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
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 Download PDFInfo
- Publication number
- CN110597069A CN110597069A CN201910987604.2A CN201910987604A CN110597069A CN 110597069 A CN110597069 A CN 110597069A CN 201910987604 A CN201910987604 A CN 201910987604A CN 110597069 A CN110597069 A CN 110597069A
- Authority
- CN
- China
- Prior art keywords
- neural network
- auv
- rbf neural
- sliding mode
- error
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
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
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;τd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;ηd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ki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,Kp、Kd、为正定对角矩阵;λW、λc、λb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Ks=diag([Ks1,…,Ks6]),使得(i=1,2,…,6);且ksi=ri-σi;σ=[σ1,…,σ6]为正常数向量,ksi>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;τd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;ηd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ki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Ks=diag([Ks1,…,Ks6]),使得(i=1,2,…,6);且ksi=ri-σi;σ=[σ1,…,σ6]为正常数向量,ksi>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,Kp、Kd、为正定对角矩阵;λW、λc、λb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;τd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;ηd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ki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,Kp、Kd、为正定对角矩阵;λW、λc、λb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Ks=diag([Ks1,…,Ks6]),使得且ksi=ri-σi;σ=[σ1,…,σ6]为正常数向量,ksi>0;为离线选取的对的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987604.2A CN110597069B (zh) | 2019-10-17 | 2019-10-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987604.2A CN110597069B (zh) | 2019-10-17 | 2019-10-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110597069A true CN110597069A (zh) | 2019-12-20 |
CN110597069B CN110597069B (zh) | 2022-06-17 |
Family
ID=68850696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910987604.2A Active CN110597069B (zh) | 2019-10-17 | 2019-10-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597069B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650929A (zh) * | 2020-03-02 | 2020-09-11 | 南阳师范学院 | 一种自适应滑模控制方法、系统及移动机器人控制器 |
CN111776250A (zh) * | 2020-06-02 | 2020-10-16 | 南京航空航天大学 | 基于干涉神经网络的航天器组合体误差补偿控制方法 |
CN112068440A (zh) * | 2020-09-18 | 2020-12-11 | 江苏科技大学 | 基于模型预测控制的auv回收对接动力定位控制方法 |
CN112363538A (zh) * | 2020-11-09 | 2021-02-12 | 哈尔滨工程大学 | 一种速度信息不完备下的auv区域跟踪控制方法 |
CN112859601A (zh) * | 2021-01-11 | 2021-05-28 | 湖南工程学院 | 机器人控制器设计方法、装置、设备及可读存储介质 |
CN112904719A (zh) * | 2021-01-15 | 2021-06-04 | 哈尔滨工程大学 | 一种适用于水下机器人位置环形区域跟踪控制方法 |
CN114200837A (zh) * | 2021-12-08 | 2022-03-18 | 北京理工大学 | 一种干扰未知球形机器人的分层滑模控制方法 |
CN114217595A (zh) * | 2021-12-10 | 2022-03-22 | 哈尔滨工程大学 | 一种基于区间观测器的x型舵auv故障检测方法 |
CN117234092A (zh) * | 2023-11-16 | 2023-12-15 | 广州大学 | 水下潜航机器人及其控制方法与控制装置 |
CN117369481A (zh) * | 2023-12-05 | 2024-01-09 | 南京邮电大学 | 一种状态受限下的无人潜航器避障跟踪控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020018331A (ko) * | 2000-09-01 | 2002-03-08 | 박병권 | 거리측정이 가능한 단동형 수중 스테레오 카메라 |
CN107544256A (zh) * | 2017-10-17 | 2018-01-05 | 西北工业大学 | 基于自适应反步法的水下机器人滑模控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
CN108983612A (zh) * | 2018-08-08 | 2018-12-11 | 华南理工大学 | 一种具有预设性能和连接保持的水下机器人编队控制方法 |
-
2019
- 2019-10-17 CN CN201910987604.2A patent/CN110597069B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020018331A (ko) * | 2000-09-01 | 2002-03-08 | 박병권 | 거리측정이 가능한 단동형 수중 스테레오 카메라 |
CN107544256A (zh) * | 2017-10-17 | 2018-01-05 | 西北工业大学 | 基于自适应反步法的水下机器人滑模控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
CN108983612A (zh) * | 2018-08-08 | 2018-12-11 | 华南理工大学 | 一种具有预设性能和连接保持的水下机器人编队控制方法 |
Non-Patent Citations (2)
Title |
---|
YUJIA WANG.ETC: "Research on Test-platform and Condition Monitoring", <2006 INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION> * |
郭佳: "基于RBF机器人网络滑模的水下运动控制技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650929A (zh) * | 2020-03-02 | 2020-09-11 | 南阳师范学院 | 一种自适应滑模控制方法、系统及移动机器人控制器 |
CN111650929B (zh) * | 2020-03-02 | 2023-03-31 | 南阳师范学院 | 一种自适应滑模控制方法、系统及移动机器人控制器 |
CN111776250B (zh) * | 2020-06-02 | 2022-07-26 | 南京航空航天大学 | 基于干涉神经网络的航天器组合体误差补偿控制方法 |
CN111776250A (zh) * | 2020-06-02 | 2020-10-16 | 南京航空航天大学 | 基于干涉神经网络的航天器组合体误差补偿控制方法 |
CN112068440A (zh) * | 2020-09-18 | 2020-12-11 | 江苏科技大学 | 基于模型预测控制的auv回收对接动力定位控制方法 |
CN112363538A (zh) * | 2020-11-09 | 2021-02-12 | 哈尔滨工程大学 | 一种速度信息不完备下的auv区域跟踪控制方法 |
CN112859601A (zh) * | 2021-01-11 | 2021-05-28 | 湖南工程学院 | 机器人控制器设计方法、装置、设备及可读存储介质 |
CN112859601B (zh) * | 2021-01-11 | 2023-01-20 | 湖南工程学院 | 机器人控制器设计方法、装置、设备及可读存储介质 |
CN112904719A (zh) * | 2021-01-15 | 2021-06-04 | 哈尔滨工程大学 | 一种适用于水下机器人位置环形区域跟踪控制方法 |
CN114200837A (zh) * | 2021-12-08 | 2022-03-18 | 北京理工大学 | 一种干扰未知球形机器人的分层滑模控制方法 |
CN114200837B (zh) * | 2021-12-08 | 2023-10-10 | 北京理工大学 | 一种干扰未知球形机器人的分层滑模控制方法 |
CN114217595A (zh) * | 2021-12-10 | 2022-03-22 | 哈尔滨工程大学 | 一种基于区间观测器的x型舵auv故障检测方法 |
CN114217595B (zh) * | 2021-12-10 | 2023-11-17 | 哈尔滨工程大学 | 一种基于区间观测器的x型舵auv故障检测方法 |
CN117234092A (zh) * | 2023-11-16 | 2023-12-15 | 广州大学 | 水下潜航机器人及其控制方法与控制装置 |
CN117234092B (zh) * | 2023-11-16 | 2024-01-26 | 广州大学 | 水下潜航机器人及其控制方法与控制装置 |
CN117369481A (zh) * | 2023-12-05 | 2024-01-09 | 南京邮电大学 | 一种状态受限下的无人潜航器避障跟踪控制方法 |
CN117369481B (zh) * | 2023-12-05 | 2024-02-20 | 南京邮电大学 | 一种状态受限下的无人潜航器避障跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110597069B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597069B (zh) | 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 | |
CN108803632B (zh) | 基于饱和补偿技术的水面无人艇全状态约束轨迹跟踪控制方法 | |
CN107168312B (zh) | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 | |
CN108427414B (zh) | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 | |
Skjetne et al. | A nonlinear ship manoeuvering model: Identification and adaptive control with experiments for a model ship | |
CN105785762B (zh) | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 | |
CN111547212B (zh) | 一种无动力式快速潜浮auv的浮力控制方法 | |
CN113885534B (zh) | 一种基于智能预测控制的水面无人船路径跟踪方法 | |
CN109739248B (zh) | 基于adrc的船载三自由度并联稳定平台稳定控制方法 | |
CN109669345B (zh) | 基于eso的水下机器人模糊pid运动控制方法 | |
CN112068440B (zh) | 基于模型预测控制的auv回收对接动力定位控制方法 | |
CN110865539A (zh) | 一种随机干扰下的无人艇跟踪误差约束控制方法 | |
CN115357036B (zh) | 欠驱动水下航行器的双层抗扰深度跟踪控制方法及系统 | |
CN109189083A (zh) | 一种具有垂推的低速水下航行器的定深控制方法 | |
CN109521798B (zh) | 基于有限时间扩张状态观测器的auv运动控制方法 | |
CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及系统 | |
CN109828463A (zh) | 一种海流干扰自适应波浪滑翔器艏向控制方法 | |
CN106527454B (zh) | 一种无稳态误差的远程水下航行器定深控制方法 | |
CN110687794B (zh) | 一种基于干扰观测器的船舶动力定位系统非线性无偏预测控制方法 | |
CN113156825A (zh) | 一种自适应反步滑模控制的舰载光电跟踪系统设计方法 | |
Bian et al. | Adaptive neural network control system of bottom following for an underactuated AUV | |
CN114715331B (zh) | 一种浮式海洋平台动力定位控制方法及系统 | |
CN109828462A (zh) | 波浪滑翔器变航速下自适应艏向控制器及控制方法 | |
CN114137826A (zh) | 一种基于灰狼算法的船舶动力定位自抗扰控制方法 | |
CN110837254B (zh) | 一种水翼艇纵向运动控制方法 |
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 |