CN108197350A - 一种无人船速度和不确定性估计系统及设计方法 - Google Patents

一种无人船速度和不确定性估计系统及设计方法 Download PDF

Info

Publication number
CN108197350A
CN108197350A CN201711310223.8A CN201711310223A CN108197350A CN 108197350 A CN108197350 A CN 108197350A CN 201711310223 A CN201711310223 A CN 201711310223A CN 108197350 A CN108197350 A CN 108197350A
Authority
CN
China
Prior art keywords
unmanned boat
input
output
speed
low frequency
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.)
Granted
Application number
CN201711310223.8A
Other languages
English (en)
Other versions
CN108197350B (zh
Inventor
彭周华
姜岳
王丹
古楠
刘陆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201711310223.8A priority Critical patent/CN108197350B/zh
Publication of CN108197350A publication Critical patent/CN108197350A/zh
Application granted granted Critical
Publication of CN108197350B publication Critical patent/CN108197350B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种无人船速度和不确定性估计系统及设计方法。依本发明可以将回声状态网络应用于无人船的速度估计中,利用回声状态网络逼近模型不确定性和环境扰动,使系统不仅能够获得目标速度的观测值,而且可以逼近如模型参数的不确定、流体动力学的未建模、风浪和洋流引起的外部干扰产生的未知动态,有效解决了含有模型不确定性和未知环境扰动的状态观测问题。回声状态网络的引入克服了传统的神经网络基于梯度下降的学习算法带来的慢收敛、容易陷入局部极小、训练过程复杂等问题。本发明采用带有低频学习环节的神经网络逼近系统不确定性,有效滤除高增益学习率可能引起的高频震荡,实现对含有未知动态系统的稳定状态观测。

Description

一种无人船速度和不确定性估计系统及设计方法
技术领域
本发明涉及一种适用于无人船领域的速度和不确定性估计系统及设计方法,尤其是一种无人船状态观测器系统及设计方法。
背景技术
水面无人船作为人类保护海洋和开发海洋的重要工具具有无人化、小型化、智能化的优点,在海洋水文监测、污染跟踪、海底资源勘探、区域搜索与搜救等领域发挥着重要的作用,因此对无人船运动控制的研究有重要意义。在无人船的各类运动控制方案中,作为状态变量的位置信息和速度信息需已知。实际运动控制过程中,无人船的位置信息可以由全球导航卫星系统直接获得,而速度信息却不能轻易地通过测量获得。因此,使用一个稳定的观测器对无人船状态进行实时估计是十分有必要的。
针对无人船的速度估计问题,无人船控制领域中已有一些可行的技术方案。例如:中国专利CN106773741A公开了一种无人船动力定位系统及方法的专利文献,该方案主要利用传感器测量系统测量出船运动的位置和航向并建立无人船在多因素作用下的水动力模型,通过计算机进行复杂的实时计算得到速度和外扰信息,进而获得无人船保持目标船位和船艏向的方法。再如,中国专利文献CN106338919A公开了一种基于增强学习型智能算法的无人艇航迹跟踪控制方法,该方法利用位置参考系统测得无人艇的位置信息、用姿态参考系统测得无人艇的艏向姿态信息;对获取的位置信息及姿态信息进行滤波及融合,得到无人艇的实际位置及姿态,并计算出速度信息;将期望的位置及姿态与实际的位置及姿态做比较,并经过解算得到误差信号;利用 Backstepping法不断反演,最终得到航迹跟踪控制系统的控制律。
在速度估计系统的设计中,不仅要求能稳定估计出无人船的速度信息,同时要考虑无人船建模过程中存在的一系列模型不确定性和外部干扰,这些未知动态主要包括三个方面:模型参数不确定性、流体动力学未建模、风浪和洋流引起的外部干扰。因此针对无人船的状态估计系统应具有逼近模型不确定性和抗干扰的能力。
然而,从无人船速度和不确定性估计两方面,现有技术存在下列不足:第一,现有无人船控制技术中速度信息多是通过位置和姿态信息直接微分获得,存在一定误差,尤其不利于小型无人船精确控制。第二,在一些无人船控制算法中,需要已知风浪流等干扰因素,增加了实际工程实现难度和控制误差。
发明内容
本发明所要解决的技术问题是提供一种无人船速度和不确定性估计系统及设计方法。系统是基于回声状态网络(ESN)的非线性自适应观测器,不仅可用于观测无人船速度信息、学习模型不确定性和外部扰动,而且够减少信息的通信量,减少计算负荷,从而满足无人船的运动控制要求。该系统既适用于全驱动无人船,也适用于欠驱动无人船。
为此,本发明解决所述问题的技术方案是:设计一种无人船的速度和不确定性估计系统,由低频学习环节、逼近器、观测器和比较器组成;并且,所述的低频学习环节的输入端与比较器的输出端相连接,接收定位系统输出的无人船位置信息;所述低频学习环节的输出端与逼近器的输入端相连接;所述逼近器的另一输入端与无人船水面航行器的位置信息端和控制信息端相连接;所述逼近器的输出端与所述观测器的输入端相连接;所述观测器的输入端还与无人船水面航行器的位置信息端和控制信息端相连接;所述观测器的输出端与比较器相连接;所述比较器的另一端接收所述定位系统输出的无人船位置信息。
进一步地,所述的受控无人船满足下面的运动模型:
其中下式:
为船体参考系和地球参考系之间的转移矩阵;代表地球参考系下无人船的位置信号,其中x表示在地球参考系下x轴方向的坐标,y表示地球参考系下y轴方向的坐标,ψ表示地球参考系下的艏摇角;代表船体参考系下无人船的速度信号,其中 u表示船体参考系下的纵荡速度,υ表示船体参考系下的横荡速度,r 表示船体参考系下的艏摇角速度;代表惯性矩阵;代表科里奥利向心矩阵;代表非线性阻尼矩阵;g(ν,η)是由浮力和重力共同作用所引起的回复力与回复力矩的向量;是无人船的控制信号,其中τuυr分别表示对无人船的纵荡速度、横荡速度、艏摇角速度的控制信号;代表时变风浪流对无人船造成的扰动,其中τwuwr分别代表时变风浪流对无人船的纵荡速度、横荡速度、艏摇角速度的扰动。
上述无人船速度和不确定性估计系统的设计方法,方法包括下述步骤:
A.逼近器的设计:
基于回声状态网络,并将回声状态网络结构分为输入层、隐层神经元组成的储备池和输出层,将η设为逼近器的输入为低频学习单元输出的更新率和定位系统测得的无人船位置信息,其中,所述的回声状态网络包含k个输入单元,n个隐层单元和l个输出单元,其回声状基本方程是:
其中,分别为状态变量、输入变量和输出变量;为权值矩阵;为衰减率,为时间常数,σ(·)为激活函数向量,表示输出权值矩阵,定义g(·)为输出激活函数;据此,将式(3)的无人船模型写为以下形式:
式中,f(·)=-C(ν)ν-D(ν)ν-g(ν,η)+τw(t);
由此,利用输出数据η和输入数据τ逼近未知函数f(·);给定正数ε*,存在权值矩阵使f(·)可以利用回声状态网络被估计:
f(·)=WTσf(ξ)+ε(ξ) (5)
式中,输入向量ξ=[ηT(t),ηT(t-td),ηT(t-2td),τT]T,td>0,且满足||ε(ξ)||≤ε*;最佳权值矩阵W为:
其中的为W的估计值,逼近器输出为其更新率由低频学习环节输出。
B.低频学习环节的设计:
低频学习环节的输入信号为定位系统输出的无人船位置信息η和比较器的输出由算式得到的更新率:
其中,均为参数。
C.观测器的设计:
所述的观测器是非线性观测器,其输入信号是无人船位置信息η、控制信息τ以及逼近器输出的对不确定性的估计信息;令为位置向量η与速度向量v的估计量,则可以设计于回声状态网络的全状态观测器表达如下:
式中,为设计参数。
D.比较器的设计:
比较器的输入信息是定位系统输出的无人船位置信息η和观测器的输出信息由下式
得到比较器的输出信号
进一步地,所述逼近器的设计方法中的无人船模型(4),当其控制向量分量τυ设置为0时,则该模型转化为欠驱动无人船,即:无人船速度和不确定性估计系统既可用于全驱动水面无人船,也可用于欠驱动水面无人船。
优选的,所述逼近器的设计步骤中构造输入向量环节,在执行过程中可以将神经网络的输入向量中位置信息替换为增量信息Δ1=R(ψ)[η(t)-η(t-td)]和Δ2=R(ψ(t-td))[η(t-td)-η(t-2td)]以减少回声状态网络的输入维数。
优选的,所述使用位置增量信息作为神经网络的输入过程中,在选用作为输入向量时,回声状态网络的输入维数可以被减至九维;选用作为输入向量时,回声状态网络的输入维数可以被减至六维。
相比现有技术,本发明的有益效果是:
第一,本发明将回声状态网络应用于无人船的速度和不确定性估计系统中,利用回声状态网络逼近模型不确定性和环境扰动,使系统不仅能够获得目标速度的观测值,而且可以逼近如模型参数的不确定、流体动力学的未建模、风浪和洋流引起的外部干扰产生的未知动态,有效解决了含有模型不确定性和未知环境扰动的状态观测问题。回声状态网络的引入克服了传统的神经网络基于梯度下降的学习算法带来的慢收敛、容易陷入局部极小、训练过程复杂等问题。
第二,与传统非线性观测器相比,本发明采用带有低频学习环节的神经网络逼近系统不确定性,有效滤除高增益学习率可能引起的高频震荡,实现对含有未知动态系统的稳定状态观测。
第三,本发明既适用于全驱动控制模型,也适用于欠驱动模型,具有较高的实用价值。同时本发明采用增量信息作为神经网络的输入,降低了输入向量的维数,减轻了计算的负担,利于实际使用。
附图说明
本发明共有附图8张,其中:
图1是本发明涉及的无人船速度和不确定性估计系统结构示意图。
图2是回声状态网络原理图。
图3是无人船实际纵荡速度与系统观测结果仿真图。
图4是无人船实际横荡速度与系统观测结果仿真图。
图5是无人船实际艏摇角速度与系统观测结果仿真图。
图6是纵荡速度方向对未知函数的逼近仿真图。
图7是横荡速度方向对未知函数的逼近仿真图。
图8是艏摇角速度方向对未知函数的逼近仿真图。
具体实施方式
本发明涉及的无人船速度和不确定性估计系统如附图1所示。下面针对一个具体无人船进行状态观测,并以此为例对本发明进行进一步说明,其中无人船模型的具体参数如下:
令无人船在外在扰动和控制力矩的作用下做曲线运动,并将控制向量τ和位置向量η用作无人船速度和不确定性估计系统的输入。系统结构满足式(4)-(10),具体的控制参数如下:
K1=diag{60,60,60},K2=diag{1200,1200,1200}, Γ=8000,Γf=10,kW=0.001
仿真结果如图3-8所示。图3-5是无人船实际纵荡速度、横荡速度和艏摇角速度与速度和不确定性估计系统速度观测值的比较,可以看出速度观测结果能够准确跟踪实际值;图6-8是对未知函数三个分量的逼近,在本例中包括模型参数不确定以及海浪干扰,可以看出所设计系统能够有效逼近未知函数。
由仿真结果可知,设计的基于回声状态网络的速度和不确定性估计系统可以快速、准确跟踪目标状态并有效逼近系统不确定,同时采用低频学习环节避免了高增益学习率可能引起的高频震荡问题,满足设计目标。
综上,本发明涉及无人船速度和不确定性估计系统及设计方法,在应用于观测无人船速度信息、逼近模型不确定性和外部扰动、进而满足水面无人船的运动控制要求的方面是一种可供同行借鉴参考的标准。根据该标准可以使系统不仅适用于全驱动无人船,也适用于欠驱动无人船。

Claims (7)

1.一种无人船的速度和不确定性估计系统,其特征在于,所述的系统由低频学习环节、逼近器、观测器和比较器组成;其中,所述的低频学习环节的输入端与比较器的输出端相连接,且接收定位系统输出的无人船位置信息;所述低频学习环节的输出端与逼近器的输入端相连接;所述逼近器的另一输入端与无人船水面航行器的位置信息端和控制信息端相连接;所述逼近器的输出端与所述观测器的输入端相连接;所述观测器的输入端还与无人船水面航行器的位置信息端和控制信息端相连接;所述观测器的输出端与比较器相连接;所述比较器的另一端接收所述定位系统输出的无人船位置信息。
2.根据权利要求1所述的无人船速度和不确定性估计系统,其特征在于,所述的受控无人船水面航行器满足下面的运动模型:
其中下式:
为船体参考系和地球参考系之间的转移矩阵;代表地球参考系下无人船的位置信号,其中x表示在地球参考系下x轴方向的坐标,y表示地球参考系下y轴方向的坐标,ψ表示地球参考系下的艏摇角;代表船体参考系下无人船的速度信号,其中u表示船体参考系下的纵荡速度,υ表示船体参考系下的横荡速度,r表示船体参考系下的艏摇角速度;代表惯性矩阵;代表科里奥利向心矩阵;代表非线性阻尼矩阵;g(ν,η)是由浮力和重力共同作用所引起的回复力与回复力矩的向量;是无人船的控制信号,其中τuυr分别表示对无人船的纵荡速度、横荡速度、艏摇角速度的控制信号;代表时变风浪流对无人船造成的扰动,其中τwuwr分别代表时变风浪流对无人船的纵荡速度、横荡速度、艏摇角速度的扰动。
3.一种无人船速度和不确定性估计的设计方法,其特征在于,所述方法包括下述步骤:
A.逼近器的设计:
基于回声状态网络,并将回声状态网络结构分为输入层、隐层神经元组成的储备池和输出层,将η设为逼近器的输入为低频学习单元输出的更新率和定位系统测得的无人船位置信息,其中,所述的回声状态网络包含k个输入单元,n个隐层单元和l个输出单元,其回声状基本方程是:
其中,分别为状态变量、输入变量和输出变量;为权值矩阵;为衰减率,为时间常数,σ(·)为激活函数向量,表示输出权值矩阵,定义g(·)为输出激活函数;据此,将式(3)的无人船模型写为以下形式:
式中,f(·)=-C(ν)ν-D(ν)ν-g(ν,η)+τw(t);
由此,利用输出数据η和输入数据τ逼近未知函数f(·);给定正数ε*,存在权值矩阵使f(·)可以利用回声状态网络被估计:
f(·)=WTσf(ξ)+ε(ξ) (5)
式中,输入向量ξ=[ηT(t),ηT(t-td),ηT(t-2td),τT]T,td>0,且满足||ε(ξ)||≤ε*;最佳权值矩阵W为:
其中的为W的估计值,逼近器输出为其更新率由低频学习环节输出;
B.低频学习环节的设计:
低频学习环节的输入信号为定位系统输出的无人船位置信息η和比较器的输出由算式得到的更新率:
其中,均为正常数;
C.观测器的设计:
所述的观测器是非线性观测器,其输入信号是无人船位置信息η、控制信息τ以及逼近器输出的对不确定性的估计信息;令为位置向量η与速度向量v的估计量,则可以设计于回声状态网络的全状态观测器表达如下:
式中,为设计参数;
D.比较器的设计:
比较器的输入信息是定位系统输出的无人船位置信息η和观测器的输出信息由下式
得到比较器的输出信号
4.根据权利要求3所述的无人船速度和不确定性估计系统的设计方法,其特征在于,所述逼近器的设计步骤中的无人船模型(4),当其控制向量分量τυ设置为0时,则该模型转化为欠驱动无人船,即:无人船速度和不确定性估计系统既可用于全驱动无人船,也可用于欠驱动无人船。
5.根据权利要求3所述的无人船速度和不确定性估计系统的设计方法,其特征在于,所述逼近器的设计步骤中构造输入向量环节,在执行过程中可以将神经网络的输入向量中位置信息替换为增量信息Δ1=R(ψ)[η(t)-η(t-td)]和Δ2=R(ψ(t-td))[η(t-td)-η(t-2td)]以减少回声状态网络的输入维数。
6.根据权利要求5所述的无人船速度和不确定性估计系统的设计方法,其特征在于,所述使用位置增量信息作为神经网络的输入过程中,在选用作为输入向量时,回声状态网络的输入维数可以被减至九维;选用作为输入向量时,回声状态网络的输入维数可以被减至六维。
7.根据权利要求3所述的无人船速度和不确定性估计系统的设计方法,其特征在于,所述的无人船低频学习环节设计过程中,采用带有低频学习环节的神经网络逼近系统不确定性,以低频学习环节输出回声状态网络权值矩阵,滤除高增益学习率可能引起的高频震荡,实现对含有未知动态系统的稳定状态观测。
CN201711310223.8A 2017-12-11 2017-12-11 一种无人船速度和不确定性估计系统及设计方法 Expired - Fee Related CN108197350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711310223.8A CN108197350B (zh) 2017-12-11 2017-12-11 一种无人船速度和不确定性估计系统及设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711310223.8A CN108197350B (zh) 2017-12-11 2017-12-11 一种无人船速度和不确定性估计系统及设计方法

Publications (2)

Publication Number Publication Date
CN108197350A true CN108197350A (zh) 2018-06-22
CN108197350B CN108197350B (zh) 2020-04-24

Family

ID=62574047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711310223.8A Expired - Fee Related CN108197350B (zh) 2017-12-11 2017-12-11 一种无人船速度和不确定性估计系统及设计方法

Country Status (1)

Country Link
CN (1) CN108197350B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409431A (zh) * 2018-10-29 2019-03-01 吉林大学 基于神经网络的多传感器姿态数据融合方法及系统
CN109443356A (zh) * 2019-01-07 2019-03-08 大连海事大学 一种含测量噪声的无人船位置与速度估计结构及设计方法
CN109581876A (zh) * 2019-01-08 2019-04-05 大连海事大学 一种无人船的事件触发状态观测器结构及其设计方法
CN109739089A (zh) * 2019-01-07 2019-05-10 大连海事大学 一种无人驾驶船舶非周期采样远程操控系统及设计方法
CN109813307A (zh) * 2019-02-26 2019-05-28 大连海事大学 一种无人船多传感器数据融合的导航系统及其设计方法
CN110109355A (zh) * 2019-04-29 2019-08-09 山东科技大学 一种基于强化学习的无人艇异常工况自愈控制方法
CN110989362A (zh) * 2019-12-26 2020-04-10 大连海事大学 一种带有信号量化和状态时变时延的umv的t-s模糊滑模容错控制方法
CN111338213A (zh) * 2020-03-17 2020-06-26 大连海事大学 一种基于事件触发机制的多水下航行器自适应模糊二部一致控制方法
CN111538341A (zh) * 2020-06-02 2020-08-14 大连海事大学 基于宽度学习自适应动态规划的船舶动力定位优化控制方法
CN112558477A (zh) * 2020-12-03 2021-03-26 大连海事大学 一种基于加速度信息的无人船状态和扰动观测器
CN114442640A (zh) * 2022-02-28 2022-05-06 哈尔滨理工大学 一种水面无人艇轨迹跟踪控制方法
CN117311372A (zh) * 2023-11-30 2023-12-29 山东省科学院海洋仪器仪表研究所 基于双目立体视觉的水下机器人自主避障系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833338A (zh) * 2010-05-17 2010-09-15 哈尔滨工程大学 无人潜航器垂直面欠驱动运动控制方法
CN102385316A (zh) * 2011-09-16 2012-03-21 哈尔滨工程大学 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
CN103592849A (zh) * 2013-11-12 2014-02-19 中国交通建设股份有限公司 一种船舶动力定位控制方法
CN103777635A (zh) * 2014-01-13 2014-05-07 哈尔滨工程大学 动力定位船舶鲁棒自适应航迹跟踪控制系统
CN104076821A (zh) * 2014-06-19 2014-10-01 哈尔滨工程大学 基于模糊自适应观测器的欠驱动水面艇轨迹跟踪控制系统
CN104133375A (zh) * 2014-08-14 2014-11-05 大连海事大学 一种多auv同步控制器结构及设计方法
CN107065847A (zh) * 2016-03-31 2017-08-18 北京航空航天大学 一种执行器非对称饱和的水面舰船轨迹跟踪控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833338A (zh) * 2010-05-17 2010-09-15 哈尔滨工程大学 无人潜航器垂直面欠驱动运动控制方法
CN102385316A (zh) * 2011-09-16 2012-03-21 哈尔滨工程大学 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
CN103592849A (zh) * 2013-11-12 2014-02-19 中国交通建设股份有限公司 一种船舶动力定位控制方法
CN103777635A (zh) * 2014-01-13 2014-05-07 哈尔滨工程大学 动力定位船舶鲁棒自适应航迹跟踪控制系统
CN104076821A (zh) * 2014-06-19 2014-10-01 哈尔滨工程大学 基于模糊自适应观测器的欠驱动水面艇轨迹跟踪控制系统
CN104133375A (zh) * 2014-08-14 2014-11-05 大连海事大学 一种多auv同步控制器结构及设计方法
CN107065847A (zh) * 2016-03-31 2017-08-18 北京航空航天大学 一种执行器非对称饱和的水面舰船轨迹跟踪控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
PENG ZHOU-HUA ET AL.: "Robust Leader-Follower Formation Tracking Control of Multiple Underactuated Surface Vessels", 《2012 CHINESE OCEAN ENGINEERING SOCIETY》 *
WANG HAO ET AL.: "Adaptive dynamic surface control for cooperative path following of underactuated marine surface vehicles via low frequency learning", 《PROCEEDINGS OF THE 32ND CHINESE CONTROL CONFERENCE》 *
ZHOUHUA PENG ET AL.: "Distributed coordinated tracking of multiple autonomous underwater vehicles", 《NONLINEAR DYNAMICS》 *
彭周华: "舰船编队的鲁棒自适应控制", 《万方数据库》 *
汪旭明: "船舶航向智能控制算法研究及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王昊 等: "多自主船协同路径跟踪的自适应动态面控制", 《控制理论与应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409431B (zh) * 2018-10-29 2020-10-09 吉林大学 基于神经网络的多传感器姿态数据融合方法及系统
CN109409431A (zh) * 2018-10-29 2019-03-01 吉林大学 基于神经网络的多传感器姿态数据融合方法及系统
CN109443356A (zh) * 2019-01-07 2019-03-08 大连海事大学 一种含测量噪声的无人船位置与速度估计结构及设计方法
CN109739089A (zh) * 2019-01-07 2019-05-10 大连海事大学 一种无人驾驶船舶非周期采样远程操控系统及设计方法
CN109739089B (zh) * 2019-01-07 2021-08-10 大连海事大学 一种无人驾驶船舶非周期采样远程操控系统及设计方法
CN109581876A (zh) * 2019-01-08 2019-04-05 大连海事大学 一种无人船的事件触发状态观测器结构及其设计方法
CN109581876B (zh) * 2019-01-08 2021-08-20 大连海事大学 一种无人船的事件触发状态观测器结构及其设计方法
CN109813307A (zh) * 2019-02-26 2019-05-28 大连海事大学 一种无人船多传感器数据融合的导航系统及其设计方法
CN110109355A (zh) * 2019-04-29 2019-08-09 山东科技大学 一种基于强化学习的无人艇异常工况自愈控制方法
CN110989362A (zh) * 2019-12-26 2020-04-10 大连海事大学 一种带有信号量化和状态时变时延的umv的t-s模糊滑模容错控制方法
CN110989362B (zh) * 2019-12-26 2022-09-27 大连海事大学 一种带有信号量化和状态时变时延的umv的t-s模糊滑模容错控制方法
CN111338213A (zh) * 2020-03-17 2020-06-26 大连海事大学 一种基于事件触发机制的多水下航行器自适应模糊二部一致控制方法
CN111538341A (zh) * 2020-06-02 2020-08-14 大连海事大学 基于宽度学习自适应动态规划的船舶动力定位优化控制方法
CN111538341B (zh) * 2020-06-02 2023-04-14 大连海事大学 基于宽度学习自适应动态规划的船舶动力定位优化控制方法
CN112558477A (zh) * 2020-12-03 2021-03-26 大连海事大学 一种基于加速度信息的无人船状态和扰动观测器
CN112558477B (zh) * 2020-12-03 2022-04-01 大连海事大学 一种基于加速度信息的无人船状态和扰动观测器
CN114442640A (zh) * 2022-02-28 2022-05-06 哈尔滨理工大学 一种水面无人艇轨迹跟踪控制方法
CN117311372A (zh) * 2023-11-30 2023-12-29 山东省科学院海洋仪器仪表研究所 基于双目立体视觉的水下机器人自主避障系统及方法
CN117311372B (zh) * 2023-11-30 2024-02-09 山东省科学院海洋仪器仪表研究所 基于双目立体视觉的水下机器人自主避障系统及方法

Also Published As

Publication number Publication date
CN108197350B (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN108197350A (zh) 一种无人船速度和不确定性估计系统及设计方法
Zhang et al. Control of coordinated patterns for ocean sampling
CN104898688B (zh) Uuv四自由度动力定位自适应抗扰滑模控制系统及控制方法
Kraus Wave glider dynamic modeling, parameter identification and simulation
CN109634307A (zh) 一种无人水下航行器复合航迹跟踪控制方法
CN104316025B (zh) 一种基于船体姿态信息估计海浪浪高的系统
CN106643723B (zh) 一种无人艇安全航行船位推算方法
CN106054607A (zh) 水下检测与作业机器人动力定位方法
CN110083057B (zh) 基于水翼运动姿态的pid控制方法
CN109917657A (zh) 动力定位船舶的抗干扰控制方法、装置与电子设备
Woolsey Vehicle dynamics in currents
CN109581876A (zh) 一种无人船的事件触发状态观测器结构及其设计方法
Chen et al. Online modeling and prediction of maritime autonomous surface ship maneuvering motion under ocean waves
Tomera et al. Control of dynamic positioning system with disturbance observer for autonomous marine surface vessels
Zuo et al. A unified approach for underwater homing and docking of over-actuated AUV
CN110262526B (zh) 一种水下机器人空间6自由度自航操纵预报的类物理数值方法
Wu et al. Ship motion planning for mass based on a multi-objective optimization ha* algorithm in complex navigation conditions
Maurya et al. A path-following controller for marine vehicles using a two-scale inner-outer loop approach
Zhang et al. MIMO non-parametric modeling of ship maneuvering motion for marine simulator using adaptive moment estimation locally weighted learning
Zhou et al. Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method
CN107063300A (zh) 一种基于反演的水下导航系统动力学模型中扰动估计方法
Zhang et al. Dynamic energy-efficient path planning of unmanned surface vehicle under time-varying current and wind
Zhang et al. A Review on Motion Prediction for Intelligent Ship Navigation
Liu et al. A novel hybrid attitude fusion method based on LSTM neural network for unmanned aerial vehicle
CN115421483A (zh) 一种无人船操纵运动预报方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200424

Termination date: 20201211

CF01 Termination of patent right due to non-payment of annual fee