CN112130566B - 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 - Google Patents
一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 Download PDFInfo
- Publication number
- CN112130566B CN112130566B CN202010989068.2A CN202010989068A CN112130566B CN 112130566 B CN112130566 B CN 112130566B CN 202010989068 A CN202010989068 A CN 202010989068A CN 112130566 B CN112130566 B CN 112130566B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- sliding mode
- unmanned aerial
- aerial vehicle
- subtask
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011217 control strategy Methods 0.000 title claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于无人艇技术领域,公开了一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法。步骤为:1)对无人艇、无人机混合编队的任务区域进行分解,将任务区域分解成多个子任务区域;2)建立子任务区域分配指标,根据分配指标规划混合编队中每个成员的期望航迹路线,并将期望航迹路线发送给每个成员的控制器;3)无人艇成员的控制器接收到期望航迹路线后,采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹路线进行航行;无人机成员的控制器接收到期望航迹路线后,采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行。该方法具有很强的抗干扰作用,能保证混合编队按照期望轨迹航行,提升了混合编队系统的鲁棒性。
Description
技术领域
本发明属于无人艇技术领域,具体涉及一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统。
背景技术
集群系统控制在众多的军事和民用领域有着巨大的应用潜力,例如多卫星深空探测、多无人机协同侦察、多导弹饱和攻击、多无人艇协同巡逻等等。其中无人水面航行器在近十年得到广泛的关注,有着众多的研究成果。但单无人艇能够完成的任务种类相对局限,通过多艇协作可以有效弥补在无人艇完成任务种类上的局限性。将无人机与无人艇相结合组成混合编队,通过调整无人艇和无人艇的相对位置关系,可以为包括侦察、探测、突防、围捕及打击等任务创造有利条件,提供技术保障。
考虑到外部事态和任务需求的高动态特性,混合编队的队形往往不是固定不变的,需要对编队进行动态调整。在海上作业的多艘无人艇由于海浪及地球曲率的影响,也会出现探测和通信受限的情况,尤其是在协同对海探测反潜时,无人艇二维运动的特性,也使得所获得探测目标的信息不够丰富,无人机三维探测信息及通信中继的加入,可以大幅提升整个集群系统通信的品质和探测的精度、维度及覆盖度。
发明内容
本发明的目的旨在提供一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统。
为实现发明目的,本发明采用的技术方案如下:
本发明第一方面提供了一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法,包括以下步骤:
(1)对无人艇、无人机混合编队的任务区域进行分解,将任务区域分解成多个子任务区域;
(2)建立子任务区域的分配指标,根据子任务区域的分配指标规划混合编队中每个编队成员的期望航迹路线,然后将期望航迹路线发送给每个编队成员的控制器;
(3)无人艇编队成员的控制器接收到期望航迹路线后,无人艇编队成员控制器采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹路线进行航行;无人机编队成员的控制器接收到期望航迹路线后,采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行。
根据上述的方法,优选地,步骤(1)的具体操作为:
(1a)通过聚类算法对无人艇、无人机混合编队的任务区域进行划分,得到k个子任务区域;
(1b)针对每个子任务区域,采用高斯概率密度函数表示该聚类区域的信息密度Gk(m),则k个子任务区域的信息密度之和为p(m),Gk(m)、p(m)的计算公式如式(1)、(I2)所示;
(1c)通过最大似然法对参数μk、Ck和αk进行估计,然后根据参数μk、Ck和αk的估计值可计算出每个子任务区域的信息密度Gk(m)和每个子任务区域的范围,每个子任务区域的范围为:以μk为中心,Ck的特征向量为坐标轴,长轴为短轴为构成的区域,其中为Ck的平方根。
根据上述的方法,优选地,步骤(2)的具体操作为:
(2a)根据当前子任务区域的信息密度、混合编队中编队成员i完成当前子任务区域任务所需的时间Tc,k、编队成员i从当前子任务区域航行到达下一个子任务区域的时间TF,k来构造编队成员i对子任务区域k的任务期望收益函数其中,Tc,k、TF,k和的计算公式分别如式(3)、(4)和(5)所示;
V表示无人艇或无人机的航行速度,p0表示初始点位置,μk表示第K个子任务区域的中心,μk-1表示第K-1个子任务区域的中心;
其中,表示总任务期望收益,表示各个编队成员完成该子任务区域所需要的执行时间;EAi表示编队成员i的任务期望观测收益,Ti表示编队成员i的完成任务理想时间;NA表示混合编队中无人艇成员的数量,NS表示混合编队中无人机成员的数量;
(2c)对于选定的编队成员,首先将当前起始点到第一个子任务区域中心中的最短距离航迹、完成第一个子任务区域所需要的期望航迹、前往下一子任务区域的最短航迹三段航迹连接形成该编队成员的初始化期望航迹路线;
(2d)将选定的编队成员完成初始化期望航迹路线的时间与混合编队任务要求的总时间(即混合编队完成编队任务所需的总时间)进行比较,若选定的编队成员完成初始化期望航迹路线的时间小于任务要求的总时间,通过子任务区域分配指标EA为选定的编队成员选择任务期望收益最大的子任务区域,并将所述任务期望收益最大的子任务区域作为一个新的任务节点添加到所述选定的编队成员的初始化期望航迹路线中,完成初始化期望航迹路线的更新,得到更新后的期望航迹路线;
(2e)不断重复上述步骤(2d),对选定的编队成员的初始化期望航迹路线进行更新,直到规划的期望航行轨迹路线完全包括所有的任务个子区域并且各段航迹所需的观测时间小于任务要求的总时间,混合编队中每个编队成员的期望航迹路线规划完成;
(2f)将规划后期望航迹路线发送给每个编队成员的控制器。
根据上述的方法,优选地,步骤(3)中采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行的具体操作为:
以无人艇在船体坐标系中的数学模型作为无人艇的动力学模型,采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(v)和D(v),然后将模糊逻辑逼近算法估算出的参数C(v)和D(v)输入滑模控制算法中,通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr,然后将前进速度τu和艏摇角τr分别转化为无人艇的油门、舵角控制参数,并将油门、舵角控制参数发送至无人艇运动模块(即无人艇动力装置),使无人艇按照规划的期望航迹路线进行航行;
所述无人艇的动力学模型如式(9)所示:
其中,表示无人艇在地面坐标系下的位置和姿态向量;表示地面坐标系下的速度和角速度向量向量;表示无人艇在船体坐标系下的速度向量;表示地面坐标系下的加速度和角加速度向量,M为惯性矩阵(包括附加质量);J(η)为转换矩阵;C(V)表示向心力和科氏力矩阵;包括附加质量所产生的向心力和科氏力;D(V)表示动力阻力和升力力矩;g(η)表示恢复力和力矩向量;表示作用在无人艇船体坐标系下的运动控制输入量。
根据上述的方法,优选地,采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(V)和D(V)的具体操作为:
(3a-1)采用如式(10)所示的模糊逻辑规则构造模糊逻辑系统,模糊逻辑系统的输出如式(11)所示;
Then y is Bj,j=1,2,…N. (10)
则F(x)=θTE(x)
其中,θ=(θ1,θ2,…,θN)T;E(x)=(e1(x),e2(x),…,eN(x))T;
(3a-3)采用Gaussian型函数来表示模糊隶属度函数然后根据逼近定理利用步骤(3a-1)构建的模糊逻辑系统按式(12)近似逼近无人艇动力学模型中的C(v)和D(v),得到C(v)和D(v)的值;
其中,x为状态变量,即表示速度向量V;ε表示任意给定的正数;
根据上述的方法,优选地,通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr的具体过程为:
(3b-1)设计纵向滑模控制算法,设计一阶指数形式的纵向滑模面,其公式如式(13)所示:
(3b-2)对步骤(3b-1)所述的纵向滑模面进行求导,得到式(14),
(3b-3)根据式(14)计算纵向滑模器的控制律,得到纵向滑模控制器的控制律计算公式,纵向滑模控制器的控制律计算公式如式(15)所示,
其中,ζ1表示常数增益;
(3b-4)为了避免抖振问题,使用饱和函数sat(s1)代替式(15)纵向滑模控制器中的符号函数sgn(s1),得到纵向滑模控制器的控制律的最终表达式;其中,所述饱和函数sat(s1)的公式如式(16)所示,纵向滑模控制器的控制律的最终表达式如式(17)所示;根据纵向滑模控制器的控制律的最终表达式即可计算出纵向滑模控制器的控制律,即无人艇的前进速度τu;
(3b-5)设计横向滑模控制算法,设计一阶指数形式的横向滑模面,其公式如式(18)所示:
(3b-6)对步骤(3b-5)所述的横向滑模面求导,得到式(19);
其中,k1表示常数增益,k1>0;k2表示常数增益,k2>0;表示纵向误差求2阶导,即纵向加速度误差;表示纵向位置求三阶导数;表示横向位置误差求2阶导数,即基横向加速度误差;m33表示惯性矩阵M第三行第三列的元素;
(3b-7)根据式(19)计算横向滑模控制器的控制律,得到横向滑模控制器的控制律计算公式,横向滑模控制器的控制律计算公式如式(20)所示;根据横向滑模控制器的控制律的最终表达式即可计算出横向滑模控制器的控制律,即无人艇的艏摇角τr;
根据上述的方法,优选地,步骤(3)中采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行的具体操作为:
根据无人机的动力学模型,采用反步滑模控制算法计算无人机动力模型中的参数T,然后将参数T转化为无人机电机转矩控制参数,并将电机转矩控制参数发送至无人机运动模块(即无人机动力装置),使无人机按照规划的期望航迹路线进行航行;
所述无人机的动力学模型如式(21)所示:
根据上述的方法,优选地,采用反步滑模控制算法计算无人机动力模型中的参数T的操作为:
(3c-1)将无人机实际航迹路线与期望航迹路线之间的位置误差定义为e1,位置误差e1的计算公式如式(22)所示:
e1=ξd-ξ+K2∫(ξd-ξ)dt (22)
其中,ξd表示期望位置轨迹;ξ表示实际位置轨迹;K2表示常数增益,K2>0;
(3c-2)采用反步法设计虚拟控制律,通过虚拟控制律来控制无人机的实际位置,其中,虚拟控制律的计算公式如式(23)所示;
A表示正定对角矩阵;α1表示虚拟控制律;
(3c-3)由于无人机的速度不可控,采用滑模控制算法定义滑模面,通过滑模面使虚拟控制律收敛,虚拟控制律收敛时对应的滑模控制律即为参数T;其中所述滑模面的计算公式如式(24)所示;所述滑模控制律的计算公式如式(25)所示;
Q2为增益常数,Q2>0;ε1为增益常数,ε>0。
根据上述的方法,优选地,无人艇、无人机混合编队的编队控制分为无人艇编队控制和无人机编队控制;无人艇和无人机编队由各自的领航者进行控制,具体控制步骤如下:
(A)无人艇编队接收到地面控制主机发送的编队控制指令,以无人艇领航者为坐标原点建立笛卡尔坐标系。
(B)无人艇编队成员通过无线通信模块与无人艇领航者进行通信,将自身当前的位置姿态信息发送给无人艇领航者。
(C)无人艇领航者通过对比地面控制主机发送的编队要求与当前编队成员的位置进行对比。当编队成员位置信息存在偏差时,对其发送姿态调整指令和期望位置信息。
(D)无人艇编队成员通过无线通行模块接受姿态调整指令,并按照期望位置要求向期望位置航行。
(E)无人机编队接收到地面控制主机发送的编队控制指令,以无人机领航者为坐标原点建立空间直角坐标系。
(F)无人机编队成员通过无线通信模块与无人机领航者进行通信,将自身当前的位置姿态信息发送给无人机领航者。
(G)无人机领航者通过对比地面控制主机发送的编队要求与当前编队成员的位置进行对比。当编队成员位置信息存在偏差时,对其发送姿态调整指令和期望位置信息。
(H)无人机编队成员通过无线通行模块接受姿态调整指令,并按照期望位置要求向期望位置航行。
(I)无人艇领航者和无人机领航者之间相互通信确定对方位置,并保持地面控制主机编队控制指令中的队形要求。
本发明第二方面提供了一种无人艇、无人机混合编队控制系统,包括无人艇、无人机混合编队,无线通讯模块,地面控制主机,所述无人艇、无人机混合编队通过无线通讯模块与地面控制主机通讯连接;所述无人艇、无人机混合编队包括多个无人艇和多个无人机,每个无人艇上设有无人艇控制器和与控制器相连接的无人艇环境感知模块、无人艇运动模块,所述无人艇环境感知模块用于获取无人艇的位姿数据信号及海上的风浪流状态数据;每个无人机上设有无人机控制器和与控制器相连接的无人机环境感知模块、无人机运动模块,所述无人机环境感知模块用于获取无人机的位姿数据以及当前环境的风速、风向、气压信号;所述地面控制主机用于规划无人艇、无人机混合编队中每个编队成员的期望航迹,并通过无线通讯模块将期望航迹发送至混合编队中每个编队成员的主控制器;所述无人艇控制器根据接收的期望航迹数据信号及无人艇环境感知模块获取的数据信号进行处理分析,做出无人艇航行控制决策,并将航行控制决策发送至无人艇运动模块,使无人艇按照期望航迹进;所述无人艇控制器中运行有上述第一方面所述的模糊逻辑逼近算法程序、滑模控制算法程序,无人艇控制器通过模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行;所述无人机控制器根据接收的期望航迹数据信号及无人机环境感知模块获取的数据信号进行处理分析,做出无人机航行控制决策,并将航行控制决策发送至无人机运动模块,使无人机按照期望航迹进;所述无人机控制器中运行有上述第一方面所述的反步滑模控制算法程序,无人机控制器通过反步滑模控制算法程序控制无人机跟踪期望航迹进行航行。
根据上述的无人艇、无人机混合编队控制系统,其特征在于,所述无人艇环境感知模块包括GPS、陀螺仪、风速风向仪、多普勒海流传感器、ka波段雷达、海事雷达和光学相机;所述无人机环境感知模块包括GPS、陀螺仪、加速度计、磁罗盘、光学相机、气压传感器和风速风向仪。
与现有技术相比,本发明取得的积极有益效果为:
(1)无人艇作为一种非线性、强耦合、欠驱动的被控对象,其动力学模型往往面临着参数不确定的问题,针对无人艇动力学模型中参数C(v)和D(v)不确定的问题,本发明采用模糊逻辑逼近算法近似估算无人艇动力学模型中的参数C(v)和D(v),解决了无人艇动力学模型参数不确定的问题,实现了无人艇动力学模型中C(v)和D(v)的控制为接下来的路径规划,轨迹跟踪和编队控制奠定基础。
(2)本发明将模糊逻辑逼近算法估算出的参数C(v)和D(v)输入滑模控制算法,滑模控制算法根据模糊逻辑逼近算法近似估算出的C(v)和D(v),计算出无人艇的前进速度τu和艏摇角τr,然后将前进速度τu和艏摇角τr分别转化为无人艇的油门、舵角控制参数,并将油门、舵角控制参数发送至无人艇动力装置,使无人艇按照规划的期望航迹路线进行航行;滑模控制算法对于外界环境干扰有很强的抑制作用,保证了无人艇编队按照期望轨迹进行航行,极大地提升了混合编队系统的鲁棒性。
(3)无人机编队跟踪轨迹的过程中会遇到来自外界环境(如强风)的干扰,为了保证无人机编队跟踪期望轨迹,本发明根据无人机的动力学模型,采用反步滑模控制算法计算无人机动力模型中的参数T,然后将参数T转化为无人机电机转矩控制参数,并将电机转矩控制参数发送至无人机动力装置,使无人机按照规划的期望航迹路线进行航行;反步滑模控制算法对外界环境(如强风)的干扰有很强的抑制作用,保证了无人机编队按照期望轨迹进行航行,极大地提升了混合编队系统的鲁棒性。
(4)本发明中在进行混合编队的任务区域分解时,使用基于高斯概率密度函数对任务区域进行量化,提取任务区域的主要信息,减少不必要的任务量。
(5)规划混合编队中每个编队成员的期望航迹路线阶段,本发明根据当前子任务区域的信息密度、混合编队中编队成员i完成当前子任务区域任务所需的时间Tc,k、编队成员i从当前子任务区域航行到达下一个子任务区域的时间TF,k来构造编队成员i对子任务区域k的任务期望收益函数根据编队成员i对子任务区域k的任务期望收益函数建立子任务区域的分配指标EA,并根据分配指标规划混合编队中每个编队成员的子任务区域,极大地提高了编队成员期望航迹路线规划的精确性和合理性,确保每个编队成员按照编队任务要求准确完成编队任务。
(6)相比于传统的无人机编队和无人艇编队,本发明无人机和无人艇的混合编队极大地提高了任务完成的效率。
附图说明
图1为无人艇无人机混合编队控制系统结构示意图。
具体实施方式
以下通过具体的实施例对本发明作进一步详细说明,但并不限制本发明的范围。
实施例1:
一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法,包括以下步骤:
(1)通过地面控制主机对无人艇、无人机混合编队的任务区域进行分解,将任务区域分解成多个子任务区域。
步骤(1)的具体操作为:
(1a)通过聚类算法对无人艇、无人机混合编队的任务区域进行划分,得到k个子任务区域;
(1b)针对每个子任务区域,采用高斯概率密度函数表示该聚类区域的信息密度Gk(m),则k个子任务区域的信息密度之和为p(m),Gk(m)、p(m)的计算公式如式(1)、(2)所示;
(1c)通过最大似然法对参数μk、Ck和αk进行估计,然后根据参数μk、Ck和αk的估计值可计算出每个子任务区域的信息密度Gk(m)和每个子任务区域的范围,每个子任务区域的范围为:以μk为中心,Ck的特征向量为坐标轴,长轴为短轴为构成的区域,其中为Ck的平方根。
(2)建立子任务区域的分配指标,根据子任务区域的分配指标规划混合编队中每个编队成员的期望航迹路线,然后将期望航迹路线发送给每个编队成员的控制器。
步骤(2)的具体操作为:
(2a)根据当前子任务区域的信息密度、混合编队中编队成员i完成当前子任务区域任务所需的时间Tc,k、编队成员i从当前子任务区域航行到达下一个子任务区域的时间TF,k来构造编队成员i对子任务区域k的任务期望收益函数其中,Tc,k、TF,k和的计算公式分别如式(3)、(4)和(5)所示;
V表示无人艇或无人机的航行速度,p0表示初始点位置,μk表示第K个子任务区域的中心,μk-1表示第K-1个子任务区域的中心;
其中,表示总任务期望收益,表示各个编队成员完成该子任务区域所需要的执行时间;EAi表示编队成员i的任务期望观测收益,Ti表示编队成员i的完成任务理想时间;NA表示混合编队中无人艇成员的数量,NS表示混合编队中无人机成员的数量;
(2c)对于选定的编队成员,首先将当前起始点到第一个子任务区域中心中的最短距离航迹、完成第一个子任务区域所需要的期望航迹、前往下一子任务区域的最短航迹三段航迹连接形成该编队成员的初始化期望航迹路线;
(2d)将选定的编队成员完成初始化期望航迹路线的时间与混合编队任务要求的总时间(即混合编队完成编队任务所需的总时间)进行比较,若选定的编队成员完成初始化期望航迹路线的时间小于任务要求的总时间,通过子任务区域分配指标EA为选定的编队成员选择任务期望收益最大的子任务区域,并将所述任务期望收益最大的子任务区域作为一个新的任务节点添加到所述选定的编队成员的初始化期望航迹路线中,完成初始化期望航迹路线的更新,得到更新后的期望航迹路线;
(2e)不断重复上述步骤(2d),对选定的编队成员的初始化期望航迹路线进行更新,直到规划的期望航行轨迹路线完全包括所有的任务个子区域并且各段航迹所需的观测时间小于任务要求的总时间,混合编队中每个编队成员的期望航迹路线规划完成;
(2f)将规划后期望航迹路线发送给每个编队成员的控制器。
(3)无人艇编队成员的控制器接收到期望航迹路线后,无人艇编队成员控制器采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹路线进行航行;无人机编队成员的控制器接收到期望航迹路线后,采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行。
其中,步骤(3)中采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行的具体操作为:
以无人艇在船体坐标系中的数学模型作为无人艇的动力学模型,采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(v)和D(v),然后将模糊逻辑逼近算法估算出的参数C(v)和D(v)输入滑模控制算法中,通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr,然后将前进速度τu和艏摇角τr分别转化为无人艇的油门、舵角控制参数,并将油门、舵角控制参数发送至无人艇运动模块(即无人艇动力装置),使无人艇按照规划的期望航迹路线进行航行。
所述无人艇的动力学模型如式(9)所示:
其中,表示无人艇在地面坐标系下的位置和姿态向量;表示地面坐标系下的速度和角速度向量向量;表示无人艇在船体坐标系下的速度向量;表示地面坐标系下的加速度和角加速度向量,M为惯性矩阵(包括附加质量);J(η)为转换矩阵;C(V)表示向心力和科氏力矩阵;包括附加质量所产生的向心力和科氏力;D(V)表示动力阻力和升力力矩;g(η)表示恢复力和力矩向量;表示作用在无人艇船体坐标系下的运动控制输入量。
采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(V)和D(V)的具体操作步骤为:
(3a-1)采用如式(10)所示的模糊逻辑规则构造模糊逻辑系统,模糊逻辑系统的输出如式(10)所示;
Then y is Bj,j=1,2,…N. (10)
则F(x)=θTE(x)
其中,θ=(θ1,θ2,…,θN)T;E(x)=(e1(x),e2(x),…,eN(x))T。
(3a-3)采用Gaussian型函数来表示模糊隶属度函数然后根据逼近定理利用步骤(3a-1)构建的模糊逻辑系统按式(12)近似逼近无人艇动力学模型中的C(v)和D(v),得到C(v)和D(v)的值;
其中,x为状态变量,即表示速度向量V;ε表示任意给定的正数;
通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr的具体过程为:
(3b-1)设计纵向滑模控制算法,设计一阶指数形式的纵向滑模面,其公式如式(13)所示:
(3b-2)对步骤(3b-1)所述的纵向滑模面进行求导,得到式(14),
(3b-3)根据式(14)计算纵向滑模器的控制律,得到纵向滑模控制器的控制律计算公式,纵向滑模控制器的控制律计算公式如式(15)所示,
其中,ζ1表示常数增益。
(3b-4)为了避免抖振问题,使用饱和函数sat(s1)代替式(15)纵向滑模控制器中的符号函数sgn(s1),得到纵向滑模控制器的控制律的最终表达式;其中,所述饱和函数sat(s1)的公式如式(16)所示,纵向滑模控制器的控制律的最终表达式如式(17)所示;根据纵向滑模控制器的控制律的最终表达式即可计算出纵向滑模控制器的控制律,即无人艇的前进速度τu;
(3b-5)设计横向滑模控制算法,设计一阶指数形式的横向滑模面,其公式如式(18)所示:
(3b-6)对步骤(3b-5)所述的横向滑模面求导,得到式(19);
其中,k1表示常数增益,k1>0;k2表示常数增益,k2>0;表示纵向误差求2阶导,即纵向加速度误差;表示纵向位置求三阶导数;表示横向位置误差求2阶导数,即基横向加速度误差;m33表示惯性矩阵M第三行第三列的元素。
(3b-7)根据式(19)计算横向滑模控制器的控制律,得到横向滑模控制器的控制律计算公式,横向滑模控制器的控制律计算公式如式(20)所示;根据横向滑模控制器的控制律的最终表达式即可计算出横向滑模控制器的控制律,即无人艇的艏摇角τr;
步骤(3)中采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行的具体操作为:
根据无人机的动力学模型,采用反步滑模控制算法计算无人机动力模型中的参数T,然后将参数T转化为无人机电机转矩控制参数,并将电机转矩控制参数发送至无人机运动模块(即无人机动力装置),使无人机按照规划的期望航迹路线进行航行;
所述无人机的动力学模型如式(21)所示:
采用反步滑模控制算法计算无人机动力模型中的参数T的操作为:
(3c-1)将无人机实际航迹路线与期望航迹路线之间的位置误差定义为e1,位置误差e1的计算公式如式(22)所示:
e1=ξd-ξ+K2∫(ξd-ξ)dt (22)
其中,ξd表示期望位置轨迹;ξ表示实际位置轨迹;K2表示常数增益,K2>0。
(3c-2)采用反步法设计虚拟控制律,通过虚拟控制律来控制无人机的实际位置,其中,虚拟控制律的计算公式如式(23)所示;
A表示正定对角矩阵;α1表示虚拟控制律。
(3c-3)由于无人机的速度不可控,采用滑模控制算法定义滑模面,通过滑模面使虚拟控制律收敛,虚拟控制律收敛时对应的滑模控制律即为参数T;其中所述滑模面的计算公式如式(24)所示;所述滑模控制律的计算公式如式(24)所示;
Q2为增益常数,Q2>0;ε1为增益常数,ε>0。
实施例2:
一种无人艇、无人机混合编队控制系统,如图1所示,包括无人艇、无人机混合编队,无线通讯模块,地面控制主机,所述无人艇、无人机混合编队通过无线通讯模块与地面控制主机通讯连接;所述无人艇、无人机混合编队包括多个无人艇和多个无人机,每个无人艇上设有无人艇控制器和与控制器相连接的无人艇环境感知模块、无人艇运动模块,所述无人艇环境感知模块用于获取无人艇的位姿数据信号及海上的风浪流状态数据;每个无人机上设有无人机控制器和与控制器相连接的无人机环境感知模块、无人机运动模块,所述无人机环境感知模块用于获取无人机的位姿数据以及当前环境的风速、风向、气压信号;所述地面控制主机用于规划无人艇、无人机混合编队中每个编队成员的期望航迹,并通过无线通讯模块将期望航迹发送至混合编队中每个编队成员的主控制器;所述无人艇环境感知模块包括GPS、陀螺仪、风速风向仪、多普勒海流传感器、ka波段雷达、海事雷达和光学相机;所述无人机环境感知模块包括GPS、陀螺仪、加速度计、磁罗盘、光学相机、气压传感器和风速风向仪。
无人艇控制器根据接收的期望航迹数据信号及无人艇环境感知模块获取的数据信号进行处理分析,做出无人艇航行控制决策,并将航行控制决策发送至无人艇运动模块,使无人艇按照期望航迹进。无人艇控制器中运行有上述实施例1所述的模糊逻辑逼近算法程序和滑模控制算法程序,无人艇控制器通过模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行;其中无人艇控制器通过模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行的具体操作与实施例1相同,在此不再赘述。
无人机控制器根据接收的期望航迹数据信号及无人机环境感知模块获取的数据信号进行处理分析,做出无人机航行控制决策,并将航行控制决策发送至无人机运动模块,使无人机按照期望航迹进;所述无人机控制器中运行有上述实施例1所述的反步滑模控制算法程序,无人机控制器通过反步滑模控制算法程序控制无人机跟踪期望航迹进行航行。其中无人机控制器通过反步滑模控制算法程序控制无人机跟踪期望航迹进行航行的具体操作与实施例1相同,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,但不仅限于上述实例,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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法,其特征在于,包括以下步骤:
(1)对无人艇、无人机混合编队的任务区域进行分解,将任务区域分解成多个子任务区域;
(2)建立子任务区域的分配指标,根据子任务区域的分配指标规划混合编队中每个编队成员的期望航迹路线,并将期望航迹路线发送给每个编队成员的控制器;
(3)无人艇编队成员的控制器接收到期望航迹路线后,采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹路线进行航行;无人机编队成员的控制器接收到期望航迹路线后,采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行;
步骤(3)中采用模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行的具体操作为:
以无人艇在船体坐标系中的数学模型作为无人艇的动力学模型,采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(v)和D(v),然后将模糊逻辑逼近算法估算出的参数C(v)和D(v)输入滑模控制算法中,通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr,然后将前进速度τu和艏摇角τr分别转化为无人艇的油门、舵角控制参数,并将油门、舵角控制参数发送至无人艇运动模块,使无人艇按照规划的期望航迹路线进行航行;
所述无人艇的动力学模型如式(9)所示:
其中,表示无人艇在地面坐标系下的位置和姿态向量;表示地面坐标系下的速度和角速度向量;表示无人艇在船体坐标系下的速度向量;表示地面坐标系下的加速度和角加速度向量,M为惯性矩阵;J(η)为转换矩阵;C(V)表示向心力和科氏力矩阵;包括附加质量所产生的向心力和科氏力;D(V)表示动力阻力和升力力矩;g(η)表示恢复力和力矩向量;表示作用在无人艇船体坐标系下的运动控制输入量;
采用模糊逻辑逼近算法估算无人艇动力学模型中的参数C(V)和D(V)的具体操作为:
(3a-1)采用如式(10)所示的模糊逻辑规则构造模糊逻辑系统,模糊逻辑系统的输出如式(11)所示;
Then y is Bj,j=1,2,…N. (10)
则F(x)=θTE(x)
其中,θ=(θ1,θ2,…,θN)T;E(x)=(e1(x),e2(x),…,eN(x))T;
(3a-3)采用Gaussian型函数来表示模糊隶属度函数然后根据逼近定理利用步骤(3a-1)构建的模糊逻辑系统按式(12)近似逼近无人艇动力学模型中的C(v)和D(v),得到C(v)和D(v)的值;
其中,x为状态变量,即表示速度向量V;ε表示任意给定的正数;
步骤(3)中采用反步滑模控制算法控制无人机跟踪期望航迹路线进行航行的具体操作为:
根据无人机的动力学模型,采用反步滑模控制算法计算无人机动力模型中的参数T,然后将参数T转化为无人机电机转矩控制参数,并将电机转矩控制参数发送至无人机运动模块,使无人机按照规划的期望航迹路线进行航行;
所述无人机的动力学模型如式(21)所示:
采用反步滑模控制算法计算无人机动力模型中的参数T的操作为:
(3c-1)将无人机实际航迹路线与期望航迹路线之间的位置误差定义为e1,位置误差e1的计算公式如式(22)所示:
e1=ξd-ξ+K2∫(ξd-ξ)dt (22)
其中,ξd表示期望位置轨迹;ξ表示实际位置轨迹;K2表示常数增益,K2>0;
(3c-2)采用反步法设计虚拟控制律,通过虚拟控制律来控制无人机的实际位置,其中,虚拟控制律的计算公式如式(23)所示;
A表示正定对角矩阵;α1表示虚拟控制律;
(3c-3)由于无人机的速度不可控,采用滑模控制算法定义滑模面,通过滑模面使虚拟控制律收敛,虚拟控制律收敛时对应的滑模控制律即为参数T;其中所述滑模面的计算公式如式(24)所示;所述滑模控制律的计算公式如式(25)所示;
Q2为增益常数,Q2>0;ε1为增益常数,ε>0。
2.根据权利要求1所述的方法,其特征在于,步骤(1)的具体操作为:
(1a)通过聚类算法对无人艇、无人机混合编队的任务区域进行划分,得到k个子任务区域;
(1b)针对每个子任务区域,采用高斯概率密度函数表示该聚类区域的信息密度Gk(m),则k个子任务区域的信息密度之和为p(m),Gk(m)、p(m)的计算公式如式(1)、(2)所示;
3.根据权利要求2所述的方法,其特征在于,步骤(2)的具体操作为:
(2a)根据当前子任务区域的信息密度、混合编队中编队成员i完成当前子任务区域任务所需的时间Tc,k、编队成员i从当前子任务区域航行到达下一个子任务区域的时间TF,k来构造编队成员i对子任务区域k的任务期望收益函数其中,Tc,k、TF,k和的计算公式分别如式(3)、(4)和(5)所示;
V表示无人艇或无人机的航行速度,p0表示初始点位置,μk表示第K个子任务区域的中心,μk-1表示第K-1个子任务区域的中心;
其中,表示总任务期望收益,表示各个编队成员完成该子任务区域所需要的执行时间;EAi表示编队成员i的任务期望观测收益,Ti表示编队成员i的完成任务理想时间;NA表示混合编队中无人艇成员的数量,NS表示混合编队中无人机成员的数量;
(2c)对于选定的编队成员,首先将当前起始点到第一个子任务区域中心中的最短距离航迹、完成第一个子任务区域所需要的期望航迹、前往下一子任务区域的最短航迹三段航迹连接形成该编队成员的初始化期望航迹路线;
(2d)将选定的编队成员完成初始化期望航迹路线的时间与混合编队任务要求的总时间进行比较,若选定的编队成员完成初始化期望航迹路线的时间小于任务要求的总时间,通过子任务区域分配指标EA为选定的编队成员选择任务期望收益最大的子任务区域,并将所述任务期望收益最大的子任务区域作为一个新的任务节点添加到所述选定的编队成员的初始化期望航迹路线中,完成初始化期望航迹路线的更新,得到更新后的期望航迹路线;
(2e)不断重复上述步骤(2d),对选定的编队成员的初始化期望航迹路线进行更新,直到规划的期望航行轨迹路线完全包括所有的任务个子区域并且各段航迹所需的观测时间小于任务要求的总时间,混合编队中每个编队成员的期望航迹路线规划完成;
(2f)将规划后期望航迹路线发送给每个编队成员的控制器。
4.根据权利要求1所述的方法,其特征在于,通过滑模控制算法计算出无人艇的前进速度τu和艏摇角τr的具体过程为:
(3b-1)设计纵向滑模控制算法,设计一阶指数形式的纵向滑模面,其公式如式(13)所示:
(3b-2)对步骤(3b-1)所述的纵向滑模面进行求导,得到式(14),
(3b-3)根据式(14)计算纵向滑模器的控制律,得到纵向滑模控制器的控制律计算公式,纵向滑模控制器的控制律计算公式如式(15)所示,
其中,ζ1表示常数增益;
(3b-4)为了避免抖振问题,使用饱和函数sat(s1)代替式(15)纵向滑模控制器中的符号函数sgn(s1),得到纵向滑模控制器的控制律的最终表达式;其中,所述饱和函数sat(s1)的公式如式(16)所示,纵向滑模控制器的控制律的最终表达式如式(17)所示;根据纵向滑模控制器的控制律的最终表达式即可计算出纵向滑模控制器的控制律,即无人艇的前进速度τu;
(3b-5)设计横向滑模控制算法,设计一阶指数形式的横向滑模面,其公式如式(18)所示:
(3b-6)对步骤(3b-5)所述的横向滑模面求导,得到式(19);
其中,k1表示常数增益,k1>0;k2表示常数增益,k2>0;表示纵向误差求2阶导,即纵向加速度误差;表示纵向位置求三阶导数;表示横向位置误差求2阶导数,即基横向加速度误差;m33表示惯性矩阵M第三行第三列的元素;
(3b-7)根据式(19)计算横向滑模控制器的控制律,得到横向滑模控制器的控制律计算公式,横向滑模控制器的控制律计算公式如式(20)所示;根据横向滑模控制器的控制律的最终表达式即可计算出横向滑模控制器的控制律,即无人艇的艏摇角τr;
5.一种无人艇、无人机混合编队控制系统,其特征在于,包括无人艇、无人机混合编队,无线通讯模块,地面控制主机,所述无人艇、无人机混合编队通过无线通讯模块与地面控制主机通讯连接;所述无人艇、无人机混合编队包括多个无人艇和多个无人机,每个无人艇上设有无人艇控制器和与控制器相连接的无人艇环境感知模块、无人艇运动模块,所述无人艇环境感知模块用于获取无人艇的位姿数据信号及海上的风浪流状态数据;每个无人机上设有无人机控制器和与控制器相连接的无人机环境感知模块、无人机运动模块,所述无人机环境感知模块用于获取无人机的位姿数据以及当前环境的风速、风向、气压信号;所述地面控制主机用于规划无人艇、无人机混合编队中每个编队成员的期望航迹,并通过无线通讯模块将期望航迹发送至混合编队中每个编队成员的主控制器;所述无人艇控制器根据接收的期望航迹数据信号及无人艇环境感知模块获取的数据信号进行处理分析,做出无人艇航行控制决策,并将航行控制决策发送至无人艇运动模块,使无人艇按照期望航迹进;所述无人艇控制器中运行有权利要求1~4任一所述的模糊逻辑逼近算法程序、滑模控制算法程序,无人艇控制器通过模糊逻辑逼近算法和滑模控制算法控制无人艇跟踪期望航迹进行航行;所述无人机控制器根据接收的期望航迹数据信号及无人机环境感知模块获取的数据信号进行处理分析,做出无人机航行控制决策,并将航行控制决策发送至无人机运动模块,使无人机按照期望航迹进;所述无人机控制器中运行有权利要求1~4任一所述的反步滑模控制算法程序,无人机控制器通过反步滑模控制算法程序控制无人机跟踪期望航迹进行航行。
6.根据权利要求5所述的无人艇、无人机混合编队控制系统,其特征在于,所述无人艇环境感知模块包括GPS、陀螺仪、风速风向仪、多普勒海流传感器、ka波段雷达、海事雷达和光学相机;所述无人机环境感知模块包括GPS、陀螺仪、加速度计、磁罗盘、光学相机、气压传感器和风速风向仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989068.2A CN112130566B (zh) | 2020-09-18 | 2020-09-18 | 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989068.2A CN112130566B (zh) | 2020-09-18 | 2020-09-18 | 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130566A CN112130566A (zh) | 2020-12-25 |
CN112130566B true CN112130566B (zh) | 2022-03-25 |
Family
ID=73841502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010989068.2A Active CN112130566B (zh) | 2020-09-18 | 2020-09-18 | 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130566B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558642B (zh) * | 2020-12-30 | 2022-09-13 | 上海大学 | 一种适用于异构多无人系统的海空联合围捕方法 |
CN112612212B (zh) * | 2020-12-30 | 2021-11-23 | 上海大学 | 一种异构多无人系统编队与协同目标驱离方法 |
CN112527019B (zh) * | 2020-12-31 | 2022-01-28 | 上海大学 | 适用于恶劣海况的异构无人系统协同编队控制系统及方法 |
CN113009930B (zh) * | 2021-03-05 | 2022-02-11 | 北京航空航天大学 | 一种无人飞艇编队飞行轨迹跟踪控制方法及系统 |
CN113093804B (zh) * | 2021-04-06 | 2022-07-12 | 上海海事大学 | 基于反演滑模控制的无人艇编队控制方法和控制系统 |
CN113467253B (zh) * | 2021-08-11 | 2024-02-02 | 浙江大学 | 一种基于滑模控制和控制分配的无人艇航迹跟踪控制方法 |
CN114047744B (zh) * | 2021-09-08 | 2023-06-13 | 哈尔滨工程大学 | 基于采样通信的自适应反步滑模多无人艇编队控制方法 |
CN115002718B (zh) * | 2022-05-19 | 2024-04-23 | 中国人民解放军海军航空大学 | 一种用于无人艇军事应用的联合运用调度方法 |
CN115328126B (zh) * | 2022-08-08 | 2023-11-24 | 大连海事大学 | 一种无人船自适应滑模轨迹跟踪控制方法及其控制系统 |
CN116107339B (zh) * | 2022-12-14 | 2023-09-08 | 南京航空航天大学 | 一种推力损失故障下的蜂群无人机容错协同控制方法 |
CN117055578A (zh) * | 2023-09-21 | 2023-11-14 | 大连海事大学 | 低设计复杂需求的usv-uav协同路径跟踪控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880060A (zh) * | 2012-10-25 | 2013-01-16 | 北京理工大学 | 再入飞行器自适应指数时变滑模姿态控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676641B (zh) * | 2016-01-25 | 2018-10-16 | 南京航空航天大学 | 基于反步和滑模控制的非线性鲁棒控制器的设计方法 |
CN107577145B (zh) * | 2017-08-25 | 2020-06-09 | 湘潭大学 | 编队飞行航天器反步滑模控制方法 |
CN108121354A (zh) * | 2017-12-19 | 2018-06-05 | 天津理工大学 | 基于指令滤波反步法的四旋翼无人机稳定跟踪控制方法 |
US11476714B2 (en) * | 2018-05-07 | 2022-10-18 | Searete Llc | Wireless power transfer along a prescribed path |
CN109189071B (zh) * | 2018-09-25 | 2021-03-26 | 大连海事大学 | 基于模糊观测器的鲁棒自适应无人船路径跟踪控制方法 |
CN110456787A (zh) * | 2019-07-22 | 2019-11-15 | 中国人民解放军总参谋部第六十研究所 | 基于实时虚拟路径的编队控制方法 |
CN111459191A (zh) * | 2020-03-16 | 2020-07-28 | 天津大学 | 适用于无人艇-无人机联合的海上搜救方法 |
CN111538950B (zh) * | 2020-04-17 | 2020-11-06 | 中国人民解放军91550部队 | 一种多无人平台干扰资源分配方法 |
-
2020
- 2020-09-18 CN CN202010989068.2A patent/CN112130566B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880060A (zh) * | 2012-10-25 | 2013-01-16 | 北京理工大学 | 再入飞行器自适应指数时变滑模姿态控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112130566A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112130566B (zh) | 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 | |
CN110262492B (zh) | 一种无人艇的实时避碰和目标跟踪方法 | |
CN107168312B (zh) | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 | |
Sun et al. | Mapless motion planning system for an autonomous underwater vehicle using policy gradient-based deep reinforcement learning | |
CN112241176A (zh) | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 | |
CN108829099A (zh) | 一种基于受限反步法控制的欠驱动无人船轨迹跟踪方法 | |
CN109583144B (zh) | 一种无人海洋航行器的动力学优化控制器结构及设计方法 | |
CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
CN113419428B (zh) | 基于3d映射制导的机/船协同路径跟踪控制器设计方法 | |
CN112925319B (zh) | 一种基于深度强化学习的水下自主航行器动态避障方法 | |
CN105425812B (zh) | 一种基于双模型下的无人机自动着舰轨迹控制方法 | |
CN108663939A (zh) | 考虑通讯丢包的uuv集群水平面路径跟踪控制方法 | |
CN109358646B (zh) | 带有乘性噪声的导弹自主编队队形随机控制系统建模方法 | |
CN112327835A (zh) | 一种无人艇滑模编队控制系统及其方法 | |
CN111813133B (zh) | 一种基于相对精密单点定位的无人机舰船自主着陆方法 | |
CN111240345A (zh) | 一种基于双bp网络增强学习框架的水下机器人轨迹跟踪方法 | |
CN115903865A (zh) | 一种飞行器近距空战机动决策实现方法 | |
CN111857165A (zh) | 一种水下航行器的轨迹跟踪控制方法 | |
CN114564015B (zh) | 一种拒止环境下的欠驱动无人艇分布式编队控制方法 | |
CN112947572A (zh) | 一种基于地形跟随的四旋翼飞行器自适应运动规划方法 | |
CN108363400B (zh) | 一种基于虚拟锚泊的欠驱动auv三维控制区域镇定控制方法 | |
CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及系统 | |
CN113741433A (zh) | 一种水面无人船的分布式编队方法 | |
CN117389312A (zh) | 一种基于模型的水下航行器抗衡滚三维跟踪控制方法 | |
CN108829132A (zh) | 一种考虑大时滞的多uuv空间机动控制方法 |
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 |