CN112346454B - 基于神经网络的无人船控制方法及其系统 - Google Patents

基于神经网络的无人船控制方法及其系统 Download PDF

Info

Publication number
CN112346454B
CN112346454B CN202011168949.4A CN202011168949A CN112346454B CN 112346454 B CN112346454 B CN 112346454B CN 202011168949 A CN202011168949 A CN 202011168949A CN 112346454 B CN112346454 B CN 112346454B
Authority
CN
China
Prior art keywords
unmanned ship
neural network
inertial navigation
network model
motor
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
Application number
CN202011168949.4A
Other languages
English (en)
Other versions
CN112346454A (zh
Inventor
张云璞
刘玉超
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.)
Bocom Smart Information Technology Co ltd
Original Assignee
Bocom Smart Information Technology Co ltd
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 Bocom Smart Information Technology Co ltd filed Critical Bocom Smart Information Technology Co ltd
Priority to CN202011168949.4A priority Critical patent/CN112346454B/zh
Publication of CN112346454A publication Critical patent/CN112346454A/zh
Application granted granted Critical
Publication of CN112346454B publication Critical patent/CN112346454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

本发明提供一种基于神经网络的无人船控制方法及其系统，将姿态信息(ωy,ax,az,vx,vz,δ,γ)以及无人船的左右电机实际功率数据作为训练样本对神经网络模型进行预训练，上述姿态信息(ωy,ax,az,vx,vz,δ,γ)可以反映水流、风速和惯性的影响，故神经网络模型对水流、风速、惯性的泛化能力强，通过该神经网络模型的输出可以对无人船进行精确控制，无需采用动力学模型和PID控制算法，经过测试，本发明在直线行驶和90度以内转弯时都能达到较好的跟踪轨迹。

Description

基于神经网络的无人船控制方法及其系统
技术领域
本发明属于无人船控制技术领域，尤其涉及一种基于神经网络的无人船控制方法及其系统。
背景技术
在智能机器人蓬勃发展的今天，无人车和无人机大量的出现在人们视野中，无人船作为智能机器人中的一个分支，亦发挥着巨大的作用。在军事领域，无人船以体积小、成本低、机动性好、隐蔽性强的特点，常用于侦查、搜索、排雷等高危险军事任务；在民用领域，无人船常用于垃圾清理、河道水底测绘、水质检测等场景，我国内陆水域总面积为17.47万公顷，水资源丰富，水域勘探、测绘以及清理工作量大，人工方式无法满足需求。无人船以其体积小、成本低、机动性好、可搭载不同传感器等优点，比人工方式具有不可比拟的优势，在各个领域都有着广阔的应用前景。
无人船由于航行过程中受各种干扰因素的影响，不可避免地会偏离预定航线(轨迹)，为了使无人船保持在预定的航向上航行，必须根据船舶偏离航向的情况适时改变舵角，修正船舶航行方向。
目前国内外对于船舶偏航控制的策略是建立船舶动力学模型，并采用实验方法获取船舶回转及偏航特性参数，采用PID控制算法或者模糊控制算法对船舶进行控制。但是该方法存在着如下问题：(1)船体受水流、风速、惯性等多种因素影响，难以建立精确的动力学模型；(2)PID控制算法在直线行驶过程中效果尚可，在转弯过程中不理想。
发明内容
基于此，针对上述技术问题，提供一种基于神经网络的无人船控制方法及其系统。
为解决上述技术问题，本发明采用如下技术方案：
一方面，提供一种基于神经网络的无人船控制方法，包括：
在遥控驾驶过程中，获取无人船的姿态信息(ωy,ax,az,vx,vz,δ,γ)，并输入预训练的神经网络模型，得到所述无人船的左右电机预测功率数据；
通过所述左右电机预测功率数据，控制所述无人船的左右电机；
其中，ωy为惯导y角速率，ax为惯导x加速度，az为惯导z加速度，vx和vz为无人船在随体坐标系的速度，δ为航向距离偏差，γ为航向角度偏差；所述神经网络模型通过训练样本进行训练，使损失函数最优，所述训练样本为姿态信息(ωy,ax,az,vx,vz,δ,γ)以及无人船的左右电机实际功率数据，所述损失函数采用均方误差MSE函数：
为左电机或者右电机的预测功率数据，yi为左电机或者右电机的实际功率数据，batch为训练样本数量。
另一方面，提供一种基于神经网络的无人船控制系统，包括存储模块，所述存储模块包括由处理器加载并执行的指令，所述指令在被执行时使所述处理器执行上述一种基于神经网络的无人船控制方法。
本发明将姿态信息(ωy,ax,az,vx,vz,δ,γ)以及无人船的左右电机实际功率数据作为训练样本对神经网络模型进行预训练，上述姿态信息(ωy,ax,az,vx,vz,δ,γ)可以反映水流、风速和惯性的影响，故神经网络模型对水流、风速、惯性的泛化能力强，通过该神经网络模型的输出可以对无人船进行精确控制，无需采用动力学模型和PID控制算法，经过测试，本发明在直线行驶和90度以内转弯时都能达到较好的跟踪轨迹。
附图说明
下面结合附图和具体实施方式本发明进行详细说明：
图1为本发明的流程图。
具体实施方式
如图1所示，本说明书实施例提供一种基于神经网络的无人船控制方法，包括：
S101、在遥控驾驶无人船过程中，获取无人船的姿态信息(ωy,ax,az,vx,vz,δ,γ)，并输入预训练的神经网络模型，得到无人船的左右电机预测功率数据。
S102、根据左右电机预测功率数据，通过RS485串口控制无人船的左右电机。
其中，ωy为惯导y角速率，ax为惯导x加速度，az为惯导z加速度，vx和vz为无人船在随体坐标系的速度，δ为航向距离偏差，γ为航向角度偏差。
上述神经网络模型通过训练样本进行训练，使损失函数最优，一个训练样本包含姿态信息(ωy,ax,az,vx,vz,δ,γ)以及无人船的左右电机实际功率数据，损失函数采用均方误差MSE函数：
为左电机或者右电机的预测功率数据，yi为左电机或者右电机的实际功率数据，batch为训练样本数量，损失函数最优即为均方误差MSE函数的误差最小。
神经网络模型训练时，采用常用训练算法：反向传播+梯度下降算法。
在本实施例中，神经网络模型采用多层结构，以四层神经网络模型为例，其具有一个输入层、2个隐藏层以及一个输出层，输入层的节点数为7，2个隐藏层的节点数均为5，输出层的节点数为2。
神经网络模型的激活函数优选为tanh函数，当然也可以采用Relu函数或者Sigmod函数。
本发明充分考虑到水流、风速和惯性的影响，这些影响均体现在上述姿态信息中，因此，获得的神经网络模型对水流、风速、惯性的泛化能力强。
在本实施例中，姿态信息(ωy,ax,az,vx,vz,δ,γ)通过如下方式获取：
一、建立以无人船预定轨迹的第一个点为原点的东北天坐标系：
其中，为转换矩阵，/>为地球卯酉圈曲率半径，(L,B,H)为GPS经纬高，A为地球长半轴，e为地球第一偏心率，(L0,B0,H0)为原点的经纬高，N0为原点所在的地球卯酉圈曲率半径。
二、从无人船惯导系统读取惯导数据：ωy、ax、az、惯导北速vn、惯导东速ve、惯导航向角θ、GPS经度L、GPS维度B以及GPS高度H。
三、通过公式(2)将速度转换为随体坐标系速度：
四、通过公式(1)求解无人船在东北天坐标系下的坐标(er,nr,sr)。
五、根据欧拉距离求解离无人船当前位置最近的两个点的坐标(ek,nk,sk)以及(ek+1,nk+1,sk+1)，k+1为无人船的预瞄点，需要说明的是，轨迹采集时通常3-5米采集一个点，k点为离船最近的一个点，但是k点有可能出现在船运行的反方向上，如果将k点当做预瞄点，会出现船反向的情况，为避免这种情况，求出k点后直接忽略k点，将k+1点当做预瞄点。
六、忽略高度的影响，通过公式(3)以及公式(4)分别求解航向距离偏差δ以及航向角度偏差γ：
γ＝Vr×Vi (4)，
其中，为直线方程的斜率，/>为直线方程的截距，Vr＝(-sinθ,cosθ)为航向向量在东北天坐标系下的投影，
为船到预瞄点单位向量在东北天坐标系下的投影，船到预瞄点单位向量记为理想航向向量，这里采用航向向量与理想航向向量的差乘作为航向角度偏差。
在本实施例中，左右电机预测功率数据以及左右电机实际功率数据均通过电机功率与电机额定功率的占比来表示，即(Pl/P,Pr/P)，(Pl,Pr)为左右电机功率，P为设定的电机额定功率，电机推动螺旋桨有正转和反转，反转功率记为负数。
无人船的左右电机实际功率可以通过RS485串口从无人船读取。
基于同一发明构思，本说明书实施例还提供一种基于神经网络的无人船控制系统，包括存储模块，存储模块包括由处理器加载并执行的指令(程序代码),指令在被执行时使处理器执行本说明书上述基于神经网络的无人船控制方法部分中描述的根据本发明各种示例性实施方式的步骤。
其中，存储模块可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (5)

1.一种基于神经网络的无人船控制方法，其特征在于，包括：
在遥控驾驶过程中，获取无人船的姿态信息(ωy,ax,az,vx,vz,δ,γ)，并输入预训练的神经网络模型，得到所述无人船的左右电机预测功率数据；
通过所述左右电机预测功率数据，控制所述无人船的左右电机；
其中，ωy为惯导y角速率，ax为惯导x加速度，az为惯导z加速度，vx和vz为无人船在随体坐标系的速度，δ为航向距离偏差，γ为航向角度偏差；所述神经网络模型通过训练样本进行训练，使损失函数最优，所述训练样本为姿态信息(ωy,ax,az,vx,vz,δ,γ)以及无人船的左右电机实际功率数据，所述损失函数采用均方误差MSE函数：
为左电机或者右电机的预测功率数据，yi为左电机或者右电机的实际功率数据，batch为训练样本数量，i为训练样本的序号，j为左电机和右电机的序号；
所述姿态信息(ωy,ax,az,vx,vz,δ,γ)通过如下方式获取：
建立以无人船预定轨迹的第一个点为原点的东北天坐标系：
其中，为转换矩阵，/>为地球卯酉圈曲率半径，(L,B,H)为GPS经纬高，A为地球长半轴，e为地球第一偏心率，(L0,B0,H0)为原点的经纬高，N0为原点所在的地球卯酉圈曲率半径；
从所述无人船惯导系统读取惯导数据：ωy、ax、az、惯导北速vn、惯导东速ve、惯导航向角θ、GPS经度L、GPS维度B以及GPS高度H；
通过公式(2)将速度转换为随体坐标系速度：
通过公式(1)求解所述无人船在东北天坐标系下的坐标(er,nr,sr)；
根据欧拉距离求解离所述无人船当前位置最近的两个点的坐标(ek,nk,sk)以及(ek+1,nk+1,sk+1)，k+1为所述无人船的预瞄点；
通过公式(3)以及公式(4)分别求解航向距离偏差δ以及航向角度偏差γ：
γ＝Vr×Vi (4)，
其中，为直线方程的斜率，/>为直线方程的截距，Vr＝(-sinθ,cosθ)为航向向量在东北天坐标系下的投影，
为船到预瞄点单位向量在东北天坐标系下的投影。
2.根据权利要求1所述的一种基于神经网络的无人船控制方法，其特征在于，所述神经网络模型采用四层神经网络模型，其具有一个输入层、2个隐藏层以及一个输出层，所述输入层的节点数为7，所述2个隐藏层的节点数均为5，所述输出层的节点数为2。
3.根据权利要求2所述的一种基于神经网络的无人船控制方法，其特征在于，所述神经网络模型的激活函数采用tanh函数。
4.根据权利要求3所述的一种基于神经网络的无人船控制方法，其特征在于，通过反向传播+梯度下降算法对所述神经网络模型进行预训练。
5.一种基于神经网络的无人船控制系统，其特征在于，包括存储模块，所述存储模块包括由处理器加载并执行的指令,所述指令在被执行时使所述处理器执行根据权利要求1-4任一项所述的一种基于神经网络的无人船控制方法。
CN202011168949.4A 2020-10-28 2020-10-28 基于神经网络的无人船控制方法及其系统 Active CN112346454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011168949.4A CN112346454B (zh) 2020-10-28 2020-10-28 基于神经网络的无人船控制方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011168949.4A CN112346454B (zh) 2020-10-28 2020-10-28 基于神经网络的无人船控制方法及其系统

Publications (2)

Publication Number Publication Date
CN112346454A CN112346454A (zh) 2021-02-09
CN112346454B true CN112346454B (zh) 2023-08-18

Family

ID=74358836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011168949.4A Active CN112346454B (zh) 2020-10-28 2020-10-28 基于神经网络的无人船控制方法及其系统

Country Status (1)

Country Link
CN (1) CN112346454B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114577204B (zh) * 2022-02-09 2024-01-02 中科禾华(扬州)光电科技有限公司 基于神经网络的捷联惯导系统抗干扰自对准方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016198009A1 (zh) * 2015-11-18 2016-12-15 中兴通讯股份有限公司 一种检测航向的方法和装置
CN108829099A (zh) * 2018-06-01 2018-11-16 北京航空航天大学 一种基于受限反步法控制的欠驱动无人船轨迹跟踪方法
CN109240292A (zh) * 2018-09-10 2019-01-18 广州大学 一种基于bp神经网络的自平衡小车及其姿态控制方法
CN111024091A (zh) * 2019-12-31 2020-04-17 北京智新翼行科技有限公司 视觉辅助微型无人机室内飞行三维姿态算法
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
CN111679585A (zh) * 2020-07-03 2020-09-18 大连海事大学 一种具有输入饱和受限的无人船强化学习自适应跟踪控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016198009A1 (zh) * 2015-11-18 2016-12-15 中兴通讯股份有限公司 一种检测航向的方法和装置
CN108829099A (zh) * 2018-06-01 2018-11-16 北京航空航天大学 一种基于受限反步法控制的欠驱动无人船轨迹跟踪方法
CN109240292A (zh) * 2018-09-10 2019-01-18 广州大学 一种基于bp神经网络的自平衡小车及其姿态控制方法
CN111024091A (zh) * 2019-12-31 2020-04-17 北京智新翼行科技有限公司 视觉辅助微型无人机室内飞行三维姿态算法
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
CN111679585A (zh) * 2020-07-03 2020-09-18 大连海事大学 一种具有输入饱和受限的无人船强化学习自适应跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
神经网络自抗扰全垫升气垫船航迹控制;刘振业 等;哈尔滨工程大学学报;第33卷(第3期);全文 *

Also Published As

Publication number Publication date
CN112346454A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
Song et al. Smoothed A* algorithm for practical unmanned surface vehicle path planning
CN108008628A (zh) 一种不确定欠驱动无人艇系统的预设性能控制方法
Skulstad et al. Dead reckoning of dynamically positioned ships: Using an efficient recurrent neural network
CN106094606A (zh) 一种水面无人艇导航与控制遥操作平台
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
CN109946976B (zh) 一种宽航速auv运动控制方法
Sans-Muntadas et al. Learning an AUV docking maneuver with a convolutional neural network
CN114879671A (zh) 一种基于强化学习mpc的无人艇轨迹跟踪控制方法
CN112346454B (zh) 基于神经网络的无人船控制方法及其系统
von Ellenrieder Control of marine vehicles
CN114088094A (zh) 一种无人艇的智能航路规划方法及系统
Paez et al. Implementation of an unmanned surface vehicle for environmental monitoring applications
Ferrari et al. Initial experimental tests of a research-oriented self-running ship model
Liu et al. DVL dead-reckoning navigation method based on beam measurements
Moulton et al. Dynamic autonomous surface vehicle controls under changing environmental forces
CN109813307A (zh) 一种无人船多传感器数据融合的导航系统及其设计方法
Bibuli et al. Adaptive steering control for an azimuth thrusters-based autonomous vessel
CN110928278A (zh) 一种用于无人艇的自主安全航行方法和无人艇
Wang et al. Implementation of an integrated navigation, guidance and control system for an unmanned surface vehicle
Kang et al. Autonomous sailboat local route planning
Liu et al. Motion control of an one-meter class autonomous sailboat
Moulton et al. Dynamic autonomous surface vehicle controls under changing environmental forces
Storbacka Development of autonomous navigation systems for maritime applications
RU2794003C1 (ru) Устройство и способ для уточнения траектории движения летательного аппарата
CN102495825B (zh) 基于角速度的飞行器极限飞行时四元数超线性输出方法

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