CN110618686B - 一种基于显式模型预测控制的无人船航迹控制方法 - Google Patents
一种基于显式模型预测控制的无人船航迹控制方法 Download PDFInfo
- Publication number
- CN110618686B CN110618686B CN201911041445.3A CN201911041445A CN110618686B CN 110618686 B CN110618686 B CN 110618686B CN 201911041445 A CN201911041445 A CN 201911041445A CN 110618686 B CN110618686 B CN 110618686B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- control
- track
- state
- los
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000005192 partition Methods 0.000 claims description 8
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- OZJCQBUSEOVJOW-UHFFFAOYSA-N (4-ethylsulfanylphenyl) n-methylcarbamate Chemical compound CCSC1=CC=C(OC(=O)NC)C=C1 OZJCQBUSEOVJOW-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
Images
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
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于显式模型预测控制的无人船航迹控制方法,包括步骤:首先建立无人船的操纵模型,获取无人船的位置姿态及参考航迹点信息;其次根据路径规划算法实时计算期望的航速和艏向,将船舶航迹控制简化为艏向控制;最后通过显式模型预测控制算法得到推进器转速和舵角,并作用于无人船以实现船舶航迹控制。本发明将显式模型预测控制算法应用于无人船航迹控制领域,通过引入多参数二次规划理论,将复杂的在线优化过程转换为简单的查表过程,降低了在线计算的复杂度,提升了航迹控制系统的实时性。
Description
技术领域
本发明涉及无人船航迹控制技术领域,尤其涉及一种基于显式模型预测控制的无人船航迹控制方法。
背景技术
无人水面船(USV,Unmanned Surface Vessel)作为一种无人化、智能化运载平台,广泛应用于科研、商业和探险等方面。精确的航迹控制是保证船舶安全航行、省时节能的基础,因此成为船舶运动控制领域的研究热点。
目前,国内外学者对无人船航迹控制问题进行了研究,提出了模糊控制,反步控制,神经网络等方法。但上述方法并未考虑船舶的操纵特性约束,在实际应用中存在一定的局限性。模型预测控制(Model predictive control,MPC)是一种先进的智能反馈控制方法,能够显式处理系统输入-输出和状态约束,并通过建立指标函数优化系统性能,对解决无人船航迹控制问题具有独特的优势,因此,越来越多的学者使用MPC算法设计无人船航迹控制器。Annamalai[1]等针对无人船航行时可能发生的动力学性能突变,设计了一种自适应模型预测控制器。Liu[2]等设计了一种基于干扰观测器的模型预测控制器,以抑制环境干扰,但实验结果存在一定的误差,需提高观测器精度。李国胜[3]等考虑航向与舵减横摇之间存在强耦合的特性,采用4自由度船舶模型,设计了基于预测控制的航迹控制器,实现了航向与舵减横摇的协调控制,但未考虑舵速的限制。张子昌[4]等通过路径规划算法将航迹控制转化为航向控制,并设计了基于模型预测控制的航向控制器。然而上述方法均需要反复的在线求解最优问题,计算量较大,难以应用于实时性要求较高的系统中。
发明内容
发明目的:针对以上问题,本发明提出一种基于显式模型预测控制的无人船航迹控制方法,有效缩短了在线计算时间,满足无人船航迹控制的实时性要求。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:基于显式模型预测控制的无人船航迹控制方法,包括步骤:
(1)建立水面无人船三自由度操纵模型,构建状态空间表达式作为预测模型,并获取预设路径的航迹点坐标;
(2)获取无人船的位置、艏向角和速度信息及预设路径的航迹点坐标;
(3)根据当前无人船与航迹点的位置,通过路径规划算法求取导引点坐标和无人船的期望艏向角,将船舶航迹控制转化为艏向控制;
(4)根据显式模型预测控制算法计算控制舵角并作用于无人船,以实现船的航迹控制;
(5)判断无人船是否到达当前航迹点,若未到达,则继续以该航迹点作为跟踪目标;反之,判断航迹点是否为终点,若是,则结束航行,若不是,则将下一航迹点设为当前航迹点,进入步骤2继续跟踪预设路径。
进一步地,所述步骤1中,设定无人船以固定的纵荡速度航行,因此可设状态空间表达式的状态量x=[ψ v r]T,输入量u=δr,输出量y=ψ,其中,ψ为艏向角,v为横荡速度,r为转向率,δr为控制舵角。
进一步地,所述步骤1中,状态空间模型采用控制量增量的形式表示,并在状态空间中加入参考状态,改写的状态空间模型为:
进一步地,所述步骤4中,将控制增量作为状态量构建目标函数,具体定义为:
其中Hp和Hc分别是预测时域和控制时域,且Hc≤Hp;yk+i|k,rk+i|k和Δuk+i|k分别表示在k时刻系统实际输出量,参考输出量和控制增量在k+i时刻的预测值;是由最优控制增量构成的控制增量序列;Q,R和P分别是状态,输入和终端权重矩阵,且满足Q=QT≥0,R=RT≥0,P≥0。
进一步地,所述步骤5中,判断无人船是否到达当前航迹点的方法为:计算无人船到当前航迹点的距离,若距离小于1.2m,则表明无人船到达当前航迹点,并将下一航迹点设为当前航迹点。
有益效果:与现有技术相比,本发明的突出优点是:
(1)用传统的状态空间模型作为预测模型时,其反馈控制率u(k)=-Kx(k)中不存在积分环节,当受到环境干扰时,状态量会存在静差,为消除稳态静差,本发明采用输入量增量形式的状态空间模型,以实现无静差控制;
(2)采用显式模型预测控制算法,将传统模型预测控制的反复在线优化过程,转化为离线计算和在线查表两部分,大大减少了在线计算时间,节省了硬件资源,使算法能满足无人船航迹控制实时性的要求。
附图说明
图1是基于显式模型预测控制的无人船航迹控制方法流程图;
图2是航迹控制原理图;
图3是路径规划算法示意图;
图4是无人船航迹跟踪效果图;
图5是航迹跟踪误差图;
图6是艏向角曲线图;
图7是控制器输出量曲线图;
图8是基于EMPC和MPC的控制器CPU用时对比图
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图2控制方法流程图和图3控制系统结构框图所示,本发明所述的基于显式模型预测控制的无人船航迹控制方法,包括步骤:
步骤一:建立水面无人船三自由度操纵模型,构建状态空间表达式作为预测模型,并获取预设路径的航迹点坐标;
为了方便描述无人船的航迹控制问题,考虑无人船的纵荡速度为常值,无人船的三自由度操纵模型为:
式中,η=[x y ψ]T为无人船位置向量,其中(x,y)为船体在北东坐标系下的位置,ψ为艏向角;ν=[uc v r]T为无人船速度向量,其中,uc为纵荡速度,v为横荡速度,r为转向率,δr为控制舵角;参数d22=-Yv,d33=-Nr,其中m为无人船的质量,Iz为艏摇方向的转动惯量,为附加质量,Xu、Yv、Nr为阻尼系数;Nδ为舵系数。
将船舶动力学模型重写为状态空间模型:
其中:
x=[ψ v r]T,u=δr,y=ψ
采用欧拉法对方程离散化处理,可得到离散时间的状态空间模型:
式中:Ad,Bd,Cd为离散化后的状态空间矩阵。本发明采用增量形式的状态空间模型,以实现无静差控制。另外,对于跟踪问题,本发明在状态空间中加入参考状态,改写的状态空间模型如下所示:
定义基于Δu的性能指标函数为:
式中,Hp和Hc分别是预测时域和控制时域,且Hc≤Hp;yk+i|k,rk+i|k和Δuk+i|k分别表示在k时刻系统实际输出量,参考输出量和控制增量在k+i时刻的预测值;是由最优控制增量构成的控制增量序列;Q,R和P分别是状态,输入和终端权重矩阵,且满足Q=QT≥0,R=RT≥0,P≥0。
步骤二:获取无人船的位置、艏向角和速度信息及预设路径的航迹点坐标;
步骤三:根据当前无人船与航迹点的位置,通过路径规划算法求取导引点坐标和无人船的期望艏向角,将船舶航迹控制转化为艏向控制;
如图3所示,预设路径由航迹点构成,控制无人船艏向角与导引艏向角ψLOS相同时,无人船便能跟踪预设路径。路径规划(line-of-sight,LOS)角可由LOS位置和LOS向量表示,LOS位置是相邻航迹点之间航迹线上的一点,无人船根据期望艏向角能够到达的位置。LOS向量是从无人船当前位置指向LOS位置的向量。
无人船当前位置用P(x,y)表示,LOS位置用Plos(xlos,ylos)表示,当前和下一航迹点分别用Pk(xk,yk),Pk+1(xk+1,yk+1)表示。当不考虑环境力影响时,期望的艏向角为:
ψlos(e)=χp+χr(e)(6)
式中χp,χr(e)分别为预设路径的切向角和航速与路径的夹角:
χp=αk=atan2(yk+1-yk,xk+1-xk)(7)
Δ为预设的前视距离。e为无人船与(Pk,Pk+1)间航迹段的偏差值:
e=-[x-xk]sin(αk)+[y-yk]cos(αk)(9)
步骤四:根据显式模型预测控制算法计算期望的艏向角并作用于无人船,以实现船的航迹控制;
对于带约束有限时间最优控制问题(5),由(4)可得:
式中i=1,2,...,Hp。
式中:
将式(11)带入式(5)中,并忽略常数项,可得:
同理,利用上述方法,可得到其余区域的状态分区及对应的控制率,即
式中,i∈{1,...,n},n为状态分区个数。
因此最终得到的显式PWM控制律如下所示:
式中,Hi,Ki是仅与序列号为i的状态分区相关的定长矩阵。
将上述离线计算过程的有效数据Hi、Ki、Fi、Gi预先存储在系统中,则在线计算过程可转换为查表过程:检测无人船系统在某一时刻的状态,判定该状态所在的状态分区,得到相应的控制率Δu,并作用于无人船上,然后更新无人船的状态量;下一时刻,再次检测无人船的状态量作为初始状态,重复上述查表过程,以实现无人船航迹的显式模型预测控制。
步骤五:判断无人船是否到达当前航迹点,若未到达,则继续以该航迹点作为跟踪目标;反之,判断航迹点是否为终点,若是,则结束航行,若不是,则将下一航迹点设为当前航迹点,进入步骤2继续跟踪预设路径。
判断规则如下:计算无人船到当前航迹点的距离,若距离小于1.2m,则表明无人船到达当前航迹点,并将下一航迹点设为当前航迹点。
实施例:为了验证本发明方法的可行性和有效性,以一艘长为1.6m的模型船为被控对象进行仿真试验,采用的船舶操纵模型如公式(1)所示,模型中的具体参数为:uc=0.4m/s:Iz=2.7kgm2,Nδ=-0.5Yv=-20.5,Nr=-1.2522,
该实施例中设置离散航迹点为((0,0),(40,40),(0,80),(80,120),(200,60),(240,60),(160,-40),(80,0),(40,-40),(0,0)),设定方向舵的舵角和舵速的约束分别为-30°<δ<30°,-20°<Δδ<20°,预测时域Ny=10,控制时域Nc=4,权重系数矩阵Q=diag[1000100],R=0.1,P可由Riccati方程求解。
图4为无人船航迹跟踪效果图,通过仿真结果可以看出,采用基于LOS和EMPC相结合的航迹控制器能够使船舶快速跟踪上期望的轨迹,有效实现航迹控制。
图5-图7将显式模型预测控制方法和线性二次调节器(linear quadraticregulator,LQR)方法的控制效果进行对比。图5为两种方法下无人船航迹偏差曲线,图6和图7为无人船通过第一个航迹点时艏向角和舵角的变化曲线。由图5可知,除了在航迹点切换阶段误差较大外,两种方法的航迹偏差均控制在较小的范围内,满足航迹控制要求。但从图6和图7可以看出,由于EMPC能够实时处理舵角幅值和变化率约束限制,使得EMPC作用下艏向角的超调量远小于LQR,因此EMPC控制率更符合实际工程要求。
图8为基于EMPC和MPC的控制器CPU用时对比图,可以看出EMPC控制器占用CPU的时间远小于MPC;另外,随着无人船通过航迹点的个数增加,两种方法所消耗的时间也不断增加,但EMPC算法的增速明显低于MPC算法。
文献1:Annamalai A S K,Sutton R,Yang C,et al.Robust Adaptive Controlof an Uninhabited Surface Vehicle[J].Journal of Intelligent&Robotic Systems,2015,78(2):319-338.
文献2:Liu Z,Geng C,Zhang J.Model predictive controller design withdisturbance observer for path following of unmanned surface vessel[C]//2017IEEE International Conference on Mechatronics and Automation(ICMA).IEEE,2017.
文献3:李国胜,张军,刘志林,孙太任.有横摇角约束的欠驱动船舶航迹跟踪协调控制[J].武汉理工大学学报(交通科学与工程版),2017,41(02):283-288.
文献4:张子昌,林莉,徐雪峰,赵光.基于模型预测控制的潜艇水平面航迹控制算法[J].中国舰船研究,2019,14(03):172-178.
Claims (1)
1.一种基于显式模型预测控制的无人船航迹控制方法,其特征在于,包括步骤:
(1)建立无人船三自由度操纵模型,并构建状态空间表达式作为预测模型;
无人船的三自由度操纵模型为:
式中,η=[x y ψ]T为无人船位置向量,其中(x,y)为船体在北东坐标系下的位置,ψ为艏向角;ν=[uc v r]T为无人船速度向量,其中,uc为纵荡速度,v为横荡速度,r为转向率,δr为控制舵角;参数d22=-Yv,d33=-Nr,其中m为无人船的质量,Iz为艏摇方向的转动惯量,为附加质量,Xu、Yv、Nr为阻尼系数;Nδ为舵系数;
将船舶动力学模型重写为状态空间模型:
其中:
x=[ψ v r]T,u=δr,y=ψ
采用欧拉法对方程离散化处理,得到离散时间的状态空间模型:
式中:Ad,Bd,Cd为离散化后的状态空间矩阵,在状态空间中加入参考状态,改写的状态空间模型如下所示:
定义基于△u的性能指标函数为:
式中,Hp和Hc分别是预测时域和控制时域,且Hc≤Hp;yk+i|k,rk+i|k和△uk+i|k分别表示在k时刻系统实际输出量,参考输出量和控制增量在k+i时刻的预测值;是由最优控制增量构成的控制增量序列;Q,R和P分别是状态,输入和终端权重矩阵,且满足Q=QT≥0,R=RT≥0,P≥0;
(2)获取无人船的位置、艏向角和速度信息及预设路径的航迹点坐标;
(3)根据当前无人船与航迹点的位置,通过路径规划算法求取无人船的期望航速和艏向,将船舶航迹控制简化为艏向控制;
预设路径由航迹点构成,控制无人船艏向角与导引艏向角ψLOS相同时,无人船便能跟踪预设路径,路径规划角由LOS位置和LOS向量表示,LOS位置是相邻航迹点之间航迹线上的一点,无人船根据期望艏向角能够到达的位置,LOS向量是从无人船当前位置指向LOS位置的向量;
无人船当前位置用P(x,y)表示,LOS位置用Plos(xlos,ylos)表示,当前和下一航迹点分别用Pk(xk,yk),Pk+1(xk+1,yk+1)表示;当不考虑环境力影响时,期望的艏向角为:
ψlos(e)=χp+χr(e) (6)
式中,χp,χr(e)分别为预设路径的切向角和航速与路径的夹角:
χp=αk=atan2(yk+1-yk,xk+1-xk) (7)
△为预设的前视距离,e为无人船与(Pk,Pk+1)间航迹段的偏差值:
e=-[x-xk]sin(αk)+[y-yk]cos(αk) (9)
(4)根据显式模型预测控制算法计算控制舵角并作用于无人船,以实现船的航迹控制;
对于带约束有限时间最优控制问题式(5),由式(4)得到:
根据式(10),预测时域内,系统的状态向量表示为:
式中:
将式(11)带入式(5)中,并忽略常数项,得到:
同时根据KKT条件,得到对应于初始状态ξk的一个临界区域CR0;
同理,利用上述方法,得到其余区域的状态分区及对应的控制率,即
式中,i∈{1,...,n},n为状态分区个数;
因此,最终得到的显式PWM控制率如下所示:
式中,Hi,Ki是仅与序列号为i的状态分区相关的定长矩阵;
将上述离线计算过程的有效数据Hi、Ki、Fi、Gi预先存储在系统中,则在线计算过程可转换为查表过程:检测无人船系统在某一时刻的状态,判定该状态所在的状态分区,得到相应的控制率△u,并作用于无人船上,然后更新无人船的状态量;下一时刻,再次检测无人船的状态量作为初始状态,重复上述查表过程,以实现无人船航迹的显式模型预测控制;
最后,将控制增量作为状态量构建目标函数,具体定义为:
其中,Hp和Hc分别是预测时域和控制时域,且Hc≤Hp;yk+i|k,rk+i|k和△uk+i|k分别表示在k时刻系统实际输出量,参考输出量和控制增量在k+i时刻的预测值;是由最优控制增量构成的控制增量序列;Q,R和P分别是状态,输入和终端权重矩阵,且满足Q=QT≥0,R=RT≥0,P≥0;
(5)判断无人船是否到达当前航迹点,若未到达,则继续以该航迹点作为跟踪目标;反之,判断航迹点是否为终点,若是,则结束航行,若不是,则将下一航迹点设为当前航迹点,进入步骤(2)继续跟踪预设路径;
判断规则如下:计算无人船到当前航迹点的距离,若距离小于1.2m,则表明无人船到达当前航迹点,并将下一航迹点设为当前航迹点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041445.3A CN110618686B (zh) | 2019-10-30 | 2019-10-30 | 一种基于显式模型预测控制的无人船航迹控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041445.3A CN110618686B (zh) | 2019-10-30 | 2019-10-30 | 一种基于显式模型预测控制的无人船航迹控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110618686A CN110618686A (zh) | 2019-12-27 |
CN110618686B true CN110618686B (zh) | 2023-04-07 |
Family
ID=68927191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041445.3A Active CN110618686B (zh) | 2019-10-30 | 2019-10-30 | 一种基于显式模型预测控制的无人船航迹控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110618686B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158383B (zh) * | 2020-01-19 | 2021-04-20 | 浙江大学 | 基于干扰观测器和rbfnn的无人艇航迹跟踪控制方法 |
CN112731915A (zh) * | 2020-08-31 | 2021-04-30 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种基于卷积神经网络优化nmpc算法的直接航迹控制方法 |
CN112213948B (zh) * | 2020-10-23 | 2022-06-10 | 武汉理工大学 | 一种基于mpc的船舶航速协同控制方法 |
CN114442601A (zh) * | 2020-11-06 | 2022-05-06 | 郑州宇通客车股份有限公司 | 一种无人驾驶车辆跟踪控制方法及装置 |
CN112462777A (zh) * | 2020-11-30 | 2021-03-09 | 武汉理工大学 | 一种考虑操纵性差异的船舶编队路径主动协调系统及方法 |
CN113296515A (zh) * | 2021-05-25 | 2021-08-24 | 北京理工大学 | 一种双独立电驱动车辆显式模型预测路径跟踪方法 |
CN113556073B (zh) * | 2021-08-03 | 2023-08-08 | 浙江大学先进电气装备创新中心 | 一种永磁同步电机显式模型预测控制的实现方法 |
CN113485389A (zh) * | 2021-08-03 | 2021-10-08 | 艾乐尔机器人科技(南京)有限公司 | 一种基于自适应预测的水下机器人三维轨迹跟踪控制方法 |
CN113885534B (zh) * | 2021-11-19 | 2023-11-21 | 江苏科技大学 | 一种基于智能预测控制的水面无人船路径跟踪方法 |
CN114326702B (zh) * | 2021-11-25 | 2023-09-22 | 江苏科技大学 | 一种基于模型预测控制的内河无人船避碰方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881040B (zh) * | 2015-05-15 | 2018-01-26 | 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 |
CN108762281A (zh) * | 2018-06-08 | 2018-11-06 | 哈尔滨工程大学 | 一种基于记忆关联强化学习的嵌入式实时水下机器人智能决策方法 |
CN108803612A (zh) * | 2018-06-27 | 2018-11-13 | 青岛黄海学院 | 一种海流影响下的无人巡检船直线航迹跟踪实现方法 |
CN109726866A (zh) * | 2018-12-27 | 2019-05-07 | 浙江农林大学 | 基于q学习神经网络的无人船路径规划方法 |
CN109976349B (zh) * | 2019-04-12 | 2021-09-24 | 大连海事大学 | 一种含约束无人船的路径跟踪制导与控制结构的设计方法 |
-
2019
- 2019-10-30 CN CN201911041445.3A patent/CN110618686B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110618686A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110618686B (zh) | 一种基于显式模型预测控制的无人船航迹控制方法 | |
Zhang et al. | Robust model predictive control for path-following of underactuated surface vessels with roll constraints | |
Wang et al. | Line-of-sight guidance law for path following of amphibious hovercrafts with big and time-varying sideslip compensation | |
CN108319140B (zh) | 一种重定义输出式无模型自适应航向控制方法及系统 | |
Lakhekar et al. | Robust diving motion control of an autonomous underwater vehicle using adaptive neuro-fuzzy sliding mode technique | |
CN109656142B (zh) | 一种无人艇的串级结构无模型自适应制导方法 | |
An et al. | Proximate time optimal for the heading control of underactuated autonomous underwater vehicle with input nonlinearities | |
CN115113524B (zh) | 一种基于干预lvs制导的asv多端口事件触发路径跟踪控制方法 | |
CN116360260A (zh) | 基于触发制导和自更新阈值的asv预设性能控制方法 | |
Li et al. | Soft-switching proximate time optimal heading control for underactuated autonomous underwater vehicle | |
Liu et al. | A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification | |
Chen et al. | Event-triggered model-free adaptive control for a class of surface vessels with time-delay and external disturbance via state observer | |
Jiang et al. | Horizontal trajectory tracking control for an underactuated AUV adopted global integral sliding mode control | |
Zeng et al. | Path following of underactuated marine vehicles based on model predictive control | |
Shao et al. | Sideslip angle observation-based LOS and adaptive finite-time path following control for sailboat | |
CN110687794A (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 | |
Wang et al. | High-order sliding mode attitude controller design for reentry flight | |
Mu et al. | An Novel Model Switching Course Control for Unmanned Surface Vehicle With Modeling Error and External Disturbance | |
Ngongi et al. | Design of generalised predictive controller for dynamic positioning system of surface ships | |
Sun et al. | Fuzzy-sliding-mode-based robust tracking control of autonomous underwater vehicles | |
Li et al. | [Retracted] A Systematic Pipelaying Control Method Based on the Sliding Matrix for Dynamically Positioned Surface Vessels | |
Yu et al. | Path Following of Underactuated Autonomous Surface Vessels With Surge Velocity Constraint and Asymmetric Saturation | |
Fu et al. | Active disturbance rejection sliding mode control for USV path tracking | |
Ding et al. | Based on disturbance observer of Air Cushion Vehicle course sliding backstepping control | |
Qiu et al. | Path following controller design for unmanned surface vehicle based on trajectory linearization control |
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 |