CN109283842B - 一种无人艇航迹跟踪智能学习控制方法 - Google Patents

一种无人艇航迹跟踪智能学习控制方法 Download PDF

Info

Publication number
CN109283842B
CN109283842B CN201810874966.6A CN201810874966A CN109283842B CN 109283842 B CN109283842 B CN 109283842B CN 201810874966 A CN201810874966 A CN 201810874966A CN 109283842 B CN109283842 B CN 109283842B
Authority
CN
China
Prior art keywords
unmanned ship
max
fuzzy
speed
path
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
Application number
CN201810874966.6A
Other languages
English (en)
Other versions
CN109283842A (zh
Inventor
万磊
曾江峰
李岳明
牛广智
徐钰斐
郑晓波
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810874966.6A priority Critical patent/CN109283842B/zh
Publication of CN109283842A publication Critical patent/CN109283842A/zh
Application granted granted Critical
Publication of CN109283842B publication Critical patent/CN109283842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种无人艇航迹跟踪智能学习控制方法,属于无人艇智能控制技术领域。本发明包括:根据无人艇作业任务预先设定若干航迹点,依次连接各航迹点,生成由直线路径单元组成的复合路径,提取每个直线路径单元上的实时参考路径点:计算无人艇参考艏向角,并建立跟踪下一个直线路径单元的切换策略:设计基于模型在线学习的模糊自适应控制器,采用乘积推理机实现规则的前提推理,使用单值模糊器进行模糊化,利用乘积推理机实现规则前提与规则结论的推理,采用平均解模糊器,得到模糊系统的输出;将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪。

Description

一种无人艇航迹跟踪智能学习控制方法
技术领域
本发明属于无人艇智能控制技术领域,具体涉及一种无人艇航迹跟踪智能学习控制方法。
背景技术
无人艇是海洋领域的智能化作业平台之一,其在海洋资源勘探与开发、海底测绘、远程突前侦察、水面防空等领域已成为重要的水面装备。无人艇在执行以上任务时往往需要进行航迹跟踪操作。航迹跟踪要求无人艇到达并能够跟随预定路径,为了满足时间要求严格的任务需求时可以增加航速的控制。
在无人艇的航迹跟踪控制策略中,基于预设航迹点的复合直线路径跟踪由于航迹点可以提前设定,更能符合无人艇的航迹跟踪工程应用需求。现有的航迹跟踪控制方法大多基于Line-of-Sight(LOS)进行制导律设计,但由于LOS圆半径为定值,当偏航距离较大时容易导致收敛时间过长。另外,由于无人艇的精确水动力系数往往难以获得,基于数学模型的反步控制法具有较大局限性,而PID控制方法在无人艇艏向角与期望航向误差较大时会导致较大迴转问题。
发明内容
本发明的目的在于克服以上问题,提供一种无人艇航迹跟踪智能学习控制方法。该控制方法充分考虑航迹跟踪中偏航距离与制导律性能的关系,通过定义一个与偏航距离相关的LOS圆半径,能够有效缩短无人艇到达期望路径的调节时间。同时,模糊自适应控制器通过对无人艇模型进行在线学习,可以降低对无人艇精确数学模型的依赖,增强控制系统的鲁棒性。
本发明的目的是这样实现的:
一种无人艇航迹跟踪智能学习控制方法,其特征在于,包含以下步骤:
步骤一 根据无人艇作业任务预先设定若干航迹点,依次连接各航迹点,生成由直线路径单元组成的复合路径,提取每个直线路径单元上的实时参考路径点:
Figure GDA0003122278390000011
式中,(xr,yr)为实时参考路径点,(xj,yj),j=1,2,…j…n为预定的第j个航迹点坐标,(x,y)为无人艇实时位置,αj-1为连接航迹点(xj-1,yj-1)与(xj,yj)的路径方位角,R为Line-of-Sight圆半径,其计算方式如下:
Figure GDA0003122278390000021
其中,d为偏航距离,即无人艇与期望路径的横向跟踪误差,Rmin为最小内切圆半径,δ为边界层厚度,λ为可调参数,当偏航距离d≤Rmin-δ时,R=Rmin,无人艇能以最小前视距离收敛至期望路径,当d>Rmin+δ时R=d,无人艇以最短距离方向趋向参考路径,而当Rmin-δ<d≤Rmin+δ时,Rmin+δ+δtanh[λ(d-Rmin-δ)],R能够在[Rmin,Rmin+δ]之间光滑过渡;
步骤二 根据步骤一提取的参考路径点坐标与无人艇实时位置,计算无人艇参考艏向角,并建立跟踪下一个直线路径单元的切换策略:
ψr=arctan[(yr-y)/(xr-x)]-β
其中,ψr为参考艏向角,β=arctan(v/u)为侧漂角,u为无人艇纵向速度,v为无人艇横向速度,设定切换圆半径Rs,则当
Figure GDA0003122278390000022
时,参考路径切换为下一个直线路径单元;
步骤三 设计基于模型在线学习的模糊自适应控制器:
采用乘积推理机实现规则的前提推理;
使用单值模糊器进行模糊化;
利用乘积推理机实现规则前提与规则结论的推理;
采用平均解模糊器,得到模糊系统的输出;
其中,模糊系统以无人艇水平面纵向速度u、横向速度v、艏向角速度r为输入变量,即z=[u,v,r]T,针对模糊系统的输入分写设计5个模糊集,考虑无人艇的速度信息则共需设计125条模糊规则,定义输入状态的论域范围为[-umax,umax]×[-vmax,vmax]×[-rmax,rmax],其中,imax,i=u,v,r为无人艇三个自由度速度的最大值,采用以下5种隶属度函数对模糊系统输入i进行模糊化:
μNM(i)=exp[-(i+imax)/18]2
μNS(i)=exp[-(i+imax/2)/18]2
μZ(i)=exp[-i/18]2
μPS(i)=exp[-(i-imax/2)/18]2
μPM(i)=exp[-(i-imax)/18]2
引入模糊基向量ξ(z)与最优参数估计法则,则模糊系统输出为
Figure GDA0003122278390000031
设计模糊系统参数自适应在线学习律为:
Figure GDA0003122278390000032
Figure GDA0003122278390000036
式中,Λu,Λr,σu,σr为控制参数,ue=u-ud为速度跟踪误差,ud为期望航速,re=r-αr为艏向角速度跟踪误差,αr为艏向角速度虚拟控制量,其设计为
Figure GDA0003122278390000033
其中ψe=ψ-ψr为艏向角跟踪误差,kψ为设计参数;
步骤四 利用步骤三求得的模糊控制器输出量分别设计纵向速度控制器τu和航向控制器τr,并将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪;其中,纵向速度控制器τu和航向控制器τr分别设计如下:
Figure GDA0003122278390000034
Figure GDA0003122278390000035
式中,ku,kr为控制参数,模糊逻辑系统以三自由度速度信息为输入对无人艇动力学模型进行在线智能学习,以模糊系统输出来构建鲁棒性强的航迹跟踪控制器。
与现有技术相比,本发明的有益效果在于:
本发明引入LOS制导策略与模糊自适应控制方法能够实现欠驱动无人艇航迹跟踪控制需求,LOS圆半径随偏航距离动态变化,能使无人艇始终以较快的收敛速度收敛至期望路径,减少调整时间,模糊自适应控制器对无人艇模型进行在线学习,以模糊系统输出来构建鲁棒性强的航迹跟踪控制器,相比于传统航迹跟踪控制方法,能够减少对无人艇模型的依赖,具有更快的跟踪控制响应速度与较小的跟踪误差。
附图说明
图1是LOS圆半径R随偏航距离d的变化曲线;
图2是模糊逻辑系统隶属度函数;
图3是无人艇航迹跟踪原理图。
具体实施方式
下面结合附图对本发明作出详细说明:
具体实施例一:
本发明公开了一种无人艇航迹跟踪智能学习控制方法,属于无人艇智能控制技术领域。航迹跟踪过程中的期望艏向角由参考路径点与无人艇的实时位置根据Line-of-Sight(LOS)引导策略计算得到,求解参考路径点的LOS圆半径设计为偏航距离的函数,能够有效改善无人艇的航迹跟踪收敛性能。航速和航向控制引入模糊自适应控制方法,以无人艇的速度信息为输入,对无人艇模型进行在线学习,以模糊系统的输出来构建鲁棒性强的动力学控制器。本发明提供的航迹跟踪控制方法,能够较快地消除偏航误差,且控制器不依赖于无人艇的精确数学模型,易于实施,具有较高的智能性,本发明为无人艇的航迹跟踪提供了一种新的方法。
一种无人艇航迹跟踪智能学习控制方法,其特征在于,包括如下步骤:
步骤一:根据无人艇作业任务预先设定若干航迹点,依次连接各航迹点,生成由直线路径单元组成的复合路径,提取每个直线路径单元上的实时参考路径点:
Figure GDA0003122278390000041
式中,(xr,yr)为实时参考路径点,(xj,yj),j=1,2,…j…n为预定的第j个航迹点坐标,(x,y)为无人艇实时位置,αj-1为连接航迹点(xj-1,yj-1)与(xj,yj)的路径方位角,R为Line-of-Sight(LOS)圆半径;
步骤二:根据步骤一提取的参考路径点坐标与无人艇实时位置,计算无人艇参考艏向角,并建立跟踪下一个直线路径单元的切换策略:
ψr=arctan[(yr-y)/(xr-x)]-β (2)
其中,ψr为参考艏向角,β=arctan(v/u)为侧漂角,u为无人艇纵向速度,v为无人艇横向速度,设定切换圆半径Rs,则当
Figure GDA0003122278390000042
时,参考路径切换为下一个直线路径单元;
步骤三:设计基于模型在线学习的模糊自适应控制器:
(1)采用乘积推理机实现规则的前提推理;
(2)使用单值模糊器进行模糊化;
(3)利用乘积推理机实现规则前提与规则结论的推理;
(4)采用平均解模糊器,得到模糊系统的输出;
步骤四:利用步骤三求得的模糊控制器输出量分别设计纵向速度控制器τu和航向控制器τr,并将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪。
步骤一所述的提取实时参考路径点所设定的LOS圆半径R的大小,其计算方法如下:
Figure GDA0003122278390000051
其中,d为偏航距离,即无人艇与期望路径的横向跟踪误差,Rmin为最小内切圆半径,δ为边界层厚度,λ为可调参数,当偏航距离d≤Rmin-δ时,R=Rmin,无人艇能以最小前视距离收敛至期望路径,当d>Rmin+δ时R=d,无人艇以最短距离方向趋向参考路径,而当Rmin-δ<d≤Rmin+δ时Rmin+δ+δtanh[λ(d-Rmin-δ)],R能够在[Rmin,Rmin+δ]之间光滑过渡。
步骤三所述的模糊系统的输入,以无人艇水平面纵向速度u、横向速度v、艏向角速度r为输入变量,即z=[u,v,r]T,针对模糊系统的输入分写设计5个模糊集,考虑无人艇的速度信息则共需设计125条模糊规则,定义输入状态的论域范围为[-umax,umax]×[-vmax,vmax]×[-rmax,rmax],其中,imax,i=u,v,r为无人艇三个自由度速度的最大值,采用以下5种隶属度函数对模糊系统输入i进行模糊化:
μNM(i)=exp[-(i+imax)/18]2
μNS(i)=exp[-(i+imax/2)/18]2
μZ(i)=exp[-i/18]2
μPS(i)=exp[-(i-imax/2)/18]2
μPM(i)=exp[-(i-imax)/18]2 (4)
引入模糊基向量ξ(z)与最优参数估计法则,则模糊系统输出为
Figure GDA0003122278390000052
设计模糊系统参数自适应在线学习律为:
Figure GDA0003122278390000061
式(5)中,Λu,Λr,σu,σr为控制参数,ue=u-ud为速度跟踪误差,ud为期望航速,re=r-αr为艏向角速度跟踪误差,αr为艏向角速度虚拟控制量,其设计为
Figure GDA0003122278390000062
其中ψe=ψ-ψr为艏向角跟踪误差,kψ为设计参数;
步骤四所设计的纵向速度控制器τu和航向控制器τr分别如下:
Figure GDA0003122278390000063
式中,ku,kr为控制参数,模糊逻辑系统以三自由度速度信息为输入对无人艇动力学模型进行在线智能学习,以模糊系统输出来构建鲁棒性强的航迹跟踪控制器。
具体实施例二:
第一步,根据无人艇作业任务预先设定若干航迹点,依次连接各航迹点,生成由直线路径单元组成的复合路径,提取每个直线路径单元上的实时参考路径点:
Figure GDA0003122278390000064
式中,(xr,yr)为实时参考路径点,(xj,yj),j=1,2,…j…n为预定的第j个航迹点坐标,(x,y)为无人艇实时位置,αj-1为连接航迹点(xj-1,yj-1)与(xj,yj)的路径方位角,R为Line-of-Sight圆半径,其计算方式如下:
Figure GDA0003122278390000065
其中,d为偏航距离,即无人艇与期望路径的横向跟踪误差,Rmin为最小内切圆半径,δ为边界层厚度,λ为可调参数,当偏航距离d≤Rmin-δ时,R=Rmin,无人艇能以最小前视距离收敛至期望路径,当d>Rmin+δ时R=d,无人艇以最短距离方向趋向参考路径,而当Rmin-δ<d≤Rmin+δ时,Rmin+δ+δtanh[λ(d-Rmin-δ)],R能够在[Rmin,Rmin+δ]之间光滑过渡。
第二步,根据第一步提取的参考路径点坐标与无人艇实时位置,计算无人艇参考艏向角,并建立跟踪下一个直线路径单元的切换策略:
ψr=arctan[(yr-y)/(xr-x)]-β (1-3)
其中,ψr为参考艏向角,β=arctan(v/u)为侧漂角,u为无人艇纵向速度,v为无人艇横向速度,设定切换圆半径Rs,则当
Figure GDA0003122278390000071
时,参考路径切换为下一个直线路径单元。
第三步,设计基于模型在线学习的模糊自适应控制器:
(1)采用乘积推理机实现规则的前提推理;
(2)使用单值模糊器进行模糊化;
(3)利用乘积推理机实现规则前提与规则结论的推理;
(4)采用平均解模糊器,得到模糊系统的输出;
其中,模糊系统以无人艇水平面纵向速度u、横向速度v、艏向角速度r为输入变量,即z=[u,v,r]T,针对模糊系统的输入分写设计5个模糊集,考虑无人艇的速度信息则共需设计125条模糊规则,定义输入状态的论域范围为[-umax,umax]×[-vmax,vmax]×[-rmax,rmax],其中,imax,i=u,v,r为无人艇三个自由度速度的最大值,采用以下5种隶属度函数对模糊系统输入i进行模糊化:
μNM(i)=exp[-(i+imax)/18]2
μNS(i)=exp[-(i+imax/2)/18]2
μZ(i)=exp[-i/18]2
μPS(i)=exp[-(i-imax/2)/18]2
μPM(i)=exp[-(i-imax)/18]2 (1-4)
引入模糊基向量ξ(z)与最优参数估计法则,则模糊系统输出为
Figure GDA0003122278390000072
设计模糊系统参数自适应在线学习律为:
Figure GDA0003122278390000073
式中,Λu,Λr,σu,σr为控制参数,ue=u-ud为速度跟踪误差,ud为期望航速,re=r-αr为艏向角速度跟踪误差,αr为艏向角速度虚拟控制量,其设计为
Figure GDA0003122278390000074
其中ψe=ψ-ψr为艏向角跟踪误差,kψ为设计参数。
第四步,利用步骤三求得的模糊控制器输出量分别设计纵向速度控制器τu和航向控制器τr,并将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪。其中,纵向速度控制器τu和航向控制器τr分别设计如下:
Figure GDA0003122278390000081
式中,ku,kr为控制参数,模糊逻辑系统以三自由度速度信息为输入对无人艇动力学模型进行在线智能学习,以模糊系统输出来构建鲁棒性强的航迹跟踪控制器。
参考艏向角:
本发明一种无人艇航迹跟踪智能学习控制方法是基于LOS制导策略实现的。航迹点根据作业任务提前设定,然后控制无人艇依次跟踪各直线路径单元,最终完成整个航迹跟踪任务。其中,引导无人艇趋向期望路径的参考艏向角ψr根据参考路径点和无人艇的实时位置求得,计算方式如下:
ψr=arctan[(yr-y)/(xr-x)]-β (2-1)
其中,β=arctan(v/u)为侧漂角,u为无人艇纵向速度,v为无人艇横向速度,设定切换圆半径Rs,则当
Figure GDA0003122278390000082
时,参考路径切换为下一个直线路径单元。而参考路径点坐标(xr,yr)依据LOS制导思想通过航迹跟踪中的位置几何关系得到:
Figure GDA0003122278390000083
式中,(xr,yr)为实时参考路径点,(xj,yj),j=1,2,…j…n为预定的第j个航迹点坐标,(x,y)为无人艇实时位置,αj-1为连接航迹点(xj-1,yj-1)与(xj,yj)的路径方位角,R为LOS圆半径。
为了提高无人艇在航迹跟踪中的收敛速度,本发明设计了一种动态LOS圆半径R,其计算方式如下:
Figure GDA0003122278390000091
其中,d为偏航距离,即无人艇与期望路径的横向跟踪误差;Rmin为最小内切圆半径,其大小根据偏航距离初始值和无人艇操纵性能确定;δ为边界层厚度,δ越大,R过渡越平缓;λ为可调参数。由上式可知,当偏航距离d≤Rmin-δ时,R=Rmin,无人艇能以最小前视距离收敛至期望路径;当d>Rmin+δ时R=d,无人艇以最短距离方向趋向参考路径;而当Rmin-δ<d≤Rmin+δ时,Rmin+δ+δtanh[λ(d-Rmin-δ)],R在[Rmin,Rmin+δ]之间为光滑过渡。LOS圆半径R随偏航距离d变化情况如图1所示,其中Rmin=20m,δ=1m,λ=0.3,可见R在d=20m附近具有光滑特性。
航速和航向控制器:
本发明旨在解除动力学控制器对无人艇数学模型的依赖,使用模糊逻辑系统对无人艇动力学模型进行在线学习,以模糊系统的输出分别构建鲁棒自适应航速和航向控制器。模糊系统设计步骤如下:
(1)采用乘积推理机实现规则的前提推理;
(2)使用单值模糊器进行模糊化;
(3)利用乘积推理机实现规则前提与规则结论的推理;
(4)采用平均解模糊器,得到模糊系统的输出;
其中,模糊系统以无人艇水平面纵向速度u、横向速度v、艏向角速度r为输入变量,即z=[u,v,r]T,针对模糊系统的输入分写设计5个模糊集,考虑无人艇的速度信息则共需设计125条模糊规则,定义输入状态的论域范围为[-umax,umax]×[-vmax,vmax]×[-rmax,rmax],其中,imax,i=u,v,r为无人艇三个自由度速度的最大值,采用以下5种隶属度函数对模糊系统输入i进行模糊化:
μNM(i)=exp[-(i+imax)/18]2
μNS(i)=exp[-(i+imax/2)/18]2
μZ(i)=exp[-i/18]2
μPS(i)=exp[-(i-imax/2)/18]2
μPM(i)=exp[-(i-imax)/18]2 (2-4)
5种隶属度函数如图2所示,输入变量范围设定为[-1,1]。
引入模糊基向量ξ(z)与最优参数估计法则,则模糊系统输出为
Figure GDA0003122278390000101
设计模糊系统参数自适应在线学习律为:
Figure GDA0003122278390000102
式中,Λu,Λr,σu,σr为控制参数,ue=u-ud为速度跟踪误差,ud为期望航速,re=r-αr为艏向角速度跟踪误差,αr为艏向角速度虚拟控制量,其设计为
Figure GDA0003122278390000103
其中ψe=ψ-ψr为艏向角跟踪误差,kψ为设计参数。则航速和航向控制器设计分别为:
Figure GDA0003122278390000104
式中,ku,kr为控制参数。在获得控制力、控制力矩后,根据无人艇的物理特性将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪任务。整个控制系统设计原理如图3所示。
本实施例用来描述和解释本发明,以及阐述本发明的主要特征和优点,而不是对本发明进行限制,在本发明精神和权利要求范围内,对本发明的各种修改和改进都在本发明的保护范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (1)

1.一种无人艇航迹跟踪智能学习控制方法,其特征在于,包含以下步骤:
步骤一 根据无人艇作业任务预先设定若干航迹点,依次连接各航迹点,生成由直线路径单元组成的复合路径,提取每个直线路径单元上的实时参考路径点:
Figure FDA0003245137970000011
式中,(xr,yr)为实时参考路径点,(xj,yj),j=1,2,…j…n为预定的第j个航迹点坐标,(x,y)为无人艇实时位置,αj-1为连接航迹点(xj-1,yj-1)与(xj,yj)的路径方位角,R为Line-of-Sight圆半径,其计算方式如下:
Figure FDA0003245137970000012
其中,d为偏航距离,即无人艇与期望路径的横向跟踪误差,Rmin为最小内切圆半径,δ为边界层厚度,λ为可调参数,当偏航距离d≤Rmin-δ时,R=Rmin,无人艇能以最小前视距离收敛至期望路径,当d>Rmin+δ时,R=d,无人艇以最短距离方向趋向参考路径,而当Rmin-δ<d≤Rmin+δ时,R=Rmin+δ+δtanh[λ(d-Rmin-δ)],R能够在[Rmin,Rmin+δ]之间光滑过渡;
步骤二 根据步骤一提取的参考路径点坐标与无人艇实时位置,计算无人艇参考艏向角,并建立跟踪下一个直线路径单元的切换策略:
ψr=arctan[(yr-y)/(xr-x)]-β
其中,ψr为参考艏向角,β=arctan(v/u)为侧漂角,u为无人艇纵向速度,v为无人艇横向速度,设定切换圆半径Rs,则当
Figure FDA0003245137970000013
时,参考路径切换为下一个直线路径单元;
步骤三 设计基于模型在线学习的模糊自适应控制器:
采用乘积推理机实现规则的前提推理;
使用单值模糊器进行模糊化;
利用乘积推理机实现规则前提与规则结论的推理;
采用平均解模糊器,得到模糊系统的输出;
其中,模糊系统以无人艇纵向速度u、横向速度v、艏向角速度r为输入变量,即z=[u,v,r]T,针对模糊系统的输入分写设计5个模糊集,考虑无人艇的速度信息则共需设计125条模糊规则,定义输入状态的论域范围为[-umax,umax]×[-vmax,vmax]×[-rmax,rmax],其中,imax,i=u,v,r为无人艇三个自由度速度的最大值,采用以下5种隶属度函数对模糊系统输入i进行模糊化:
μNM(i)=exp[-(i+imax)/18]2
μNS(i)=exp[-(i+imax/2)/18]2
μZ(i)=exp[-i/18]2
μPS(i)=exp[-(i-imax/2)/18]2
μPM(i)=exp[-(i-imax)/18]2
引入模糊基向量ξ(z)与最优参数估计法则,则模糊系统输出为
Figure FDA0003245137970000021
设计模糊系统参数自适应在线学习律为:
Figure FDA0003245137970000022
Figure FDA0003245137970000023
式中,Λu,Λr,σu,σr为控制参数,ue=u-ud为速度跟踪误差,ud为期望航速,re=r-αr为艏向角速度跟踪误差,αr为艏向角速度虚拟控制量,其设计为
Figure FDA0003245137970000024
其中ψe=ψ-ψr为艏向角跟踪误差,kψ为设计参数;
步骤四 利用步骤三求得的模糊控制器输出量分别设计纵向速度控制器τu和航向控制器τr,并将控制力、控制力矩映射为推进器电压与指令舵角,驱动无人艇达到期望航速、航向,进而完成航迹跟踪;其中,纵向速度控制器τu和航向控制器τr分别设计如下:
Figure FDA0003245137970000025
Figure FDA0003245137970000026
式中,ku,kr为控制参数,模糊逻辑系统以三自由度速度信息为输入对无人艇动力学模型进行在线智能学习,以模糊系统输出来构建鲁棒性强的航迹跟踪控制器。
CN201810874966.6A 2018-08-02 2018-08-02 一种无人艇航迹跟踪智能学习控制方法 Active CN109283842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810874966.6A CN109283842B (zh) 2018-08-02 2018-08-02 一种无人艇航迹跟踪智能学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810874966.6A CN109283842B (zh) 2018-08-02 2018-08-02 一种无人艇航迹跟踪智能学习控制方法

Publications (2)

Publication Number Publication Date
CN109283842A CN109283842A (zh) 2019-01-29
CN109283842B true CN109283842B (zh) 2022-01-07

Family

ID=65182913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810874966.6A Active CN109283842B (zh) 2018-08-02 2018-08-02 一种无人艇航迹跟踪智能学习控制方法

Country Status (1)

Country Link
CN (1) CN109283842B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109828570B (zh) * 2019-02-18 2021-10-01 哈尔滨工程大学 一种自适应边界层水面无人艇控制导引方法
CN110134012A (zh) * 2019-04-30 2019-08-16 上海海事大学 一种用于不确定系统的船舶路径跟踪控制方法
CN110716574B (zh) * 2019-09-29 2023-05-02 哈尔滨工程大学 一种基于深度q网络的uuv实时避碰规划方法
CN110673598B (zh) * 2019-09-29 2022-10-25 哈尔滨工程大学 一种水面无人艇智能路径跟踪控制方法
CN112764432B (zh) * 2019-10-21 2022-02-11 上海大学 一种无人艇航迹跟踪系统及方法
CN110703791B (zh) * 2019-10-22 2022-10-14 中国人民解放军海军工程大学 一种复杂条件下潜艇x舵智能模糊控制方法
CN111309029B (zh) * 2020-03-24 2023-09-26 山东科技大学 基于事件触发的无人艇路径跟踪方法、无人艇控制平台
CN111487966B (zh) * 2020-04-13 2022-09-09 哈尔滨工程大学 一种基于航路点的水面无人艇自适应路径跟踪控制方法
CN111324132B (zh) * 2020-04-29 2022-12-27 上海海事大学 一种基于坐标补偿的智能船舶自动靠泊控制方法
CN111506086A (zh) * 2020-05-22 2020-08-07 中国石油大学(华东) 一种改进los引导律结合模糊pid的无人船路径跟踪控制方法
CN111798701B (zh) * 2020-07-07 2022-07-26 中国船舶工业系统工程研究院 无人艇路径跟踪控制方法、系统、存储介质及终端
CN111830989B (zh) * 2020-07-28 2022-10-21 上海海洋大学 一种基于内模控制与遗传算法的无人船路径跟踪控制方法
CN112947494B (zh) * 2021-04-22 2022-10-04 中国船舶重工集团公司第七0七研究所九江分部 一种基于模糊pid的船舶自动靠泊控制方法
CN113960998B (zh) * 2021-06-10 2023-07-14 航天时代(青岛)海洋装备科技发展有限公司 一种无人艇模糊预测控制系统及方法
CN113467253B (zh) * 2021-08-11 2024-02-02 浙江大学 一种基于滑模控制和控制分配的无人艇航迹跟踪控制方法
CN114967702A (zh) * 2022-06-14 2022-08-30 集美大学 一种无人艇控制系统及路径跟踪方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6161061A (en) * 1998-06-26 2000-12-12 The United States Of America As Represented By The Secretary Of The Navy Guidance controller for a minimal discrete command set
WO2010079361A1 (en) * 2009-01-09 2010-07-15 Mbda Uk Limited Missile guidance system
US8150621B1 (en) * 2009-04-07 2012-04-03 The United States of America as represeneted by the Secretary of the Navy Command and control of autonomous surface vehicle
CN104765368A (zh) * 2015-04-10 2015-07-08 中国人民解放军海军工程大学 一种基于模糊自适应算法的无人艇航向航速协同控制方法
CN104850122A (zh) * 2015-05-13 2015-08-19 上海海事大学 基于可变船长比的抵抗侧风无人水面艇直线路径跟踪方法
CN106464342A (zh) * 2014-02-17 2017-02-22 优必奇奥姆有限责任公司 经由无人机/uav平台的宽带接入系统
CN106950955A (zh) * 2017-03-17 2017-07-14 武汉理工大学 基于改进los引导算法的船舶航迹控制方法
CN107991872A (zh) * 2017-12-07 2018-05-04 哈尔滨工程大学 欠驱动auv的虚拟锚泊水平面区域镇定控制方法及实现方法
CN108052009A (zh) * 2018-01-23 2018-05-18 哈尔滨工程大学 基于滤波反步法的水面目标救援跟踪观测控制器设计方法
CN108227715A (zh) * 2018-01-12 2018-06-29 上海海事大学 一种抗浪节能的无人艇路径跟踪方法
CN108267955A (zh) * 2018-01-17 2018-07-10 哈尔滨工程大学 面向无人艇自主靠泊的运动控制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2009239491B2 (en) * 2008-04-21 2014-07-17 Lawrence Livermore National Security, Llc Selective high-affinity polydentate ligands and methods of making such
EP2341312B1 (en) * 2009-12-15 2017-09-20 Université d'Aix-Marseille Method and device for measuring the angular position of a rectilinear contrasting edge of an object, and system for fixation and tracking a target comprising at least one such contrasting edge
CN102722177B (zh) * 2012-06-27 2014-06-25 哈尔滨工程大学 具有pid反馈增益的自主水下航行器三维直线路径跟踪控制方法
CN105955268B (zh) * 2016-05-12 2018-10-26 哈尔滨工程大学 一种考虑局部避碰的uuv动目标滑模跟踪控制方法
CN106773713B (zh) * 2017-01-17 2020-02-07 北京航空航天大学 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法
CN106708068B (zh) * 2017-01-19 2019-10-22 中国科学院自动化研究所 仿生波动鳍推进水下航行器路径跟踪控制方法
CN108287476B (zh) * 2018-02-06 2019-02-26 哈尔滨工业大学 基于高阶滑模控制和扰动观测器的空间翻滚非合作目标自主交会制导方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6161061A (en) * 1998-06-26 2000-12-12 The United States Of America As Represented By The Secretary Of The Navy Guidance controller for a minimal discrete command set
WO2010079361A1 (en) * 2009-01-09 2010-07-15 Mbda Uk Limited Missile guidance system
US8150621B1 (en) * 2009-04-07 2012-04-03 The United States of America as represeneted by the Secretary of the Navy Command and control of autonomous surface vehicle
CN106464342A (zh) * 2014-02-17 2017-02-22 优必奇奥姆有限责任公司 经由无人机/uav平台的宽带接入系统
CN104765368A (zh) * 2015-04-10 2015-07-08 中国人民解放军海军工程大学 一种基于模糊自适应算法的无人艇航向航速协同控制方法
CN104850122A (zh) * 2015-05-13 2015-08-19 上海海事大学 基于可变船长比的抵抗侧风无人水面艇直线路径跟踪方法
CN106950955A (zh) * 2017-03-17 2017-07-14 武汉理工大学 基于改进los引导算法的船舶航迹控制方法
CN107991872A (zh) * 2017-12-07 2018-05-04 哈尔滨工程大学 欠驱动auv的虚拟锚泊水平面区域镇定控制方法及实现方法
CN108227715A (zh) * 2018-01-12 2018-06-29 上海海事大学 一种抗浪节能的无人艇路径跟踪方法
CN108267955A (zh) * 2018-01-17 2018-07-10 哈尔滨工程大学 面向无人艇自主靠泊的运动控制方法
CN108052009A (zh) * 2018-01-23 2018-05-18 哈尔滨工程大学 基于滤波反步法的水面目标救援跟踪观测控制器设计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Adaptive Stochastic Sliding Mode Ship Autopilot for Way-Point Tracking;M. Asadi, H. Gholizade Narm;《2013 21st Iranian Conference on Electrical Engineering (ICEE)》;20130531;全文 *
Integral LOS Path Following for Curved Paths Based on a Monotone Cubic Hermite Spline Parametrization;Anastasios M. Lekkas,Thor I. Fossen,;《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》;20140314;第22卷(第6期);全文 *
基于非对称模型的欠驱动USV路径跟踪控制;董早鹏;《中国造船》;20160331;第57卷(第1期);全文 *
时变漂角下USV直线路径跟踪控制器设计与验证;范云生;《仪器仪表学报》;20161130;第37卷(第11期);全文 *
波浪场中无人水面艇路径跟踪的节能控制方法;闻详鑫;《计算机应用》;20180615;第38卷(第1期);全文 *
非完全对称欠驱动高速无人艇轨迹跟踪控制;万磊;《电机与控制学报》;20141031;第18卷(第10期);全文 *

Also Published As

Publication number Publication date
CN109283842A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN109283842B (zh) 一种无人艇航迹跟踪智能学习控制方法
Belleter et al. Observer based path following for underactuated marine vessels in the presence of ocean currents: A global approach
Kapitanyuk et al. A guiding vector-field algorithm for path-following control of nonholonomic mobile robots
Zhang et al. Model-reference reinforcement learning for collision-free tracking control of autonomous surface vehicles
CN110673598B (zh) 一种水面无人艇智能路径跟踪控制方法
Wiig et al. Collision avoidance for underactuated marine vehicles using the constant avoidance angle algorithm
CN108319138A (zh) 一种欠驱动无人艇的滑模-反步双回路轨迹跟踪控制方法
CN108829099A (zh) 一种基于受限反步法控制的欠驱动无人船轨迹跟踪方法
CN107168341A (zh) 面向溢油围捕的柔性连接式双无人艇自主协同方法
Faramin et al. Track-keeping observer-based robust adaptive control of an unmanned surface vessel by applying a 4-DOF maneuvering model
CN112947494A (zh) 一种基于模糊pid的船舶自动靠泊控制方法
CN111930132A (zh) 一种用于水下自主航行器的航迹控制方法
CN116360260A (zh) 基于触发制导和自更新阈值的asv预设性能控制方法
CN116048090A (zh) 一种具有能耗优化效应的风帆助航船路径跟踪控制方法
CN112486018B (zh) 一种基于速度自适应预瞄的无模型无人车路径跟踪方法
Skjetne et al. Stabilization of sets parametrized by a single variable: Application to ship maneuvering
Lee et al. Ship steering autopilot based on Anfis framework and conditional tuning scheme
CN115344056A (zh) 一种复杂操纵面飞机的智能飞行控制方法及应用
Van Tuan Maneuvering algorithms of a small-sized underwater robot
Li et al. Tight-Space Maneuvering of a Hybrid-Driven Robotic Fish Using Backstepping-Based Adaptive Control
Abreu Sensor-based formation control of autonomous underwater vehicles
Kumarawadu et al. On the speed control for automated surface vessel operation
Belleter et al. Observer based path following for underactuated marine vessels in the presence of ocean currents: A global approach-with proofs
Xu et al. A new path following method of AUV using line-of-sight with sideway
Nayak et al. Heading plane control of an autonomous underwater vehicle: A novel fuzzy and model reference adaptive control approach

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