CN111198502B - 基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法 - Google Patents

Abstract

本发明公开了一种基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法。本发明针对无人艇航迹跟踪控制过程中的系统非线性、模型不确定和外干扰这三个控制难点，设计了一种基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制方法。设计干扰观测器来观测和补偿无人艇航行过程中受到的海风、海浪、海流等外干扰，设计模糊逻辑系统来估计和补偿无人艇系统的模型不确定，基于无人艇的非线性动力学模型设计滑模控制器来保证无人艇航行控制的稳定性和有效性。

Description

基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法

技术领域

本发明属于无人艇的控制领域，具体来说是一种针对无人艇的模型不确定(建模误差和参数不确定)以及外干扰(海风、海浪、海流)的条件下，能够驱动无人艇跟踪目标航迹的控制方法，提高无人艇航迹跟踪的稳定性和鲁棒性。

背景技术

由于无人艇在自动化和智能化方面具有不可替代的优势，近年来被广泛应用于军事和商业领域，例如海洋环境资源勘探，海上搜救等等。当无人艇在海上工作时，常常受到海风、海浪、海流等外界环境的干扰，因此有必要研究针对无人艇的外干扰进行估计和补偿，提高航迹跟踪控制性能。

同时，无人艇在建模过程中，往往存在建模误差和模型参数的不确定，从而引起无人艇系统建模的不确定，影响无人艇的航迹跟踪控制效果。模糊系统不用数值而用语言式的模糊变量来描述系统，不依赖于被控对象的精确数学模型，能够简化系统设计的复杂性，特别适用于非线性、时变、滞后、模型不完全系统的控制。因此，结合模糊系统无限逼近的性能，模糊系统非常适合用于估计无人艇建模的模型不确定部分。然而，在现有的无人艇控制理论中，模糊系统大多被用于估计控制器参数，还没有将模糊系统用于估计无人艇模型不确定，因此有必要对其进行研究。

此外，现有的无人艇航迹跟踪控制器大都基于线性化的动力学模型，适合于跟踪在平衡点附近的特定目标航迹，并不适合用于跟踪处于非平衡点的复杂目标航迹。因此，在设计航迹跟踪控制器时，需要综合考虑系统非线性、模型不确定性和外干扰的综合影响，提高无人艇的航迹跟踪控制性能。

发明内容

本发明针对无人艇航迹跟踪控制过程中的系统非线性、模型不确定和外干扰这三个控制难点，设计了一种基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制方法。其中设计干扰观测器来观测和补偿无人艇航行过程中受到的海风、海浪、海流等外干扰；设计模糊逻辑系统来估计和补偿无人艇系统的模型不确定；基于无人艇的非线性动力学模型设计滑模控制器来保证无人艇航行控制的稳定性和有效性。

为了实现上述目的，本发明具体技术方案如下：

步骤1：建立无人艇非线性动力学模型：

其中，τ表示无人艇的控制输入，M₀表示无人艇的惯性矩阵，C₀表示无人艇的科里奥利和向心力矩阵，D₀表示无人艇的阻尼矩阵，d_s表示海风、海浪、海流等外干扰，d_m表示系统的模型不确定，η＝[x y ψ]^T表示无人艇在惯性坐标系中的位姿，x和y表示无人艇在惯性坐标系的位置，ψ表示航向角，

和

分别表示无人艇的航速和加速度，R表示从惯性坐标系{b}到艇体坐标系{i}的旋转矩阵。

步骤2：设计干扰观测器，观测和补偿海风、海浪、海流等外干扰。

这里，

H表示常值矩阵参数。

步骤3：设计模糊逻辑系统，估计和补偿系统的模型不确定。

其中，

表示模糊逻辑系统的自由参数，

表示模糊逻辑系统的输入，ζ(η_m)＝[ζ(η_m1),...,ζ(η_mj),...ζ(η_mN)]表示模糊逻辑矩阵，

是η_mw(w＝1,2,...,n)的隶属度函数,n代表模糊逻辑系统输入量的维度，N表示模糊规则的数目。

设计模糊逻辑系统自由参数的变化率为：

其中，γ表示自由参数变化率的可调参数，s代表滑模面，

e＝η-η_d表示无人艇的航迹跟踪误差，η_d和η分别表示目标航迹和实际航迹，k表示滑模面可调参数。

步骤4：设计基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制器：

其中，

表示模糊逻辑系统对模型不确定的估计值，

表示干扰观测器对海风、海浪、海流等外干扰的估计值，K_v和ξ为可调的控制器参数，sat(·)表示饱和函数，用来处理滑模控制中存在的抖振问题，sat(·)定义为：

Δ表示边界层，

通过步骤1建立综合考虑系统非线性、模型不确定性和外干扰的无人艇非线性动力学模型。通过步骤2设计的干扰观测器来观测外干扰。通过步骤3设计的模糊逻辑系统来估计无人艇的模型不确定性。步骤4基于干扰观测器和模糊逻辑系统对于外干扰和模型不确定的估计值，设计无人艇航迹跟踪控制器，补偿外干扰和模型不确定，降低外干扰、模型不确定、系统非线性对于无人艇航迹跟踪控制的影响，驱动无人艇跟踪目标航迹，保证系统稳定性的同时减少航迹跟踪误差，提升航迹跟踪控制性能。

与现有技术相比，本发明具有如下有益效果：

1、本发明在动力学建模过程中，充分考虑复杂的动力学耦合机理，负载等参数不确定性以及海风、海浪、海流等外干扰，建立系统的非线性动力学模型并进行精准辨识。

2、本发明设计的干扰观测器能够有效地观测海风、海浪、海流等外干扰。

3、本发明设计的模糊逻辑系统能够有效地估计系统的模型不确定。

4、本发明设计的自适应滑模控制器，基于系统的非线性动力学模型，不仅能够跟踪位于平衡点附近的航迹，也能够有效地跟踪远离平衡点的复杂航迹，在保证控制稳定性的同时降低航迹跟踪误差，提升航迹跟踪控制性能。

5、本发明设计的自适应滑模控制器通过设计饱和函数，能够有效地处理传统的滑模控制中存在的控制量抖振问题。

6、相对于现有的基于干扰观测器和RBFNN的无人艇航迹跟踪控制方法和线性控制器,本发明通过进行对比实验，验证本发明设计的控制器能够更有效地跟踪复杂的目标航迹，并且有更好的瞬态和稳态响应性能。

附图说明

图1是本发明的无人艇运动模型。

图2是本发明的基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制系统框图。

图3是本发明设计的模糊逻辑系统的隶属度函数。

图4a、图4b和图4c是本发明所设计的无人艇航迹跟踪控制器的控制效果图(实验一)。

图5a和图5b是本发明所设计的干扰观测器的观测效果图(实验一)

图6a和图6b是本发明所设计的模糊逻辑系统的估计效果图(实验一)

图7a、图7b和图7c是本发明所设计的无人艇航迹跟踪控制器的控制效果图(实验二)。

图8a和图8b是本发明所设计的干扰观测器的观测效果图(实验二)

图9a和图9b是本发明所设计的模糊逻辑系统的估计效果图(实验二)

具体实施方式

以下结合附图对本发明作进一步说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

现结合附图对本发明作进一步描述：

本发明的技术方案为：

步骤1：推导无人艇非线性动力学模型：

其中，τ表示无人艇的控制输入。M₀表示无人艇的惯性矩阵，C₀表示无人艇的科里奥利和向心力矩阵，D₀表示无人艇的阻尼矩阵。d_s表示海风、海浪、海流等外干扰，d_m表示系统的模型不确定性。η＝[x y ψ]^T表示无人艇在惯性坐标系中的位姿，x和y表示无人艇在惯性坐标系的位置，ψ表示航向角，

和

分别表示无人艇的航速和加速度，R表示从惯性坐标系{b}到艇体坐标系{i}的旋转矩阵，见图1。

步骤2：设计干扰观测器，观测和补偿海风、海浪、海流等外干扰。

这里，

H表示常值矩阵参数。

步骤3：设计模糊逻辑系统，估计和补偿模型不确定。

其中，

表示模糊逻辑系统的自由参数,

表示模糊逻辑系统的输入，ζ(η_m)＝[ζ(η_m1),...,ζ(η_mj),...ζ(η_mN)]表示模糊逻辑矩阵，

是η_mw(w＝1,2,...,n)的隶属度函数,n表示模糊逻辑系统输入量的维度，N表示模糊规则的数目。

设计模糊逻辑系统自由参数的变化率为：

其中，γ表示自由参数变化率的可调参数，s表示滑模面，

e＝η-η_d表示无人艇的航迹跟踪误差，η_d和η分别表示目标航迹和实际航迹，k表示滑模面可调参数。

步骤4：设计基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制器：

其中，

表示模糊逻辑系统对模型不确定的估计值，

表示干扰观测器对海风、海浪、海流等外干扰的估计值，K_v和ξ表示可调的控制器参数，sat(·)表示饱和函数，用来处理滑模控制中存在的抖振问题，定义为：

Δ表示边界层，

通过步骤1建立综合考虑系统非线性、模型不确定性和外干扰的无人艇非线性动力学模型。通过步骤2设计的干扰观测器来观测外干扰。通过步骤3设计的模糊逻辑系统来估计无人艇的模型不确定性。步骤4基于干扰观测器和模糊逻辑系统对于外干扰和模型不确定的估计值，设计无人艇航迹跟踪控制器，补偿外干扰和模型不确定，降低外干扰、模型不确定、系统非线性对于无人艇航迹跟踪控制的影响，驱动无人艇跟踪目标航迹，保证系统稳定性的同时减少航迹跟踪误差，提升航迹跟踪控制性能，见图2。

最后，为了描述设计的控制器性能，对上述的控制方法设计了两组对比实验。实验一设计位于平衡点处的目标航迹，实验二设计远离平衡点的目标航迹，以验证控制器针对不同目标航迹的跟踪性能。在实验中，与现有的基于干扰观测器和RBFNN的无人艇航迹跟踪控制方法和线性控制器进行对比，验证本发明提出的航迹跟踪控制方法的控制效果。

C1：线性化控制器。控制参数设定为：k_v＝100，k_c1＝1，k_c2＝1，d_w＝0.1，τ＝0.1，γ_u＝γ_β＝γ_r＝0.01。

C2：基于干扰观测器和RBFNN的滑模控制器。

控制器参数设定为：K＝diag{10,10,10}，ε＝diag{100,100,100}，γ＝diag{0.1,0.1,0.1}，H＝diag{0.1309,0.1309,0.1309}。

C3:基于干扰观测器和非线性模型的滑模控制器。

控制器参数设定为K＝diag{10,10,10}，K_v＝diag{100,100,100}，ξ＝diag{100,100,100}，H＝diag{0.1309,0.1309,0.1309}。隶属度函数为公式7，如图3所示。

外干扰和模型不确定假设为：

无人艇仿真模型参数如表1所示。

表1无人艇仿真模型参数

如图4c所示，设计实验一的无人艇目标航迹为：

如图7c所示，设计实验二的无人艇目标航迹为：

上式中，T₁＝10，T₂＝10+5π，T₃＝20+5π，T₄＝30+5π，T₅＝30+10π，T₆＝40+10π。

为了比较设计的控制器和其他控制方案的瞬态响应和稳态响应性能，使用MIAC用来评价这一指标：

图4a、图4b、图4c、图7a、图7b和图7c分别显示了在实验一和实验二中控制器C1、C2和C3用于无人艇航迹跟踪控制仿真结果，实线表示无人艇跟踪的目标航迹曲线，双划线表示线性控制器控制曲线，虚线表示基于干扰观测器和RBFNN的无人艇航迹跟踪控制器控制曲线，点划线为基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制器的控制曲线。由图4a和图7a可以看出，无人艇能够在外干扰和模型不确定的情况下，精确平滑的跟踪目标航迹。三种算法的跟踪误差如图4b和图7b所示，并且对应的MIAC值计算如表2和表3所示。由表2和表3可以得出，在跟踪位于平衡点的目标航迹时，本发明设计的控制器相比于线性控制器、基于干扰观测器和RBFNN的控制器具有更好瞬态响应性能和更好的鲁棒性，在跟踪远离平衡点的目标航迹时，线性控制器的控制误差较大，不适合用于跟踪远离平衡点的目标轨迹。而本发明设计的控制器的控制误差较小，且相较于基于干扰观测器和RBFNN的控制器具有更小的瞬态和稳态响应性能。

表2不同控制器的MIAC值(实验一)

表3不同控制器的MIAC值(实验二)

更进一步，图5a、图5b、图8a和图8b显示了干扰观测器的观测性能。其中，实线代表外干扰的真实值，虚线代表干扰观测器对海风、海浪、海流等外干扰的估计值。同时，图5b和图8b表示了观测误差，它能够很快地收敛到一个合理地范围内。此外，图6a、图6b和图9a、图9b显示了模糊逻辑系统的估计性能。由上述图可以得出，设计的干扰观测器和模糊逻辑系统能够有效地补偿外干扰和模型不确定对无人艇航迹跟踪控制的影响，保证系统稳定性的同时，降低无人艇航迹跟踪误差，提升航迹跟踪控制性能。

以上内容仅为本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (2)

1.基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法，其特征在于，包括以下步骤：

第一步：建立无人艇非线性动力学模型；

第二步：设计干扰观测器来观测海风、海浪、海流造成的外干扰；

第三步：设计模糊逻辑系统来估计无人艇建模误差和参数不确定引起的模型不确定性；

第四步：补偿外干扰和模型不确定，降低外干扰、模型不确定、系统非线性对于无人艇航迹跟踪控制的影响，驱动无人艇跟踪目标航迹；

在第三步中，设计模糊逻辑系统，估计和补偿模型不确定性；

其中，

表示模糊逻辑系统的估计值，

代表模型不确定性的参数,

代表模糊逻辑系统的输入，该输入包括无人艇的航迹、航速和加速度；ζ(h_m)表示模糊逻辑矩阵；

设计模糊逻辑系统的自适应律为：

其中，γ表示模糊逻辑系统的参数，s表示滑模面；

在第四步中，设计基于干扰观测器和模糊逻辑系统的无人艇航迹跟踪控制器

其中，τ表示无人艇的控制输入,R表示从惯性坐标系到艇体坐标系的旋转矩阵，ρ表示航迹跟踪误差有关的参数，

表示模糊逻辑系统的估计值，

表示干扰观测器的估计值，K_v和ξ表示可调的控制器参数，sat(·)表示饱和函数，用来处理滑模控制中存在的抖振问题；

在第一步中，所建立的无人艇非线性动力学模型：

其中，M₀表示无人艇的惯性矩阵，C₀表示无人艇的科里奥利和向心力矩阵，D₀表示无人艇的阻尼矩阵；d_s表示海风、海浪、海流的外干扰，d_m表示系统的模型不确定性；h＝[x y ψ]^T表示无人艇在惯性坐标系中的位姿，x和y表示无人艇在惯性坐标系位置，ψ表示航向角，

和

分别表示无人艇的航速和加速度；

在第二步中，所设计的干扰观测器为：

其中

H表示常值矩阵参数。

2.根据权利要求1所述的基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法，其特征在于：所述的饱和函数sat(·)定义为：

Δ表示边界层，

Images