CN110687918A - 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 - Google Patents
一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN110687918A CN110687918A CN201910987896.XA CN201910987896A CN110687918A CN 110687918 A CN110687918 A CN 110687918A CN 201910987896 A CN201910987896 A CN 201910987896A CN 110687918 A CN110687918 A CN 110687918A
- Authority
- CN
- China
- Prior art keywords
- sliding mode
- neural network
- model
- approximation
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 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
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，属于水下机器人控制技术领域。其采用回归型神经网络对模型不确定性和水流随机干扰进行分类、在线逼近；对推进器推力模型泰勒展开，得到推力‑电压线性映射和非线性模型辨识误差，模型辨识误差作为模型不确定性一部分，通过神经网络在线逼近，将逼近值作为控制器输入；设计非奇异性反演终端滑模控制面，并推导反演终端滑模控制器，通过滑模控制项补偿神经网络逼近误差。本发明有效解决了受模型不确定性、水流干扰等因素影响下的机器人控制问题，提高了误差收敛时间；并克服了典型方法对突变目标轨迹的误差超调和误差收敛时间长的问题，提高了水下机器人的控制精度。
Description
技术领域
本发明涉及一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，属于水下机器人控制技术领域。
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。水下机器人轨迹跟踪控制是AUV艇体运动控制研究的重要内容之一。在AUV轨迹跟踪控制研究方面，由于水动力参数难以准确测量，使得AUV动力学模型存在不确定因素；并且AUV工作在复杂水下环境，易受水流随机干扰；水流随机干扰和动力学模型因素将直接影响AUV轨迹跟踪控制精度。因此，研究水下环境中的AUV轨迹跟踪控制问题具有重要的研究意义。
对于模型不确定、水流干扰等不确定性影响下的AUV轨迹跟踪控制问题，基于模糊自适应控制、神经网络自适应控制等方法是典型常见的控制方法，其通过模糊策略和神经网络等在线逼近不确定性因素，其一定程度上克服了由于模型不确定和水流干扰引入的AUV运动控制问题。在前人已发表的典型方法中，文献“Task Space Control of anAutonomous Underwater Vehicle Manipulator System by Robust Single-Input FuzzyLogic Control Scheme”和“Neuro-fuzzy control of underwater vehicle-manipulatorsystems”通过模糊策略对AUV系统不确定因素进行在线估计，但上述文献的模糊规则获取有赖于设计者经验或大量实验支撑；典型文献“Adaptive neural network-basedbackstepping fault tolerant control for underwater vehicles with thrusterfault”(专利后文均称为典型文献方法，并以此文献方法作为对比)通过神经网络对水流干扰、建模不确定等非线性因素进行逼近，并对逼近误差进行补偿，保证系统跟踪误差稳定收敛；其神经网络基于当前时刻位置、速度误差信息对不确定性进行在线逼近，其不需要预先确定的逼近逻辑规则，且具备实时性，为后续的轨迹跟踪控制器提供实时的不确定性在线逼近信息，在水下机器人轨迹跟踪控制得到广泛运用。
发明内容
本发明的目的是为了解决受模型不确定性、水流干扰等因素影响下的基于回归型神经网络在线逼近的水下机器人各自由度轨迹跟踪控制问题而提供一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法。
本发明的目的是这样实现的，一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，具体包括以下步骤：
步骤1、将水下机器人系统的动力学模型进行转换，转换后得到考虑了模型不确定和水流干扰的系统动力学模型显示表达式；
步骤2、对动力学模型显示表达式中的推进器推力模型进行泰勒展开处理，推力模型τ(u)分为推力-电压线性映射部分即A(ui)＝λiui和非线性推力模型误差部分B(ui)；
步骤3、合并推力模型误差B(ui)与模型不确定，得到系统模型不确定性F(η)和水流干扰G(η)的分类表达式；
步骤4、采用回归型神经网络对步骤3获得的F(η)和G(η)进行分类、在线逼近处理；
步骤5、设计非奇异性反演终端滑模控制面，结合神经网络逼近结果，推导本方法的反演终端滑模控制器；在控制器中，存在滑模控制项以补偿在线逼近误差；
步骤6、针对步骤5本方法的反演终端滑模控制器，其反演终端滑模控制器控制量存在的抖振问题，本步骤采用sigmoid函数和滑模控制面s相结合的控制量抖振函数，取代不连续滑模切换项，以解决控制量抖振问题；并且控制量抖振函数还通过滑模控制面s指数形式，使得滑模切换增益能跟随s变化而动态在线调节，进而降低控制量抖振幅值和频率；
步骤7、根据步骤6得到的反演终端滑模控制器对AUV进行轨迹跟踪控制，提高误差收敛时间和水下机器人的控制精度。
本发明还包括这样一些结构特征：
1、步骤1所述考虑了模型不确定和水流干扰的系统动力学模型显示表达式为：
式中，H为系统模型不确定和水流干扰的集合，
为水流随机干扰项，τ(u)为推进器推力项，即推进器推力模型。
2、步骤2所述推力模型泰勒展开处理具体包括推进器推力模型τ(u)在控制电压ui *处进行泰勒展开，为：
式中，A(ui)＝λiui为推力-电压线性映射部分，ui为系统各推进器控制电压；B(ui)为推力模型误差部分；i＝1,2…n为推进器数量；
为电压与推力比例因子，由参数自适应控制律确定；
3、步骤3所述系统模型不确定性F(η)和水流干扰G(η)为：
式中，F(η)和G(η)在水下机器人作业过程中为非线性未知项。
4、步骤4具体包括以下步骤：
步骤4.1、神经网络输入层、回归层、中间层、输出层数量分别为6、6、12、6；
步骤4.2、神经网络结构中，输入层为水下机器人6自由度位姿向量η＝[η1,.......η6]T，回归层为中间层到输入层的数据回归结构R1＝[R11,.......R16]T；基于神经网络结构，将回归型神经网络表示为f(x)＝Wh(VR)，其中h(VR)为中间层输出，R＝[η,R1]T，W、V为权值矩阵；
步骤4.3、神经网络在线逼近过程中，通过两组单独的神经网络分别对F(η)和G(η)进行分类、在线逼近，逼近表达式为：
式中，RF＝[ηF；R1F]，RG＝[ηG；R1G]为各神经网络中间层单元输入向量；
为实际过程的神经网络估计输出，
为实际过程的权重估计值，理论逼近值F(η)和G(η)与实际逼近值和
之间的差值，即
为逼近误差。
5、步骤5具体包括以下步骤：
步骤5.1、通过误差与误差变化率相结合，构造一个新的非奇异性终端滑模面为：
s＝z1+kz2 p/q＝z1+k|z2|p/qsign(z2)
其中，轨迹误差z1和误差变化率z2的具体形式为
反演项α＝-c1z1，η、ηd分别为系统位姿真实值与期望值；k为正常数，数值根据仿真调试决定，1<γ＝p/q<2；
步骤5.2、对滑膜面关于时间的一阶导数求导为
用于稳定性分析，从理论证明轨迹跟踪误差在有限时间内快速收敛；
步骤5.3、在非奇异性演终端滑模面s、
基于Lyapunov稳定性分析，推导得出控制器及自适应控制律为：
反演终端滑模控制器为：
神经网络参数自适应控制律为：
其余参数自适应控制律为：
6、步骤6具体包括以下步骤：
步骤6.1、控制量抖振函数通过sigmoid函数和滑模面s相结合取代不连续滑模切换项，实现滑模切换函数的连续性，其具体函数为Δ＝K1s+K2sig(s)ρ，K1＝diag(K11,.......K1n)，滑模切换增益K2＝diag(K21,.......K2n)，sig(s)为sigmoid连续函；
步骤6.2、控制量抖振函数通过滑模控制面s的指数形式以在线调节滑模切换增益K2，以保证K2能实时跟随滑模控制面s变化而在线调节；具体为K2＝exp(|εs|)-d1，ε为正定对角矩阵，d1为正常数。
与现有技术相比，本发明的有益效果是：本发明通过回归型神经网络分类、在线逼近不确定性，且考虑了推进器推力模型误差因素影响，克服了对突变目标轨迹的误差超调和误差收敛时间长的问题，同时本方法还包括降低控制量抖阵的控制量抖振函数；本发明有效解决了水下机器人在模型不确定性、水流干扰等因素影响下的各自由度轨迹跟踪控制问题，又解决了本专利的反演终端滑模控制器的控制量抖振问题，进而减少控制量抖振将带来能耗增加、推进器寿命降低等问题。与现有典型文献方法相比，本发明提出的反演终端滑模控制器在突变目标轨迹跟踪能提高目标轨迹跟踪精度、减小误差超调和误差收敛时间；且对于连续目标跟踪方面也具备很好的轨迹跟踪精度，且跟踪精度与跟踪误差收敛时间均优于典型文献方法。
附图说明
图1是本发明原理流程图；
图2是本发明实验用水下机器人推进器配置；
图3是回归型神经网络结构图；
图4(a)、图4(b)分别是本发明与典型文献方法的突变目标轨迹跟踪结果对比图和轨迹跟踪误差对比图；
图5(a)AUV连续轨迹跟踪曲线结果对比、图5(b)是本发明专利轨迹跟踪误差对比、图5(c)典型文献方法轨迹跟踪误差对比；
图6(a)、图6(b)是本发明的跟踪误差和控制量输出的效果图；
图7(a)、图7(b)是是典型文献方法的跟踪误差和控制量输出的效果图。
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。
本发明的步骤如下：
(1)将水下机器人系统的动力学模型进行转换，转换后得到考虑了模型不确定和水流干扰的系统动力学模型显示表达式。
(2)对动力学模型显示表达式中的推进器推力模型进行泰勒展开处理，推力模型τ(u)分为推力-电压线性映射部分(A(ui)＝λiui)和非线性推力模型误差部分B(ui)。
(3)合并推力模型误差B(ui)与模型不确定，得到系统模型不确定性F(η)和水流干扰G(η)的分类表达式。
(4)采用回归型神经网络对步骤(3)获得的F(η)和G(η)进行分类、在线逼近处理。
(5)设计非奇异性反演终端滑模控制面，结合神经网络逼近结果，推导本专利方法的反演终端滑模控制器；在控制器中，存在滑模控制项以补偿在线逼近误差。
(6)针对步骤(5)本专利方法的反演终端滑模控制器，其反演终端滑模控制器控制量存在的抖振问题，本步骤采用sigmoid函数和滑模控制面s相结合的控制量抖振函数，取代不连续滑模切换项，以解决控制量抖振问题；并且控制量抖振函数还通过滑模控制面s指数形式，使得滑模切换增益能跟随s变化而动态在线调节，进而降低控制量抖振幅值和频率。
(7)根据步骤(6)得到的反演终端滑模控制器对AUV进行轨迹跟踪控制，提高了误差收敛时间和水下机器人的控制精度。
反演终端滑模控制器控制量存在的抖振问题，采用sigmoid函数和滑模控制面s相结合的控制量抖振函数，取代不连续滑模切换项，实现滑模切换函数的连续性，其控制量抖振函数还通过滑模控制面s指数形式，使得滑模切换增益能跟随s变化而动态在线调节，进而降低控制量抖振幅值和频率。所述的具体步骤如下：
控制量抖振函数通过sigmoid函数和滑模面s相结合取代不连续滑模切换项，实现滑模切换函数的连续性，其具体函数为Δ＝K1s+K2sig(s)ρ，K1＝diag(K11,.......K1n)，滑模切换增益K2＝diag(K21,.......K2n)，sig(s)为sigmoid连续函数。
控制量抖振函数通过滑模控制面s的指数形式以在线调节滑模切换增益K2，以保证K2能实时跟随滑模控制面s变化而在线调节；具体为K2＝exp(|εs|)-d1，ε为正定对角矩阵，d1为正常数。
步骤(3)所述的神经网络分类、在线逼近F(η)和G(η)，其RF＝[ηF；R1F]，RG＝[ηG；R1G]为各神经网络中间层单元输入向量；
为实际过程的神经网络估计输出，
为实际过程的权重估计值。
步骤(4)所述的非奇异性终端滑模滑模面的k为正常数，具体数值根据仿真调试决定，1<γ＝p/q<2。
控制量抖振函数用于取代反演终端滑模控制器不连续滑模切换项sign()，以实现滑模切换函数的连续性，降低滑模控制量抖振。
如附图1、2、3所示，本发明具体实施步骤如下：
(1)首先将水下机器人系统动力学模型转换，得到考虑模型不确定和水流干扰的水下机器人系统动力学模型显示表达式，如下所示：
其中，H为系统模型不确定和水流干扰的集合，
为水流随机干扰项，τ(u)为推进器推力项，即为推进器推力模型。
(2)采用泰勒展开方式对推进器推力模型τ(u)进行处理，得到推力-电压线性映射和非线性模型误差两部分。其推力模型泰勒展开处理步骤如下：
(2-1)推进器推力模型τ(u)在控制电压ui *处进行泰勒展开，如下所示：
式中，A(ui)＝λiui为推力-电压线性映射部分，ui为系统各推进器控制电压；B(ui)为推力模型误差部分；i＝1,2…n为推进器数量(附图2水下机器人推进器配置分布可得)；
为电压与推力比例因子，由参数自适应控制律确定。
(2-2)合并上式推力模型误差B(ui)与模型不确定，得到系统模型不确定性F(η)和水流干扰G(η)的分类表达式；水下机器人作业过程中，F(η)和G(η)均为非线性未知项。
式中，F(η)和G(η)为非线性未知项，本发明专利通过回归型神经网络对F(η)和G(η)进行分类、在线逼近。
(3)接下来，如附图1、3所示，结合本发明的回归型神经网络结构，采用回归型神经网络对F(η)和G(η)进行分类、在线逼近，以避免非线性因素之间相互耦合干扰。具体如下：
(3-1)如附图3所示，神经网络输入层、回归层、中间层、输出层数量分别为6、6、12、6。
(3-2)神经网络结构中，输入层为水下机器人6自由度位姿向量η＝[η1,.......η6]T，回归层为中间层到输入层的数据回归结构R1＝[R11,.......R16]T。基于神经网络结构，将回归型神经网络表示为f(x)＝Wh(VR)，其中h(VR)为中间层输出，R＝[η,R1]T，W、V为权值矩阵。
(3-3)神经网络在线逼近过程中，通过两组单独的神经网络分别对F(η)和G(η)进行分类、在线逼近，逼近表达式如下：
其中，理论逼近值F(η)和G(η)与实际逼近值
和之间的差值，即
为逼近误差。
(4)如附图1所示，设计非奇异性反演终端滑模控制面，结合神经网络逼近结果，推导反演终端滑模控制器，控制器中通过滑模控制项补偿逼近误差。所述的具体步骤如下：
(4-1)通过误差与误差变化率相结合，构造一个新的非奇异性终端滑模面如下所示：
s＝z1+kz2 p/q＝z1+k|z2|p/qsign(z2)
其中，轨迹误差z1和误差变化率z2的具体形式为z1＝η-ηd，
反演项α＝-c1z1，η、ηd分别为系统位姿真实值与期望值；k为正常数，数值根据仿真调试决定，1<γ＝p/q<2。
(4-2)对滑膜面关于时间的一阶导数求导为
用于稳定性分析，从理论证明轨迹跟踪误差在有限时间内快速收敛。
(4-3)在非奇异性演终端滑模面s、
基于Lyapunov稳定性分析，推导得出本专利方法的控制器及自适应控制律如下所示：
反演终端滑模控制器为：
神经网络参数自适应控制律为： 
其余参数自适应控制律为：χ＝kr|z2|r-1、
(5)最后，如附图1所示，反演终端滑模控制器控制量存在的抖振问题，本发明专利采用sigmoid函数和滑模面s相结合的控制量抖振函数，取代不连续滑模切换项，实现滑模切换函数的连续性。具体步骤如下：
(5-1)控制量抖振函数为Δ＝K1s+K2sig(s)ρ，K1＝diag(K11,.......K1n)，滑模切换增益K2＝diag(K21,.......K2n)，sig(s)为sigmoid连续函数。
(5-2)抖振函数中，滑模切换增益K2通过滑模面s的指数形式在线调节，以保证K2实时跟随s变化而在线调节；具体为K2＝exp(|εs|)-d1，ε为正定对角矩阵，d1为正常数。
(6)根据步骤(5)得到的反演终端滑模控制器对AUV进行轨迹跟踪控制，提高了误差收敛时间和水下机器人的控制精度。
利用本发明专利方法和典型文献方法(“Adaptive neural network-basedbackstepping fault tolerant control for underwater vehicles with thrusterfault”)进行水下机器人连续、突变目标轨迹跟踪实验，得到的轨迹跟踪对比实验数据如附图4～7所示。
附图4(a)-(b)为本发明专利方法和典型文献方法的突变目标轨迹跟踪实验的跟踪曲线(轨迹跟踪结果)、跟踪误差对比图。由图可以看出，典型文献方法存在较大的突变轨迹超调和误差收敛时间，其将影响水下机器人突变轨迹跟踪精度；而本发明专利方法的突变轨迹超调和误差收敛时间有明显改善，提高了轨迹跟踪精度。
附图5(a)-(c)为本发明专利方法和典型文献方法的连续目标轨迹跟踪实验的跟踪曲线(轨迹跟踪结果)、跟踪误差对比图。与图示结果相似，与典型文献方法相比，本发明专利方法对连续目标轨迹跟踪也具备较好轨迹跟踪精度，且跟踪误差收敛时间优于典型文献方法。
附图6(a)-(b)、附图7(a)-(b)为本发明专利方法和典型文献方法的控制量抖振效果实验数据。图示中，T1、T2、T3、T4、T5、T6、T7、T8表示为各推进器控制量曲线，其与附图3的推进器配置分布相一致。由图可以看出，典型文献方法各推进器的控制量曲线均存在较大的波动，其控制量波动的频率明显较大；而本发明专利方法的控制量曲线波动幅值和波动频率均有明星改善，表明本发明专利方法的控制量抖振明显减小。
综上，本发明提供一种基于回归型神经网络在线逼近机器人系统不确定性的水下机器人轨迹跟踪控制的方法，并且方法中包括降低控制量抖阵的控制量抖振函数。该方法首先对推进器推力模型泰勒展开，得到推力-电压线性映射和非线性模型辨识误差，模型辨识误差作为模型不确定性一部分；其次，采用回归型神经网络对模型不确定性和水流随机干扰进行分类、在线逼近，将逼近值作为控制器输入；最后，设计非奇异性反演终端滑模控制面，并推导反演终端滑模控制器，通过滑模控制项补偿神经网络逼近误差。本发明有效解决了受模型不确定性、水流干扰等因素影响下的机器人控制问题，结合反演终端滑模控制器，提高了误差收敛时间，并克服了典型方法对突变目标轨迹的误差超调和误差收敛时间长的问题，提高了轨迹跟踪控制精度；同时，本发明能有效的降低滑模控制量抖阵。
Claims (7)
1.一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，具体包括以下步骤：
步骤1、将水下机器人系统的动力学模型进行转换，转换后得到考虑了模型不确定和水流干扰的系统动力学模型显示表达式；
步骤2、对动力学模型显示表达式中的推进器推力模型进行泰勒展开处理，推力模型τ(u)分为推力-电压线性映射部分即A(ui)＝λiui和非线性推力模型误差部分B(ui)；
步骤3、合并推力模型误差B(ui)与模型不确定，得到系统模型不确定性F(η)和水流干扰G(η)的分类表达式；
步骤4、采用回归型神经网络对步骤3获得的F(η)和G(η)进行分类、在线逼近处理；
步骤5、设计非奇异性反演终端滑模控制面，结合神经网络逼近结果，推导本方法的反演终端滑模控制器；在控制器中，存在滑模控制项以补偿在线逼近误差；
步骤6、针对步骤5本方法的反演终端滑模控制器，其反演终端滑模控制器控制量存在的抖振问题，本步骤采用sigmoid函数和滑模控制面s相结合的控制量抖振函数，取代不连续滑模切换项，以解决控制量抖振问题；并且控制量抖振函数还通过滑模控制面s指数形式，使得滑模切换增益能跟随s变化而动态在线调节，进而降低控制量抖振幅值和频率；
步骤7、根据步骤6得到的反演终端滑模控制器对AUV进行轨迹跟踪控制，提高误差收敛时间和水下机器人的控制精度。
2.根据权利要求1所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，步骤1所述考虑了模型不确定和水流干扰的系统动力学模型显示表达式为：
式中，H为系统模型不确定和水流干扰的集合，
为水流随机干扰项，τ(u)为推进器推力项，即推进器推力模型。
3.根据权利要求1或2所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，步骤2所述推力模型泰勒展开处理具体包括推进器推力模型τ(u)在控制电压ui *处进行泰勒展开，为：
式中，A(ui)＝λiui为推力-电压线性映射部分，ui为系统各推进器控制电压；B(ui)为推力模型误差部分；i＝1,2…n为推进器数量；
为电压与推力比例因子，由参数自适应控制律确定。
4.根据权利要求3所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，步骤3所述系统模型不确定性F(η)和水流干扰G(η)为：
式中，F(η)和G(η)在水下机器人作业过程中为非线性未知项。
5.根据权利要求4所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，所述步骤4具体包括以下步骤：
步骤4.1、神经网络输入层、回归层、中间层、输出层数量分别为6、6、12、6；
步骤4.2、神经网络结构中，输入层为水下机器人6自由度位姿向量η＝[η1,.......η6]T，回归层为中间层到输入层的数据回归结构R1＝[R11,.......R16]T；基于神经网络结构，将回归型神经网络表示为f(x)＝Wh(VR)，其中h(VR)为中间层输出，R＝[η,R1]T，W、V为权值矩阵；
步骤4.3、神经网络在线逼近过程中，通过两组单独的神经网络分别对F(η)和G(η)进行分类、在线逼近，逼近表达式为：
式中，RF＝[ηF；R1F]，RG＝[ηG；R1G]为各神经网络中间层单元输入向量；
为实际过程的神经网络估计输出，
为实际过程的权重估计值，理论逼近值F(η)和G(η)与实际逼近值
和之间的差值，即
为逼近误差。
6.根据权利要求5所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，所述步骤5具体包括以下步骤：
步骤5.1、通过误差与误差变化率相结合，构造一个新的非奇异性终端滑模面为：
s＝z1+kz2 p/q＝z1+k|z2|p/qsign(z2)
其中，轨迹误差z1和误差变化率z2的具体形式为z1＝η-ηd，
反演项α＝-c1z1，η、ηd分别为系统位姿真实值与期望值；k为正常数，数值根据仿真调试决定，1<γ＝p/q<2；
步骤5.2、对滑膜面关于时间的一阶导数求导为
用于稳定性分析，从理论证明轨迹跟踪误差在有限时间内快速收敛；
步骤5.3、在非奇异性演终端滑模面s、
基于Lyapunov稳定性分析，推导得出控制器及自适应控制律为：
反演终端滑模控制器为：
神经网络参数自适应控制律为：
其余参数自适应控制律为：χ＝kr|z2|r-1、
7.根据权利要求6所述一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法，其特征在于，所述步骤6具体包括以下步骤：
步骤6.1、控制量抖振函数通过sigmoid函数和滑模面s相结合取代不连续滑模切换项，实现滑模切换函数的连续性，其具体函数为Δ＝K1s+K2sig(s)ρ，K1＝diag(K11,.......K1n)，滑模切换增益K2＝diag(K21,.......K2n)，sig(s)为sigmoid连续函；
步骤6.2、控制量抖振函数通过滑模控制面s的指数形式以在线调节滑模切换增益K2，以保证K2能实时跟随滑模控制面s变化而在线调节；具体为K2＝exp(|εs|)-d1，ε为正定对角矩阵，d1为正常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987896.XA CN110687918A (zh) | 2019-10-17 | 2019-10-17 | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987896.XA CN110687918A (zh) | 2019-10-17 | 2019-10-17 | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110687918A true CN110687918A (zh) | 2020-01-14 |
Family
ID=69113025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910987896.XA Pending CN110687918A (zh) | 2019-10-17 | 2019-10-17 | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110687918A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112394645A (zh) * | 2021-01-20 | 2021-02-23 | 中国人民解放军国防科技大学 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统 |
| CN112643670A (zh) * | 2020-12-07 | 2021-04-13 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
| CN113589831A (zh) * | 2021-08-11 | 2021-11-02 | 江南大学 | 基于干扰精细估计与神经网络的潜水器控制方法及系统 |
| 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 |
| CN115047891A (zh) * | 2022-06-07 | 2022-09-13 | 哈尔滨工程大学 | 基于有限时间扩展状态观测器的auv推进器容错控制方法 |
| CN115179295A (zh) * | 2022-08-04 | 2022-10-14 | 电子科技大学 | 一种多欧拉-拉格朗日系统鲁棒二分一致性跟踪控制方法 |
| CN115524964A (zh) * | 2022-08-12 | 2022-12-27 | 中山大学 | 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统 |
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105867417A (zh) * | 2016-04-21 | 2016-08-17 | 哈尔滨工程大学 | 一种dvl测速失效时的uuv反步滑模动力定位控制方法 |
| CN107807522A (zh) * | 2017-10-17 | 2018-03-16 | 西北工业大学 | 水下机器人轨迹跟踪反步控制方法 |
| CN109283941A (zh) * | 2018-11-15 | 2019-01-29 | 哈尔滨工程大学 | 基于扰动观测器的预设性能海底飞行节点轨迹跟踪控制方法 |
| CN109976349A (zh) * | 2019-04-12 | 2019-07-05 | 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
- 2019-10-17 CN CN201910987896.XA patent/CN110687918A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105867417A (zh) * | 2016-04-21 | 2016-08-17 | 哈尔滨工程大学 | 一种dvl测速失效时的uuv反步滑模动力定位控制方法 |
| CN107807522A (zh) * | 2017-10-17 | 2018-03-16 | 西北工业大学 | 水下机器人轨迹跟踪反步控制方法 |
| CN109283941A (zh) * | 2018-11-15 | 2019-01-29 | 哈尔滨工程大学 | 基于扰动观测器的预设性能海底飞行节点轨迹跟踪控制方法 |
| CN109976349A (zh) * | 2019-04-12 | 2019-07-05 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| CHAO YANG: "Adaptive Backstepping Terminal Sliding Mode Control Method Based on Recurrent Neural Networks for Autonomous Underwater Vehicle", 《CHINESE JOURNAL OF MECHANICAL ENGINEERING》 * |
| 杨超: "基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究", 《机器人》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112643670A (zh) * | 2020-12-07 | 2021-04-13 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
| CN112643670B (zh) * | 2020-12-07 | 2022-07-29 | 洛阳尚奇机器人科技有限公司 | 一种基于滑模观测器的柔性关节控制方法 |
| CN112394645B (zh) * | 2021-01-20 | 2021-04-16 | 中国人民解放军国防科技大学 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统 |
| CN112394645A (zh) * | 2021-01-20 | 2021-02-23 | 中国人民解放军国防科技大学 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统 |
| CN113589831A (zh) * | 2021-08-11 | 2021-11-02 | 江南大学 | 基于干扰精细估计与神经网络的潜水器控制方法及系统 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN115047891A (zh) * | 2022-06-07 | 2022-09-13 | 哈尔滨工程大学 | 基于有限时间扩展状态观测器的auv推进器容错控制方法 |
| CN115047891B (zh) * | 2022-06-07 | 2024-10-18 | 哈尔滨工程大学 | 基于有限时间扩展状态观测器的auv推进器容错控制方法 |
| CN115179295A (zh) * | 2022-08-04 | 2022-10-14 | 电子科技大学 | 一种多欧拉-拉格朗日系统鲁棒二分一致性跟踪控制方法 |
| CN115179295B (zh) * | 2022-08-04 | 2024-05-24 | 电子科技大学 | 一种多欧拉-拉格朗日系统鲁棒二分一致性跟踪控制方法 |
| CN115524964A (zh) * | 2022-08-12 | 2022-12-27 | 中山大学 | 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统 |
| CN115524964B (zh) * | 2022-08-12 | 2023-04-11 | 中山大学 | 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687918A (zh) | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 | |
| Shojaei | Leader–follower formation control of underactuated autonomous marine surface vehicles with limited torque | |
| Zhang et al. | Robust model predictive control for path-following of underactuated surface vessels with roll constraints | |
| Liu et al. | Adaptive NN-DSC control design for path following of underactuated surface vessels with input saturation | |
| CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
| Shou et al. | Virtual guidance-based coordinated tracking control of multi-autonomous underwater vehicles using composite neural learning | |
| CN111650832B (zh) | 一种水下多足步行机器人机械足姿态跟踪控制方法 | |
| CN109189103B (zh) | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 | |
| Yang et al. | Adaptive backstepping terminal sliding mode control method based on recurrent neural networks for autonomous underwater vehicle | |
| CN112965371A (zh) | 基于固定时间观测器的水面无人艇轨迹快速跟踪控制方法 | |
| Gong et al. | Trajectory tracking control for autonomous underwater vehicles based on dual closed-loop of MPC with uncertain dynamics | |
| CN115903820A (zh) | 多无人艇追逃博弈控制方法 | |
| Dai et al. | Finite-time trajectory tracking for marine vessel by nonsingular backstepping controller with unknown external disturbance | |
| Sun et al. | An anti-rolling control method of rudder fin system based on ADRC decoupling and DDPG parameter adjustment | |
| CN109828463A (zh) | 一种海流干扰自适应波浪滑翔器艏向控制方法 | |
| Jagannathan et al. | One-layer neural-network controller with preprocessed inputs for autonomous underwater vehicles | |
| CN113342010A (zh) | 一种自触发通信的水下滑翔机协同控制系统 | |
| Li et al. | Adaptive fixed-time fuzzy formation control for multiple AUV systems considering time-varying tracking error constraints and asymmetric actuator saturation | |
| Zhao et al. | Trajectory tracking control for unmanned surface vehicle subject to unmeasurable disturbance and input saturation | |
| Wu et al. | Study on fuzzy neural network-based ship autopilot | |
| Yang et al. | Reinforcement Learning-based Position Control for a Disc-shaped Underwater Remotely Operated Vehicle | |
| Gong et al. | Three-Dimensional Optimal Trajectory Tracking Control of Underactuated Autonomous Underwater Vehicles Using Double Closed-Loop Control | |
| Hu et al. | A survey of deep neural network sliding mode control in robot application | |
| Wang et al. | Intelligent control algorithm for USV with input saturation based on RBF network compensation | |
| Liu et al. | Nonsingular finite-time heading tracking control of marine vehicles with tracking error constraints |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200114 |