CN112527019B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112527019B CN112527019B CN202011617799.0A CN202011617799A CN112527019B CN 112527019 B CN112527019 B CN 112527019B CN 202011617799 A CN202011617799 A CN 202011617799A CN 112527019 B CN112527019 B CN 112527019B
- Authority
- CN
- China
- Prior art keywords
- information
- unmanned
- boat
- path
- aerial vehicle
- 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 59
- 238000000034 method Methods 0.000 title claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 125
- 238000005457 optimization Methods 0.000 claims description 118
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 description 27
- 230000010355 oscillation Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000034819 Mobility Limitation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008844 regulatory mechanism 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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
本发明属于无人系统协同编队技术领域,公开了一种适用于恶劣海况的异构无人系统协同编队控制系统,包括岸基系统、无人机系统和无人艇系统;岸基系统用于规划初始路径;无人机系统用于根据初始路径实时更新无人无人机二次优化路径,无人机系统实时调节无人机模型,使无人机尽可能按照无人无人机二次优化路径飞行并保持稳定;无人艇系统用于根据初始路径实时更新无人无人艇二次优化路径,无人艇系统实时调节无人艇模型,使无人艇尽可能按照无人无人艇二次优化路径航行并保持稳定。
Description
技术领域
本发明属于无人系统协同编队技术领域,具体涉及一种适用于恶劣海况的异构无人系统协同编队控制系统及其控制方法。
背景技术
众所周知,海洋环境瞬息万变,当海况较好时,无人艇能够依靠自身所搭载的各种传感器和控制器来保障高精度航行,然而,当海况恶劣,无人艇将产生剧烈的摇晃,艇载传感器工作效率下降,甚至部分传感器失效,与此同时,由波浪叠加形成的“山丘”与“沟壑”纵横交错,而在“沟壑”中可能潜藏着漩涡,此时艇载传感器已无法准确探测周围的海事环境,当无人艇按照初始路径规划航线航行时,可能驶入漩涡中,这对航行安全带来极大的隐患。因此,如果能够实时的对无人艇周围区域进行海洋立体环境建模,并结合自身位置坐标对初始路径进行二次优化,从而尽可能的躲避大型波浪或者漩涡,这将大大的降低路径跟踪控制难度,对提高航行的稳定性和安全性具有重要的意义。
发明内容
本发明的目的在于提供一种适用于恶劣海况的异构无人系统协同编队控制系统及其控制方法。
基于上述目的,本发明采用如下技术方案:
一种适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,包括岸基系统、无人机系统和无人艇系统;岸基系统用于根据任务需求生成无人艇系统的初始路径信息以及无人艇系统与无人机系统的编队安全距离信息,并将初始路径信息分别传输至无人机系统和无人艇系统,将编队安全距离信息发送至无人机系统;无人机系统包括机路径二次优化模块、机鲁棒性控制器、机驱动器、无人机模型、海上环境干扰模型、机载传感器、视频信息提取模块和动态环境约束模块;机路径二次优化模块用于接收初始路径信息、无人艇位姿信息和编队安全距离信息,并对初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;机鲁棒性控制器用于接收无人机二次优化路径信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器用于根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;机载传感器用于获取海上的风速风向信息和海洋环境视频信息,并将风速风向信息传输至海上环境干扰模型,将海洋环境视频信息传输至视频信息提取模块;海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型用于对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;视频信息提取模块用于对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,动态环境约束模块用于对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统;无人艇系统包括艇路径二次优化模块、艇鲁棒性控制器、艇驱动器、无人艇模型、海面环境干扰模型、艇载传感器;艇路径二次优化模块用于接收初始路径信息、海上局部禁航区信息和无人艇位姿信息,并对初始路径信息、海上局部禁航区信息和无人艇位姿信息分析生成无人艇二次优化路径信息,并将无人艇二次优化路径信息传输至艇鲁棒性控制器;艇鲁棒性控制器用于接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;艇载传感器用于获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型用于根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型用于对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
进一步的,艇鲁棒性控制器与机鲁棒性控制器均包括Actor-Critic神经网络模块和滑模变结构控制模块。
进一步的,Actor-Critic神经网络模块包括Actor神经网络、Actor神经网络权值更新律、Critic神经网络、Critic神经网络权值更新律、Critic函数;滑模变结构控制模块包括非线性滑模面、切换控制律、等效控制律和饱和器;非线性滑模面的输入为位姿误差;Critic神经网络权值更新律的输入为位姿误差和Actor神经网络,Critic神经网络权值更新律用于根据位姿误差和Actor神经网络获取Critic神经网络权值,并将Critic神经网络权值输入至Critic神经网络;Critic神经网络用于根据Critic神经网络权值更新Critic神经网络;Critic函数的输入为Critic神经网络权值和非线性滑模面,Critic函数用于根据Critic神经网络权值和非线性滑模面获取输出值,并将输出值输入至Actor神经网络权值更新律;Actor神经网络权值更新律用于根据Critic函数的输出值获取Actor神经网络权值,并将Actor神经网络权值输入至Actor神经网络;Actor神经网络用于根据Actor神经网络权值更新Actor神经网络,Actor神经网络用于调节切换控制律中的切换增益的大小。
进一步的,无人艇系统还包括艇体机动性约束模块,无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块用于对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息进行分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;艇路径二次优化模块对接收初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息进行分析生成无人艇二次优化路径信息。
进一步的,岸基系统包括工控机,工控机连接有初级路径规划模块;工控机用于根据任务需求生成目标点坐标信息,并将目标点坐标信息发送至初级路径规划模块,工控机还用于获取无人艇系统与无人机系统之间的编队安全距离信息,并将编队安全距离信息传输至机路径二次优化模块;初级路径规划模块用于根据无人艇的位置和目标点的坐标生成无人艇的初始路径信息,并将初始路径信息传输至艇路径二次优化模块和机路径二次优化模块。
进一步的,海面环境干扰模型包括海浪力计算模型、海流力计算模型。
进一步的,艇载传感器包括海事雷达、激光雷达、流速仪、声速仪;机载传感器包括风速风向仪和摄像机。
上述的适用于恶劣海况的异构无人系统协同编队控制系统的控制方法,包括以下步骤:
步骤1,岸基系统根据任务需求生成无人艇系统的初始路径信息以及无人艇系统与无人机系统的编队安全距离信息,并将初始路径信息分别传输至无人机系统和无人艇系统,将编队安全距离信息发送至无人机系统;
步骤2,机路径二次优化模块对接收的初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;机鲁棒性控制器接收无人机二次优化路径信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;机载传感器获取海上的风速风向信息和海洋环境视频信息,并将风速风向信息传输至海上环境干扰模型,将海洋环境视频信息传输至视频信息提取模块;海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;视频信息提取模块对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,动态环境约束模块对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统;
步骤3,无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;艇路径二次优化模块对接收的初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息分析生成无人艇二次优化路径信息;艇路径二次优化模块接收初始路径信息、局部禁航区的坐标信息和无人艇位姿信息,并对初始路径信息、局部禁航区的坐标信息和无人艇位姿信息分析,产生无人艇二次优化路径,并将无人艇二次优化路径传输至艇鲁棒性控制器;艇鲁棒性控制器接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;艇载传感器获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
上述步骤2和步骤3中的鲁棒性控制器成控制指令时,滑模变结构控制模块根据位姿误差实时调节无驱动器,使无人艇和无人机在外界干扰条件下实现路径跟踪;Actor-Critic神经网络模块用于调节滑模变结构控制模块的控制输入和系统状态输出普遍存在振荡现象。Actor-Critic神经网络模块调节滑模变结构控制模块的输入和输出存在的振荡现象的工作过程为:
步骤(1),Critic神经网络权值更新律根据位姿误差和上一时刻的Actor神经网络进行权值优化,并将新的Critic神经网络权值输入至Critic神经网络;
步骤(2),Critic神经网络根据新的Critic神经网络权值进行更新,更新后的Critic神经网络将新的Critic神经网络权值输入到Critic函数;同时,非线性滑模面输入至Critic函数;
步骤(3),Critic函数依据输入的Critic神经网络权值和非线性滑模面得出输出值,并将输出值作为强化学习信号输入至Actor神经网络权值更新律;
步骤(4),Actor神经网络权值更新律根据Critic函数的输出值更新Actor神经网络权值,并将新的Actor神经网络权值输入至Actor神经网络;
步骤(5),Actor神经网络根据新的Actor神经网络权值进行更新;更新后的Actor神经网络调节切换控制律中的切换增益的大小,即位姿误差较大时使切换增益较大,提升误差收敛速度;当位姿误差较小或者稳定在一定范围内时,减小切换增益避免系统状态抖振;更新后的Actor神经网络输入至Critic神经网络权值更新律,重复步骤(1)-(5)。
与现有技术相比,本发明取得的积极有益效果为:
(1)本发明适用于恶劣海况的异构无人系统协同编队控制技术设有岸基系统、无人机系统和无人艇系统。岸基系统根据任务需求下达目标点指令,通过初级路径规划模块在海图上生成初始路径,并将初始路径信息分别传输至无人机系统和无人艇系统;无人机系统根据初始路径信息、无人艇系统位姿信息、编队安全距离经过路径二次规划模块完成路径二次优化,优化后的路径可与无人艇系统形成编队,并且为无人艇系统提供海上安全预警;无人艇系统根据初始路径信息、海洋立体环境干扰信息、动态环境约束模块、艇体机动性能约束模块,利用路径二次规划模块完成路径二次优化,并在鲁棒性控制器作用下克服环境干扰完成路径跟踪控制。该发明有效解决了无人艇在恶劣海况中执行任务时,艇载传感器工作效率下降等问题,通过与无人机系统协同编队,并共享机载传感器数据,从而有效的增强了无人艇系统对周围立体环境的感知能力,为后续路径二次规划和鲁棒性跟踪控制提供了更多的数据支持。
(2)本发明充分考虑无人艇艇体几何结构、发动机功率以及驱动器饱和、时延、死区等因素所引起的无人艇机动性能限制问题,构建了无人艇机动性能约束模块;而后又利用无人机机载摄像机对无人艇系统周围的海况进行实时监控,通过视频信息提取模块对所录视频进行分析,判断无人艇系统周围是否存在大型波浪、漩涡,并将评判结果传输至动态环境约束模块,之后动态环境约束模块通过避障规划算法将评判结果解析为海图上的局部禁航区,随后将该信息与无人艇机动性能约束模块输出一到传输至路径二次优化模块,从而使无人艇系统优化出更加合理、安全的路径。
(3)本发明构建Actor-Critic神经网络模块,其中Critic函数作为评价函数对上一时刻Actor神经网络在切换控制律中的作用进行评价,并将结果作为反馈传输至Actor神经网络更新律,进而产生新权值的Actor神经网络,该神经网络之后又不断调节切换增益,进而获得新的信号传输至Critic神经网络更新律,经过反复的调节,最终可以有效解决滑模变结构控制输出所固有的振荡现象。
(4)本发明适用于恶劣海况的异构无人系统协同编队控制技术设计合理,通过构建相互协作的无人机系统和无人艇系统,使得无人艇在恶劣海况下的航行安全依然能够得到保证,而且整个任务执行过程中,工作人员只需下达简单的任务命令即可,操作十分的便捷,自动化、智能化程度高,可用于执行不同海况条件下的海事任务。
附图说明
图1为本发明恶劣海况的异构无人系统协同编队控制系统的示意图;
图2为本发明基于Actor-Critic神经网络的滑模变结构控制的示意图。
具体实施方式
实施例1:
一种适用于恶劣海况的异构无人系统协同编队控制系统,参见图1,包括岸基系统、无人机系统和无人艇系统;岸基系统分别与无人机系统和无人艇系统相连,无人机系统与无人艇系统相连;岸基系统用于根据任务需求下达的目标点指令,通过初级路径规划模块在海图上生成初始路径,并将初始路径信息分别传输至无人机系统和无人艇系统;无人机系统用于根据初始路径信息、无人艇系统位姿信息、编队安全距离信息完成路径二次优化,优化后的路径可与无人艇系统形成编队,并且为无人艇系统提供海上安全预警;无人艇系统根据初始路径信息、海洋立体环境干扰信息、动态环境约束模块、艇体机动性能约束模块,完成路径二次优化,并在鲁棒性控制器作用下克服环境干扰完成路径跟踪控制。
岸基系统包括工控机、编队安全距离和初级路径规划模块。工控机是人机交互的终端,用户可以按照工作的需求,下达相关的任务指令,规划相应的工作航线,用户还可以通过工控机界面,实时查看测量设备返回的测量数据、画面以及无人系统自身的各项状态。工控机用于根据任务需求生成目标点坐标信息,并将目标点坐标信息发送至初级路径规划模块,工控机还用于获取无人艇系统与无人机系统之间的编队安全距离信息,并将编队安全距离信息传输至机路径二次优化模块;初级路径规划模块用于根据无人艇的位置和目标点的坐标生成无人艇的初始路径信息,并将初始路径信息传输至艇路径二次优化模块和机路径二次优化模块。编队安全距离指无人机与无人艇系统之间在编队航行时应该保持的最小安全距离,以防止二者发生碰撞。初级路径规划模块采用Dijkstra算法,根据无人艇与目标点的坐标,获得初始的全局最优路径,即初始路径信息。
无人机系统包括机路径二次优化模块、机鲁棒性控制器(无人机系统的鲁棒性控制器)、机驱动器、无人机模型、海上环境干扰模型、机载传感器、视频信息提取模块和动态环境约束模块。机路径二次优化模块利用A*算法通过结合初级路径信息、无人艇实时位姿信息和编队安全距离生成优化路径,并将无人机二次路径优化信息传输至机鲁棒性控制器,保证稳定、有效的无人机与无人艇编队。机鲁棒性控制器用于接收无人机二次优化路径信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器用于根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;机载传感器包括风速风向仪和摄像机,风速风向仪用于测量海面上空风的各项信息,为海上环境干扰模型提供数据支撑,海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型用于对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;,摄像机用于获取海洋环境视频信息,并将海洋环境视频信息传输至视频信息提取模块;视频信息提取模块用于对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,动态环境约束模块用于通过避障规划算法对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统,从而为无人艇系统路径二次优化模块提供信息输入。
无人艇系统包括艇路径二次优化模块、艇鲁棒性控制器(无人艇系统的鲁棒性控制器)、艇驱动器、无人艇模型、海面环境干扰模型、艇载传感器、艇体机动性约束模块。艇路径二次优化模块用于接收初始路径信息、动态环境约束模块、艇体机动性能约束模块和无人艇位姿信息的数据输入,并通过A*算法获得实时优化的路径。艇体机动性约束模块主要解决由艇体几何结构、发动机功率以及驱动器饱和、时延、死区等因素所引起的无人艇机动性能限制问题。鲁棒性控制器则依托无人艇模型和海上、海面环境干扰模型,促使无人艇始终能够有效的跟踪二次优化后生成的路径。
无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块用于对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息进行分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;艇路径二次优化模块对接收初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息进行分析生成无人艇二次优化路径信息。机路径二次优化模块用于接收初始路径信息、无人艇位姿信息和编队安全距离信息,并对初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;艇路径二次优化模块用于接收初始路径信息、海上局部禁航区信息和无人艇位姿信息,并对初始路径信息、海上局部禁航区信息和无人艇位姿信息分析,通过A*算法生成实时的无人艇二次优化路径信息,并将无人艇二次优化路径信息传输至艇鲁棒性控制器;艇鲁棒性控制器用于接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;艇载传感器用于获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型用于根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型用于对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
艇载传感器包括海事雷达、激光雷达、流速仪、声速仪。海事雷达用于远距离障碍物或大型海浪监测,激光雷达则用于近距离海浪的监测,精度较海事雷达更高,流速仪、声速仪用于采集海流信息。通过对以上的艇载传感器所获数据进行融合,可为后续构建海面环境干扰模型提供数据支撑。海面环境干扰模型包括海浪力计算模型、海流力计算模型。
鲁棒性控制器,参见图2,包括Actor-Critic神经网络模块和滑模变结构控制模块。滑模变结构控制模块包括非线性滑模面、切换控制律、等效控制律和饱和器,用于保证无人艇在外界干扰条件下实现路径跟踪;非线性滑模面的输入为无人艇或无人机的位姿误差。Actor-Critic神经网络模块包括Actor神经网络、Actor神经网络权值更新律、Critic神经网络、Critic神经网络权值更新律、Critic函数,用于调节滑模变结构控制模块的控制输入和系统状态输出普遍存在振荡现象。Actor-Critic神经网络模块调节机制为:首先,Critic神经网络权值更新律用于根据上一时刻Actor神经网络在切换控制律中的表现和位姿误差进行权值优化,之后Critic神经网络权值更新律用于将新获得的权值传输至Critic神经网络,Critic神经网络用于将新的权值传输至Critic函数;Critic函数用于依据新获得的Critic神经网络权值和位姿误差对系统性能进行评估,并将其结果(Critic函数输出值)作为强化学习信号,指导当前时刻Actor神经网络权值更新,并将更新后的权值传输至Actor神经网络,而后Actor神经网络作为控制环节的一部分来优化控制输入,并将此次的控制效果再反馈给Critic神经网络权值更新律,以此机制反复调节Actor神经网络权值和Critic神经网络权值,最终可提高系统跟踪性能的目的。
切换控制律中切换增益的幅值是引发系统状态和控制输入振动的主因,即切换增益的幅值越大,系统震荡越严重,反之亦然。本发明通过利用Actor神经网络实时的根据位姿误差的变化调节切换增益的幅值,保障跟踪系统在位姿误差较小时系统振荡现象显著降低。
Critic函数的输入为Critic神经网络权值和非线性滑模面,Critic函数的输出值与路径跟踪误差成正比(即路径跟踪误差越大,Critic函数输出值越大,反之亦然),Critic函数相当于一个代价函数,用于评判无人艇路径跟踪的效果。
Critic神经网络权值更新律的输入为路径二次优化结果与无人艇当前位姿坐标之间的位姿误差和Actor神经网络,用于更新Critic神经网络,进而将Critic神经网络权值更新律的效果呈现在Critic函数中,Critic函数将其结果作为学习信号传输至Actor神经网络权值更新律。
Actor神经网络权值更新律的输入为Critic函数,并将Critic函数的结果用于更新Actor神经网络,从而调节切换控制律中的切换增益的大小,以达到减小振荡的效果,进而获取更佳的无人艇路径跟踪效果。
实施例2:
实施例1所述恶劣海况的异构无人系统协同编队控制系统的控制方法,包括以下步骤:
步骤1,岸基系统根据任务需求生成无人艇系统的初始路径信息以及无人艇系统与无人机系统的编队安全距离信息,并将初始路径信息分别传输至无人机系统和无人艇系统,将编队安全距离信息发送至无人机系统;
步骤2,机路径二次优化模块对接收的初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;机鲁棒性控制器接收无人机二次优化路径信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;机载传感器获取海上的风速风向信息和海洋环境视频信息,并将风速风向信息传输至海上环境干扰模型,将海洋环境视频信息传输至视频信息提取模块;海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;视频信息提取模块对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,动态环境约束模块对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统;
步骤3,无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;艇路径二次优化模块对接收的初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息分析生成无人艇二次优化路径信息;艇路径二次优化模块接收初始路径信息、局部禁航区的坐标信息和无人艇位姿信息,并对初始路径信息、局部禁航区的坐标信息和无人艇位姿信息分析,产生无人艇二次优化路径,并将无人艇二次优化路径传输至艇鲁棒性控制器;艇鲁棒性控制器接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;艇载传感器获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
上述步骤2和步骤3中的鲁棒性控制器成控制指令时,滑模变结构控制模块根据位姿误差实时调节无驱动器,使无人艇和无人机在外界干扰条件下实现路径跟踪;Actor-Critic神经网络模块用于调节滑模变结构控制模块的控制输入和系统状态输出普遍存在振荡现象。Actor-Critic神经网络模块调节滑模变结构控制模块的输入和输出存在的振荡现象的工作过程为:
步骤(1),Critic神经网络权值更新律根据位姿误差和上一时刻的Actor神经网络进行权值优化,并将新的Critic神经网络权值输入至Critic神经网络;
步骤(2),Critic神经网络根据新的Critic神经网络权值进行更新,更新后的Critic神经网络将新的Critic神经网络权值输入到Critic函数;同时,非线性滑模面输入至Critic函数;
步骤(3),Critic函数依据输入的Critic神经网络权值和非线性滑模面得出输出值,并将输出值作为强化学习信号输入至Actor神经网络权值更新律;
步骤(4),Actor神经网络权值更新律根据Critic函数的输出值更新Actor神经网络权值,并将新的Actor神经网络权值输入至Actor神经网络;
步骤(5),Actor神经网络根据新的Actor神经网络权值进行更新;更新后的Actor神经网络调节切换控制律中的切换增益的大小,即位姿误差较大时使切换增益较大,提升误差收敛速度;当位姿误差较小或者稳定在一定范围内时,减小切换增益避免系统状态抖振;更新后的Actor神经网络输入至Critic神经网络权值更新律,重复步骤(1)-(5),调节系统震荡。
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 (9)
1.一种适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,包括岸基系统、无人机系统和无人艇系统;所述岸基系统用于根据任务需求生成无人艇系统的初始路径信息以及无人艇系统与无人机系统的编队安全距离信息,并将初始路径信息分别传输至无人机系统和无人艇系统,将编队安全距离信息发送至无人机系统;所述无人机系统包括机路径二次优化模块、机鲁棒性控制器、机驱动器、无人机模型、海上环境干扰模型、机载传感器、视频信息提取模块和动态环境约束模块;所述机路径二次优化模块用于接收初始路径信息、无人艇位姿信息和编队安全距离信息,并对初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;所述机鲁棒性控制器用于接收无人机二次路径优化信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器用于根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;所述机载传感器用于获取海上的风速风向信息和海洋环境视频信息,并将风速风向信息传输至海上环境干扰模型,将海洋环境视频信息传输至视频信息提取模块;所述海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型用于对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;所述视频信息提取模块用于对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,所述动态环境约束模块用于对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统;所述无人艇系统包括艇路径二次优化模块、艇鲁棒性控制器、艇驱动器、无人艇模型、海面环境干扰模型、艇载传感器;所述艇路径二次优化模块用于接收初始路径信息、海上局部禁航区信息和无人艇位姿信息、无人艇的最大航速和最小转弯半径信息,并对初始路径信息、海上局部禁航区信息和无人艇位姿信息、无人艇的最大航速和最小转弯半径信息分析生成无人艇二次优化路径信息,并将无人艇二次优化路径信息传输至艇鲁棒性控制器;艇鲁棒性控制器用于接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;所述艇载传感器用于获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型用于根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型用于对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
2.根据权利要求1所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述艇鲁棒性控制器与机鲁棒性控制器均包括Actor-Critic神经网络模块和滑模变结构控制模块。
3.根据权利要求2所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述Actor-Critic神经网络模块包括Actor神经网络、Actor神经网络权值更新律、Critic神经网络、Critic神经网络权值更新律、Critic函数;所述滑模变结构控制模块包括非线性滑模面、切换控制律、等效控制律和饱和器;所述非线性滑模面的输入为位姿误差;所述Critic神经网络权值更新律的输入为位姿误差和Actor神经网络,Critic神经网络权值更新律用于根据位姿误差和Actor神经网络获取Critic神经网络权值,并将Critic神经网络权值输入至Critic神经网络;所述Critic神经网络用于根据Critic神经网络权值更新Critic神经网络;所述Critic函数的输入为Critic神经网络权值和非线性滑模面,Critic函数用于根据Critic神经网络权值和非线性滑模面获取输出值,并将输出值输入至Actor神经网络权值更新律;所述Actor神经网络权值更新律用于根据Critic函数的输出值获取Actor神经网络权值,并将Actor神经网络权值输入至Actor神经网络;所述Actor神经网络用于根据Actor神经网络权值更新Actor神经网络,Actor神经网络用于调节切换控制律中的切换增益的大小。
4.根据权利要求3所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述无人艇系统还包括艇体机动性约束模块,所述无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;所述艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块用于对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息进行分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;所述艇路径二次优化模块对接收初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息进行分析生成无人艇二次优化路径信息。
5.根据权利要求4所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述岸基系统包括工控机,工控机连接有初级路径规划模块;所述工控机用于根据任务需求生成目标点坐标信息,并将目标点坐标信息发送至初级路径规划模块,工控机还用于获取无人艇系统与无人机系统之间的编队安全距离信息,并将编队安全距离信息传输至机路径二次优化模块;所述初级路径规划模块用于根据无人艇的位置和目标点的坐标生成无人艇的初始路径信息,并将初始路径信息传输至艇路径二次优化模块和机路径二次优化模块。
6.根据权利要求5所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述海面环境干扰模型包括海浪力计算模型、海流力计算模型。
7.根据权利要求6所述的适用于恶劣海况的异构无人系统协同编队控制系统,其特征在于,所述艇载传感器包括海事雷达、激光雷达、流速仪、声速仪;所述机载传感器包括风速风向仪和摄像机。
8.根据权利要求1-7任一所述的适用于恶劣海况的异构无人系统协同编队控制系统的控制方法,其特征在于,包括以下步骤:
步骤1,岸基系统根据任务需求生成无人艇系统的初始路径信息以及无人艇系统与无人机系统的编队安全距离信息,并将初始路径信息分别传输至无人机系统和无人艇系统,将编队安全距离信息发送至无人机系统;
步骤2,机路径二次优化模块对接收的初始路径信息、无人艇位姿信息和编队安全距离信息进行分析生成无人机二次路径优化信息,并将无人机二次路径优化信息传输至机鲁棒性控制器;机鲁棒性控制器接收无人机二次优化路径信息和无人机位姿信息,并对接收的无人机二次路径优化信息、无人机的位姿信息进行分析计算,生成无人机的航行控制指令,并将航行控制指令传输至机驱动器;机驱动器根据接收的航行控制指令生成控制力数据,并将控制力数据传输至无人机模型;机载传感器获取海上的风速风向信息和海洋环境视频信息,并将风速风向信息传输至海上环境干扰模型,将海洋环境视频信息传输至视频信息提取模块;海上环境干扰模型对接收的风速风向信息进行分析,生成海风干扰力和力矩数据,并将海风干扰力和力矩数据传输至无人机模型;无人机模型对接收的控制力数据和海风干扰力和力矩数据进行分析,生成无人机位姿信息,并将无人机位姿信息传输至机鲁棒性控制器;视频信息提取模块对接收的海洋环境视频信息进行提取,提取出视频信息中的海流、漩涡视频信息,并将海流、漩涡视频信息传输至动态环境约束模块,动态环境约束模块对接收的海流、漩涡视频信息进行解析,得到海上局部禁航区信息,并将海上局部禁航区信息发送至无人艇系统;
步骤3,艇路径二次优化模块接收初始路径信息、局部禁航区的坐标信息和无人艇位姿信息,并对初始路径信息、局部禁航区的坐标信息和无人艇位姿信息分析,产生无人艇二次优化路径,并将无人艇二次优化路径传输至鲁棒性控制器;艇鲁棒性控制器接收无人艇二次优化路径信息和无人艇位姿信息,并对接收的无人艇二次优化路径信息和无人艇位姿信息进行分析计算,生成无人艇的航行控制指令,并将航行控制指令传输至艇驱动器,艇驱动器根据航行控制力指令生成控制力数据,并将控制力数据传输至无人艇模型;艇载传感器获取海浪、海流信息,并将海浪、海流信息传输至海面环境干扰模型;海面环境干扰模型根据海浪、海流信息获取海浪、海流干扰力数据,并将海浪、海流干扰力数据传输至无人艇模型;无人艇模型对接收的海浪、海流干扰力数据和控制力数据进行分析,生成无人艇位姿信息,并将无人艇位姿信息传输至艇鲁棒性控制器、艇路径二次优化模块和机路径二次优化模块。
9.根据权利要求8所述的适用于恶劣海况的异构无人系统协同编队控制系统的控制方法,其特征在于,无人艇系统包括艇体机动性约束模块,在步骤3中:无人艇模型将艇体几何结构信息传输至艇体机动性约束模块;艇驱动器将发动机功率信息和艇驱动器饱和、时延、死区信息传输至艇体机动性约束模块;艇体机动性约束模块对接收的艇体几何结构信息、发动机功率信息以及艇驱动器饱和、时延、死区信息分析生成无人艇的最大航速和最小转弯半径信息,并将无人艇的最大航速和最小转弯半径信息传输至艇路径二次优化模块;艇路径二次优化模块对接收的初始路径信息、海上局部禁航区信息、无人艇位姿信息和无人艇的最大航速和最小转弯半径信息分析生成无人艇二次优化路径信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617799.0A CN112527019B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617799.0A CN112527019B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527019A CN112527019A (zh) | 2021-03-19 |
CN112527019B true CN112527019B (zh) | 2022-01-28 |
Family
ID=74977130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011617799.0A Active CN112527019B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527019B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113490176B (zh) * | 2021-06-01 | 2022-05-13 | 武汉理工大学 | 一种基于三维轨迹功率优化的无人机通信抗干扰方法 |
CN113671964B (zh) * | 2021-08-24 | 2024-02-06 | 上海大学 | 一种无人艇高性能轨迹跟踪控制系统和方法 |
CN114138010B (zh) * | 2021-11-22 | 2024-04-26 | 浙江理工大学 | 一种基于加权偏差的多智能体高阶滑模编队控制方法 |
CN114545979B (zh) * | 2022-03-16 | 2022-10-25 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于强化学习的飞行器智能滑模编队控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108287542A (zh) * | 2018-01-04 | 2018-07-17 | 浙江大学 | 基于协同云控制的无人机与无人船协作控制系统与方法 |
CN109774960A (zh) * | 2019-02-27 | 2019-05-21 | 集美大学 | 无人船无人机协作系统及控制方法 |
CN110390431A (zh) * | 2019-07-19 | 2019-10-29 | 大连海事大学 | 一种基于无人设备群体智能算法的搜救网及其调度方法 |
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 |
CN112130566A (zh) * | 2020-09-18 | 2020-12-25 | 上海大学 | 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 |
-
2020
- 2020-12-31 CN CN202011617799.0A patent/CN112527019B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108287542A (zh) * | 2018-01-04 | 2018-07-17 | 浙江大学 | 基于协同云控制的无人机与无人船协作控制系统与方法 |
CN109774960A (zh) * | 2019-02-27 | 2019-05-21 | 集美大学 | 无人船无人机协作系统及控制方法 |
CN110390431A (zh) * | 2019-07-19 | 2019-10-29 | 大连海事大学 | 一种基于无人设备群体智能算法的搜救网及其调度方法 |
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 |
CN112130566A (zh) * | 2020-09-18 | 2020-12-25 | 上海大学 | 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 |
Non-Patent Citations (4)
Title |
---|
Formation control for multiple heterogeneous unmanned aerial vehicles and unmanned surface vessels system;Bing Zhang等;《2019 Chinese Automation Congress (CAC)》;IEEE;20200213;第4920-4925页 * |
一种可搭载无人机的无人艇设计初步研究;马朝朝;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20200315(第03期);第1-104页 * |
水上无人系统研究进展及其面临的挑战_水上无人系统研究进展及其面临的挑战;张卫东等;《自动化学报》;中国自动化学会;20200531;第46卷(第5期);第847-857页 * |
面向机_艇协同的无人艇平台设计研究;邵光明;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20200315(第03期);第1-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112527019A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527019B (zh) | 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 | |
Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
Singh et al. | A constrained A* approach towards optimal path planning for an unmanned surface vehicle in a maritime environment containing dynamic obstacles and ocean currents | |
Shao et al. | A novel cooperative platform design for coupled USV–UAV systems | |
TWI714040B (zh) | 船舶導航系統及其導航方法 | |
Han et al. | Automatic berthing for an underactuated unmanned surface vehicle: A real-time motion planning approach | |
CN111026135B (zh) | 一种无人艇高性能航行前馈控制系统及其控制方法 | |
Zhang et al. | An adaptive obstacle avoidance algorithm for unmanned surface vehicle in complicated marine environments | |
Hernández et al. | Planning feasible and safe paths online for autonomous underwater vehicles in unknown environments | |
CN108803612A (zh) | 一种海流影响下的无人巡检船直线航迹跟踪实现方法 | |
CN106094606A (zh) | 一种水面无人艇导航与控制遥操作平台 | |
JP2021181301A (ja) | 船舶の自動誘導方法、船舶の自動誘導プログラム、船舶の自動誘導システム、及び船舶 | |
Fan et al. | Impact of current disturbances on AUV docking: Model-based motion prediction and countering approaches | |
Xiong et al. | Research on data driven adaptive berthing method and technology | |
CN113124864A (zh) | 一种采用机器视觉和惯导融合的水面导航方法 | |
Burlutskiy et al. | Power efficient formation configuration for centralized leader–follower AUVs control | |
CN112558642A (zh) | 一种适用于异构多无人系统的海空联合围捕方法 | |
Wang et al. | A restricted circle based position keeping strategy for the wave glider | |
CN109916400B (zh) | 一种基于梯度下降算法与vo法相结合的无人艇避障方法 | |
Li et al. | Integrating dynamic event-triggered and sensor-tolerant control: Application to USV-UAVs cooperative formation system for maritime parallel search | |
Wu et al. | Multi-vessels collision avoidance strategy for autonomous surface vehicles based on genetic algorithm in congested port environment | |
CN113671964A (zh) | 一种无人艇高性能轨迹跟踪控制系统和方法 | |
CN109814547B (zh) | 风浪干扰作用下的无人艇航向保持装置和方法 | |
Song et al. | Obstacle avoidance system with LiDAR sensor based fuzzy control for an autonomous unmanned ship | |
CN112068565A (zh) | 一种结构化环境中的无人船自主导航方法和系统 |
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 |