CN112034858B - 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 - Google Patents
一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 Download PDFInfo
- Publication number
- CN112034858B CN112034858B CN202010958562.2A CN202010958562A CN112034858B CN 112034858 B CN112034858 B CN 112034858B CN 202010958562 A CN202010958562 A CN 202010958562A CN 112034858 B CN112034858 B CN 112034858B
- Authority
- CN
- China
- Prior art keywords
- heading
- ship
- control
- model
- order difference
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 27
- 230000006870 function Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 8
- 230000035939 shock Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005057 refrigeration 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于舰船自动控制技术领域,具体涉及一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据,将舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入,重新设计艏向控制律,加快了MFAC控制器在线辨识、学习和控制过程,解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象,提高系统的动态响应性能和控制精度。本发明对传感器的要求不高,弱观测类型的姿态传感器即可满足需求,易于工程实施且控制成本低。
Description
技术领域
本发明属于舰船自动控制技术领域,具体涉及一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。
背景技术
舰船艏向控制是舰船运动控制领域最为重要的内容之一,准确可靠的艏向信息能够保证舰船顺利执行各种作业任务。舰船艏向系统是一种典型的欠驱动控制系统,具有大惯性、大时滞等非线性特点,且航行时会受到风、浪、流等外部干扰的影响。因此,依赖于模型的控制理论难以获取系统精确的数学模型,即便建立起数学模型也会存在未建模动态、模型摄动等问题,导致系统的自适应性较差,很难在实际工程中获得应用。舰船艏向系统存在二阶积分环节,是一种典型的非自衡系统。
无模型自适应控制方法(Model Free Adaptive Control,MFAC)不依赖于系统具体的数学模型,仅依靠系统的I/O数据设计控制器,是一种数据驱动方法。公开号:CN106979641B,发明名称“基于改进MFAC的制冷系统数据驱动节能控制系统及方法”,设计改进MFAC控制器控制变最小过热度回路,使该过热度跟踪上最小稳定过热度。该方法适用于温度控制系统,并不适用于舰船艏向系统等非自衡系统。公开号:CN109814386A,发明名称“基于无模型外环补偿的机器人轨迹跟踪自抗扰控制方法”,将无模型自适应控制加在扩张状态观测器中,用于系统外环扰动补偿,提高机器人自抗扰能力。该方法的内部控制器为自抗扰控制器,MFAC控制器只是用来外环扰动补偿。
上述MFAC方法无法直接应用到舰船艏向控制中,因为舰船艏向系统属于非自衡系统。在文献“非自衡系统的无模型自适应控制”中作者李传庆认为,由于积分环节的存在系统表征为一个快速积累扩张的动态过程;MFAC方法在线辨识、学习和控制,表征为一个较为缓慢的动态过程,两者在响应速度上存在矛盾,将其直接应用到艏向系统中,会导致艏向震荡发散、无法收敛。公开号:CN108319140A,发明名称“一种重定义输出式无模型自适应艏向控制方法及系统”,将舰船艏向与角速度线性和定义为系统输出,实现舰船艏向控制,但角加速度的获取对姿态传感器的观测条件要求较高,不易获取。
发明内容
本发明的目的在于提供将无模型自适应控制算法应用于舰船艏向控制,具有较好的控制效果的一种融合弱观测高阶输出数据的无模型自适应艏向控制方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:输入舰船控制终端下达的期望艏向指令y*(k+1)和舰船当前时刻k的实际艏向y(k),获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1);Δy(0)=0;
所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值,Δy(k)=y(k)-y(k-1);
步骤2:将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器,计算伪偏导数φc(k);
其中,η为步长因子,η∈(0,1];μ为权重系数,μ>0;φc(0)为初始设定的值;Δu(k-1)为k-1时刻舰船期望舵角的变化量,u(0)=0;
步骤3:无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k),并将期望舵角u(k)输入至舰船系统改变艏向;
其中,ρ、ω和ξ为步长因子,ρ∈(0,1],ω>0,ξ>0;λ为权重系数,λ>0;T为控制周期;e(k)=y*(k+1)-y(k)。
本发明的有益效果在于:
本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据,将舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入,重新设计艏向控制律,加快了MFAC控制器在线辨识、学习和控制过程,解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象,提高系统的动态响应性能和控制精度。本发明对传感器的要求不高,弱观测类型的姿态传感器即可满足需求,易于工程实施且控制成本低。
附图说明
图1是本发明的算法原理图。
图2是本发明的系统流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供一种融合弱观测高阶输出数据的无模型自适应艏向控制方法,主要包括:(1)将舰船艏向一阶和二阶差分信息引入到无模型自适应控制算法的输入准则函数中,重新设计艏向控制律;(2)控制终端下达期望艏向指令y*(k+1),计算期望艏向与实际艏向的偏差,将其输入至无模型自适应控制器,构成无模型自适应艏向控制律的偏差项;(3)利用舰船当前实际艏向信息y(k),计算艏向的一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1),将其输入至无模型自适应控制器,构成无模型自适应艏向控制律的一阶差分项和二阶差分项;(4)利用舰船当前输入输出信息,基于伪偏导数估计算法估算伪偏导数输入至无模型自适应控制器;(5)在控制器中利用步骤(2)~(4)的计算结果,依据改进无模型自适应艏向控制律计算期望输入u(k)出,并将其输入至舰船系统改变艏向。
本发明在输入准则函数中引入弱观测条件下舰船高阶输出数据,重新设计艏向控制律,加快了MFAC控制器在线辨识、学习和控制过程,解决了无模型自适应控制算法无法直接应用于舰船这类非自衡系统问题,提高了艏向系统的动态响应性能和控制精度;该算法仅需要准确的艏向信息,弱观测姿态传感器即可满足需求,可以降低控制成本低,且易于工程应用。
一种融合弱观测高阶输出数据的无模型自适应艏向控制方法,包括以下步骤:
步骤1:输入舰船控制终端下达的期望艏向指令y*(k+1)和舰船当前时刻k的实际艏向y(k),获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1);Δy(0)=0;
所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值,Δy(k)=y(k)-y(k-1);
步骤2:将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器,计算伪偏导数φc(k);
其中,η为步长因子,η∈(0,1];μ为权重系数,μ>0;φc(0)为初始设定的值;Δu(k-1)为k-1时刻舰船期望舵角的变化量,u(0)=0;
步骤3:无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k),并将期望舵角u(k)输入至舰船系统改变艏向;
其中,ρ、ω和ξ为步长因子,ρ∈(0,1],ω>0,ξ>0;λ为权重系数,λ>0;T为控制周期;e(k)=y*(k+1)-y(k)。
本发明在原有的控制准则函数中引入舰船艏向一阶和二阶差分信息。
其中,艏向的一阶差分为Δy(k),二阶差分为Δy(k)-Δy(k-1),y*(k+1)和y(k+1)分别为k+1时刻的期望输出和实际输出,u(k)为k时刻的系统期望输入,λ>0为权重系数,T为控制周期,上述准则函数对u(k)求偏导可得重新设计的艏向控制律。
将控制准则函数对u(k)求偏导得到无模型自适应艏向控制律。
其中,ρ、ω和ξ为步长因子,ρ∈(0,1],ω>0,ξ>0;λ为权重系数,λ>0;e(k)为k+1时刻期望艏向y*(k+1)与k时刻实际艏向y(k)的差值;u(k)为k时刻系统期望输入;φc(k)为k时刻伪偏导数;无模型自适应艏向控制律的偏差项、一阶差分项和二阶差分项分别为
伪偏导数估计算法为:
本发明引入了步长因子ω和ξ,使控制算法更具有一般性。本发明引入了舰船艏向一阶差分和二阶差分,加快了算法在线辨识、学习和控制过程,解决无模型自适应控制算法无法直接应用于舰船这类非自衡系统问题,避免出现震荡发散现象,提高系统的动态响应性能和控制精度;该算法仅需要准确的艏向信息,弱观测姿态传感器即可满足需求,可以降低控制成本,且易于工程应用。
本发明对实际艏向数据进行差分处理,作为控制器的负反馈输入,重新设计艏向控制律,使算法具有一定的预测作用,加快了MFAC控制器在线辨识、学习和控制过程,解决MFAC方法直接应用于艏向系统产生的震动发散问题,提高系统的动态响应性能和控制精度。本发明对传感器的要求不高,弱观测类型的姿态传感器即可满足需求,易于工程实施且控制成本低。
本发明提供了一种融合弱观测高阶输出数据的无模型自适应艏向控制算法,舰船艏向一阶差分和二阶差分信息作为控制器的负反馈输入,重新设计艏向控制律,使算法具有一定的预测作用,加快了算法在线辨识、学习和控制过程,解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象,提高系统的动态响应性能和控制精度。本发明对传感器的要求不高,弱观测类型的姿态传感器即可满足需求,易于工程实施且控制成本低。
结合图1,首先下达期望艏向指令y*(k+1),利用姿态传感器反馈的实际艏向y(k),计算得到艏向偏差e(k)、艏向一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1),以及伪偏导数φc(k),将上述结果输入至无模型自适应控制器中,依据重新设计的艏向控制律解算出艏向系统的期望输入舵角u(k),由操纵机构执行期望舵角指令,不断改变和更新舰船实际艏向信息,直至实际艏向稳定收敛于期望艏向。
结合图2说明本发明提供的一种融合弱观测高阶输出数据的无模型自适应艏向控制算法,该算法的步骤为:
步骤1:将舰船艏向一阶和二阶差分信息引入到无模型自适应控制算法的输入准则函数中,重新设计无模型自适应艏向控制律;
步骤2:控制终端下达期望艏向指令y*(k+1),计算期望艏向与实际艏向的偏差,将其输入至无模型自适应控制器,构成无模型自适应艏向控制律的偏差项;
步骤3:利用舰船当前实际艏向信息y(k),计算艏向的一阶差分Δy(k)和二阶差分Δy(k)-Δy(k-1),将其输入至无模型自适应控制器,构成无模型自适应艏向控制律的一阶差分项和二阶差分项;
步骤4:利用舰船当前输入输出信息,基于伪偏导数估计算法估算伪偏导数φc(k),输入至无模型自适应控制器;
步骤5:在控制器中利用步骤2~4的计算结果,依据改进无模型自适应艏向控制律计算期望输入u(k)出,并将其输入至舰船系统改变艏向;
步骤6:更新实际艏向输出y(k),执行步骤2直至稳定收敛。
控制准则函数为:
其中,艏向的一阶差分为Δy(k),二阶差分为Δy(k)-Δy(k-1),y*(k+1)和y(k+1)分别为k+1时刻的期望输出和实际输出,u(k)为k时刻的系统期望输入,λ>0为权重系数,T为控制周期,上述准则函数对u(k)求偏导可得重新设计的艏向控制律。
无模型自适应艏向控制律为:
其中,ρ、ω和ξ为步长因子,ρ∈(0,1],ω>0,ξ>0;λ为权重系数,λ>0;e(k)为k+1时刻期望艏向y*(k+1)与k时刻实际艏向y(k)的差值;u(k)为k时刻系统期望输入;φc(k)为k时刻伪偏导数;无模型自适应艏向控制律的偏差项、一阶差分项和二阶差分项分别为
伪偏导数估计算法为:
舰船艏向一阶差分和二阶差分信息的引入,重新设计艏向控制律,使算法具有一定的预测作用,加快了算法在线辨识、学习和控制过程,解决了无模型自适应控制算法直接应用于舰船艏向这类非自衡系统出现震荡发散现象,提高系统的动态响应性能和控制精度。该算法对传感器的要求不高,弱观测类型的姿态传感器即可满足需求,易于工程实施且控制成本低。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种融合弱观测高阶输出数据的无模型自适应艏向控制方法,其特征在于,包括以下步骤:
步骤1:输入舰船控制终端下达的期望艏向指令y*(k+1)和舰船当前时刻k的实际艏向y(k),获取舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1);Δy(0)=0;
所述的舰船艏向的一阶差分信息Δy(k)为舰船当前时刻k的实际艏向y(k)与上一时刻k-1的实际艏向y(k-1)的差值,Δy(k)=y(k)-y(k-1);
步骤2:将舰船艏向的一阶差分信息Δy(k)和二阶差分信息Δy(k)-Δy(k-1)输入至无模型自适应控制器,计算伪偏导数φc(k);
其中,η为步长因子,η∈(0,1];μ为权重系数,μ>0;φc(0)为初始设定的值;Δu(k-1)为k-1时刻舰船期望舵角的变化量,u(0)=0;
步骤3:无模型自适应控制器根据艏向控制律计算当前k时刻舰船的期望舵角u(k),并将期望舵角u(k)输入至舰船系统改变艏向;
其中,ρ、ω和ξ为步长因子,ρ∈(0,1],ω>0,ξ>0;λ为权重系数,λ>0;T为控制周期;e(k)=y*(k+1)-y(k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958562.2A CN112034858B (zh) | 2020-09-14 | 2020-09-14 | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958562.2A CN112034858B (zh) | 2020-09-14 | 2020-09-14 | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112034858A CN112034858A (zh) | 2020-12-04 |
CN112034858B true CN112034858B (zh) | 2022-04-29 |
Family
ID=73589249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958562.2A Active CN112034858B (zh) | 2020-09-14 | 2020-09-14 | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112034858B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093532B (zh) * | 2021-03-05 | 2022-04-15 | 哈尔滨工程大学 | 一种非自衡系统的全格式无模型自适应控制方法 |
CN113110519B (zh) * | 2021-05-26 | 2021-11-30 | 哈尔滨工程大学 | 一种舰船用非增量型无模型自适应艏向控制方法 |
CN115562312B (zh) * | 2022-11-17 | 2023-10-13 | 哈尔滨工程大学三亚南海创新发展基地 | 一种强跟踪全格式无模型自适应船舶艏向控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017167905A1 (en) * | 2016-03-31 | 2017-10-05 | A.P. Møller - Mærsk A/S | A boat or ship with a collision prevention system |
CN108319140A (zh) * | 2018-02-02 | 2018-07-24 | 哈尔滨工程大学 | 一种重定义输出式无模型自适应航向控制方法及系统 |
CN108563113A (zh) * | 2018-06-12 | 2018-09-21 | 哈尔滨工程大学 | 舰船用多回路无模型自适应艏向控制方法 |
CN108777556A (zh) * | 2018-06-29 | 2018-11-09 | 江苏大学 | 基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法 |
CN109189075A (zh) * | 2018-10-08 | 2019-01-11 | 哈尔滨工程大学 | 一种舰船用模糊遗忘因子无模型自适应航向控制方法 |
CN109254585A (zh) * | 2018-10-08 | 2019-01-22 | 哈尔滨工程大学 | 一种舰船用输入输出数据融合的改进无模型自适应航向控制算法 |
CN109765907A (zh) * | 2019-03-05 | 2019-05-17 | 哈尔滨工程大学 | 一种舰船用pid无模型自适应航向控制算法 |
CN110231822A (zh) * | 2019-06-04 | 2019-09-13 | 哈尔滨工程大学 | 一种舰船用变输出约束式无模型自适应航向控制方法 |
CN110798792A (zh) * | 2019-01-25 | 2020-02-14 | 长城汽车股份有限公司 | 车辆定位装置、车辆定位系统以及车辆 |
CN111103890A (zh) * | 2019-12-17 | 2020-05-05 | 西北工业大学 | 一种高精度强鲁棒的进场着陆引导控制方法 |
CN111522229A (zh) * | 2019-02-01 | 2020-08-11 | 浙江大学 | 参数自整定的mimo异因子偏格式无模型控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140309793A1 (en) * | 2013-04-15 | 2014-10-16 | General Cybernation Group, Inc. | Method and apparatus of self-organizing actuation and control |
US10839302B2 (en) * | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
-
2020
- 2020-09-14 CN CN202010958562.2A patent/CN112034858B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017167905A1 (en) * | 2016-03-31 | 2017-10-05 | A.P. Møller - Mærsk A/S | A boat or ship with a collision prevention system |
CN108319140A (zh) * | 2018-02-02 | 2018-07-24 | 哈尔滨工程大学 | 一种重定义输出式无模型自适应航向控制方法及系统 |
CN108563113A (zh) * | 2018-06-12 | 2018-09-21 | 哈尔滨工程大学 | 舰船用多回路无模型自适应艏向控制方法 |
CN108777556A (zh) * | 2018-06-29 | 2018-11-09 | 江苏大学 | 基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法 |
CN109189075A (zh) * | 2018-10-08 | 2019-01-11 | 哈尔滨工程大学 | 一种舰船用模糊遗忘因子无模型自适应航向控制方法 |
CN109254585A (zh) * | 2018-10-08 | 2019-01-22 | 哈尔滨工程大学 | 一种舰船用输入输出数据融合的改进无模型自适应航向控制算法 |
CN110798792A (zh) * | 2019-01-25 | 2020-02-14 | 长城汽车股份有限公司 | 车辆定位装置、车辆定位系统以及车辆 |
CN111522229A (zh) * | 2019-02-01 | 2020-08-11 | 浙江大学 | 参数自整定的mimo异因子偏格式无模型控制方法 |
CN109765907A (zh) * | 2019-03-05 | 2019-05-17 | 哈尔滨工程大学 | 一种舰船用pid无模型自适应航向控制算法 |
CN110231822A (zh) * | 2019-06-04 | 2019-09-13 | 哈尔滨工程大学 | 一种舰船用变输出约束式无模型自适应航向控制方法 |
CN111103890A (zh) * | 2019-12-17 | 2020-05-05 | 西北工业大学 | 一种高精度强鲁棒的进场着陆引导控制方法 |
Non-Patent Citations (9)
Title |
---|
Information fusion model-free adaptive control algorithm and unmanned surface vehicle heading control;QuanquanJiang,等;《Applied Ocean Research》;20190930;第90卷;全文 * |
Model-Free Optimal Coordination of Distributed Energy Resources for Provisioning Transmission-Level Services;Daniel B. Arnold等;《IEEE Transactions on Power Systems》;20180131;第33卷(第1期);全文 * |
Redefined Output Model-Free Adaptive Control Method and Unmanned Surface Vehicle Heading Control;Yulei Liao,等;《IEEE Journal of Oceanic Engineering》;20200731;第45卷(第3期);全文 * |
基于自抗扰的双桨单舵水面无人艇航行控制;仲伟波等;《中国造船》;20200330(第01期);全文 * |
基于自抗扰的反步非奇异终端滑模船舶航向控制器设计;李伟等;《船舶工程》;20191125(第11期);全文 * |
无人船路径跟随控制方法综述;张旋武等;《交通信息与安全》;20200428(第01期);全文 * |
无人艇重定义无模型自适应艏向控制方法与试验;廖煜雷等;《哈尔滨工程大学学报》;20190709(第01期);全文 * |
气动加载系统的无模型自适应控制方法;任丽娜等;《高技术通讯》;20200415(第04期);全文 * |
自然能驱动无人艇融合TD滤波的无模型自适应航速控制方法;姜权权等;《无人系统技术》;20200315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112034858A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112034858B (zh) | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 | |
Zhang et al. | Fixed-time extended state observer-based trajectory tracking and point stabilization control for marine surface vessels with uncertainties and disturbances | |
US9268315B2 (en) | Extended active disturbance rejection controller | |
Lakhekar et al. | Robust maneuvering of autonomous underwater vehicle: an adaptive fuzzy PI sliding mode control | |
An et al. | Proximate time optimal for the heading control of underactuated autonomous underwater vehicle with input nonlinearities | |
Fu et al. | Finite-time trajectory tracking fault-tolerant control for surface vessel based on time-varying sliding mode | |
CN113268059B (zh) | 基于有限时间扩张状态观测器的多无人艇编队控制方法 | |
Bejarbaneh et al. | Design of robust control based on linear matrix inequality and a novel hybrid PSO search technique for autonomous underwater vehicle | |
Qiu et al. | Robust path‐following control based on trajectory linearization control for unmanned surface vehicle with uncertainty of model and actuator saturation | |
Qin et al. | Fast fixed-time nonsingular terminal sliding-mode formation control for autonomous underwater vehicles based on a disturbance observer | |
Fu et al. | Barrier Lyapunov Function‐Based Adaptive Control of an Uncertain Hovercraft with Position and Velocity Constraints | |
Tong | An adaptive error constraint line-of-sight guidance and finite-time backstepping control for unmanned surface vehicles | |
Zhu et al. | Adaptive neural network fixed-time sliding mode control for trajectory tracking of underwater vehicle | |
Hsu et al. | Chaos synchronization using brain-emotional-learning-based fuzzy control | |
Ansari et al. | Hybrid direct-indirect adaptive generalized dynamic inversion based attitude control of autonomous underwater vehicles | |
Huang et al. | Robust adaptive maneuvering control for an unmanned surface vessel with uncertainties | |
Almeida et al. | Path-following control of fully-actuated surface vessels in the presence of ocean currents | |
Jiang et al. | Way-point tracking control of underactuated USV based on GPC path planning | |
Zhao et al. | Adaptive Broad Learning Neural Network for Fault-Tolerant Control of 2-DOF Helicopter Systems | |
Li et al. | Ship tracking control based on linear active disturbance rejection control | |
Gonzalez-Garcia et al. | Unmanned surface vehicle robust tracking control using an adaptive super-twisting controller | |
Cui et al. | Uncertain surface vessels tracking control based on linear active disturbance rejection control and finite time convergence | |
An et al. | State-feedback path tracking control for autonomous vehicle with sampled-data measurements | |
Li et al. | Robust model predictive ship heading control with event-triggered strategy | |
CN117193012A (zh) | 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 |
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 |