人因其力学性能变化和所处的环境发生改变而引起控制性能下降时，这时要求机器人的控制系统具有自调节能力。
如图2所示，该方法包括以下具体步骤：
步骤S1，实时采集海洋机器人的姿态信息，所述姿态信息包括水下实时纵倾角、航向角及深度信息；
步骤S2，将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比，得到姿态误差；
步骤S4，通过概率神经网络自身的学习，调整加权系数，使误差趋于零，优化PID控制器，例如得到最优控制下的PID控制器参数kP，kI，kD；
步骤S5，通过优化后的PID控制器对海洋机器人姿态进行修正，使之稳定在设定的工作姿态。
优选地或可选地，上述方法进一步包括步骤S3，利用细菌觅食优化算法训练概率神经网络，从而构建BFO-PNN网络，优化概率神经网络连接权值，提高概率神经网络全局寻优能力，
图3是根据本发明的利用细菌觅食优化算法训练概率神经网络的流程图。如图3所示，在步骤S3中，利用细菌觅食优化算法训练概率神经网络包括将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中，将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中进一步包括以下步骤：
步骤S31，建立初始PNN模型和完成菌群初始化，不同细菌个体代表神经网络中不同的连接权值；
步骤S32，利用PNN通过反复迭代运算，计算每个网络的均方误差(MSE)作为网络的适应值，完成对每一个细菌体连接权值的优化；
步骤S33，复制操作：淘汰MSE过大的细菌个体对应的网络，MSE较小的网络进行繁殖且繁殖的子代网络与母代网络具有相同的结构和网络权值；
步骤S34，迁徙操作：以给定概率选择部分细菌个体对应的网络，并重新赋予初始权值，死亡再生后随机分配到寻优空间，这有利于保持网络多样性；
步骤S35，重复进行训练、复制和迁徙操作，将整个网络模型中具有最优MSE的网络权值保存，当目标函数值MSE小于给定误差时，算法停止，训练结束。
由此，利用基于细菌觅食优化算法改进的概率神经网络PID控制算法，对采集到的海洋机器人水下实际纵倾角、航向角及深度与预期数值之间的误差进行控制，进而实现对推进器和被控对象的控制。
其中，BFO-PNN网络被构建，概率神经网络的输出层为3，对应PID调节参数kP，kI，kD，网络的学习速率径向基函数的分布密度η＝0.2，网络复制次数为Nre＝8，网络迁徙概率为Ped＝0.125。下面以纵倾控制为例进行仿真实验说明，简化后的海洋机器人近似数学模型由传递函数写成增量形式如下：
y(t)＝-den(2)×y_1-den(3)×y_2+num(2)×u_1+num(3)×u_2
输入为单位阶跃信号r(t)＝1，性能指标为
为了验证改进算法的有效性，下面分别仿真PNN-PID和BFO-PNN-PID控制算法下系统的单位阶跃信号的响应，控制效果对比图如图4所示，改进后的自适应BFO-PNN-PID控制器在一定程度上抑制了控制系统的超调现象，提高了响应速度，实现了对机器人的良好控制效果。
以上所述仅为本发明的具体实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种海洋机器人的姿态控制的方法，包括以下步骤：
步骤S1，实时采集海洋机器人的姿态信息，其中，所述姿态信息包括水下实时纵倾角、航向角及深度信息，降低姿态误差包括误差趋于零，以及通过优化PID控制器得到最优控制下的PID控制器参数；
步骤S2，将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比，得到姿态误差；
步骤S3，利用细菌觅食优化算法训练概率神经网络，从而构建BFO-PNN网络；
其中，在步骤S3中，利用细菌觅食优化算法训练概率神经网络包括将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中，
其中，将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中进一步包括以下步骤：
步骤S31，建立初始PNN模型和完成菌群初始化，不同细菌个体代表神经网络中不同的连接权值；
步骤S32，利用PNN通过反复迭代运算，计算每个网络的均方误差作为网络的适应值，完成对每一个细菌体连接权值的优化；
步骤S33，复制操作：淘汰均方误差过大的细菌个体对应的网络，均方误差较小的网络进行繁殖且繁殖的子代网络与母代网络具有相同的结构和网络权值；
步骤S34，迁徙操作：以给定概率选择部分细菌个体对应的网络，并重新赋予初始权值，死亡再生后随机分配到寻优空间；
步骤S35，重复进行训练、复制和迁徙操作，将整个网络模型中具有最优均方误差的网络权值保存，当目标函数值均方误差小于给定误差时，训练结束；
步骤S4，通过概率神经网络PNN自身的学习，调整加权系数，降低姿态误差，优化PID控制器；
步骤S5，通过优化后的PID控制器对海洋机器人姿态进行修正，使之稳定在设定的工作姿态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610596664.8A CN107656531B (zh) | 2016-07-26 | 2016-07-26 | 一种海洋机器人姿态控制方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610596664.8A CN107656531B (zh) | 2016-07-26 | 2016-07-26 | 一种海洋机器人姿态控制方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107656531A CN107656531A (zh) | 2018-02-02 |
| CN107656531B true CN107656531B (zh) | 2022-04-19 |
Family
ID=61127199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610596664.8A Active CN107656531B (zh) | 2016-07-26 | 2016-07-26 | 一种海洋机器人姿态控制方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107656531B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803348B (zh) * | 2018-08-03 | 2021-07-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
| CN109116724A (zh) * | 2018-08-22 | 2019-01-01 | 上海电力学院 | 一种基于粒子群改进细菌觅食算法的负荷频率控制方法 |
| CN111026145B (zh) * | 2019-12-24 | 2023-06-23 | 上海海事大学 | 一种适用于上层海洋机器人沉浮及姿态控制系统 |
| CN112000116A (zh) * | 2020-07-24 | 2020-11-27 | 西北工业大学 | 一种基于改进萤火虫pid方法的自主水下航行器航向角控制方法 |
| CN113721641A (zh) * | 2021-09-02 | 2021-11-30 | 中国海洋大学 | 深海数据采集系统 |
| CN117184382B (zh) * | 2023-11-07 | 2024-01-19 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1718378A (zh) * | 2005-06-24 | 2006-01-11 | 哈尔滨工程大学 | 浮游式水下机器人运动的s面控制方法 |
| US9358685B2 (en) * | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
| CN104527943B (zh) * | 2014-11-17 | 2017-05-24 | 哈尔滨工程大学 | 一种基于能量优化的综合减摇装置双重神经网络自整定pid控制方法 |
| CN104503231B (zh) * | 2014-11-25 | 2017-02-22 | 北京理工大学 | 两栖蛙板机器人的摆臂驱动式运动控制方法 |
-
2016
- 2016-07-26 CN CN201610596664.8A patent/CN107656531B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107656531A (zh) | 2018-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107656531B (zh) | 一种海洋机器人姿态控制方法、装置和系统 | |
| CN108656117B (zh) | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 | |
| CN108008627B (zh) | 一种并行优化的强化学习自适应pid控制方法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| Li et al. | A spintronic memristor-based neural network with radial basis function for robotic manipulator control implementation | |
| Peng et al. | Robust adaptive formation control of underactuated autonomous surface vehicles with uncertain dynamics | |
| CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
| CN108803336B (zh) | 一种航空发动机自适应lqg/ltr控制器设计方法 | |
| CN110347155B (zh) | 一种智能车辆自动驾驶控制方法及系统 | |
| CN101727071A (zh) | 神经网络模型与二次型单神经元pid并行控制方法 | |
| CN104317195B (zh) | 一种基于改进极限学习机的非线性逆模型控制方法 | |
| KR101963686B1 (ko) | 타겟 시스템 제어 | |
| Liu et al. | Adaptive neural dynamic surface control of MIMO pure-feedback nonlinear systems with output constraints | |
| CN108121208A (zh) | 基于pso-abfo再热汽温pid控制器参数优化方法 | |
| CN107643684B (zh) | 一种阀门流量函数优化方法及装置 | |
| CN110362103B (zh) | 分布式自主水下航行器姿态协同优化控制方法 | |
| CN113093526A (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
| Dai et al. | Robust control of underwater vehicle-manipulator system using grey wolf optimizer-based nonlinear disturbance observer and H-infinity controller | |
| Alfaro-Cid et al. | Optimisation of the weighting functions of an H∞ controller using genetic algorithms and structured genetic algorithms | |
| WO2021186500A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
| Abdulla et al. | Roll control system design using auto tuning LQR technique | |
| Silvério et al. | An uncertainty-aware minimal intervention control strategy learned from demonstrations | |
| CN111427261A (zh) | 一种基于猫群算法的pid参数整定方法 | |
| CN113748385A (zh) | 控制装置 | |
| CN115700414A (zh) | 一种机器人运动误差补偿方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220526 Address after: 518000 1st floor, building a, No.8 Huanzhen Road, Digang community, Shajing street, Bao'an District, Shenzhen City, Guangdong Province Patentee after: SHENZHEN LIHE PRECISION EQUIPMENT TECHNOLOGY Co.,Ltd. Address before: 518000 1501, floor 15, block C, building 9, Baoneng Technology Park, Qinghu Industrial Park, Qingxiang Road, Longhua new area, Shenzhen, Guangdong Patentee before: SHENZHEN HUAQING PRECISION TECHNOLOGY Co.,Ltd. |