CN111897347A - 一种基于神经网络pid控制的双电机推进无人艇的航向保持器及保持方法 - Google Patents
一种基于神经网络pid控制的双电机推进无人艇的航向保持器及保持方法 Download PDFInfo
- Publication number
- CN111897347A CN111897347A CN202010879035.2A CN202010879035A CN111897347A CN 111897347 A CN111897347 A CN 111897347A CN 202010879035 A CN202010879035 A CN 202010879035A CN 111897347 A CN111897347 A CN 111897347A
- Authority
- CN
- China
- Prior art keywords
- course
- motor
- deviation angle
- pid controller
- unmanned ship
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000002569 neuron Anatomy 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/12—Use of propulsion power plant or units on vessels the vessels being motor-driven
- B63H21/17—Use of propulsion power plant or units on vessels the vessels being motor-driven by electric motor
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P5/00—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors
- H02P5/46—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors for speed regulation of two or more dynamo-electric motors in relation to one another
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于神经网络PID控制的双电机推进无人艇的航向保持器及保持方法,所述航向保持器包括:航向偏差分析单元、第一PID控制器、第二PID控制器、第一PWM占空比调节器、第二PWM占空比调节器、第一电机、第二电机、磁力计。本发明通过构建基于神经网络PID控制的双电机推进的无人艇航向保持器,基于航向偏差调节调节第一电机和第二电机,无须重新能规划行进路线够使无人艇在受到风浪的作用下依然能够保持自身原先的航向到达目的地。
Description
技术领域
本发明涉及自动控制技术领域,更具体地,涉及一种基于神经网络PID控制的双电机推进无人艇的航向保持器及保持方法。
背景技术
在风和浪的外力作用下,无人艇自身的行进路线会发生改变。面对风浪对无人艇行进路线的干扰,目前的无人艇技术对此的主要态度是顺应这种改变,风浪发生导致无人艇位置发生改变后通过路线规划算法改变无人艇的行进路线从而到达目的地。这种解决方案的弊端在于增加了行进路程,行进时间和能量消耗。在现有技术中,公开号为CN108536005A的中国发明专利,于2018年9月14日公开了一种基于模糊神经网络PID算法的船舶航向控制器及其控制方法,包括PLC控制单元、步进电机驱动单元、模糊神经网络参数校正单元、PID调节单元、PWM信号输出单元、模数转换单元、卡尔曼滤波单元及传感器采集单元;该发明使用的模糊神经网络PID控制技术比较依赖于专家经验,制定模糊控制规则表的难度大。目前并没有适用于双电机推进无人艇的航向保持器。
发明内容
本发明为克服上述现有技术中没有适用于双电机推进的无人艇航向保持器及保持方法的缺陷,提供一种基于神经网络PID控制的双电机推进无人艇的航向保持器及保持方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
本发明第一方面提供了一种基于神经网络PID控制的双电机推进无人艇的航向保持器,包括:航向偏差分析单元、第一PID控制器、第二PID控制器、第一PWM占空比调节器、第二PWM占空比调节器、第一电机、第二电机、磁力计,所述航向偏差分析单元输入端分别输入有预设航向和实际航向,所述航向偏差分析单元的输出端分别连接至第一PID控制器的输入端,所述航向偏差分析单元的输出端通过反向后连接至第二PID控制器的输入端,所述第一PID控制器的输出端连接至第一PWM占空比调节器的输入端,第二PID控制器的输出端连接至第二PWM占空比调节器的输入端,所述第一PWM占空比调节器的输出端、第二PWM占空比调节器的输入端分别连接至第一电机的输入端、第二电机的输入端,所述第一电机的输出端和第二电机的输出端,所述磁力计用于实时获取无人艇的航向,并将实际航向输入至航向偏差分析单元。
在一个具体的实施例中,可以将第一电机设置为右电机、将第二电机设置为左电机。
本发明第二方面提供了一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,包括以下步骤:
S1:根据预设的无人艇航线和GPS定位数据获取预设航向;
S2:利用磁力计确定无人艇的实际航向;
S3:计算实际航向与预设航向的航向偏差角和航向偏差角变化率;
S4:以预设航向为基准,若实际航向在预设航向右侧,则定义当前的航向偏差角为右偏差角,若实际航向在预设航向左侧,则定义当前的航向偏差角为左偏差角;
S5:若航向偏差角为右偏差角则将其输入第一PID控制器得到第一PID控制器的系统响应,若航向偏差角为左偏差角则将其输入第二PID控制器得到第二PID控制器的系统响应;
S6:分别将第一PID控制器的系统响应、第二PID控制器的系统响应分别对应输入第一PWM占空比调节器、第二PWM占空比调节器,第一PWM占空比调节器和第二PWM占空比调节器输出相应的PWM波至第一电机、第二电机,通过电压控制无人艇第一电机和第二电机转速,利用无人艇第一电机的和第二电机转速差实现无人艇转向;
S7:重复步骤S2-S6直至航向偏差角为0,第一电机和第二电机的转速相同,则无人艇保持直行。
本方案中,所述第一PID控制器和第二PID控制器通过神经网络算法确定比例系数、积分系数及微分系数。
本方案中,所述神经网络算法的网络结构包括:输入层、隐含层、输出层,所述输入层的输出结果作为隐含层的输入,所述隐含层的输出作为输出层的输入。
本方案中,所述输入层包括两个输入分别为航向偏差角和偏差角变化率,将航向偏差角和偏差角变化率归一化作为神经网络的输入。
本方案中,输入层第i个神经元的输出在隐含层第j个神经元的输入中所占的权重为vij;隐含层第j个神经元的输出在输出层第k个神经元的输入中所占的权重为wjk;则故隐含层第j个神经元的输入输出层第k个神经元的输入
隐含层第j个神经元的输出Mj:
输出层第k个神经元的输出Qk:
本方案中,根据神经网络输出的预测值与实际值之间的误差对权重和阈值进行修正,采用梯度下降的方法去逼近最小误差,具体过程为:
令Tk为样本实际值,其与样本预测值的平均方差E:
所以
5)权重更新
根据实际情况设置合适的学习速率为μ=0.05
下一个wjk:w′jk=wjk+Δwjk
下一个vij:v′ij=vij+Δvij
6)偏置更新
当预测的错误率低于1%时,认为权重和阈值时合适的,此时结束训练,停止更新权重和阈值。
本方案中,第一PID控制器和第二PID控制器的系数相同,保证当实际航向与预设航向一致时第一电机和第二电机的转速一致,保持直行,当出现右偏差角时,航向偏差分析单元的输出值为正偏差角,第一PID控制器的系统响应增大,第二PID控制器的系统响应减小;当出现左偏差角时,航向偏差分析单元的输出值为负偏差角,第一PID控制器的系统响应减小,第二PID控制器的系统响应增大。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过构建基于神经网络PID控制的双电机推进的无人艇航向保持器,基于航向偏差调节调节第一电机和第二电机,无须重新能规划行进路线够使无人艇在受到风浪的作用下依然能够保持自身原先的航向到达目的地。
附图说明
图1为一种基于神经网络PID控制的双电机推进无人艇的航向保持器系统原理图。
图2为一种基于神经网络PID控制的双电机推进无人艇的航向保持器方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
无人艇在航行的过程中如果没有配备航向保持器则受到风浪等外力影响会偏离原来的预设的航向且无法实时做出改变航向的反映,偏离原来的航线后目前的一些做法是通过激光测距等传感器获取外界环境信息,再遗传算法、粒子群优化算法等进行局部动态路径规划,产生一条新的航线。现有的方法相对于原来的航线来说增加了行进的路程、行进的时间和能量的消耗。本发明方案从不同的角度出发,提供一个双电机推进无人艇的航向保持器的设计方案。通过磁力计实时检测无人艇的航向偏差角和航向偏差角的变化速率并根据这两个信息去调控两个电机的速度从而达到保持航向的目的。
如图1所示,本发明第一方面提供了一种基于神经网络PID控制的双电机推进无人艇的航向保持器,包括:航向偏差分析单元、第一PID控制器、第二PID控制器、第一PWM占空比调节器、第二PWM占空比调节器、第一电机、第二电机、磁力计,所述航向偏差分析单元输入端分别输入有预设航向和实际航向,所述航向偏差分析单元的输出端分别连接至第一PID控制器的输入端,所述航向偏差分析单元的输出端通过反向后连接至第二PID控制器的输入端,所述第一PID控制器的输出端连接至第一PWM占空比调节器的输入端,第二PID控制器的输出端连接至第二PWM占空比调节器的输入端,所述第一PWM占空比调节器的输出端、第二PWM占空比调节器的输入端分别连接至第一电机的输入端、第二电机的输入端,所述第一电机的输出端和第二电机的输出端,所述磁力计用于实时获取无人艇的航向,并将实际航向输入至航向偏差分析单元。
如图2所示,本发明第二方面提供了一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,包括以下步骤:
S1:根据预设的无人艇航线和GPS定位数据获取预设航向;
S2:利用磁力计确定无人艇的实际航向;
在具体的实施例中,通过磁力计测试磁场强度和方向,定位艇身的方位,测量出艇身与东西南北四个方向上的夹角,从而得到无人艇的实际航向。
S3:计算实际航向与预设航向的航向偏差角和航向偏差角变化率;
S4:以预设航向为基准,若实际航向在预设航向右侧,则定义当前的航向偏差角为右偏差角,若实际航向在预设航向左侧,则定义当前的航向偏差角为左偏差角;
在一个具体的实施例中,当出现右偏差角时,则表示无人艇需要向左转,则可以减小第二电机的转速或者增大第一电机的转换,本发明优选的采用同时减小减小第二电机的转速和增大第一电机的转速。
S5:若航向偏差角为右偏差角则将其输入第一PID控制器得到第一PID控制器的系统响应,若航向偏差角为左偏差角则将其输入第二PID控制器得到第二PID控制器的系统响应;
S6:分别将第一PID控制器的系统响应、第二PID控制器的系统响应分别对应输入第一PWM占空比调节器、第二PWM占空比调节器,第一PWM占空比调节器和第二PWM占空比调节器输出相应的PWM波至第一电机、第二电机,通过电压控制无人艇第一电机和第二电机转速,利用无人艇第一电机的和第二电机转速差实现无人艇转向;
S7:重复步骤S2-S6直至航向偏差角为0,第一电机和第二电机的转速相同,则无人艇保持直行。
需要说明的是,不同的航向偏差角和航向偏差角的变化速率代表着无人艇不同的状态。根据这两个信息我们需要对PID控制器的性能指标提出不同的要求。本方案中,所述第一PID控制器和第二PID控制器通过神经网络算法确定比例系数Kp、积分系数Ki及微分系数Kd。相较于模糊PID控制,神经网络PID控制既降低了对专家经验的依赖性,又优化了PID控制器的动态性能和提升了PID控制的精确性。
本方案中,所述神经网络算法的网络结构包括:输入层、隐含层、输出层,所述输入层的输出结果作为隐含层的输入,所述隐含层的输出作为输出层的输入。
本方案中,所述输入层包括两个输入分别为航向偏差角和偏差角变化率将航向偏差角和偏差角变化率归一化作为神经网络的输入,归一化的航向偏差角记为归一化后的偏差角变化率由于无人艇的质量不大,受风浪的影响和也较大。根据无人艇本身特性进行预测最大偏转角为最大偏转角变化率亦为
本方案中,输入层第i个神经元的输出在隐含层第j个神经元的输入中所占的权重为vij;隐含层第j个神经元的输出在输出层第k个神经元的输入中所占的权重为wjk;则故隐含层第j个神经元的输入输出层第k个神经元的输入
隐含层第j个神经元的输出Mj:
输出层第k个神经元的输出Qk:
给定一定的训练集,通过前向传播和反向求导构建如上所述的神经网络对这些数据进行拟合。在前向传播的过程中,随机给定权重和阈值,再通过给定的输入样本数据得到对应得样本预测值。在反向求导的过程中,根据前向传播过程求得的样本预测值与样本实际值进行比较得到误差,通过误差不断修正神经网络中的权重和阈值,直至样本预测值收敛至样本实际值。
本方案中,根据神经网络输出的预测值与实际值之间的误差对权重和阈值进行修正,采用梯度下降的方法去逼近最小误差,具体过程为:
令Tk为样本实际值,其与样本预测值的平均方差E:
所以
5)权重更新
根据实际情况设置合适的学习速率为μ=0.05
下一个wjk:w′jk=wjk+Δwjk
下一个vij:v′ij=vij+Δvij
6)偏置更新
当预测的错误率低于1%时,认为权重和阈值时合适的,此时结束训练,停止更新权重和阈值。
本方案中,第一PID控制器和第二PID控制器的系数相同,保证当实际航向与预设航向一致时第一电机和第二电机的转速一致,保持直行,当出现右偏差角时,航向偏差分析单元的输出值为正偏差角,第一PID控制器的系统响应增大,第二PID控制器的系统响应减小;当出现左偏差角时,航向偏差分析单元的输出值为负偏差角,第一PID控制器的系统响应减小,第二PID控制器的系统响应增大。
需要说明的是,在步骤S6中,所述第一PWM占空比调节器和第二PWM占空比调节器能够将对应的第一PID控制器和第二PID控制器的系统响应电压值转化为相应占空比的PWM波,每个PWM波的占空比与对应的PID控制器的系统响应输出电压值成正比。输出电压越大,PWM占空比越大,经电子调速器后相应电机的转速也越大。第一PWM占空比调节器和第二PWM占空比调节器可由单片机的定时器/计数器进行实现。设置捕获/比较寄存器的值与PID控制器的输出信号成线性关系即可实现该功能。
需要说明的是,在步骤S7中,通过第二电机和第一电机的转速差实现无人艇的实时转向,再通过磁力计测得无人艇的新的实际航向反馈回到输入端,再次得到偏差角对无人艇航向进行控制,循环往复。当无人艇的实际航向与预设航向一致时,偏差角为0,此时两个PID控制器的输出电压一致,从而保持第二电机和第一电机的转速一致,无人艇保持直行。
本发明通过实时检测无人艇的实际航向,并与预设航向进行比较,从而实时调节控制第一电机和第二电机的转速来实现航向的控制与保持;当风浪对艇身的航向造成干扰并出现航向的偏差时,此方案能够使无人艇及时做出航向调整,从而不需要重新进行行进路线的规划,避免了行进路程和行进时间的增加和节省了能量的消耗,同时也降低了对无人艇的局部动态路径规划功能的要求。神经网络PID控制相较于模糊PID控制,降低了对专家经验的依赖性、优化了PID控制器的动态性能和提升了PID控制的精确性。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于神经网络PID控制的双电机推进无人艇的航向保持器,其特征在于,包括:航向偏差分析单元、第一PID控制器、第二PID控制器、第一PWM占空比调节器、第二PWM占空比调节器、第一电机、第二电机、磁力计,所述航向偏差分析单元输入端分别输入有预设航向和实际航向,所述航向偏差分析单元的输出端连接至第一PID控制器输入端,所述航向偏差分析单元的输出端通过反向后连接至第二PID控制器的输入端,所述第一PID控制器的输出端连接至第一PWM占空比调节器的输入端,第二PID控制器的输出端连接至第二PWM占空比调节器的输入端,所述第一PWM占空比调节器的输出端、第二PWM占空比调节器的输入端分别连接至第一电机的输入端、第二电机的输入端,所述第一电机的输出端和第二电机的输出端,所述磁力计用于实时获取无人艇的航向,并将实际航向输入至航向偏差分析单元。
2.一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,包括以下步骤:
S1:根据预设的无人艇航线和GPS定位数据获取预设航向;
S2:利用磁力计确定无人艇的实际航向;
S3:计算实际航向与预设航向的航向偏差角和航向偏差角变化率;
S4:以预设航向为基准,若实际航向在预设航向右侧,则定义当前的航向偏差角为右偏差角,若实际航向在预设航向左侧,则定义当前的航向偏差角为左偏差角;
S5:若航向偏差角为右偏差角则将其输入第一PID控制器得到第一PID控制器的系统响应,若航向偏差角为左偏差角则将其输入第二PID控制器得到第二PID控制器的系统响应;
S6:分别将第一PID控制器的系统响应、第二PID控制器的系统响应分别对应输入第一PWM占空比调节器、第二PWM占空比调节器,第一PWM占空比调节器和第二PWM占空比调节器输出相应的PWM波至第一电机、第二电机,通过电压控制无人艇第一电机和第二电机转速,利用无人艇第一电机的和第二电机转速差实现无人艇转向;
S7:重复步骤S2-S6直至航向偏差角为0,第一电机和第二电机的转速相同,则无人艇保持直行。
3.根据权利要求2所述的一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,所述第一PID控制器和第二PID控制器通过神经网络算法确定比例系数、积分系数及微分系数。
4.根据权利要求3所述的一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,所述神经网络算法的网络结构包括:输入层、隐含层、输出层,所述输入层的输出结果作为隐含层的输入,所述隐含层的输出作为输出层的输入。
5.根据权利要求4所述的一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,所述输入层包括两个输入分别为航向偏差角和偏差角变化率,将航向偏差角和偏差角变化率归一化作为神经网络的输入。
9.根据权利要求8所述的一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,根据神经网络输出的预测值与实际值之间的误差对权重和阈值进行修正,采用梯度下降的方法去逼近最小误差,具体过程为:
令Tk为样本实际值,其与样本预测值的平均方差E:
所以
5)权重更新
根据实际情况设置合适的学习速率为μ=0.05
下一个wjk:w′jk=wjk+Δwjk
下一个vij:v′ij=vij+Δvij
6)偏置更新
当预测的错误率低于1%时,认为权重和阈值时合适的,此时结束训练,停止更新权重和阈值。
10.根据权利要求9所述的一种基于神经网络PID控制的双电机推进无人艇的航向保持方法,其特征在于,第一PID控制器和第二PID控制器的系数相同,保证当实际航向与预设航向一致时第一电机和第二电机的转速一致,保持直行,当出现右偏差角时,航向偏差分析单元的输出值为正偏差角,第一PID控制器的系统响应增大,第二PID控制器的系统响应减小;当出现左偏差角时,航向偏差分析单元的输出值为负偏差角,第一PID控制器的系统响应减小,第二PID控制器的系统响应增大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879035.2A CN111897347B (zh) | 2020-08-27 | 2020-08-27 | 一种基于神经网络pid控制的双电机推进无人艇的航向保持方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879035.2A CN111897347B (zh) | 2020-08-27 | 2020-08-27 | 一种基于神经网络pid控制的双电机推进无人艇的航向保持方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897347A true CN111897347A (zh) | 2020-11-06 |
CN111897347B CN111897347B (zh) | 2023-09-19 |
Family
ID=73224554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879035.2A Active CN111897347B (zh) | 2020-08-27 | 2020-08-27 | 一种基于神经网络pid控制的双电机推进无人艇的航向保持方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897347B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341974A (zh) * | 2021-06-08 | 2021-09-03 | 西北工业大学 | 一种基于扑翼偏置的仿蝠鲼水下航行器滑翔航向控制方法 |
CN113900372A (zh) * | 2021-09-03 | 2022-01-07 | 广东工业大学 | 一种基于神经网络自抗扰控制的无人艇航向保持方法 |
CN114044104A (zh) * | 2021-11-03 | 2022-02-15 | 上海外高桥造船有限公司 | 船舶保持航向最小航速的测定方法 |
CN114407679A (zh) * | 2022-03-04 | 2022-04-29 | 浙江理工大学 | 一种伸缩架对接控制方法及移动充电方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050092225A1 (en) * | 2003-10-22 | 2005-05-05 | Yamaha Hatsudoki Kabushiki Kaisha | Marine vessel running controlling apparatus, marine vessel maneuvering supporting system and marine vessel each including the marine vessel running controlling apparatus, and marine vessel running controlling method |
CN103777522A (zh) * | 2014-01-21 | 2014-05-07 | 上海海事大学 | 基于模糊pid的无人水面艇直线跟踪方法 |
CN108536005A (zh) * | 2018-03-15 | 2018-09-14 | 吉林大学 | 一种基于模糊神经网络pid船舶航向控制器及其控制方法 |
CN108549372A (zh) * | 2018-04-03 | 2018-09-18 | 中国科学院大气物理研究所 | 无人艇控制方法及控制装置 |
CN108832851A (zh) * | 2018-05-16 | 2018-11-16 | 北京章鱼智控科技有限公司 | 一种水面航行器的双电机差速调速控制系统及方法 |
CN109466725A (zh) * | 2018-10-11 | 2019-03-15 | 重庆邮电大学 | 一种基于神经网络和图像识别的智能水面漂浮物打捞系统 |
CN110307834A (zh) * | 2019-06-19 | 2019-10-08 | 江苏大学 | 基于低精度gps、激光测距传感器与方位传感器信息融合的蟹塘自动作业船组合导航方法 |
CN111413981A (zh) * | 2020-04-07 | 2020-07-14 | 上海海事大学 | 一种船舶自动舵复合神经网络pid控制方法 |
-
2020
- 2020-08-27 CN CN202010879035.2A patent/CN111897347B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050092225A1 (en) * | 2003-10-22 | 2005-05-05 | Yamaha Hatsudoki Kabushiki Kaisha | Marine vessel running controlling apparatus, marine vessel maneuvering supporting system and marine vessel each including the marine vessel running controlling apparatus, and marine vessel running controlling method |
CN1619440A (zh) * | 2003-10-22 | 2005-05-25 | 雅马哈发动机株式会社 | 航行控制装置及方法、具备该装置的船舶及相关操纵系统 |
CN103777522A (zh) * | 2014-01-21 | 2014-05-07 | 上海海事大学 | 基于模糊pid的无人水面艇直线跟踪方法 |
CN108536005A (zh) * | 2018-03-15 | 2018-09-14 | 吉林大学 | 一种基于模糊神经网络pid船舶航向控制器及其控制方法 |
CN108549372A (zh) * | 2018-04-03 | 2018-09-18 | 中国科学院大气物理研究所 | 无人艇控制方法及控制装置 |
CN108832851A (zh) * | 2018-05-16 | 2018-11-16 | 北京章鱼智控科技有限公司 | 一种水面航行器的双电机差速调速控制系统及方法 |
CN109466725A (zh) * | 2018-10-11 | 2019-03-15 | 重庆邮电大学 | 一种基于神经网络和图像识别的智能水面漂浮物打捞系统 |
CN110307834A (zh) * | 2019-06-19 | 2019-10-08 | 江苏大学 | 基于低精度gps、激光测距传感器与方位传感器信息融合的蟹塘自动作业船组合导航方法 |
CN111413981A (zh) * | 2020-04-07 | 2020-07-14 | 上海海事大学 | 一种船舶自动舵复合神经网络pid控制方法 |
Non-Patent Citations (1)
Title |
---|
李小峰等: "基于BP神经网络的船舶航向智能PID控制研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341974A (zh) * | 2021-06-08 | 2021-09-03 | 西北工业大学 | 一种基于扑翼偏置的仿蝠鲼水下航行器滑翔航向控制方法 |
CN113341974B (zh) * | 2021-06-08 | 2022-07-26 | 西北工业大学 | 一种基于扑翼偏置的仿蝠鲼水下航行器滑翔航向控制方法 |
CN113900372A (zh) * | 2021-09-03 | 2022-01-07 | 广东工业大学 | 一种基于神经网络自抗扰控制的无人艇航向保持方法 |
CN114044104A (zh) * | 2021-11-03 | 2022-02-15 | 上海外高桥造船有限公司 | 船舶保持航向最小航速的测定方法 |
CN114044104B (zh) * | 2021-11-03 | 2023-03-21 | 上海外高桥造船有限公司 | 船舶保持航向最小航速的测定方法 |
CN114407679A (zh) * | 2022-03-04 | 2022-04-29 | 浙江理工大学 | 一种伸缩架对接控制方法及移动充电方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111897347B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897347A (zh) | 一种基于神经网络pid控制的双电机推进无人艇的航向保持器及保持方法 | |
Zhao et al. | Path following optimization for an underactuated USV using smoothly-convergent deep reinforcement learning | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
CN109976349B (zh) | 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 | |
Guo et al. | Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms | |
Eng et al. | Online system identification of an autonomous underwater vehicle via in-field experiments | |
Corno et al. | Data-driven online speed optimization in autonomous sailboats | |
Li et al. | Line-of-sight-based global finite-time stable path following control of unmanned surface vehicles with actuator saturation | |
Yin et al. | Predictive trajectory tracking control of autonomous underwater vehicles based on variable fuzzy predictor | |
Xiong et al. | Research on data driven adaptive berthing method and technology | |
CN106527462A (zh) | 无人机控制装置 | |
Gaskett et al. | Reinforcement learning applied to the control of an autonomous underwater vehicle | |
CN113467231A (zh) | 基于侧滑补偿ilos制导律的无人艇路径跟踪方法 | |
CN114879671A (zh) | 一种基于强化学习mpc的无人艇轨迹跟踪控制方法 | |
Zhang et al. | Improved LVS guidance and path-following control for unmanned sailboat robot with the minimum triggered setting | |
Yang et al. | Real-time model predictive control for energy management in autonomous underwater vehicle | |
CN112882473B (zh) | 一种事件触发的无人艇集群分布式协同控制器 | |
Praczyk | Using hill climb modular assembler encoding and differential evolution to evolve modular neuro-controllers of an autonomous underwater vehicle acting as a magnetic anomaly detector | |
Paris et al. | Autonomous MAV landing on a moving platform with estimation of unknown turbulent wind conditions | |
CN113900372A (zh) | 一种基于神经网络自抗扰控制的无人艇航向保持方法 | |
Moulton et al. | Dynamic autonomous surface vehicle controls under changing environmental forces | |
Wang et al. | Path Following Control for Unmanned Surface Vehicles: A Reinforcement Learning-Based Method With Experimental Validation | |
Garcia | Decentralized robust nonlinear model predictive controller for unmanned aerial systems | |
Xia et al. | Neural network based nonlinear model predictive control for ship path following | |
Zhao et al. | A novel data-driven control for fixed-wing UAV path following |
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 |