CN109507885A - 基于自抗扰的无模型自适应auv控制方法 - Google Patents
基于自抗扰的无模型自适应auv控制方法 Download PDFInfo
- Publication number
- CN109507885A CN109507885A CN201811561751.5A CN201811561751A CN109507885A CN 109507885 A CN109507885 A CN 109507885A CN 201811561751 A CN201811561751 A CN 201811561751A CN 109507885 A CN109507885 A CN 109507885A
- Authority
- CN
- China
- Prior art keywords
- control
- model
- auv
- disturbance rejection
- active disturbance
- 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
Links
Classifications
-
- 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
Abstract
本发明公开了一种基于自抗扰的无模型自适应AUV控制方法,首先利用自抗扰控制中的微分跟踪器对输入信号安排过渡过程并提取其微分信号,然后扩张状态观测器把系统的不确定扰动看作总扰动并对其进行实时的动态估计和补偿,并将微分跟踪器跟踪出来的信号输入到无模型自适应控制器之中,最后将扩张状态观测器观测出来的干扰作用在无模型自适应控制器的输出舵角之上,最终实现AUV的运动控制。本发明克服了传统控制算法快速性和超调性之间的矛盾,大大提高了系统的抗干扰能力,并且实现简单、计算量小、鲁棒性强,对于未知非线性时变系统控制效果明显,可以广泛应用AUV的运动控制当中,并具有良好的控制效果。
Description
技术领域
本发明属于水下机器人智能控制领域,具体涉及一种基于自抗扰的无模型自适应AUV控制方法。
背景技术
自主式水下机器人(AUV)是一种自带能源,依靠其自治能力来管理和控制自身以完成预定任务的水下航行器,可用于海洋科学调查、港口安防监测、水下搜救、海军应用部署等领域。运动控制技术是水下机器人的关键技术之一,良好的运动控制技术是水下机器人完成特定任务的前提和保障。随着水下机器人应用范围的扩大,对其自主性、运动控制的精度和稳定性的要求也随之逐步增加,因此如何提高水下机器人的控制性能是当今研究的一个重要课题。
目前主要采用的AUV运动控制技术有:PID控制、H∞控制、模糊控制、神经网络控制等,PID控制算法是应用最广泛的控制算法,但是存在响应慢、易超调、抗干扰能力差等缺点。H∞控制的控制器的设计过程繁琐,对设计者的经验要求较高;模糊控制的众多的模糊变量以及隶属度函数的选择需要有已被实践验证的效果较好的专家经验知识来指导设计,对于一种新设计的根本没有经验可以利用;而神经网络的自适应过程是需要时间的,特别是当外界干扰的幅度和周期和水下机器人的运动幅值和周期相近时,神经网络的学习就出现滞后现象,使控制出现振荡。针对上述问题,对AUV的无模型自适应控制方面以及强抗干扰性能方面的研究成为了AUV运动控制研究的重要部分。
发明内容
本发明针对复杂海洋环境,为弥补传统算法模型设计复杂以及抗干扰能力差的缺点,提出一种基于自抗扰的无模型自适应AUV控制方法,不需要建立精确数学模型即可实现智能运动控制。
本发明是采用以下的技术方案实现的:基于自抗扰的无模型自适应AUV控制方法,包括以下步骤:
(1)通过自抗扰控制的微分跟踪器对水下航行器系统中的期望航向、期望俯仰信号进行跟踪,并提取其微分信号;
(2)通过自抗扰控制的扩张状态观测器,对水下航行器系统的不确定扰动进行实时动态估计和补偿;
(3)针对水下航行器的姿态运动,建立基于紧格式动态线性化模型,确定该模型中的伪梯度向量形式;
(4)针对紧格式动态线性模型中的伪梯度向量,设计参数自适应估计方程,对伪梯度向量进行估计;
(5)根据动态线性化模型建立误差准则函数,通过最小化误差准则函数设计出无模型自适应控制器;
(6)将自抗扰控制的微分跟踪器跟踪出来的信号,输入到无模型自适应控制器中,并得出输出舵角;
(7)将自抗扰控制扩张状态观测器估计出来的干扰,作用在无模型自适应控制器的输出舵角上,对干扰进行补偿;
(8)调整运动控制参数,收集AUV中的航向、深度数据,并进行分析,进而实现对AUV的运动控制。
进一步的,所述步骤(1)中,微分跟踪器的算法设计如下:
其中:
d=r0h,d0=hd,y=x1+hx2,fhan为最优综合函数,v(k)为系统的输入信号,在航向控制中,输入信号为期望航向,在深度控制中,输入信号为期望俯仰,x1(k)为v(k)的跟踪信号,x2(k)为x1(k)的微分信号,r0为速度因子,与跟踪速度成正比,h为滤波因子,主要是针对噪声,滤波因子的值越大,对噪声的滤波效果就越明显,a、d、y、a0、d0为中间变量。
进一步的,所述步骤(2)中,所述扩张状态观测器的控制算法设计如下:
其中:为系统输出量,在航向控制中,系统输出量为AUV的当前航向,在深度控制中,系统输出量为AUV的当前俯仰,为经过扩张状态观测器的的估计,为经过扩张状态观测器的系统的微分的估计,为的微分,为的微分,为估计出来的海流扰动,为的微分;l1、l2、l3、b0为运动参数,δ为控制器输出舵角。
进一步的,所述步骤(3)中,所述紧格式动态线性化模型的伪梯度向量形式为:
y(k+1)=y(k)+φ(k)Δu(k)
其中:y(k)为系统输出量,y(k+1)为下一时刻的系统输出量,在航向控制中,系统输出量为当前航向,在深度控制中,系统的输出量为当前俯仰,φ(k)为伪偏导数,Δu(k)=u(k)-u(k-1),其中u(k)为控制器的输出舵角。
进一步的,所述步骤(4)中,所述的自适应估计方程为:
如果那么
其中,为伪偏导数的估计值,为伪偏导数的初值,ε为一个极小的正整数,η为步长系数、μ为权重系数,Δy(k)=y(k)-y(k-1)。
进一步的,所述步骤(5)中,控制器的算法设计如下:
其中:y*(k+1)为下一时刻期望输入量,在航向控制中,期望输入量为期望航向,在深度控制中,期望输入量为期望俯仰,λ为权重系数、ρ为步长系数。
进一步的,所述步骤(6)的控制算法设计如下:
其中:为微分跟踪器跟踪出来的输入信号,在航向控制中,为微分跟踪器跟踪出来的期望航向,在深度控制中,为微分跟踪器跟踪出来的期望俯仰。
进一步的,所述步骤(7)中的控制算法设计如下:
其中: 为扩张状态观测器估计出来的干扰。
与现有技术相比,本发明的优点和积极效果在于:
本发明方案将自抗扰控制与无模型自适应控制相结合,将自抗扰控制的微分跟踪器跟踪出来的信号以及扩张状态观测器估计出来的干扰加在无模型自适应控制的控制量上,微分跟踪器给输入信号安排过渡过程,可以提供一个平稳的输入信号,有效克服传统算法快速性和超调性之间的矛盾,扩展状态观测器的存在可以达到实时动态估计和补偿扰动的功能,从而大大提高了系统的抗干扰能力;无模型自适应部分的存在使得不需要建立任何的数学模型,并且实现简单,计算量小、鲁棒性强;此外,对于未知非线性时变系统具有明显的控制效果。本方案弥补了传统算法模型设计复杂以及抗干扰能力弱的缺点,大大提升了在复杂环境下的AUV运动控制效果,保证AUV更加顺利的完成任务。
附图说明
图1为水下航行器航向控制系统示意图;
图2为水下航行器深度控制系统示意图;
图3为基于自抗扰的无模型自适应的航向控制示意图;
图4为基于自抗扰的无模型自适应的双闭环深度控制示意图;
图5为无海流干扰情况下基于自抗扰的无模型自适应的航向控制仿真图;
图6为有海流干扰情况下基于自抗扰的无模型自适应的航向控制仿真图;
图7为无海流干扰情况下基于自抗扰的无模型自适应的航向跟踪仿真图;
图8为有海流干扰情况下基于自抗扰的无模型自适应的航向跟踪仿真图;
图9为无海流干扰情况下基于自抗扰的无模型自适应的俯仰控制仿真图;
图10为有海流干扰情况下基于自抗扰的无模型自适应的俯仰控制仿真图;
图11为无海流干扰情况下基于自抗扰的无模型自适应的俯仰跟踪仿真图;
图12为有海流干扰情况下基于自抗扰的无模型自适应的俯仰跟踪仿真图。
具体实施方式
本发明公开一种基于自抗扰的无模型自适应的AUV控制方法,首先利用自抗扰控制中的微分跟踪器对输入信号安排过渡过程并提取其微分信号,然后扩张状态观测器把系统的不确定扰动看作总扰动并对其进行实时的动态估计和补偿,并将微分跟踪器跟踪出来的信号输入到无模型自适应控制器之中,最后将扩张状态观测器观测出来的干扰作用在无模型自适应控制器的输出舵角之上,最终实现AUV的运动控制。
其主要是实现了自抗扰控制与无模型自适应控制的合理结合,将自抗扰控制的微分跟踪器跟踪出来的信号输入到无模型自适应控制器之中,将扩张状态观测器估计出来的干扰加在无模型自适应控制器的输出控制量之上。其中,为克服传统算法快速性和超调性之间的矛盾,设计并引入了自抗扰的微分跟踪器,能够跟踪参考输入信号并得到其微分信号,AUV航向控制器参考输入信号为期望航向,深度控制中参考输入信号为期望俯仰;为尽可能提高系统的抗干扰能力,设计并引入了扩张状态观测器,其把水下机器人系统的一切不确定扰动看做总扰动并对其进行实时动态估计和补偿,并重点考虑海流对AUV的干扰影响;另外,为了克服难以建立精确数学模型的问题,本发明引入了无模型自适应控制部分,只需要知道系统的输入输出数据,并且实现简单、计算量小、鲁棒性强,对于未知非线性时变系统控制效果也十分明显,同时,无模型自适应控制不存在未建模动态的干扰,因此相对传统算法,无模型自适应控制能够在期望航向、期望俯仰等信号发生突变时具有良好的控制效果。
本发明所提出的方案可广泛应用于水下机器人的航向控制、深度控制中,其控制原理如图1-4所示,为了能够更加清楚地理解本发明的上述目的、特征和优点,下面以水下机器人的航向控制为例,并结合附图对本发明做进一步说明:
水下机器人航向控制:
如图1所示,为水下航行器的航向控制系统示意图,根据系统输入的期望航向以及传感器检测的当前航向经过控制算法计算出期望舵角,通过改变舵角值来改变AUV的实际航向,使AUV的实际航向尽可能的跟踪到期望航向上,良好航向控制系统要求AUV能够快速的跟踪期望航向并且超调较小,抵抗环境干扰的能力强,本实施例针对AUV的航向控制系统,采用基于自抗扰的无模型自适应控制算法,环境干扰采用海流干扰,具体如图3所示,为基于自抗扰的无模型自适应控制的流程示意图。
在海流干扰情况下,首先给出AUV的期望航向,并通过AHRS传感器得到AUV的当前航向,AUV的期望航向经过自抗扰的微分跟踪器得到跟踪出来的期望航向以及其微分信号,将跟踪出来的期望航向作为无模型自适应控制的输入信号。同时,将AHRS检测到的实际航向经过扩张状态观测器得到估计值及其微分,并估计出系统的干扰,将估计出来的干扰作用在无模型自适应控制的输出舵角上,得到AUV最终的输出舵角,通过改变AUV的输出舵角改变AUV的实际航向,具体的:
步骤一、通过自抗扰控制的微分跟踪器对水下航行器系统中的期望航向信号安排过渡过程并提取其微分信号,微分跟踪器的算法设计如下:
其中:
d=rh,d0=hd,
式中:ψd(k)为上一时刻的期望航向,为跟踪出来的当前的期望航向,为跟踪出来的上一时刻的期望航向,为的微分,为的微分,fhan为最优综合函数,r0为速度因子,与跟踪速度成正比,h为滤波因子,主要是针对噪声,滤波因子的值越大,对噪声的滤波效果就越明显,a、d、y、a0、d0为中间变量,本实施例中取r0=0.01,h=2000。
步骤二、通过自抗扰控制的扩张状态观测器,对系统的一切不确定扰动进行实时动态估计和补偿,扩张状态观测器的控制算法设计如下:
其中:ψ为当前航向,为估计出来的当前航向,为估计出来的当前航向的微分,为的微分,为的微分;为估计出来的干扰,为的微分,δ为垂直舵角,l1、l2、l3、b0为控制器参数,本实施例中取l1=2.9,l2=1.9,l3=0.02,b0=0.02。
步骤三、针对水下航行器的姿态运动,建立基于紧格式动态线性模型,确定该模型中的伪梯度向量形式:
ψ(k+1)=ψ(k)+φ(k)Δu(k)
其中:ψ(k)为期望航向,ψ(k+1)为下一时刻的期望航向,φ(k)为伪偏导数,Δu(k)=u(k)-u(k-1),其中u(k)为期望垂直舵角。
步骤四、针对紧格式动态线性模型中的伪梯度向量,设计参数自适应估计方程,对伪梯度向量进行估计:
如果那么
其中,为伪偏导数的估计值,为伪偏导数的初值,ε为一个极小的正整数,η为步长系数、μ为权重系数,本实施例中取η=0.0001,μ=0.01,ε=0.00001,
步骤五、根据动态线性化模型建立误差准则函数,通过最小化误差准则函数设计出控制器:
其中:ψ*(k+1)为下一时刻的期望航向,λ为权重系数、ρ为步长系数,本实施例中取λ=0.01,ρ=70。
步骤六、将自抗扰控制的微分跟踪器跟踪出来的信号输入到无模型自适应控制器中,控制算法如下:
其中:为微分跟踪器跟踪出来的期望航向。
步骤七、将自抗扰控制扩张状态观测器估计出来的干扰,作用在无模型自适应控制的输出舵角上,对干扰进行补偿,控制算法如下:
其中: 为扩张状态观测器估计出来的干扰。
步骤八、调整控制参数r0、h、l1、l2、l3、b0、η、μ、λ、ρ、并分析控制曲线。
仿真结果见图5-图12,图5为无海流干扰情况下基于自抗扰的无模型自适应的航向控制仿真图,并且与自抗扰控制、无模型自适应控制、以及传统的PID控制做了对比,仿真结果表明,在没有干扰的情况下,自抗扰控制相比于传统PID控制,上升时间长,不能很好的满足控制需求,无模型自适应控制以及基于自抗扰的无模型自适应控制算法上升时间均比PID与自抗扰时间短,其中基于自抗扰的无模型自适应控制上升时间最短,最能满足控制要求,另外在没有干扰的情况下,四种控制方法均无超调。图6为加入海流干扰情况下基于自抗扰的无模型自适应的航向控制仿真图,并且与自抗扰控制、无模型自适应控制、以及传统的PID控制做了对比,仿真结果表明,在存在海流干扰的情况下,PID控制出现较大的超调,不能很好的满足控制需求,自抗扰控制依然没有超调,说明其抗干扰能力强,但上升时间依然很长,也不能很好的满足控制需求,无模型自适应控制上升时间短,出现较小的超调,基于自抗扰的无模型自适应控制上升时间与无模型自适应相同,但超调减小,在牺牲较小超调情况下大大缩短上升时间,可认为实现较好的控制效果。通过图5与图6对比可知,基于自抗扰的无模型自适应控制结合了自抗扰控制和无模型自适应控制的优点,实现简单,计算量小,并且抗干扰能力强。图7和图8为无干扰和有干扰情况下的航向跟踪曲线,基于自抗扰的无模型自适应控制可以很好的跟踪航向的变化,上升时间最短并且超调较小。
图9-12是俯仰控制仿真图,通过对比可以看出,基于自抗扰的无模型自适应控制在俯仰控制上也表现出较好的控制效果。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.基于自抗扰的无模型自适应AUV控制方法,其特征在于,包括以下步骤:
(1)通过自抗扰控制的微分跟踪器对水下航行器系统中的期望航向、期望俯仰信号进行跟踪,并提取其微分信号;
(2)通过自抗扰控制的扩张状态观测器,对水下航行器系统的不确定扰动进行实时动态估计和补偿;
(3)针对水下航行器的姿态运动,建立基于紧格式动态线性化模型,确定该模型中的伪梯度向量形式;
(4)针对紧格式动态线性模型中的伪梯度向量,设计参数自适应估计方程,对伪梯度向量进行估计;
(5)根据动态线性化模型建立误差准则函数,通过最小化误差准则函数设计出无模型自适应控制器;
(6)将自抗扰控制的微分跟踪器跟踪出来的信号,输入到无模型自适应控制器中,并得出输出舵角;
(7)将自抗扰控制扩张状态观测器估计出来的干扰,作用在无模型自适应控制器的输出舵角上,对干扰进行补偿;
(8)调整运动控制参数,收集AUV中的航向、深度数据,并进行分析,进而实现对AUV的运动控制。
2.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(1)中,微分跟踪器的算法设计如下:
其中:
d=r0h,d0=hd,y=x1+hx2,fhan为最优综合函数,v(k)为系统的输入信号,在航向控制中,输入信号为期望航向,在深度控制中,输入信号为期望俯仰,x1(k)为v(k)的跟踪信号,x2(k)为x1(k)的微分信号,r0为速度因子,与跟踪速度成正比,h为滤波因子,主要是针对噪声,滤波因子的值越大,对噪声的滤波效果就越明显,a、d、y、a0、d0为中间变量。
3.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(2)中,所述扩张状态观测器的控制算法设计如下:
其中:为系统输出量,在航向控制中,系统输出量为AUV的当前航向,在深度控制中,系统输出量为AUV的当前俯仰,为经过扩张状态观测器的的估计,为经过扩张状态观测器的系统的微分的估计,为的微分,为的微分,为估计出来的海流扰动,为的微分;l1、l2、l3、b0为运动参数,δ为控制器输出舵角。
4.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(3)中,所述紧格式动态线性化模型的伪梯度向量形式为:
y(k+1)=y(k)+φ(k)Δu(k)
其中:y(k)为系统输出量,y(k+1)为下一时刻的系统输出量,在航向控制中,系统输出量为当前航向,在深度控制中,系统的输出量为当前俯仰,φ(k)为伪偏导数,Δu(k)=u(k)-u(k-1),其中u(k)为控制器的输出舵角。
5.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(4)中,所述的自适应估计方程为:
如果那么其中,为伪偏导数的估计值,为伪偏导数的初值,ε为一个极小的正整数,η为步长系数、μ为权重系数,Δy(k)=y(k)-y(k-1)。
6.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(5)中,控制器的算法设计如下:
其中:y*(k+1)为下一时刻期望输入量,在航向控制中,期望输入量为期望航向,在深度控制中,期望输入量为期望俯仰,λ为权重系数、ρ为步长系数。
7.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(6)的控制算法设计如下:
其中:为微分跟踪器跟踪出来的输入信号,在航向控制中,为微分跟踪器跟踪出来的期望航向,在深度控制中,为微分跟踪器跟踪出来的期望俯仰。
8.根据权利要求1所述的基于自抗扰的无模型自适应AUV控制方法,其特征在于:所述步骤(7)中的控制算法设计如下:
其中: 为扩张状态观测器估计出来的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811561751.5A CN109507885B (zh) | 2018-12-20 | 2018-12-20 | 基于自抗扰的无模型自适应auv控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811561751.5A CN109507885B (zh) | 2018-12-20 | 2018-12-20 | 基于自抗扰的无模型自适应auv控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109507885A true CN109507885A (zh) | 2019-03-22 |
CN109507885B CN109507885B (zh) | 2020-09-25 |
Family
ID=65753882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811561751.5A Active CN109507885B (zh) | 2018-12-20 | 2018-12-20 | 基于自抗扰的无模型自适应auv控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507885B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582026A (zh) * | 2019-01-10 | 2019-04-05 | 中国海洋大学 | 基于自整定视线与漂角补偿的自主水下航行器路径跟踪控制方法 |
CN110221537A (zh) * | 2019-07-01 | 2019-09-10 | 南京航空航天大学 | 控制方法、装置及航空发动机限制保护控制方法、装置 |
CN110906933A (zh) * | 2019-11-06 | 2020-03-24 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
CN111176306A (zh) * | 2020-01-24 | 2020-05-19 | 西北工业大学 | 一种水下航行器变增益自抗扰纵向控制方法 |
CN111240347A (zh) * | 2020-01-17 | 2020-06-05 | 中南大学 | 一种自抗扰控制的无人机航向角误差补偿方法、系统 |
CN112000007A (zh) * | 2020-07-17 | 2020-11-27 | 无锡卡尔曼导航技术有限公司 | 一种用于农机无人驾驶的扰动抑制控制方法 |
CN112034707A (zh) * | 2020-08-25 | 2020-12-04 | 大连理工大学 | 无模型自适应控制的改进方法 |
CN112363393A (zh) * | 2020-10-27 | 2021-02-12 | 华中科技大学 | 无人艇动力定位的无模型自适应预设性能控制方法 |
CN113010963A (zh) * | 2021-03-04 | 2021-06-22 | 山东大学 | 基于深度强化学习的变质量水下航行器避障方法及系统 |
CN113983717A (zh) * | 2021-11-25 | 2022-01-28 | 天津电子信息职业技术学院 | 基于改进的无模型自适应控制策略吸收式制冷节能系统 |
CN114047703A (zh) * | 2021-12-01 | 2022-02-15 | 吉林大学 | 一种压电陶瓷微定位平台的无模型自适应控制方法 |
CN114924576A (zh) * | 2022-04-20 | 2022-08-19 | 中国科学院沈阳自动化研究所 | 一种适用于水下机器人的定深控制方法 |
CN114993591A (zh) * | 2022-04-15 | 2022-09-02 | 中南大学 | 一种基于ladrc的地震模拟振动台控制方法和系统 |
CN115303455A (zh) * | 2022-09-16 | 2022-11-08 | 北京大学 | 水下仿生机器人运动控制方法、装置、设备及存储介质 |
CN115357036A (zh) * | 2022-09-09 | 2022-11-18 | 华中科技大学 | 欠驱动水下航行器的双层抗扰深度跟踪控制方法及系统 |
CN115562312A (zh) * | 2022-11-17 | 2023-01-03 | 三亚哈尔滨工程大学南海创新发展基地 | 一种强跟踪全格式无模型自适应船舶艏向控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002023807A (ja) * | 2000-06-19 | 2002-01-25 | Kyosei Kan | 最適かつ自動的に外乱を排除するフィードバック制御を実現するための方法及び装置 |
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 |
CN103412567A (zh) * | 2013-04-15 | 2013-11-27 | 上海大学 | 基于线性自抗扰技术的水下机器人深度控制装置和方法 |
CN106708064A (zh) * | 2015-11-13 | 2017-05-24 | 中国科学院沈阳自动化研究所 | 一种水下机器人的垂直面控制方法 |
CN107942688A (zh) * | 2018-01-05 | 2018-04-20 | 哈尔滨工程大学 | 水中航行器用遗忘因子式无模型自适应航向控制方法 |
CN108196445A (zh) * | 2017-12-11 | 2018-06-22 | 西北工业大学 | 一种基于双闭环自抗扰的水下机器人姿态与位置控制方法 |
US20180260008A1 (en) * | 2017-03-13 | 2018-09-13 | Samsung Electronics Co., Ltd. | Active disturbance rejection based thermal control |
-
2018
- 2018-12-20 CN CN201811561751.5A patent/CN109507885B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002023807A (ja) * | 2000-06-19 | 2002-01-25 | Kyosei Kan | 最適かつ自動的に外乱を排除するフィードバック制御を実現するための方法及び装置 |
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 |
CN103412567A (zh) * | 2013-04-15 | 2013-11-27 | 上海大学 | 基于线性自抗扰技术的水下机器人深度控制装置和方法 |
CN106708064A (zh) * | 2015-11-13 | 2017-05-24 | 中国科学院沈阳自动化研究所 | 一种水下机器人的垂直面控制方法 |
US20180260008A1 (en) * | 2017-03-13 | 2018-09-13 | Samsung Electronics Co., Ltd. | Active disturbance rejection based thermal control |
CN108196445A (zh) * | 2017-12-11 | 2018-06-22 | 西北工业大学 | 一种基于双闭环自抗扰的水下机器人姿态与位置控制方法 |
CN107942688A (zh) * | 2018-01-05 | 2018-04-20 | 哈尔滨工程大学 | 水中航行器用遗忘因子式无模型自适应航向控制方法 |
Non-Patent Citations (2)
Title |
---|
杨太阳: ""船舶舵鳍联合系统的无模型控制策略研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈雪: ""无模型自适应控制方法的改进设计与仿真"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582026A (zh) * | 2019-01-10 | 2019-04-05 | 中国海洋大学 | 基于自整定视线与漂角补偿的自主水下航行器路径跟踪控制方法 |
CN109582026B (zh) * | 2019-01-10 | 2020-04-07 | 中国海洋大学 | 基于自整定视线与漂角补偿的自主水下航行器路径跟踪控制方法 |
CN110221537A (zh) * | 2019-07-01 | 2019-09-10 | 南京航空航天大学 | 控制方法、装置及航空发动机限制保护控制方法、装置 |
CN110906933A (zh) * | 2019-11-06 | 2020-03-24 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
CN110906933B (zh) * | 2019-11-06 | 2021-10-22 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
CN111240347A (zh) * | 2020-01-17 | 2020-06-05 | 中南大学 | 一种自抗扰控制的无人机航向角误差补偿方法、系统 |
CN111176306B (zh) * | 2020-01-24 | 2022-10-14 | 西北工业大学 | 一种水下航行器变增益自抗扰纵向控制方法 |
CN111176306A (zh) * | 2020-01-24 | 2020-05-19 | 西北工业大学 | 一种水下航行器变增益自抗扰纵向控制方法 |
CN112000007A (zh) * | 2020-07-17 | 2020-11-27 | 无锡卡尔曼导航技术有限公司 | 一种用于农机无人驾驶的扰动抑制控制方法 |
CN112034707A (zh) * | 2020-08-25 | 2020-12-04 | 大连理工大学 | 无模型自适应控制的改进方法 |
CN112363393A (zh) * | 2020-10-27 | 2021-02-12 | 华中科技大学 | 无人艇动力定位的无模型自适应预设性能控制方法 |
CN113010963A (zh) * | 2021-03-04 | 2021-06-22 | 山东大学 | 基于深度强化学习的变质量水下航行器避障方法及系统 |
CN113983717A (zh) * | 2021-11-25 | 2022-01-28 | 天津电子信息职业技术学院 | 基于改进的无模型自适应控制策略吸收式制冷节能系统 |
CN114047703A (zh) * | 2021-12-01 | 2022-02-15 | 吉林大学 | 一种压电陶瓷微定位平台的无模型自适应控制方法 |
CN114047703B (zh) * | 2021-12-01 | 2024-02-23 | 吉林大学 | 一种压电陶瓷微定位平台的无模型自适应控制方法 |
CN114993591A (zh) * | 2022-04-15 | 2022-09-02 | 中南大学 | 一种基于ladrc的地震模拟振动台控制方法和系统 |
CN114924576A (zh) * | 2022-04-20 | 2022-08-19 | 中国科学院沈阳自动化研究所 | 一种适用于水下机器人的定深控制方法 |
CN115357036A (zh) * | 2022-09-09 | 2022-11-18 | 华中科技大学 | 欠驱动水下航行器的双层抗扰深度跟踪控制方法及系统 |
CN115303455A (zh) * | 2022-09-16 | 2022-11-08 | 北京大学 | 水下仿生机器人运动控制方法、装置、设备及存储介质 |
CN115303455B (zh) * | 2022-09-16 | 2023-04-25 | 北京大学 | 水下仿生机器人运动控制方法、装置、设备及存储介质 |
CN115562312A (zh) * | 2022-11-17 | 2023-01-03 | 三亚哈尔滨工程大学南海创新发展基地 | 一种强跟踪全格式无模型自适应船舶艏向控制方法 |
CN115562312B (zh) * | 2022-11-17 | 2023-10-13 | 哈尔滨工程大学三亚南海创新发展基地 | 一种强跟踪全格式无模型自适应船舶艏向控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109507885B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507885A (zh) | 基于自抗扰的无模型自适应auv控制方法 | |
Shojaei | Neural network formation control of underactuated autonomous underwater vehicles with saturating actuators | |
Liu et al. | Path following of marine surface vehicles with dynamical uncertainty and time-varying ocean disturbances | |
Shojaei | Observer-based neural adaptive formation control of autonomous surface vessels with limited torque | |
Batista et al. | Optimal position and velocity navigation filters for autonomous vehicles | |
Li et al. | A neural network adaptive controller design for free-pitch-angle diving behavior of an autonomous underwater vehicle | |
He et al. | Uncertainty and disturbance estimator-based distributed synchronization control for multiple marine surface vehicles with prescribed performance | |
He et al. | Nonparametric modeling of ship maneuvering motion based on self-designed fully connected neural network | |
Fan et al. | Distributed finite-time adaptive consensus tracking control for multiple AUVs with state constraints | |
Yang et al. | Adaptive backstepping terminal sliding mode control method based on recurrent neural networks for autonomous underwater vehicle | |
Wang et al. | Bounded neural adaptive formation control of multiple underactuated AUVs under uncertain dynamics | |
CN110209180A (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
Gu et al. | Nonlinear observer design for a robotic unmanned surface vehicle with experiment results | |
Chen et al. | Online modeling and prediction of maritime autonomous surface ship maneuvering motion under ocean waves | |
Wang et al. | Real-time parameter identification of ship maneuvering response model based on nonlinear Gaussian Filter | |
CN116449687A (zh) | 一种基于改进型海上救援飞翼扰动观测pid控制方法 | |
Miao et al. | DOPH∞-based path-following control for underactuated marine vehicles with multiple disturbances and constraints | |
Liu et al. | Non-linear output feedback tracking control for AUVs in shallow wave disturbance condition | |
Yuan et al. | Course control of underactuated ship based on nonlinear robust neural network backstepping method | |
Zhang et al. | Observer-based adaptive tracking control of underactuated autonomous marine vehicle with uncertainty dynamic | |
Lei et al. | Robust singular perturbation control for 3D path following of underactuated AUVs | |
Xiao | Modeling and adaptive sliding mode control of the catastrophic course of a high-speed underwater vehicle | |
CN109752957B (zh) | 一种无人艇的制导指令调节器结构及设计方法 | |
CN114137826A (zh) | 一种基于灰狼算法的船舶动力定位自抗扰控制方法 | |
Zhou et al. | Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method |
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 |