CN110161853A - 一种新型具有实时性的船舶综合自动驾驶系统 - Google Patents
一种新型具有实时性的船舶综合自动驾驶系统 Download PDFInfo
- Publication number
- CN110161853A CN110161853A CN201910386237.0A CN201910386237A CN110161853A CN 110161853 A CN110161853 A CN 110161853A CN 201910386237 A CN201910386237 A CN 201910386237A CN 110161853 A CN110161853 A CN 110161853A
- Authority
- CN
- China
- Prior art keywords
- control
- ship
- indicates
- time
- formula
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G05B13/0265—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
- 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
- G05B13/048—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 using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种新型具有实时性的船舶综合自动驾驶系统,包括以下步骤:建立船舶自动驾驶系统的控制器设计模型,获取控制系统;将传统船舶航向跟踪控制问题转化为考虑能量消耗与控制性能相结合的优化控制问题,在具有执行器约束即舵机饱和下利用滚动优化原理设计具有鲁棒性的预测控制器;求解具有执行器约束的最优控制舵角命令,从而得到所述船舶综合自动驾驶系统。本发明在传统的MPC(模型预测控制)算法的基础上结合了RNN(递归神经网络)来对控制过程进行优化。在保证系统具有实时性的基础上,利用RNN强大的并行计算能力,快速求解具有执行器约束的最优控制舵角命令,减少控制过程中的计算时间,使自动舵能够对多变的海上环境做出更及时的反应。
Description
技术领域
本发明涉及船舶自动驾驶技术领域,具体而言,尤其涉及一种新型具有实时性的船舶综合自动驾驶系统。
背景技术
现有技术中,有一种基于深度置信网络的船舶自动舵,其特征在于,根据所述船员考试数据信息建立深度置信网络模型,再将所述深度置信网络模型转换成普通神经网络模型,包括:采用对比散度算法对组成所述深度置信网络模型的受限波尔兹曼机进行逐层训练,得到所述深度置信网络模型的初始数据;将所述深度置信网络模型转换为所述普通神经网络模型;利用反向传播算法,并结合所述船员考试数据信息中操船成绩较好的历史数据,对所述普通神经网络模型进行微调。
但是因为海上环境多变,船舶经常会受到外界环境(风,浪,流等因素)的干扰,船舶运动具有惯性大、非线性强、时滞大的特点,所以,在海上船舶的运动控制过程中,会出现很多不确定的问题。现在船舶航向自动舵的发展现状是:一方面,虽然传统的PID控制算法难以适应船舶运动控制过程中的强不确定性和非线性,并且因为PID自动舵的控制过程是离线的,所以它对外界变化的应变能力较差,当外界环境发生变化时,控制参数需要人工整定,但是由于PID控制简单,所以仍然被广泛应用于工程实践;另一方面,一些新的控制理论和方法也在尝试应用于船舶控制领域,例如基于深度置信网络的船舶自动舵,但这些新的理论和方法往往会因为“计算量膨胀”、“维数灾难”以及算法本身复杂等问题的存在,而不适用于工程实践。此外,在系统控制船舶的过程中,作为系统输入的舵角是有约束条件的,这是一个很容易被大部分研究人员忽视的问题。
因为MPC算法具有在线计算能力,能提前针对控制器饱和进行调节,所以采用了该算法的船舶控制系统能够很好地解决输入舵角具有约束这个问题。虽然MPC算法近年来已经成功的应用于设计船舶跟踪控制器,但由于MPC算法会循环的用一个确定的预测模型去预估未来控制时域内的输出响应,加大了控制过程中的计算量。因此,仅采用传统MPC算法的船舶跟踪控制器不能对海上多变的环境做出及时的反应,降低了该控制器的实用性。
发明内容
根据上述提出的技术问题,而提供一种新型具有实时性的船舶综合自动驾驶系统。本发明主要利用一种新型具有实时性的船舶综合自动驾驶系统,包括以下步骤:
S1:建立简捷的船舶自动驾驶系统的控制器设计模型,获取易于实现,具有稳定性的船舶自动驾驶控制系统;
S2:基于模型预测控制原理,将传统船舶航向跟踪控制问题转化为考虑能量消耗与控制性能相结合的优化控制问题,在具有执行器约束即舵机饱和下利用滚动优化原理设计具有鲁棒性的预测控制器;
S3:基于递归神经网络,求解具有执行器约束的最优控制舵角命令,从而得到所述船舶综合自动驾驶系统。
进一步地,所述建立船舶自动驾驶系统的控制器设计模型:
式中,δ表示输入舵角,r表示舵角变化率,a、b表示所述模型参数;
则上述的模型可以改写为如下形式:
xt(t)=Atxt+Btut
yt=Ctxt
式中,
通过给定采样时间,将状态空间表达式离散化之后可以得到:
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)
式中,x∈R2×1,A∈R2×2,B∈R2×1,C∈R1×2,y∈R1×1,k表示采样时刻;x(k)表示第k个采样时刻系统的状态向量;x(k+1)表示第k+1个采样时刻系统的状态向量;u(k)表示第k个采样时刻系统的输入矩阵;y(k)表示第k个采样时刻系统的输出矩阵;A、B、C分别为离散化后对应的参数矩阵。
所述系统的状态向量x(k)表示当前采样时刻的信息,定义Np为预测时域,Nc为控制时域,则系统未来预测时域中的状态向量能够通过将当前采样时刻k处已知的状态信息x(k)和舵角输入u(k)输入到一个确定的预测模型(本发明采用的x(k+1)=Ax(k)+Bu(k))顺序计算得到:
式中,x(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的状态向量x(k+i)。
更进一步地,所述系统未来控制时域内的输出响应同样可以通过将x(k)和舵角输入u(k)输入到一个确定的预测模型(本发明采用的y(k+1)=CAx(k)+CBu(k))顺序计算得到:
式中,y(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的输出响应y(k+i)。
则输出向量Y和控制输入向量U为:
将预测输出转换为下述紧凑形式:
Y=Λx(k)+ΦU
式中,
综上,将船舶自动控制问题转化为考虑能量消耗的优化控制问题,得到下述的目标代价方程:
J=YTQY+UTRU
式中,YTQY表示对控制误差偏离的目标调节,UTRU表示对能量消耗的调节;Y表示上述的输出向量;U表示上述的控制输入向量;Q,R分别表示权重矩阵。
根据实际船舶可知,目标代价方程的舵角约束条件为:
umin≤u≤umax
通过投影递归神经网络建立如下动态神经系统并行求解上述目标代价方程:
式中,λ表示标量参数调节神经网络系统的收敛速度,PU(U)表示投影算子。
较现有技术相比,本发明具有以下优点:
本发明用于船舶航向控制,将船舶航向的自动跟踪问题转化为考虑能量消耗的优化控制问题。其特征在于,有效的结合了传统的MPC算法和RNN,包括:利用模型预测控制的滚动优化原理提高了自动舵针对外界环境(风、浪、流等)与模型不确定性的鲁棒性;利用优化控制原理,解决了执行器饱和问题,所设计的自动舵能够提前针对控制器饱和进行调节;利用RNN强大的并行计算能力,减少了计算时间。
本发明设计的控制器采用了具有在线计算能力的MPC算法,使控制器能够使用预测模型预估未来的输出响应,然后根据未来控制时域内的输出响应对系统进行滚动优化,提前针对控制器饱和进行调节,使自动舵能够很好的解决舵角饱和的问题。该系统与现在广泛应用的采用PID控制算法的船舶控制系统相比,不仅能解决自动舵的舵角饱和问题,还能减小自动舵的跟踪误差和超调量。
此外,本申请在传统的MPC算法的基础上结合了RNN来对控制过程进行优化。在保证系统具有实时性的基础上,利用RNN强大的并行计算能力,快速求解具有执行器约束的最优控制舵角命令,减少控制过程中的计算时间,使自动舵能够对多变的海上环境做出更及时的反应。
综上,本申请的系统与以前的系统相比,提高了自动舵整体的控制性能,增强了自动舵对外界干扰的鲁棒性,减少了操舵的次数和对船舶仪器的损耗,减少了频繁操舵造成的能量损耗,具有广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图。
图2为本发明投影递归神经网络的结构示意图。
图3为PID与结合RNN的MPC算法的性能比较。
图4为传统MPC算法(使用Fmincon函数求解执行器约束)与结合RNN的MPC算法的计算时间比较。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-4所示一种新型具有实时性的船舶综合自动驾驶系统,包括以下步骤:步骤S1:建立简捷的船舶自动驾驶系统的控制器设计模型,获取易于实现,具有稳定性的船舶自动驾驶控制系统。步骤S2:基于模型预测控制原理,将传统船舶航向跟踪控制问题转化为考虑能量消耗与控制性能相结合的优化控制问题,在具有执行器约束即舵机饱和下利用滚动优化原理设计具有鲁棒性的预测控制器。步骤S3:基于递归神经网络,求解具有执行器约束的最优控制舵角命令,从而得到所述船舶综合自动驾驶系统。
作为优选的实施方式,本申请所述建立船舶自动驾驶系统的控制器设计模型:
式中,δ表示输入舵角,r表示舵角变化率,a、b表示所述模型参数;
则上述的模型可以改写为如下形式:
xt(t)=Atxt+Btut
yt=Ctxt
式中,
通过给定采样时间,将状态空间表达式离散化之后可以得到:
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)
式中,x∈R2×1,A∈R2×2,B∈R2×1,C∈R1×2,y∈R1×1,k表示采样时刻;x(k)表示第k个采样时刻系统的状态向量;x(k+1)表示第k+1个采样时刻系统的状态向量;u(k)表示第k个采样时刻系统的输入矩阵;y(k)表示第k个采样时刻系统的输出矩阵;A、B、C分别为离散化后对应的参数矩阵。
在本实施方式中,所述系统的状态向量x(k)表示当前采样时刻的信息,定义Np为预测时域,Nc为控制时域,则系统未来预测时域中的状态向量能够通过将当前采样时刻k处已知的状态信息x(k)和舵角输入u(k)输入到一个确定的预测模型(本发明采用的x(k+1)=Ax(k)+Bu(k))顺序计算得到:
式中,x(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的状态向量x(k+i)。
在本实施方式中,所述系统未来控制时域内的输出响应同样可以通过将x(k)和舵角输入u(k)输入到一个确定的预测模型(本发明采用的y(k+1)=CAx(k)+CBu(k))顺序计算得到:
式中,y(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的输出响应y(k+i);
则输出向量Y和控制输入向量U为:
将预测输出转换为下述紧凑形式:
Y=Λx(k)+ΦU
式中,
综上,将船舶自动控制问题转化为考虑能量消耗的优化控制问题,得到下述的目标代价方程:
J=YTQY+UTRU
式中,YTQY表示对控制误差偏离的目标调节,UTRU表示对能量消耗的调节;Y表示上述的输出向量;U表示上述的控制输入向量;Q,R分别表示权重矩阵。
根据实际船舶可知,目标代价方程的舵角约束条件为:
umin≤u≤umax
通过投影递归神经网络建立如下动态神经系统并行求解上述目标代价方程:
式中,λ表示标量参数调节神经网络系统的收敛速度,PU(U)表示投影算子。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种新型具有实时性的船舶综合自动驾驶系统,其特征在于,包括以下步骤:
S1:建立船舶自动驾驶系统的控制器设计模型,获取船舶自动驾驶控制系统;
S2:基于模型预测控制原理,将传统船舶航向跟踪控制问题转化为考虑能量消耗与控制性能相结合的优化控制问题,在具有执行器约束即舵机饱和下利用滚动优化原理设计具有鲁棒性的预测控制器;
S3:基于递归神经网络,求解具有执行器约束的最优控制舵角命令,从而得到所述船舶综合自动驾驶系统。
2.根据权利要求1所述的一种新型具有实时性的船舶综合自动驾驶系统,其特征在于:
建立所述的船舶自动驾驶系统的控制器设计模型:
式中,δ表示输入舵角,r表示舵角变化率,a、b表示所述模型参数;
则上述的模型可以改写为如下形式:
xt(t)=Atxt+Btut
yt=Ctxt
式中,
xt=[ψ r]T,Ct=[1 0],ut=δ
通过给定采样时间,将状态空间表达式离散化之后可以得到:
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)
式中,x∈R2×1,A∈R2×2,B∈R2×1,C∈R1×2,y∈R1×1,k表示采样时刻;x(k)表示第k个采样时刻系统的状态向量;x(k+1)表示第k+1个采样时刻系统的状态向量;u(k)表示第k个采样时刻系统的输入矩阵;y(k)表示第k个采样时刻系统的输出矩阵;A、B、C分别为离散化后对应的参数矩阵。
3.根据权利要求1所述的一种新型具有实时性的船舶综合自动驾驶系统,其特征在于:
所述系统的状态向量x(k)表示当前采样时刻的信息,定义Np为预测时域,Nc为控制时域,则系统未来预测时域中的状态向量能够通过将当前采样时刻k处已知的状态信息x(k)和舵角输入u(k)输入到一个确定的预测模型(本发明采用的x(k+1)=Ax(k)+Bu(k))顺序计算得到:
x(k+1|k)=Ax(k)+Bu(k)
x(k+2|k)=Ax(k+1|k)+Bu(k+1)=A2x(k)+ABu(k)+Bu(k+1)
式中,x(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的状态向量x(k+i);
所述系统未来控制时域内的输出响应同样可以通过将x(k)和舵角输入u(k)输入到一个确定的预测模型顺序计算得到:
y(k+1|k)=CAx(k)+CBu(k)
y(k+2|k)=CA2x(k)+CABu(k)+CBu(k+1)
式中,y(k+i|k)i=1,2,3,...,Np表示使用在采样时刻k处测量得到的x(k)预测的系统未来的输出响应y(k+i);
则输出向量Y和控制输入向量U为:
将预测输出转换为下述紧凑形式:
Y=Λx(k)+ΦU
式中,
综上,将船舶自动控制问题转化为考虑能量消耗的优化控制问题,得到下述的目标代价方程:
J=YTQY+UTRU
式中,YTQY表示对控制误差偏离的目标调节,UTRU表示对能量消耗的调节;Y表示上述的输出向量;U表示上述的控制输入向量;Q,R分别表示权重矩阵;
根据实际船舶可知,目标代价方程的舵角约束条件为:
umin≤u≤umax。
4.根据权利要求1所述的一种新型具有实时性的船舶综合自动驾驶系统,其特征在于:
通过投影递归神经网络建立如下动态神经系统并行求解上述目标代价方程:
式中,λ表示标量参数调节神经网络系统的收敛速度,PU(U)表示投影算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386237.0A CN110161853A (zh) | 2019-05-09 | 2019-05-09 | 一种新型具有实时性的船舶综合自动驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386237.0A CN110161853A (zh) | 2019-05-09 | 2019-05-09 | 一种新型具有实时性的船舶综合自动驾驶系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110161853A true CN110161853A (zh) | 2019-08-23 |
Family
ID=67634016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910386237.0A Pending CN110161853A (zh) | 2019-05-09 | 2019-05-09 | 一种新型具有实时性的船舶综合自动驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161853A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111186549A (zh) * | 2020-01-15 | 2020-05-22 | 大连海事大学 | 一种具有船舶避碰功能的航向自动舵控制系统 |
CN111665719A (zh) * | 2020-06-11 | 2020-09-15 | 大连海事大学 | 一种具有时效性与稳定性的补给船同步控制算法 |
CN112863179A (zh) * | 2021-01-11 | 2021-05-28 | 上海交通大学 | 一种基于神经网络模型预测控制的路口信号灯控制方法 |
CN113625714A (zh) * | 2021-08-11 | 2021-11-09 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2547213A1 (en) * | 2010-03-17 | 2013-01-23 | Katholieke Universiteit Leuven | Storage of respiratory produce |
CN104881040A (zh) * | 2015-05-15 | 2015-09-02 | 长沙理工大学 | 一种主动抑制参数横摇的船舶航迹跟踪预测控制方法 |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
WO2018099574A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | System and method for determining a vehicle classification from gps tracks. |
CN108897217A (zh) * | 2018-07-04 | 2018-11-27 | 西北工业大学 | 一种基于模型预测控制的欠驱动水面船轨迹跟踪控制方法 |
CN109188909A (zh) * | 2018-09-26 | 2019-01-11 | 大连海事大学 | 面向船舶航向非线性离散系统的自适应模糊最优控制方法及系统 |
-
2019
- 2019-05-09 CN CN201910386237.0A patent/CN110161853A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2547213A1 (en) * | 2010-03-17 | 2013-01-23 | Katholieke Universiteit Leuven | Storage of respiratory produce |
CN104881040A (zh) * | 2015-05-15 | 2015-09-02 | 长沙理工大学 | 一种主动抑制参数横摇的船舶航迹跟踪预测控制方法 |
CN105446136A (zh) * | 2015-11-18 | 2016-03-30 | 长安大学 | 基于不完全递归支集动态神经网络的船舶航向智能控制器 |
WO2018099574A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | System and method for determining a vehicle classification from gps tracks. |
CN108897217A (zh) * | 2018-07-04 | 2018-11-27 | 西北工业大学 | 一种基于模型预测控制的欠驱动水面船轨迹跟踪控制方法 |
CN109188909A (zh) * | 2018-09-26 | 2019-01-11 | 大连海事大学 | 面向船舶航向非线性离散系统的自适应模糊最优控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘志英: "《神经动力学优化的水下航行器模型预测控制》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
刘程: "《船舶路径跟踪与减横摇综合控制研究》", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111186549A (zh) * | 2020-01-15 | 2020-05-22 | 大连海事大学 | 一种具有船舶避碰功能的航向自动舵控制系统 |
CN111186549B (zh) * | 2020-01-15 | 2021-08-17 | 大连海事大学 | 一种具有船舶避碰功能的航向自动舵控制系统 |
CN111665719A (zh) * | 2020-06-11 | 2020-09-15 | 大连海事大学 | 一种具有时效性与稳定性的补给船同步控制算法 |
CN111665719B (zh) * | 2020-06-11 | 2022-11-22 | 大连海事大学 | 一种具有时效性与稳定性的补给船同步控制算法 |
CN112863179A (zh) * | 2021-01-11 | 2021-05-28 | 上海交通大学 | 一种基于神经网络模型预测控制的路口信号灯控制方法 |
CN113625714A (zh) * | 2021-08-11 | 2021-11-09 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
CN113625714B (zh) * | 2021-08-11 | 2024-03-15 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161853A (zh) | 一种新型具有实时性的船舶综合自动驾驶系统 | |
Peng et al. | Output-feedback flocking control of multiple autonomous surface vehicles based on data-driven adaptive extended state observers | |
Wu et al. | Depth control of model-free AUVs via reinforcement learning | |
CN109507885B (zh) | 基于自抗扰的无模型自适应auv控制方法 | |
Dai et al. | Adaptive leader–follower formation control of underactuated surface vehicles with guaranteed performance | |
Wang et al. | A multilayer path planner for a USV under complex marine environments | |
Gu et al. | Antidisturbance coordinated path following control of robotic autonomous surface vehicles: Theory and experiment | |
Shojaei | Observer-based neural adaptive formation control of autonomous surface vessels with limited torque | |
Liu et al. | Scanning-chain formation control for multiple unmanned surface vessels to pass through water channels | |
Liang et al. | A novel distributed and self-organized swarm control framework for underactuated unmanned marine vehicles | |
Moreno-Salinas et al. | Modelling of a surface marine vehicle with kernel ridge regression confidence machine | |
MahmoudZadeh et al. | Uninterrupted path planning system for Multi-USV sampling mission in a cluttered ocean environment | |
CN109188909A (zh) | 面向船舶航向非线性离散系统的自适应模糊最优控制方法及系统 | |
Wang et al. | Extreme learning-based monocular visual servo of an unmanned surface vessel | |
Zhang et al. | Receding horizon control for multi-UAVs close formation control based on differential evolution | |
Liang et al. | Swarm velocity guidance based distributed finite-time coordinated path-following for uncertain under-actuated autonomous surface vehicles | |
CN113268059A (zh) | 一种基于有限时间扩张状态观测器的多无人艇编队控制方法 | |
You et al. | Adaptive neural sliding mode control for heterogeneous ship formation keeping considering uncertain dynamics and disturbances | |
Hadi et al. | Adaptive formation motion planning and control of autonomous underwater vehicles using deep reinforcement learning | |
CN112835368A (zh) | 一种多无人艇协同编队控制方法及系统 | |
My et al. | An Artificial Neural Networks (ANN) Approach for 3 Degrees of Freedom Motion Controlling | |
Li | Dynamic positioning of ships using a planned neural network controller | |
Huang et al. | Short-term prediction of ship pitching motion based on artificial neural networks | |
Abouheaf et al. | Responding to illegal activities along the canadian coastlines using reinforcement learning | |
Liu et al. | Leader-following consensus control for multiple marine vessels based on dynamic surface control and neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |