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

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：

式中，(x_r,y_r)为实时参考路径点，(x_j,y_j),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，α_j-1为连接航迹点(x_j-1,y_j-1)与(x_j,y_j)的路径方位角，R为Line-of-Sight圆半径，其计算方式如下：

其中，d为偏航距离，即无人艇与期望路径的横向跟踪误差，R_min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≤R_min-δ时，R＝R_min，无人艇能以最小前视距离收敛至期望路径，当d＞R_min+δ时R＝d，无人艇以最短距离方向趋向参考路径，而当R_min-δ＜d≤R_min+δ时，R_min+δ+δtanh[λ(d-R_min-δ)]，R能够在[R_min,R_min+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：

ψ_r＝arctan[(y_r-y)/(x_r-x)]-β

其中，ψ_r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R_s，则当

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[-u_max,u_max]×[-v_max,v_max]×[-r_max,r_max]，其中，i_max,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：

μ_NM(i)＝exp[-(i+i_max)/18]²

μ_NS(i)＝exp[-(i+i_max/2)/18]²

μ_Z(i)＝exp[-i/18]²

μ_PS(i)＝exp[-(i-i_max/2)/18]²

μ_PM(i)＝exp[-(i-i_max)/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

设计模糊系统参数自适应在线学习律为：

式中，Λ_u，Λ_r，σ_u，σ_r为控制参数，u_e＝u-u_d为速度跟踪误差，u_d为期望航速，r_e＝r-α_r为艏向角速度跟踪误差，α_r为艏向角速度虚拟控制量，其设计为

其中ψ_e＝ψ-ψ_r为艏向角跟踪误差，k_ψ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τ_u和航向控制器τ_r，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τ_u和航向控制器τ_r分别设计如下：

式中，k_u,k_r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：

式中，(x_r,y_r)为实时参考路径点，(x_j,y_j),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，α_j-1为连接航迹点(x_j-1,y_j-1)与(x_j,y_j)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：

ψ_r＝arctan[(y_r-y)/(x_r-x)]-β (2)

其中，ψ_r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R_s，则当

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τ_u和航向控制器τ_r，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：

其中，d为偏航距离，即无人艇与期望路径的横向跟踪误差，R_min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≤R_min-δ时，R＝R_min，无人艇能以最小前视距离收敛至期望路径，当d＞R_min+δ时R＝d，无人艇以最短距离方向趋向参考路径，而当R_min-δ＜d≤R_min+δ时R_min+δ+δtanh[λ(d-R_min-δ)]，R能够在[R_min,R_min+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[-u_max,u_max]×[-v_max,v_max]×[-r_max,r_max]，其中，i_max,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：

μ_NM(i)＝exp[-(i+i_max)/18]²

μ_NS(i)＝exp[-(i+i_max/2)/18]²

μ_Z(i)＝exp[-i/18]²

μ_PS(i)＝exp[-(i-i_max/2)/18]²

μ_PM(i)＝exp[-(i-i_max)/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

设计模糊系统参数自适应在线学习律为：

式(5)中，Λ_u，Λ_r，σ_u，σ_r为控制参数，u_e＝u-u_d为速度跟踪误差，u_d为期望航速，r_e＝r-α_r为艏向角速度跟踪误差，α_r为艏向角速度虚拟控制量，其设计为

其中ψ_e＝ψ-ψ_r为艏向角跟踪误差，k_ψ为设计参数；

步骤四所设计的纵向速度控制器τ_u和航向控制器τ_r分别如下：

式中，k_u,k_r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：

式中，(x_r,y_r)为实时参考路径点，(x_j,y_j),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，α_j-1为连接航迹点(x_j-1,y_j-1)与(x_j,y_j)的路径方位角，R为Line-of-Sight圆半径，其计算方式如下：

其中，d为偏航距离，即无人艇与期望路径的横向跟踪误差，R_min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≤R_min-δ时，R＝R_min，无人艇能以最小前视距离收敛至期望路径，当d＞R_min+δ时R＝d，无人艇以最短距离方向趋向参考路径，而当R_min-δ＜d≤R_min+δ时，R_min+δ+δtanh[λ(d-R_min-δ)]，R能够在[R_min,R_min+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：

ψ_r＝arctan[(y_r-y)/(x_r-x)]-β (1-3)

其中，ψ_r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R_s，则当

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[-u_max,u_max]×[-v_max,v_max]×[-r_max,r_max]，其中，i_max,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：

μ_NM(i)＝exp[-(i+i_max)/18]²

μ_NS(i)＝exp[-(i+i_max/2)/18]²

μ_Z(i)＝exp[-i/18]²

μ_PS(i)＝exp[-(i-i_max/2)/18]²

μ_PM(i)＝exp[-(i-i_max)/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

设计模糊系统参数自适应在线学习律为：

式中，Λ_u，Λ_r，σ_u，σ_r为控制参数，u_e＝u-u_d为速度跟踪误差，u_d为期望航速，r_e＝r-α_r为艏向角速度跟踪误差，α_r为艏向角速度虚拟控制量，其设计为

其中ψ_e＝ψ-ψ_r为艏向角跟踪误差，k_ψ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τ_u和航向控制器τ_r，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τ_u和航向控制器τ_r分别设计如下：

式中，k_u,k_r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ψ_r根据参考路径点和无人艇的实时位置求得，计算方式如下：

ψ_r＝arctan[(y_r-y)/(x_r-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R_s，则当

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(x_r,y_r)依据LOS制导思想通过航迹跟踪中的位置几何关系得到：

式中，(x_r,y_r)为实时参考路径点，(x_j,y_j),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，α_j-1为连接航迹点(x_j-1,y_j-1)与(x_j,y_j)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：

其中，d为偏航距离，即无人艇与期望路径的横向跟踪误差；R_min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≤R_min-δ时，R＝R_min，无人艇能以最小前视距离收敛至期望路径；当d＞R_min+δ时R＝d，无人艇以最短距离方向趋向参考路径；而当R_min-δ＜d≤R_min+δ时，R_min+δ+δtanh[λ(d-R_min-δ)]，R在[R_min,R_min+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R_min＝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[-u_max,u_max]×[-v_max,v_max]×[-r_max,r_max]，其中，i_max,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：

μ_NM(i)＝exp[-(i+i_max)/18]²

μ_NS(i)＝exp[-(i+i_max/2)/18]²

μ_Z(i)＝exp[-i/18]²

μ_PS(i)＝exp[-(i-i_max/2)/18]²

μ_PM(i)＝exp[-(i-i_max)/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

设计模糊系统参数自适应在线学习律为：

式中，Λ_u，Λ_r，σ_u，σ_r为控制参数，u_e＝u-u_d为速度跟踪误差，u_d为期望航速，r_e＝r-α_r为艏向角速度跟踪误差，α_r为艏向角速度虚拟控制量，其设计为

其中ψ_e＝ψ-ψ_r为艏向角跟踪误差，k_ψ为设计参数。则航速和航向控制器设计分别为：

式中，k_u,k_r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：

式中，(x_r,y_r)为实时参考路径点，(x_j,y_j),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，α_j-1为连接航迹点(x_j-1,y_j-1)与(x_j,y_j)的路径方位角，R为Line-of-Sight圆半径，其计算方式如下：

其中，d为偏航距离，即无人艇与期望路径的横向跟踪误差，R_min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≤R_min-δ时，R＝R_min，无人艇能以最小前视距离收敛至期望路径，当d＞R_min+δ时，R＝d，无人艇以最短距离方向趋向参考路径，而当R_min-δ＜d≤R_min+δ时，R＝R_min+δ+δtanh[λ(d-R_min-δ)]，R能够在[R_min,R_min+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：

ψ_r＝arctan[(y_r-y)/(x_r-x)]-β

其中，ψ_r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R_s，则当

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[-u_max,u_max]×[-v_max,v_max]×[-r_max,r_max]，其中，i_max,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：

μ_NM(i)＝exp[-(i+i_max)/18]²

μ_NS(i)＝exp[-(i+i_max/2)/18]²

μ_Z(i)＝exp[-i/18]²

μ_PS(i)＝exp[-(i-i_max/2)/18]²

μ_PM(i)＝exp[-(i-i_max)/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

设计模糊系统参数自适应在线学习律为：

式中，Λ_u，Λ_r，σ_u，σ_r为控制参数，u_e＝u-u_d为速度跟踪误差，u_d为期望航速，r_e＝r-α_r为艏向角速度跟踪误差，α_r为艏向角速度虚拟控制量，其设计为

其中ψ_e＝ψ-ψ_r为艏向角跟踪误差，k_ψ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τ_u和航向控制器τ_r，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τ_u和航向控制器τ_r分别设计如下：

式中，k_u,k_r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。

Images