CN112558477B - 一种基于加速度信息的无人船状态和扰动观测器 - Google Patents

Abstract

本发明公开了一种基于加速度信息的无人船状态和扰动观测器，利用无人船所测加速度信息对无人船控制增益进行估计，通过所估计的控制增益信息设计扩张状态观测器并通过无人船位置信息得到无人船状态以及不确定性扰动的观测值。本发明仅需无人船控制力矩以及无人船位置与加速度状态量，即无人船的输入输出数据，利用堆栈存储所需数据，就可以实现对无人船控制增益精确估计，进而利用扩张状态观测器观测无人船的状态和不确定性，减少估计所需要的信息。本发明可以对无人船的惯性矩阵进行精确估计，进而为无人船高精度控制提供有力保障。本发明的实现了对无人船的状态、不确定性和控制增益进行同时在线估计。

Description

一种基于加速度信息的无人船状态和扰动观测器

技术领域

本发明涉及无人船控制领域，特别是一种基于加速度信息的无人船状态和扰动观测器。

背景技术

二十一世纪是海洋的世纪，海洋以其极其丰富的能源和战略意义，正在成为人类赖以生存和可持续发展的资源空间，受到越来越多国家的重视，各个海洋大国都纷纷致力于海洋装备的研究。近些年来，随着智能控制等技术的蓬勃发展，无人船因其小型化、轻量化、智能化等特点，逐渐成为人们探索并研究海洋、开发和保护海洋资源的一种重要工具并广泛用于民用和军事领域。这些无人船的自主行为与制导，导航和控制系统的性能高度相关。不同类型的无人船具有不同的目的和任务，通常需要强大而有效的机动控制器，以在其任务期间成功运行，而无人船状态如位置状态、速度状态、以及扰动信息作为设计控制器中不可或缺的参数，它观测值的精确与否决定了无人船能否准确达到预期控制效果。因此无人船状态和扰动的观测成为该领域一个非常重要的研究课题。

无人船状态和扰动观测的目标是使系统准确地估计无人船模型的状态和未知扰动。目前，有很多技术用于无人船状态和扰动观测。主流的观测方法包括结合支持向量机、神经网络、深度网络、模糊系统等方法，它们属于在线估计和离线估计。但是，现有技术仍然存在以下问题：

第一，现有结合神经网络或模糊逻辑的观测器中，无法实现在模型参数或速度未知的情况下进行状态观测，仅能在输入矩阵已知的情况下，通过在线或离线的方式对控制增益系数进行估计，进而完成对无人船状态和扰动的观测。当仅知道无人船模型的控制输入和状态量时，无法完成对控制增益系数的估计，也就无法完成对无人船状态和扰动的观测。在实际情况下，输入矩阵的参数不易得到，现有的无人船状态和扰动观测方法有一定的局限性。

第二，现有结合神经网络或模糊逻辑的观测器中，无法对无人船模型惯性矩阵进行观测，所观测的系数不全面。无人船模型惯性矩阵作为无人船的重要信息，应该对其进行精确估计，进而为无人船模型高精度控制提供有力保障。

第三，现有结合神经网络或模糊逻辑的观测器中，需要控制增益参数信息，当控制增益未知时，控制器达不到预期效果或者不能实现对无人船的控制。

发明内容

为解决现有技术存在的不足，本发明要设计一种基于加速度信息的无人船状态和扰动观测器，控制速度与模型参数未知的无人船沿着期望路径运动并对其运动状态和扰动进行观测。

为了实现上述目的，本发明的技术方案如下：一种基于加速度信息的无人船状态和扰动观测器，利用无人船所测加速度信息对无人船控制增益进行估计，通过所估计的控制增益信息设计扩张状态观测器并通过无人船位置信息得到无人船状态以及不确定性扰动的观测值；

所述基于加速度信息的无人船状态和扰动观测器包括抗干扰控制器、扩张状态观测器、数据驱动自适应律、输入输出数据记录堆栈和无人船模型，所述抗干扰控制器的输入端与扩张状态观测器、数据驱动自适应律输出端以及外部参考信号相连，所述扩张状态观测器的输入端与抗干扰控制器、数据驱动自适应律以及无人船模型的输出端相连，所述数据驱动自适应律的输入端与输入输出数据记录堆栈的输出端相连，所述输入输出数据记录堆栈的输入端与抗干扰控制器、扩张状态观测器以及无人船模型的输出端相连，所述无人船模型的输入端与抗干扰控制器的输出端相连；

所述无人船模型为三自由度全驱动无人船模型；

所述基于加速度信息的无人船状态和扰动观测器的估计方法，包括以下步骤：

A、建立无人船模型

无人船运动学与动力学模型用如下微分方程描述：

式中：

x₁＝[x_η,y_η,ψ]^T表示在地球坐标系下无人船的位置，x_η表示在x轴方向位置，y_η表示y轴方向位置；ψ代表无人船航向；R(ψ)为地球坐标系到船体坐标系的旋转矩阵，进一步表示为：

x₂＝[u,v,r]^T，u、v、r分别代表船体坐标系下的无人船纵向速度、横漂速度以及艏摇角速度，其加速度通过加速度计测得并表示为

M＝[m_u,m_v,m_r]^T，m_u、m_v、m_r分别代表无人船纵向、侧向以及艏摇方向的惯量；

τ_w＝[τ_wu,τ_wv,τ_wr]^T，τ_wu、τ_wv、τ_wr分别为海洋环境中时变风浪流扰动对无人船纵向、侧向方向上产生的力和艏摇角方向上产生的力矩。

C(x₂)代表无人船的向心力矩阵，D(x₂)代表无人船的阻尼矩阵，g(x₂)表示不确定的流体力学，进一步表示为：

f(u,v,r)＝M^-1(-C(x₂)x₂-D(x₂)x₂+g(x₂)+τ_w)

f(u,v,r)＝[f_u(u,v,r),f_v(u,v,r),f_r(u,v,r)]^T，f_u(u,v,r)、f_v(u,v,r)、f_r(u,v,r)分别表示无人船纵向、侧向以及艏摇方向上由于其所受到的向心力、阻尼力以及无人船本身未建模动态所产生的不确定性；

τ＝[τ_u,τ_v,τ_r]^T，τ_u、τ_v、τ_r分别表示分别纵向、横向的推力和艏摇方向上的力矩，引入一个基于扩张状态观测器观测信息抗干扰控制器获得力矩τ：

其中，

是对角矩阵，

表示无人船三个方向的不确定性f(u,v,r)的观测值，

表示线性参数化后的控制增益的观测值，x_2c为一种有界运动控制率。

B、设计无人船状态和扰动观测器

B1、设计扩张状态观测器

所述的扩张状态观测器表示为：

其中

分别表示无人船位置状态与速度状态x₁、x₂的观测值，x_1r表示期望位置，ω_o为扩张状态观测器带宽、其值为正常数。

B2、设计控制增益估计模块

B21、将无人船动力学模型线性参数化

由式(1)得：

其中B＝M^-1，线性参数化得：

G＝Yb (4)

其中Y＝τ^T,b＝B^T,

B22、建立输入输出数据记录堆栈

建立一个储存器堆栈：

其中(G_j,Y_j)表示从j＝1时刻开始的数据分别于

时刻储存在堆栈W中，k∈N⁺为堆栈长度，

利用堆栈W储存的数据，将式(4)化为如下矩阵形式：

[G₁,G₂,…G_k]＝[Y₁,Y₂,…Y_k]b (5)

B23、设计数据驱动自适应律

根据储存器堆栈所记录的数据，设计如下参数b的数据驱动自适应律

η₁是用于调节收敛速度的标量增益。

与现有技术相比，本发明具有以下有益效果：

第一，与已有结合神经网络或模糊逻辑的观测器相比，过去无法实现在模型参数或速度未知的情况下进行状态观测，而本发明仅需无人船控制力矩以及无人船位置与加速度状态量，即无人船的输入输出数据，利用堆栈存储所需数据，就可以实现对无人船控制增益精确估计，进而利用扩张状态观测器观测无人船的状态和不确定性，减少估计所需要的信息。

第二，与已有结合神经网络或模糊逻辑的观测器相比，过去无法对无人船模型惯性矩阵进行估计，而本发明可以对无人船的惯性矩阵进行精确估计，进而为无人船高精度控制提供有力保障。

第三，与已有结合神经网络或模糊逻辑的观测器相比，本发明的扩张状态观测器只需要控制增益估计模块输出的参数

而不需要实际的控制增益参数b，在无人船控制增益未知的情况下，实现了对无人船的状态、不确定性和控制增益进行同时在线估计。

附图说明

图1是基于加速度信息的无人船状态和扰动观测器网络系统示意图。

图2是无人船路径跟踪效果图。

图3是无人船路径跟踪误差观测效果图。

图4是控制增益估计方法所用堆栈W效果图。

图5是无人船控制增益观测效果图。

图6是无人船三个方向速度状态观测效果图。

图7是无人船三个方向不确定性观测效果图。

具体实施方式

下面结合附图对本发明作进一步地说明。本发明涉及的基于加速度信息的无人船状态和扰动观测器网络系统示意图如图1所示。将无人船控制输入τ输出给无人船，无人船得到位置与加速度状态量，以及无人船未知不确定性，通过建立扩张状态观测器观测未知不确定性，将输出的观测值以及加速度和控制输入信号输入到控制增益估计模块中，得到控制增益的估计值

同时通入到控制输入与扩张状态观测器中，完成对无人船路径跟踪以及状态和不确定性观测的闭环控制。本发明的目标是无人船模型在满足式-的情况下实现对无人船状态和不确定性的精确观测。

仿真结果如图2-7所示。图2显示了无人船路径跟踪效果，图3表示无人船路径跟踪误差观测效果，图4显示了无人船输入输出数据记录堆栈W效果图，堆栈储存数据的长度为1000，图5显示了无人船控制增益观测效果，图6是无人船三个不同方向速度状态观测效果，图7显示了无人船三个不同方向不确定性观测效果，通过以上仿真结果图可以看出，观测值均与实际参数实现了收敛，也就是意味着对无人船状态和不确定性成功地实现了精确观测。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (1)

1.一种基于加速度信息的无人船状态和扰动观测器，其特征在于：利用无人船所测加速度信息对无人船控制增益进行估计，通过所估计的控制增益信息设计扩张状态观测器并通过无人船位置信息得到无人船状态以及不确定性扰动的观测值；

所述基于加速度信息的无人船状态和扰动观测器包括抗干扰控制器、扩张状态观测器、数据驱动自适应律、输入输出数据记录堆栈和无人船模型，所述抗干扰控制器的输入端与扩张状态观测器、数据驱动自适应律输出端以及外部参考信号相连，所述扩张状态观测器的输入端与抗干扰控制器、数据驱动自适应律以及无人船模型的输出端相连，所述数据驱动自适应律的输入端与输入输出数据记录堆栈的输出端相连，所述输入输出数据记录堆栈的输入端与抗干扰控制器、扩张状态观测器以及无人船模型的输出端相连，所述无人船模型的输入端与抗干扰控制器的输出端相连；

所述无人船模型为三自由度全驱动无人船模型；

所述基于加速度信息的无人船状态和扰动观测器的估计方法，包括以下步骤：

A、建立无人船模型

无人船运动学与动力学模型用如下微分方程描述：

式中：

x₁＝[x_η,y_η,ψ]^T表示在地球坐标系下无人船的位置，x_η表示在x轴方向位置，y_η表示y轴方向位置；ψ代表无人船航向；R(ψ)为地球坐标系到船体坐标系的旋转矩阵，进一步表示为：

x₂＝[u,v,r]^T，u、v、r分别代表船体坐标系下的无人船纵向速度、横漂速度以及艏摇角速度，其加速度通过加速度计测得并表示为

M＝[m_u,m_v,m_r]^T，m_u、m_v、m_r分别代表无人船纵向、侧向以及艏摇方向的惯量；

τ_w＝[τ_wu,τ_wv,τ_wr]^T，τ_wu、τ_wv、τ_wr分别为海洋环境中时变风浪流扰动对无人船纵向、侧向方向上产生的力和艏摇角方向上产生的力矩；

C(x₂)代表无人船的向心力矩阵，D(x₂)代表无人船的阻尼矩阵，g(x₂)表示不确定的流体力学，进一步表示为：

f(u,v,r)＝M^-1(-C(x₂)x₂-D(x₂)x₂+g(x₂)+τ_w)

f(u,v,r)＝[f_u(u,v,r),f_v(u,v,r),f_r(u,v,r)]^T，f_u(u,v,r)、f_v(u,v,r)、f_r(u,v,r)分别表示无人船纵向、侧向以及艏摇方向上由于其所受到的向心力、阻尼力以及无人船本身未建模动态所产生的不确定性；

τ＝[τ_u,τ_v,τ_r]^T，τ_u、τ_v、τ_r分别表示分别纵向、横向的推力和艏摇方向上的力矩，引入一个基于扩张状态观测器观测信息抗干扰控制器获得力矩τ：

其中，

是对角矩阵，

表示无人船三个方向的不确定性f(u,v,r)的观测值，

表示线性参数化后的控制增益的观测值，x_2c为一种有界运动控制率；

B、设计无人船状态和扰动观测器

B1、设计扩张状态观测器

所述的扩张状态观测器表示为：

其中

分别表示无人船位置状态与速度状态x₁、x₂的观测值，x_1r表示期望位置，ω_o为扩张状态观测器带宽、其值为正常数；

B2、设计控制增益估计模块

B21、将无人船动力学模型线性参数化

由式(1)得：

其中B＝M^-1，线性参数化得：

G＝Yb (4)

其中Y＝τ^T,b＝B^T,

B22、建立输入输出数据记录堆栈

建立一个储存器堆栈：

其中(G_j,Y_j)表示从j＝1时刻开始的数据分别于

时刻储存在堆栈W中，k∈N⁺为堆栈长度，

利用堆栈W储存的数据，将式(4)化为如下矩阵形式：

[G₁,G₂,…G_k]＝[Y₁,Y₂,…Y_k]b (5)

B23、设计数据驱动自适应律

根据储存器堆栈所记录的数据，设计如下参数b的数据驱动自适应律

η₁是用于调节收敛速度的标量增益。

Images