CN112083733A - 一种基于数据分析的多水下航行器跟踪控制方法 - Google Patents

一种基于数据分析的多水下航行器跟踪控制方法 Download PDF

Info

Publication number
CN112083733A
CN112083733A CN202010839097.0A CN202010839097A CN112083733A CN 112083733 A CN112083733 A CN 112083733A CN 202010839097 A CN202010839097 A CN 202010839097A CN 112083733 A CN112083733 A CN 112083733A
Authority
CN
China
Prior art keywords
underwater vehicle
target underwater
target
coordinate system
motion data
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
Application number
CN202010839097.0A
Other languages
English (en)
Other versions
CN112083733B (zh
Inventor
许斌
寿莹鑫
张爱东
梅涛
李胜全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202010839097.0A priority Critical patent/CN112083733B/zh
Publication of CN112083733A publication Critical patent/CN112083733A/zh
Application granted granted Critical
Publication of CN112083733B publication Critical patent/CN112083733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/04—Control of altitude or depth
    • G05D1/06—Rate of change of altitude or depth
    • G05D1/0692—Rate of change of altitude or depth specially adapted for under-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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于数据分析的多水下航行器跟踪控制方法，本发明通过将水下航行器行驶过程中的不确定性影响因素作为预设参数，预先建立预设参数与水下航行器的控制输入量以及航行误差的对应关系，并根据水下航行器的历史运动数据来获取预设参数,从而对水下航行器行驶过程中的不确定影响因素的影响进行估计，实现了对水下航行器行驶路径的可靠控制。

Description

一种基于数据分析的多水下航行器跟踪控制方法
技术领域
本发明涉及水下航行器技术领域，特别涉及一种基于数据分析的多水下航行器跟踪控制方法。
背景技术
在海洋资源开发过程中，多水下航行器协同合作执行任务的场景十分常见，在这种场景下，需要保持每个水下航行器按照期望路径行驶，但是，水下航行器的水下行驶过程中对水下航行器的路径产生影响的因素具有不确定性，水下航行器经常会出现偏航的情况，现有技术中，对于水下航行器的路径控制没有考虑到水下航行器行驶过程中的不确定性参数，难以实现可靠控制。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种基于数据分析的多水下航行器跟踪控制方法，旨在解决现有技术中水下航行器路径控制方案中没有考虑到行驶过程中的不确定性因素，难以实现可靠控制的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种基于数据分析的多水下航行器跟踪控制方法，所述方法包括：
获取目标水下航行器的期望路径，根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器当前的航行误差；
根据预先建立的所述目标水下航行器的运动模型获取所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系，其中，所述控制输入量为所述目标水下航行器的推进系统的控制力和力矩；
根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数，其中，所述特定时间段为当前时刻前预设时长的时间段；
根据所述预设参数、所述航行误差以及所述对应关系获取所述控制输入量；
根据所述控制输入量调节所述目标水下航行器的推进系统的控制力和力矩，使得所述目标水下航行器按照所述目标水下航行器的期望路径航行；
其中，所述目标水下航行器的运动数据包括第一运动数据和第二运动数据，所述第一运动数据为所述目标水下航行器在地球坐标系下的位置和艏向，所述第二运动数据为所述目标水下航行器在体坐标系下的纵荡、横荡和艏摇速度。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述获取所述目标水下航行器的期望路径包括：
设置虚拟领航者的期望路径；
根据所述虚拟领航者的期望路径以及所述目标水下航行器与所述虚拟领航者的期望位置关系获取所述目标水下航行器的期望路径。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述目标水下航行器的期望路径通过如下公式被表示：
ηdi(θ)＝ηd(θ)+R[ψd(θ)]li；
其中，ηd(θ)＝[-cos(θ),sin(θ),θ]T为虚拟领航者的期望路径，θ为期望路径的变化参数，R(ψ)为地球坐标系和体坐标系的转换矩阵，ψd为所述虚拟领航者在地球坐标系下的艏向，li为所述目标水下航行器和所述虚拟领航者的相对位置向量。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述航行误差包括位置误差和跟踪误差，所述根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器的航行误差包括：
根据第一预设公式和第二预设公式分别获取所述位置误差和所述跟踪误差；
所述第一预设公式为：ei,1＝xi,1-ηdi(θ)；
所述第二预设公式为：
Figure BDA0002640757420000031
其中，ei,1为所述位置误差，xi,1为所述第一运动数据的矩阵表示，ηdi(θ)为所述目标水下航行器的期望路径，θ为期望路径的变化参数，ei,2为所述跟踪误差，xi,2为所述第二运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，Ki,1为控制增益参数，vs为所述目标水下航行器沿所述目标水下航行器的期望路径形式的期望速度。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述目标水下航行器的运动模型为：
Figure BDA0002640757420000032
Figure BDA0002640757420000033
其中，
Figure BDA0002640757420000034
表示xi,1的导数形式，xi,1为所述第一运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，
Figure BDA0002640757420000035
表示xi,2的导数形式，xi,2为所述第二运动数据的矩阵表示，fi,2为所述预设参数，
Figure BDA0002640757420000036
Mi为包含水动力附加质量的惯性矩阵，C(xi,2)为水动力附加质量的科里奥利向心力矩阵，D(xi,2)为阻尼系数矩阵，μi为所述控制输入量。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数包括：
将所述预设参数通过神经网络的权重与基函数表示；
通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值；
其中，所述预设参数
Figure BDA0002640757420000041
Figure BDA0002640757420000042
为所述神经网络的权重，φi为所述神经网络的基函数。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值包括：
通过神经网络的权重的自适应更新律获取所述神经网络的最优权重的估计值；
所述权重的自适应更新律为：
Figure BDA0002640757420000043
其中，
Figure BDA0002640757420000044
为估计误差，
Figure BDA0002640757420000045
λi、kσ、δi为常数，ei,2为所述跟踪误差，t为当前时刻，ei,2(t)为当前时刻的所述跟踪误差，ei,2(t-τd)为t-τd时刻的所述跟踪误差，τd为所述特定时间段的时长，Ki,2为控制增益参数，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，ei,1为所述位置误差，
Figure BDA0002640757420000046
Figure BDA0002640757420000047
为
Figure BDA0002640757420000048
的导数形式。
所述的基于数据分析的多水下航行器跟踪控制方法，其中，所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系通过如下公式表示：
Figure BDA0002640757420000049
其中，
Figure BDA00026407574200000410
表示
Figure BDA00026407574200000411
的导数形式，
Figure BDA00026407574200000412
Mi为包含水动力附加质量的惯性矩阵，Ki,2为控制增益参数。
本发明的第二方面，提供一种终端，所述终端包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的基于数据分析的多水下航行器跟踪控制方法的步骤。
本发明的第三方面，提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的基于数据分析的多水下航行器跟踪控制方法的步骤。
与现有技术相比，本发明提供了一种基于数据分析的多水下航行器跟踪控制方法，所述基于数据分析的多水下航行器跟踪控制方法通过将水下航行器行驶过程中的不确定性影响因素作为预设参数，预先建立预设参数与水下航行器的控制输入量以及航行误差的对应关系，并根据水下航行器的历史运动数据来获取预设参数,从而对水下航行器行驶过程中的不确定影响因素的影响进行估计，实现了对水下航行器行驶路径的可靠控制。
附图说明
图1为本发明提供的基于数据分析的多水下航行器跟踪控制方法的实施例的流程图；
图2为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所表示的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
本发明提供的基于数据分析的多水下航行器跟踪控制方法，可以是应用在终端中，终端可以通过本发明提供的基于数据分析的多水下航行器跟踪控制方法控制水下航行器的路径，终端可以是与水下航行器一体设置，例如，终端可以为水下航行器的控制器，也可以是单独设置，与水下航行器通信连接。如图1所示，所述基于数据分析的多水下航行器跟踪控制方法的一个实施例中，包括步骤：
S100、获取目标水下航行器的期望路径，根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水箱航行器当前的航行误差。
所述目标水下航行器是需要进行路径控制的水下航行器，对所述目标水下航行器的路径进行控制的目的是使得所述目标水下航行器按照所述目标水下航行器的期望路径行驶。所述目标水下航行器的运动数据包括第一运动数据和第二运动数据，所述第一运动数据为所述目标水下航行器在地球坐标系下的位置和艏向，所述第二运动数据为所述目标水下航行器在体坐标系下的纵荡、横荡和艏摇速度。也就是说，在步骤S100中，是获取所述目标水下航行器当前的所述第一运动数据和所述第二运动数据。
所述目标水下航行器的期望路径是预先设置的，在一种可能的实现方式中，可以直接设置所述目标水下航行器的期望路径，在本实施例中，所述获取所述目标水下航行器的期望路径包括：
S110、设置虚拟领航者的期望路径；
S120、根据所述虚拟领航者的期望路径以及所述目标水下航行器与所述虚拟领航者的期望位置关系获取所述目标水下航行器的期望路径。
具体地，在多水下航行器协同执行任务的场景下，各个水下航行器需要保持一定的队形，为了方便地实现多水下航行器的期望路径设置，是设置一个虚拟领航者，通过设置各个水下航行器与该虚拟领航者的相对位置关系来实现对多水下航行器的期望路径的设置，具体地，所述目标水下航行器的期望路径通过如下公式被表示：
ηdi(θ)＝ηd(θ)+R[ψd(θ)]li；
其中，ηd(θ)＝[-cos(θ),sin(θ),θ]T为虚拟领航者的期望路径，θ为期望路径的变化参数，R(ψ)为地球坐标系和体坐标系的转换矩阵，ψd为所述虚拟领航者在地球坐标系下的艏向，li为所述目标水下航行器和所述虚拟领航者的相对位置向量。
具体地，
Figure BDA0002640757420000071
那么，
Figure BDA0002640757420000072
期望路径的变化参数θ可根据水下航行器实际执行的任务进行设置，可以为一个定值，也可以为与时间有关的变量。
所述航行误差指的是所述目标水下航行器的当前行驶路径与期望路径的误差，在本实施例中，所述航行误差包括位置误差和跟踪误差，所述根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器的航行误差包括：
根据第一预设公式和第二预设公式分别获取所述位置误差和所述跟踪误差。
所述第一预设公式为：ei,1＝xi,1-ηdi(θ)；
所述第二预设公式为：
Figure BDA0002640757420000073
其中，ei,1为所述位置误差，xi,1为所述第一运动数据的矩阵表示，ηdi(θ)为所述目标水下航行器的期望路径，θ为期望路径的变化参数，ei,2为所述跟踪误差，xi,2为所述第二运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，Ki,1为控制增益参数，vs为所述目标水下航行器沿所述目标水下航行器的期望路径形式的期望速度。
具体地，xi,1＝[x,y,ψi]T，(x,y)为所述目标水下航行器在地球坐标系下的位置，ψi为所述目标水下航行器在地球坐标系下的的艏向，xi,2＝[u,v,r]T，u，v，r分别为所述目标水下航行器在体坐标系下的纵荡、横荡和艏摇速度。R(ψi)为地球多坐标系和所述目标水下航行器的体坐标系的转换矩阵，
Figure BDA0002640757420000081
那么，
Figure BDA0002640757420000082
Ki,1为一个预先设置的常数，Ki,1＞0，例如可以取3、5等。vs可以用公式表示为：
Figure BDA0002640757420000083
Figure BDA0002640757420000084
为ψd(θ)的导数形式，
Figure BDA0002640757420000085
为θ的导数形式，
Figure BDA0002640757420000086
请再次参阅图1，本实施例提供的基于数据分析的多水下航行器跟踪控制方法，还包括步骤：
S200、根据预先建立的所述目标水下航行器的运动模型获取所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系。
所述控制输入量为所述目标水下航行器的推进系统的控制力和力矩。
在本实施例中，预先建立的所述目标水下航行器的运动模型为：
Figure BDA0002640757420000087
Figure BDA0002640757420000088
其中，
Figure BDA0002640757420000089
表示xi,1的导数形式，xi,1为所述第一运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，
Figure BDA00026407574200000810
表示xi,2的导数形式，xi,2为所述第二运动数据的矩阵表示，fi,2为所述预设参数，
Figure BDA00026407574200000811
Mi为包含水动力附加质量的惯性矩阵，C(xi,2)为水动力附加质量的科里奥利向心力矩阵，D(xi,2)为阻尼系数矩阵，μi为所述控制输入量。
具体地，
Figure BDA00026407574200000812
Figure BDA0002640757420000091
Figure BDA0002640757420000092
其中，m为所述目标水下航行器的质量，Iz为所述目标水下航行器的转动惯量，xg为所述目标水下航行器的体坐标系重心的位置，
Figure BDA0002640757420000093
Figure BDA0002640757420000094
为水动力引起的附加质量，Xu、Yv、Yr、Nv、Nr、Xuu、Yvv、Yrr、Nvv、Nrr为水动力的阻尼系数。而在实际应用中，水动力的阻尼系数具有不确定性，即预设参数fi,2具有不确定性，不能获取fi,2的真实值，而所述目标水下航行器的路径控制是通过所述控制输入量μi来实现的，在根据所述目标水下航行器的运动模型得到所述控制输入量μi和所述目标水下航行器的航行误差以及所述预设参数fi,2的对应关系后，就可以根据所述对应关系，获取到相应的所述控制输入量μi，实现控制所述目标水下航行器的行驶路径与期望路径一致，但是，fi,2的真实值无法获取到，而在本实施例中，通过所述目标水下航行器的历史运动数据来估计fi,2的值，从而可以得到相应的所述所述控制输入量μi。
具体地，通过所述目标水下航行器的运动模型得到的所述控制输入量与所述航行误差以及预设参数的对应关系通过如下公式表示：
Figure BDA0002640757420000095
其中，
Figure BDA0002640757420000096
表示
Figure BDA0002640757420000097
的导数形式，
Figure BDA0002640757420000098
Mi为包含水动力附加质量的惯性矩阵，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，ei,1为所述位置误差，ei,2为所述跟踪误差，具体如前面所说明，Ki,2为控制增益参数，Ki,2为预先设置的常数，Ki,2＞0，例如可以取3、5等。
具体地，本实施例提供的基于数据分析的多水下航行器跟踪控制方法还包括步骤：
S300、根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数，其中，所述特定时间段为当前时刻前预设时长的时间段。
在本实施例中，根据所述目标水下航行器在特定时间段内的运动数据来估计所述预设参数的真实值，所述根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数包括：
S310、将所述预设参数通过神经网络的权重与基函数表示；
S320、通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值。
神经网络具备学习进而不断优化神经网络的权重的能力，从而使得神经网络的权重不断逼近最优解，在本实施例中，将所述预设参数通过神经网络的权重与基函数表示，具体为：
Figure BDA0002640757420000101
Figure BDA0002640757420000102
为所述神经网络的权重，φi为所述神经网络的基函数。在通过神经网络获取所述神经网络的最优权重的估计值时是通过所述权重的自适应更新律来实现，具体地，所述权重的自适应更新律为：
Figure BDA0002640757420000103
其中，
Figure BDA0002640757420000104
为估计误差，
Figure BDA0002640757420000105
λi、kσ、δi为常数，ei,2为所述跟踪误差，t为当前时刻，ei,2(t)为当前时刻的所述跟踪误差，ei,2(t-τd)为t-τd时刻的所述跟踪误差，τd为所述特定时间段的时长，Ki,2为控制增益参数，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，ei,1为所述位置误差，
Figure BDA0002640757420000106
Figure BDA0002640757420000107
为
Figure BDA0002640757420000108
的导数形式。
τd＞0，λi＞0，kσ＞0、δi＞0，τd、λi、kσ、δi可预先根据试验设置，例如τd可以为0.5s、1s等，λi可以取0.1、0.2等，kσ可以取40、50等，δi可以取0.01、0.05等。
所述基于数据分析的多水下航行器跟踪控制方法还包括步骤：
S400、根据所述预设参数、所述航行误差以及所述对应关系获取所述控制输入量。
通过上述步骤S100-S300，可以获取到最优权重的估计值，最优权重的估计值对应的所述预设参数就是逼近了所述预设参数的真实值的估计值，再通过所述控制输入量与所述航行误差以及所述预设参数的对应关系就可以获取到对应的控制输入量，不难看出，由于在获取控制输入量时考虑到了不确定性参数，并且对不确定性参数的真实值进行了估计，因此，根据本方法获取到的所述控制输入量更准确，根据所述控制输入量能够更可靠地控制所述目标水下航行器的路径，实现实际行驶路径与期望路径一致。
从上面的说明不难看出，所述对应关系可以通过如下公式表示：
Figure BDA0002640757420000111
式中的各项的含义可以参考前面的说明。
S500、根据所述控制输入量调节所述目标水下航行器的推荐系统的控制力和力矩，使得所述目标水下航行器按照所述目标水下航行器的期望路径航行。
综上所述，本实施例提供一种基于数据分析的多水下航行器跟踪控制方法，将水下航行器行驶过程中的不确定性影响因素作为预设参数，预先建立预设参数与水下航行器的控制输入量以及航行误差的对应关系，并根据水下航行器的历史运动数据来获取预设参数,从而对水下航行器行驶过程中的不确定影响因素的影响进行估计，实现了对水下航行器行驶路径的可靠控制。
应该理解的是，虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例二
基于上述实施例，本发明还相应提供了一种终端，如图2所示，所述终端包括处理器10以及存储器20。图2仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有多水下航行器跟踪控制程序30，该多水下航行器跟踪控制程序30可被处理器10所执行，从而实现本申请中基于数据分析的多水下航行器跟踪控制方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于数据分析的多水下航行器跟踪控制方法等。
在一实施例中，当处理器10执行所述存储器20中多水下航行器跟踪控制程序30时实现以下步骤：
获取目标水下航行器的期望路径，根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器当前的航行误差；
根据预先建立的所述目标水下航行器的运动模型获取所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系，其中，所述控制输入量为所述目标水下航行器的推进系统的控制力和力矩；
根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数，其中，所述特定时间段为当前时刻前预设时长的时间段；
根据所述预设参数、所述航行误差以及所述对应关系获取所述控制输入量；
根据所述控制输入量调节所述目标水下航行器的推进系统的控制力和力矩，使得所述目标水下航行器按照所述目标水下航行器的期望路径航行；
其中，所述目标水下航行器的运动数据包括第一运动数据和第二运动数据，所述第一运动数据为所述目标水下航行器在地球坐标系下的位置和艏向，所述第二运动数据为所述目标水下航行器在体坐标系下的纵荡、横荡和艏摇速度。
其中，所述获取所述目标水下航行器的期望路径包括：
设置虚拟领航者的期望路径；
根据所述虚拟领航者的期望路径以及所述目标水下航行器与所述虚拟领航者的期望位置关系获取所述目标水下航行器的期望路径。
其中，所述目标水下航行器的期望路径通过如下公式被表示：
ηdi(θ)＝ηd(θ)+R[ψd(θ)]li；
其中，ηd(θ)＝[-cos(θ),sin(θ),θ]T为虚拟领航者的期望路径，θ为期望路径的变化参数，R(ψ)为地球坐标系和体坐标系的转换矩阵，ψd为所述虚拟领航者在地球坐标系下的艏向，li为所述目标水下航行器和所述虚拟领航者的相对位置向量。
其中，所述航行误差包括位置误差和跟踪误差，所述根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器的航行误差包括：
根据第一预设公式和第二预设公式分别获取所述位置误差和所述跟踪误差；
所述第一预设公式为：ei,1＝xi,1-ηdi(θ)；
所述第二预设公式为：
Figure BDA0002640757420000141
其中，ei,1为所述位置误差，xi,1为所述第一运动数据的矩阵表示，ηdi(θ)为所述目标水下航行器的期望路径，θ为期望路径的变化参数，ei,2为所述跟踪误差，xi,2为所述第二运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，Ki,1为控制增益参数，vs为所述目标水下航行器沿所述目标水下航行器的期望路径形式的期望速度。
其中，所述目标水下航行器的运动模型为：
Figure BDA0002640757420000151
Figure BDA0002640757420000152
其中，
Figure BDA0002640757420000153
表示xi,1的导数形式，xi,1为所述第一运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，
Figure BDA0002640757420000154
表示xi,2的导数形式，xi,2为所述第二运动数据的矩阵表示，fi,2为所述预设参数，
Figure BDA0002640757420000155
Mi为包含水动力附加质量的惯性矩阵，C(xi,2)为水动力附加质量的科里奥利向心力矩阵，D(xi,2)为阻尼系数矩阵，μi为所述控制输入量。
其中，所述根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数包括：
将所述预设参数通过神经网络的权重与基函数表示；
通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值；
其中，所述预设参数
Figure BDA0002640757420000156
Figure BDA0002640757420000157
为所述神经网络的权重，φi为所述神经网络的基函数。
其中，所述通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值包括：
通过神经网络的权重的自适应更新律获取所述神经网络的最优权重的估计值；
所述权重的自适应更新律为：
Figure BDA0002640757420000158
其中，
Figure BDA0002640757420000161
为估计误差，
Figure BDA0002640757420000162
λi、kσ、δi为常数，ei,2为所述跟踪误差，t为当前时刻，ei,2(t)为当前时刻的所述跟踪误差，ei,2(t-τd)为t-τd时刻的所述跟踪误差，τd为所述特定时间段的时长，Ki,2为控制增益参数，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，ei,1为所述位置误差，
Figure BDA0002640757420000163
Figure BDA0002640757420000164
为
Figure BDA0002640757420000165
的导数形式。
其中，所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系通过如下公式表示：
Figure BDA0002640757420000166
其中，
Figure BDA0002640757420000167
表示
Figure BDA0002640757420000168
的导数形式，
Figure BDA0002640757420000169
Mi为包含水动力附加质量的惯性矩阵，Ki,2为控制增益参数。
实施例三
本发明还提供一种存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于数据分析的多水下航行器跟踪控制方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述方法包括：
获取目标水下航行器的期望路径，根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器当前的航行误差；
根据预先建立的所述目标水下航行器的运动模型获取所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系，其中，所述控制输入量为所述目标水下航行器的推进系统的控制力和力矩；
根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数，其中，所述特定时间段为当前时刻前预设时长的时间段；
根据所述预设参数、所述航行误差以及所述对应关系获取所述控制输入量；
根据所述控制输入量调节所述目标水下航行器的推进系统的控制力和力矩，使得所述目标水下航行器按照所述目标水下航行器的期望路径航行；
其中，所述目标水下航行器的运动数据包括第一运动数据和第二运动数据，所述第一运动数据为所述目标水下航行器在地球坐标系下的位置和艏向，所述第二运动数据为所述目标水下航行器在体坐标系下的纵荡、横荡和艏摇速度。
2.根据权利要求1所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述获取所述目标水下航行器的期望路径包括：
设置虚拟领航者的期望路径；
根据所述虚拟领航者的期望路径以及所述目标水下航行器与所述虚拟领航者的期望位置关系获取所述目标水下航行器的期望路径。
3.根据权利要求2所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述目标水下航行器的期望路径通过如下公式被表示：
ηdi(θ)＝ηd(θ)+R[ψd(θ)]li；
其中，ηd(θ)＝[-cos(θ),sin(θ),θ]T为虚拟领航者的期望路径，θ为期望路径的变化参数，R(ψ)为地球坐标系和体坐标系的转换矩阵，ψd为所述虚拟领航者在地球坐标系下的艏向，li为所述目标水下航行器和所述虚拟领航者的相对位置向量。
4.根据权利要求1所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述航行误差包括位置误差和跟踪误差，所述根据所述目标水下航行器的期望路径和所述目标水下航行器当前的运动数据获取所述目标水下航行器的航行误差包括：
根据第一预设公式和第二预设公式分别获取所述位置误差和所述跟踪误差；
所述第一预设公式为：ei,1＝xi,1-ηdi(θ)；
所述第二预设公式为：
Figure FDA0002640757410000021
其中，ei,1为所述位置误差，xi,1为所述第一运动数据的矩阵表示，ηdi(θ)为所述目标水下航行器的期望路径，θ为期望路径的变化参数，ei,2为所述跟踪误差，xi,2为所述第二运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，Ki,1为控制增益参数，vs为所述目标水下航行器沿所述目标水下航行器的期望路径形式的期望速度。
5.根据权利要求1所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述目标水下航行器的运动模型为：
Figure FDA0002640757410000022
Figure FDA0002640757410000023
其中，
Figure FDA0002640757410000024
表示xi,1的导数形式，xi,1为所述第一运动数据的矩阵表示，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，
Figure FDA0002640757410000031
表示xi,2的导数形式，xi,2为所述第二运动数据的矩阵表示，fi,2为所述预设参数，
Figure FDA0002640757410000032
Mi为包含水动力附加质量的惯性矩阵，C(xi,2)为水动力附加质量的科里奥利向心力矩阵，D(xi,2)为阻尼系数矩阵，μi为所述控制输入量。
6.根据权利要求4所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述根据所述目标水下航行器在特定时间段内的运动数据获取所述预设参数包括：
将所述预设参数通过神经网络的权重与基函数表示；
通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值；
其中，所述预设参数
Figure FDA0002640757410000033
Figure FDA0002640757410000034
为所述神经网络的权重，φi为所述神经网络的基函数。
7.根据权利要求6所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述通过神经网络根据所述目标水下航行器在所述特定时间段内的运动数据获取所述神经网络的最优权重的估计值包括：
通过神经网络的权重的自适应更新律获取所述神经网络的最优权重的估计值；
所述权重的自适应更新律为：
Figure FDA0002640757410000035
其中，
Figure FDA0002640757410000036
为估计误差，
Figure FDA0002640757410000037
λi、kσ、δi为常数，ei,2为所述跟踪误差，t为当前时刻，ei,2(t)为当前时刻的所述跟踪误差，ei,2(t-τd)为t-τd时刻的所述跟踪误差，τd为所述特定时间段的时长，Ki,2为控制增益参数，gi,1＝R(ψi)，ψi为所述目标水下航行器在地球坐标系下的艏向，R(ψ)为地球坐标系和体坐标系的转换矩阵，ei,1为所述位置误差，
Figure FDA0002640757410000041
Figure FDA0002640757410000042
为
Figure FDA0002640757410000043
的导数形式。
8.根据权利要求6所述的基于数据分析的多水下航行器跟踪控制方法，其特征在于，所述目标水下航行器的控制输入量与所述航行误差以及预设参数的对应关系通过如下公式表示：
Figure FDA0002640757410000044
其中，
Figure FDA0002640757410000045
表示
Figure FDA0002640757410000046
的导数形式，
Figure FDA0002640757410000047
Mi为包含水动力附加质量的惯性矩阵，Ki,2为控制增益参数。
9.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-8任一项所述的基于数据分析的多水下航行器跟踪控制方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任一项所述的基于数据分析的多水下航行器跟踪控制方法的步骤。
CN202010839097.0A 2020-08-19 2020-08-19 一种基于数据分析的多水下航行器跟踪控制方法 Active CN112083733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010839097.0A CN112083733B (zh) 2020-08-19 2020-08-19 一种基于数据分析的多水下航行器跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010839097.0A CN112083733B (zh) 2020-08-19 2020-08-19 一种基于数据分析的多水下航行器跟踪控制方法

Publications (2)

Publication Number Publication Date
CN112083733A true CN112083733A (zh) 2020-12-15
CN112083733B CN112083733B (zh) 2023-10-20

Family

ID=73729375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010839097.0A Active CN112083733B (zh) 2020-08-19 2020-08-19 一种基于数据分析的多水下航行器跟踪控制方法

Country Status (1)

Country Link
CN (1) CN112083733B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106773713A (zh) * 2017-01-17 2017-05-31 北京航空航天大学 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法
CN108427414A (zh) * 2018-03-31 2018-08-21 西北工业大学 一种自主水下航行器水平面自适应轨迹跟踪控制方法
CN109634307A (zh) * 2019-01-15 2019-04-16 大连海事大学 一种无人水下航行器复合航迹跟踪控制方法
CA3067573A1 (en) * 2019-01-14 2020-07-14 Harbin Engineering University Target tracking systems and methods for uuv

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106773713A (zh) * 2017-01-17 2017-05-31 北京航空航天大学 针对欠驱动海洋航行器的高精度非线性路径跟踪控制方法
CN108427414A (zh) * 2018-03-31 2018-08-21 西北工业大学 一种自主水下航行器水平面自适应轨迹跟踪控制方法
CA3067573A1 (en) * 2019-01-14 2020-07-14 Harbin Engineering University Target tracking systems and methods for uuv
CN109634307A (zh) * 2019-01-15 2019-04-16 大连海事大学 一种无人水下航行器复合航迹跟踪控制方法

Also Published As

Publication number Publication date
CN112083733B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110716566B (zh) 一种欠驱动无人艇的有限时间轨迹跟踪控制方法
CN109017984B (zh) 一种无人车的轨迹跟随控制方法、控制系统及相关装置
US11254315B2 (en) Friction adaptive vehicle control
CN110687799A (zh) 一种智能船舶自动舵系统的模糊自适应输出反馈控制方法及系统
CN113110511B (zh) 一种基于广义模糊双曲模型的智能船舶航向控制方法
CN112650297B (zh) 用于无人机的控制方法、控制装置、无人机及存储介质
CN108958294B (zh) 无人水下潜航器编队控制方法及装置
Yue et al. Data-driven adaptive extended state observer design for autonomous surface vehicles with unknown input gains based on concurrent learning
CN112158196B (zh) 自动泊车方法及装置
CN110673619B (zh) 一种飞行姿态的控制方法、装置、无人机和存储介质
CN114880874A (zh) 一种水面无人船参数自适应鲁棒估计方法与系统
CN114115276A (zh) 一种基于在线分组优化模型预测的船舶动力定位控制方法
CN113009824B (zh) 变稳船自适应变稳控制方法、系统和存储介质
CN113608541A (zh) 一种水下航行器姿态控制方法和系统
CN116700012B (zh) 一种多智能体的避撞编队合围控制器的设计方法
CN116301058B (zh) 一种无人飞行反馈非线性偏航控制方法、系统和设备
CN112083733A (zh) 一种基于数据分析的多水下航行器跟踪控制方法
CN112130557B (zh) 一种多水下航行器跟踪控制方法、终端及存储介质
CN112987753B (zh) 基于误差船舶航向的控制方法及装置
CN114117628A (zh) 一种火箭返回制导方法、装置、设备和介质
US11834066B2 (en) Vehicle control using neural network controller in combination with model-based controller
CN114906138A (zh) 车辆控制方法、装置、设备及介质
Rahmani et al. Data-driven Koopman fractional order PID control of a MEMS gyroscope using bat algorithm
CN113093739A (zh) 一种多无人艇编队避碰的优化控制器及其结构、设计方法
CN114043999B (zh) 一种车辆的纵向控制方法和装置

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