CN110597069A - 一种基于rbf神经网络的水下机器人自适应区域动力定位控制方法 - Google Patents

Abstract

本发明涉及一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，属于水下机器人动力定位控制领域。包括建立AUV的6自由度空间运动模型，构造目标区域及区域控制系统误差动态方程；采用RBF神经网络对未知向量进行在线逼近、滑模控制项对逼近误差进行补偿；对网络权值、径向基函数中心与方差进行在线调整；采用基于指数函数的滑模切换增益在线调节方式避免滑模切换增益过大引起控制系统的高频抖振；通过神经滑模区域控制器对AUV进行动力定位控制，使位置、姿态向量η收敛到目标区域中。本发明解决了受外部干扰、水中传感器自身测量精度等因素影响下的AUV动力定位控制问题，提高了动力定位精度，且AUV自身特性变化时仍能快速收敛到目标区域内部。

Description

一种基于RBF神经网络的水下机器人自适应区域动力定位控 制方法

技术领域

本发明涉及一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，属于水下机器人动力定位控制领域。

背景技术

随着陆地资源日渐减少，人类开发海洋的步伐越来越快。自主式水下机器人(AUV：Autonomous Underwater Vehicle)是目前唯一能够在无人情况下在深海进行探测、开发的载体，一直受到国内外研究人员的高度重视。由于AUV工作在复杂的海洋环境，其动力定位控制需要考虑系统非线性及风、浪、流等外部环境不确定性的影响；同时，受外部干扰及水中传感器自身测量精度等因素的影响，AUV也很难获得更高的位置、姿态检测与控制精度。上述两点将严重影响AUV水下动力定位控制。针对此问题，对于管道跟踪、水下拍摄等水下作业任务来说，将AUV动力定位控制中定点(Set-Point)控制问题转变为目标区域控制问题，是一种行之有效的AUV动力定位解决途径。

AUV区域动力定位控制方法主要为：将动力定位控制的控制目标定义为以期望位置、姿态为中心的空间目标区域，通过调节目标区域边界的大小来调整AUV动力定位精度。在文献“Adaptive region tracking control for autonomous underwater vehicle”和“A region boundary-based control scheme for an autonomous underwater vehicle”中，提出AUV自适应区域有界跟踪控制方法，其主要对动力学模型中不确定性项进行在线辨识，使AUV从任意初始位置、姿态均可收敛到目标区域边界。而上述典型的区域控制方法，其实际操作过程中大都将控制目标定义为目标区域的边界，其将导致AUV位置、姿态收敛于目标区域边界这一过程中，推进器电机会频繁正反转切换，这将增加系统能耗、降低推进器性能与寿命。

发明内容

本发明的目的是为了保证AUV收敛到目标区域中，提高动力定位位置、姿态精度而提供一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法。

本发明的目的是这样实现的：包括以下步骤：

步骤1、建立AUV的6自由度空间运动模型，构造目标区域及其区域控制系统误差动态方程；

AUV的6自由度空间运动模型为：

式中，η为AUV位置、姿态向量；τ_d为系统不确定性，包括建模不确定性与外部干扰力、力矩等；τ为控制向量；J(η)为转换矩阵；

构造的水下机器人区域控制系统的误差动态方程为：

步骤2、采用RBF神经网络对未知向量进行在线逼近，由于基于RBF神经网络的自适应控制方法中离线选取径向基函数中心与方差难以真实反映被控对象特性动力学特性的问题，对RBF神经网络权值W、径向基函数中心c与方差b同时进行在线调整；根据RBF神经网络估计误差和控制器稳定性分析，得到RBF神经网络权值、径向基函数中心与方差的自适应调整律；

步骤3、根据目标区域和RBF神经网络在线逼近的实际输出，设计神经滑模区域控制器为由于RBF神经网络辨识过程中存在的逼近误差，为保证闭环系统的稳定性，在控制器中，增加滑模控制项对RBF神经网络逼近误差进行补偿，并且滑模切换增益满足条件

步骤4、通过步骤3得到的神经滑模区域控制器对AUV进行动力定位控制，使位置、姿态向量η收敛到目标区域中。

本发明还包括这样一些结构特征：

1、步骤1具体包括：

(1)、将预先给定AUV的6自由度位置、姿态控制精度指标r＝[r₁,…,r₆]^T，并根据控制精度指标，将AUV的6自由度位置、姿态的目标区域表示为：

式中，为AUV位置、姿态跟踪误差向量；η_d为期望位置、姿态向量，表示目标区域中心；(i＝1,2,3)为位置跟踪误差向量；(i＝4,5,6)为姿态跟踪误差向量；

(2)、基于目标区域，建立区域势能函数k_i为正常数，当目标函数时，AUV位置、姿态处于目标区域之外，为控制AUV向目标区域运动以使收敛于0，采用梯度下降法规划AUV在大地坐标系下的期望运动速度为其中，

(3)、基于上述目标区域，建立水下机器人区域控制系统的误差动态方程为：

式中，通过设计推进器控制向量τ，使位置、姿态η收敛到目标区域中。

2、步骤2所述根据RBF神经网络估计误差和控制器稳定性分析，可得到RBF神经网络权值、径向基函数中心与方差的自适应调整律具体包括以下步骤：

(1)、基于神经网络非线性逼近能力可知，存在最优神经网络，使得G＝Wφ(η,v,c,b)+ε；而RBF神经网络对函数G进行在线估计时，RBF神经网络的实际输出为ε为逼近误差，φ(η,v,c,b)为隐含层单元输出，取为：

(2)、比较上述G与表明，其RBF神经网络估计误差为：

其中， 为网络权值估计误差；

(3)、对函数进行泰勒展开，得到关于径向基函数中心与方差的显式表达式为：

其中，

(4)、基于上述显示表达式，根据控制器稳定性分析，得到RBF神经网络权值、径向基函数中心与方差的自适应调整律为其中，其中，K_p、K_d、为正定对角矩阵；λ_W、λ_c、λ_b表示参数调整步长。

3、步骤3所述滑模切换增益采用基于指数函数的滑模切换增益在线调节方式，避免选取过大引起控制系统的高频抖振；滑模切换增益定义为关于位置、姿态跟踪误差的指数函数，且当趋于零时，滑模切换增益亦趋于零，基于指数函数的具体滑模切换增益为

4、所述滑模切换增益在线调节方式中，为保证AUV位置、姿态最终收敛到目标区域中，选取参数K_s＝diag([K_s1,…,K_s6])，使得(i＝1,2,…,6)；且k_si＝r_i-σ_i；σ＝[σ₁,…,σ₆]为正常数向量，k_si>0；为离线选取的对的估计值。

与现有技术相比，本发明的有益效果是：与典型区域控制方法相比，本发明的区域动力定位控制方法，将AUV位置、姿态最终收敛到目标区域中作为控制目标，并通过RBF神经网络对AUV动力学模型未知项进行在线辨识估计；其能够保证AUV收敛到目标区域中，且不会出现典型的区域控制中推进器电机频繁正反转切换的现象。并且，由于神经网络离线选取的径向基函数中心与方差难以真实反映被控对象动力学特性，本发明对RBF神经网络权值、径向基函数中心与方差进行在线调整的方法，以适应水下机器人自身特性发生变化；同时，考虑到固定滑模切换增益容易引起系统高频抖振的问题，本发明还包括一种基于指数函数的滑模切换增益调节方式。

附图说明

图1是本发明原理流程图；

图2(a)、图2(b)是本发明方法与典型区域控制方法的深度、纵倾动力定位数据对比图；

图3是本发明的控制器输出；

图4是典型区域控制方法的控制器输出；

图5是固定滑模切换增益的控制器输出；

图6(a)、图6(b)是本发明方法与仅调整网络权值方法的纵倾、深度动力定位数据对比。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

如附图1所示，是本发明原理流程图，本发明具体实施步骤如下：

(1)首先，建立AUV的6自由度空间运动模型可表示为：

其中，η为AUV位置、姿态向量；τ_d为系统不确定性，包括建模不确定性与外部干扰力、力矩等；τ为控制向量；J(η)为转换矩阵。

(2)构造目标区域及其区域控制系统误差动态方程：

将预先给定AUV的6自由度位置、姿态控制精度指标r＝[r₁,…,r₆]^T，并根据控制精度指标，将AUV的6自由度位置、姿态的目标区域表示为：

其中，为AUV位置、姿态跟踪误差向量；η_d为期望位置、姿态向量，表示目标区域中心；(i＝1,2,3)为位置跟踪误差向量；(i＝4,5,6)为姿态跟踪误差向量。

基于目标区域，建立区域势能函数k_i为正常数。当目标函数时，AUV位置、姿态处于目标区域之外。为控制AUV向目标区域运动以使收敛于0，采用梯度下降法规划AUV在大地坐标系下的期望运动速度为其中，

基于上述目标区域，建立水下机器人区域控制系统的误差动态方程为：

其中，本发明专利通过设计推进器控制向量τ，使位置、姿态η收敛到目标区域中。

(3)根据AUV动力学模型中水动力系数难以准确获得，导致其存在不确定性。本发明采用RBF神经网络对未知向量进行在线辨识，根据神经网络输出设计区域控制器；并且本发明专利中，对RBF神经网络权值W、径向基函数中心c与方差b同时进行在线调整；在控制器中，增加了滑模控制项对RBF神经网络逼近误差进行补偿，并且滑模切换增益需满足条件

基于神经网络非线性逼近能力可知，存在最优神经网络，使得G＝Wφ(η,v,c,b)+ε；而RBF神经网络对函数G进行在线估计时，RBF神经网络的实际输出为ε为逼近误差，而φ(η,v,c,b)为隐含层单元输出，通常取为

比较上述G与表明，其RBF神经网络估计误差为：

其中， 为网络权值估计误差。

对函数进行泰勒展开，得到关于径向基函数中心与方差的显式表达式为：

其中，

基于上述显示表达式，根据控制器稳定性分析，可得到RBF神经网络权值、径向基函数中心与方差的自适应调整律。

(4)根据目标区域和RBF神经网络在线逼近的实际输出，设计神经滑模区域控制器为

选取时若过于保守而取较大的值，则容易引起控制系统的高频抖振；因此，本发明专利中，基于指数函数的滑模切换增益在线调节滑模切换增益，具体滑模切换增益为并且，在滑模切换增益式中，选取参数K_s＝diag([K_s1,…,K_s6])，使得(i＝1,2,…,6)；且k_si＝r_i-σ_i；σ＝[σ₁,…,σ₆]为正常数向量，k_si>0；为离线选取的对的估计值。

根据控制器稳定性分析，得到RBF神经网络权值、径向基函数中心与方差的自适应调整律为其中，其中，K_p、K_d、为正定对角矩阵；λ_W、λ_c、λ_b表示参数调整步长。

(5)通过步骤(4)得到的神经滑模区域控制器对AUV进行动力定位控制，使位置、姿态向量η收敛到目标区域中。

本发明专利方法和典型区域控制方法进行水下机器人动力定位区域控制实验，得到的对比实验数据如附图2～6(b)所示。

如附图2(a)～4所示，本发明专利方法和典型区域控制方法的对比实验数据。由图2可以看出，与典型区域控制方法仅能使水下机器人纵倾、深度动力定位数据收敛到目标区域边界不同，本发明专利方法能使水下机器人的纵倾、深度动力定位数据都最终收敛到目标区域中，提高了动力定位精度。由图3、4可以看出，与典型区域控制方法相比，本发明专利方法的推进器电机没有出现正反转切换现象，且推进器所需推力均方差数据表明电机输出具有较小的抖动，验证了本发明专利方法的有效性。

如附图3、5所示，本发明专利的基于指数函数的滑模切换增益在线调节方式与固定滑模切换增益两种方式的控制器输出对比。由图3可以看出，本发明专利方法控制器输出的2个垂向推进器推力均方差为1.093N和1.149N，而图5中固定滑模切换增益控制器输出的2个推进器推力均方差为2.517N和2.466。与固定滑模切换增益相比，本发明专利方法的控制信号具有更低抖振。

如附图6(a)-图6(b)所示，本发明专利与仅调整网络权值方法的纵倾、深度动力定位数据对比。为模拟水下机器人自身特性的变化，第30s人为的水下机器人放置铅质压载。由图可以看出，本发明专利方法在40s之后重新收敛到目标区域中。而仅调整网络权值方法的深度、纵倾出现多次振荡后，重新收敛到目标区域中。实验表明，本发明专利的RBF网络权值、径向基函数中心和方差同时在线调整在水下机器人自身特性发生变化时的有效性。

综上，本发明专利涉及到一种基于RBF神经网络的水下机器人(AUV)自适应区域动力定位控制方法。该方法通过RBF神经网络对AUV动力学模型未知项进行在线估计，滑模项对逼近误差进行补偿；将AUV位置、姿态最终收敛到目标区域中作为控制目标；最后，提出对网络权值、径向基函数中心与方差进行在线调整的方法。并考虑到滑模项中固定滑模切换增益引起AUV系统控制量高频抖振问题，本发明专利还包括对RBF神经网络权值、径向基函数中心与方差进行自适应学习和基于指数函数的滑模切换增益在线调节方式。本发明专利有效的解决了受外部干扰、水中传感器自身测量精度等因素影响下的AUV动力定位控制问题，提高动力定位位置、姿态精度，不会出现推进器电机频繁正反转切换现象，并且AUV自身特性变化时仍能快速收敛到目标区域内部。

Claims (5)

1.一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，其特征在于：包括以下步骤：

步骤1、建立AUV的6自由度空间运动模型，构造目标区域及其区域控制系统误差动态方程；

AUV的6自由度空间运动模型为：

式中，η为AUV位置、姿态向量；τ_d为系统不确定性，包括建模不确定性与外部干扰力、力矩等；τ为控制向量；J(η)为转换矩阵；

构造的水下机器人区域控制系统的误差动态方程为：

步骤2、采用RBF神经网络对未知向量进行在线逼近，由于基于RBF神经网络的自适应控制方法中离线选取径向基函数中心与方差难以真实反映被控对象特性动力学特性的问题，对RBF神经网络权值W、径向基函数中心c与方差b同时进行在线调整；根据RBF神经网络估计误差和控制器稳定性分析，得到RBF神经网络权值、径向基函数中心与方差的自适应调整律；

步骤3、根据目标区域和RBF神经网络在线逼近的实际输出，设计神经滑模区域控制器为由于RBF神经网络辨识过程中存在的逼近误差，为保证闭环系统的稳定性，在控制器中，增加滑模控制项对RBF神经网络逼近误差进行补偿，并且滑模切换增益满足条件

步骤4、通过步骤3得到的神经滑模区域控制器对AUV进行动力定位控制，使位置、姿态向量η收敛到目标区域中。

2.根据权利要求1所述一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，其特征在于：步骤1具体包括：

(1)、将预先给定AUV的6自由度位置、姿态控制精度指标r＝[r₁,…,r₆]^T，并根据控制精度指标，将AUV的6自由度位置、姿态的目标区域表示为：

式中，为AUV位置、姿态跟踪误差向量；η_d为期望位置、姿态向量，表示目标区域中心；为位置跟踪误差向量；为姿态跟踪误差向量；

(2)、基于目标区域，建立区域势能函数k_i为正常数，当目标函数时，AUV位置、姿态处于目标区域之外，为控制AUV向目标区域运动以使收敛于0，采用梯度下降法规划AUV在大地坐标系下的期望运动速度为其中，

(3)、基于上述目标区域，建立水下机器人区域控制系统的误差动态方程为：

式中，通过设计推进器控制向量τ，使位置、姿态η收敛到目标区域中。

3.根据权利要求2所述一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，其特征在于：步骤2具体包括：

(1)、基于神经网络非线性逼近能力可知，存在最优神经网络，使得G＝Wφ(η,v,c,b)+ε；而RBF神经网络对函数G进行在线估计时，RBF神经网络的实际输出为ε为逼近误差，φ(η,v,c,b)为隐含层单元输出，取为：

(2)、比较上述G与表明，其RBF神经网络估计误差为：

其中， 为网络权值估计误差；

(3)、对函数进行泰勒展开，得到关于径向基函数中心与方差的显式表达式为：

其中，

(4)、基于上述显示表达式，根据控制器稳定性分析，得到RBF神经网络权值、径向基函数中心与方差的自适应调整律为其中，其中，K_p、K_d、为正定对角矩阵；λ_W、λ_c、λ_b表示参数调整步长。

4.根据权利要求3所述一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，其特征在于：步骤3所述滑模切换增益采用基于指数函数的滑模切换增益在线调节方式，避免选取过大引起控制系统的高频抖振；滑模切换增益定义为关于位置、姿态跟踪误差的指数函数，且当趋于零时，滑模切换增益亦趋于零，基于指数函数的具体滑模切换增益为

5.根据权利要求4所述一种基于RBF神经网络的水下机器人自适应区域动力定位控制方法，其特征在于：所述滑模切换增益在线调节方式中，为保证AUV位置、姿态最终收敛到目标区域中，选取参数K_s＝diag([K_s1,…,K_s6])，使得且k_si＝r_i-σ_i；σ＝[σ₁,…,σ₆]为正常数向量，k_si>0；为离线选取的对的估计值。