CN108197350B - 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
CN108197350B
CN108197350B CN201711310223.8A CN201711310223A CN108197350B CN 108197350 B CN108197350 B CN 108197350B CN 201711310223 A CN201711310223 A CN 201711310223A CN 108197350 B CN108197350 B CN 108197350B
Authority
CN
China
Prior art keywords
unmanned ship
speed
output
input
ship
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
Application number
CN201711310223.8A
Other languages
English (en)
Other versions
CN108197350A (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

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G05B13/0265—Adaptive 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
    • G05B13/027—Adaptive 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
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information 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：
Figure GDA0001655072590000031
其中下式：
Figure GDA0001655072590000032
为船体参考系和地球参考系之间的转移矩阵；
Figure GDA0001655072590000033
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；
Figure GDA0001655072590000034
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；
Figure GDA0001655072590000035
代表惯性矩阵；
Figure GDA0001655072590000036
代表科里奥利向心矩阵；
Figure GDA0001655072590000037
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；
Figure GDA0001655072590000041
是无人船的控制信号，其中τu,τυ,τr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；
Figure GDA0001655072590000042
代表时变风浪流对无人船造成的扰动，其中τwu,τwυ,τwr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：
Figure GDA0001655072590000043
其中，
Figure GDA0001655072590000044
分别为状态变量、输入变量和输出变量；
Figure GDA0001655072590000045
和
Figure GDA0001655072590000046
为权值矩阵；
Figure GDA0001655072590000047
为衰减率，
Figure GDA0001655072590000048
为时间常数，σ(·)为激活函数向量，
Figure GDA0001655072590000049
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：
Figure GDA00016550725900000410
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
Figure GDA0001655072590000051
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：
Figure GDA0001655072590000052
其中的
Figure GDA0001655072590000053
为W的估计值，逼近器输出为
Figure GDA0001655072590000054
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
Figure GDA0001655072590000055
由算式得到
Figure GDA0001655072590000056
的更新率：
Figure GDA0001655072590000057
其中，
Figure GDA0001655072590000058
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
Figure GDA0001655072590000059
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：
Figure GDA00016550725900000510
式中，
Figure GDA00016550725900000511
和
Figure GDA00016550725900000512
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
Figure GDA0001655072590000065
由下式
Figure GDA0001655072590000061
得到比较器的输出信号
Figure GDA0001655072590000062
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
Figure GDA0001655072590000063
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
Figure GDA0001655072590000064
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：
Figure GDA0001655072590000081
Figure GDA0001655072590000082
Figure GDA0001655072590000083
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，所述方法包括如下步骤：
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，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η，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，其回声状态基本方程式：
Figure FDA0002411420830000011
其中，其中，X∈Rn、U∈Rk、Y∈Rl分别为状态变量、输入变量和输出变量；Wu∈Rn×k和Wx∈Rn×n为权值矩阵；b∈R为衰减率，c∈R为时间常数，σ(·)为激活函数向量，W∈Rn×l表示输出权值矩阵，定义g(·)为输出激活函数；无人船模型写为以下形式：
Figure FDA0002411420830000012
式中，f(·)＝-C(ν)ν-D(ν)ν-g(ν,η)+τw(t)
R(Ψ)为船体参考系和地球参考系之间的转移矩阵，ν＝[u,υ,r]T∈R3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；M＝MT∈R3×3代表惯性矩阵；C(ν)＝-CT(ν)∈R3×3代表科里奥利向心矩阵；D(ν)∈Z3×3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；τ＝[τu,τυ,τr]T∈R3是无人船的控制信号，其中τu,τυ,τr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；τw(t)＝[τwu,τwυ,τwr]T∈R3代表时变风浪流对无人船造成的扰动，其中τwu,τwυ,τwr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；
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W∈Rn×3，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：
Figure FDA0002411420830000021
其中
Figure FDA0002411420830000022
为W的估计值，逼近器输出为
Figure FDA0002411420830000023
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
Figure FDA0002411420830000024
由算式得到
Figure FDA0002411420830000025
的更新率：
Figure FDA0002411420830000026
其中，Γ∈R，kW∈R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
Figure FDA0002411420830000027
为位置向量η与速度向量v的估计量，则可以设计基于回声状态网络的全状态观测器如下：
Figure FDA0002411420830000028
式中，
Figure FDA0002411420830000029
K1∈R3×3和K2∈R3×3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
Figure FDA00024114208300000210
由下式
Figure FDA00024114208300000211
得到比较器的输出信号
Figure FDA00024114208300000212
2.根据权利要求1所述的无人船速度和不确定性估计的设计方法，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τv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。
3.根据权利要求1所述的无人船速度和不确定性估计的设计方法，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。
4.根据权利要求3所述的无人船速度和不确定性估计的设计方法，其特征在于，使用位置增量信息作为神经网络的输入过程中，在选用
Figure FDA0002411420830000031
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
Figure FDA0002411420830000032
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。
5.根据权利要求1所述的无人船速度和不确定性估计的设计方法，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。
6.一种使用权利要求1所述的无人船速度和不确定性估计的设计方法的系统，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的位置信息；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的输入端相连接；所述比较器的另一输入端接收所述定位系统输出的无人船位置信息。
7.根据权利要求6所述的无人船速度和不确定性估计的设计方法的系统，其特征在于，所述的无人船水面航行器满足下面的运动模型：
Figure FDA0002411420830000041
其中下式：
Figure FDA0002411420830000042
为船体参考系和地球参考系之间的转移矩阵；η＝[x,y,ψ]T∈R3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；ν＝[u,υ,r]T∈R3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；M＝MT∈R3×3代表惯性矩阵；C(ν)＝-CT(ν)∈R3×3代表科里奥利向心矩阵；D(ν)∈Z3×3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；τ＝[τu,τυ,τr]T∈R3是无人船的控制信号，其中τu,τυ,τr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；τw(t)＝[τwu,τwυ,τwr]T∈R3代表时变风浪流对无人船造成的扰动，其中τwu,τwυ,τwr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。
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 CN108197350A (zh) 2018-06-22
CN108197350B true 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)

Families Citing this family (13)

* 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
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
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
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
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
CN111338213B (zh) * 2020-03-17 2022-09-06 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
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
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
CN114442640B (zh) * 2022-02-28 2022-09-16 哈尔滨理工大学 一种水面无人艇轨迹跟踪控制方法
CN114755918A (zh) * 2022-03-18 2022-07-15 大连海事大学 一种推进器部分失效下的无人船控制失效率和扰动估计方法及系统
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

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
Adaptive dynamic surface control for cooperative path following of underactuated marine surface vehicles via low frequency learning;Wang Hao et al.;《Proceedings of the 32nd Chinese Control Conference》;20131021;第556-561页 *
Distributed coordinated tracking of multiple autonomous underwater vehicles;Zhouhua Peng et al.;《Nonlinear Dynamics》;20140701;第1261-1276页 *
Robust Leader-Follower Formation Tracking Control of Multiple Underactuated Surface Vessels;Peng zhou-hua et al.;《2012 Chinese Ocean Engineering Society》;20121209;第26卷(第3期);第521-534页 *
多自主船协同路径跟踪的自适应动态面控制;王昊 等;《控制理论与应用》;20130531;第30卷(第5期);第637-643页 *
舰船编队的鲁棒自适应控制;彭周华;《万方数据库》;20120427;全文 *
船舶航向智能控制算法研究及应用;汪旭明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130915;第C036-91页 *

Also Published As

Publication number Publication date
CN108197350A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108197350B (zh) 一种无人船速度和不确定性估计系统及设计方法
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
Do Global robust and adaptive output feedback dynamic positioning of surface ships
CN109407671B (zh) 一种欠驱动无人船目标包围控制器结构及设计方法
CN108490472B (zh) 一种基于模糊自适应滤波的无人艇组合导航方法
CN107065569B (zh) 基于rbf神经网络补偿的船舶动力定位滑模控制系统及方法
CN109581876B (zh) 一种无人船的事件触发状态观测器结构及其设计方法
CN104316025B (zh) 一种基于船体姿态信息估计海浪浪高的系统
CN106054607A (zh) 水下检测与作业机器人动力定位方法
CN110865539A (zh) 一种随机干扰下的无人艇跟踪误差约束控制方法
CN109739088B (zh) 一种无人船有限时间收敛状态观测器及其设计方法
CN110926466A (zh) 一种面向无人船组合导航信息融合的多尺度数据分块算法
CN103605886A (zh) 一种船舶动力定位系统多模型自适应融合滤波方法
CN109240289A (zh) 波浪滑翔器艏摇信息自适应滤波方法
CN114442640A (zh) 一种水面无人艇轨迹跟踪控制方法
CN115421483A (zh) 一种无人船操纵运动预报方法
Zou et al. An adaptive robust cubature Kalman filter based on Sage-Husa estimator for improving ship heave measurement accuracy
CN113189867B (zh) 一种考虑位姿与速度受限的无人船自学习最优跟踪控制方法
CN107063300B (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
Baier et al. Hybrid physics and deep learning model for interpretable vehicle state prediction
Shaukat et al. Underwater vehicle localization by hybridization of indirect Kalman filter and neural network
Zhang et al. Observer-based adaptive tracking control of underactuated autonomous marine vehicle with uncertainty dynamic
CN117111600A (zh) 基于数智双驱动海浪反演观测的路径跟踪控制方法
CN111931368A (zh) 一种基于gru粒子滤波的uuv目标状态估计方法
Harris et al. Preliminary evaluation of null-space dynamic process model identification with application to cooperative navigation of underwater vehicles

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

Granted publication date: 20200424

Termination date: 20201211