CN109507885A - 基于自抗扰的无模型自适应auv控制方法 - Google Patents

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

基于自抗扰的无模型自适应AUV控制方法

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：ψ_d(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。