CN112632876B - 一种基于dmhe和dmpc的无人船协同目标跟踪控制方法 - Google Patents
一种基于dmhe和dmpc的无人船协同目标跟踪控制方法 Download PDFInfo
- Publication number
- CN112632876B CN112632876B CN202110012929.6A CN202110012929A CN112632876B CN 112632876 B CN112632876 B CN 112632876B CN 202110012929 A CN202110012929 A CN 202110012929A CN 112632876 B CN112632876 B CN 112632876B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- target
- representing
- follows
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于DMHE和DMPC的无人船协同目标跟踪控制方法,属于工业自动控制和海洋工程领域。本发明主要用于多无人船协同目标跟踪控制,首先建立无人船的运动学和动力学模型,目标运动模型以及量测模型,之后设计基于无迹卡尔曼滤波的有限时域MHE算法,解决了到达代价估计问题和单个无人船对目标的估计问题,接着根据上述到达代价的估计方法,通过邻居节点间信息交流,设计DMHE算法,解决多无人船对目标的协同估计问题,最后根据目标估计的位置信息以及邻居节点位置信息交流,设计DMHE算法,解决多无人船协同目标跟踪控制问题。
Description
技术领域
本发明设计属于工业自动控制和海洋工程领域,具体涉及一种基于DMHE和DMPC的无人船协同目标跟踪控制方法。
背景技术
随着传感器、计算机、通信、网络化系统等技术迅猛发展,具有先进制导、导航和控制(Guidance,Navigation and Control,GNC)功能的无人船,逐渐引起了人们的重视。无人船是一种无需人员干预,可以在各种复杂的环境中执行任务,具有高度非线性动力学特性的水面运载工具。它的优势在于结构简单、用途广泛、操作方便、自主性强、释放和回收较为快捷、能避免未知领域人为操作风险,因此在军事和民用领域都有广泛应用。
无人船进行目标跟踪任务时会面临环境复杂多变和任务复杂多样的情况,而单无人船在进行大范围目标跟踪任务时,容易受到自身航程和通信距离限制,使得活动范围有限,工作效率低,对于环境的感知能力较差。多无人船协同目标跟踪可以充分利用系统中某些无人船的高精度信息,使得装备较差的无人船获得更好的跟踪效果;同时,多无人船活动范围更大,对目标的搜索范围更广。
多无人船协同作业包括集中式和分布式两种模式。集中式模式要求中央节点与所有无人船通信,这种模式的好处在于信息获取比较丰富,整体系统协同效果比较好。但是一旦中央节点出现故障,那么整个系统也会随之陷入瘫痪,并且如果系统维度过大,带来的中心节点计算量和通信量也会很高,影响时效性和容错性。而分布式模式中无人船只需要与邻居节点交换信息,通信压力小,时效性高,增强了系统可维护性和灵活性。因此,使用分布式模式实现多无人船的协同控制是一种可靠方法。
目前在对目标的协同估计方面,虽然基于卡尔曼滤波的分布式协同估计方法取得了较好的估计效果(如Distributed Kalman filtering based on consensusstrategies,IEEE Journal on Selected Areas in Communications,2008,26(4):622-633.),但是由于这种方法无法处理以约束形式存在的过程噪声,因此在实际估计过程中可能会出现不合理的估计结果。同时,也未能考虑到目标估计的优化性能(如DistributedKalman filter using weighted averaging,Proc.of the International Symposium onMathernatical Theory of Network,2006:1-6.)。在目标的协同跟踪控制方面,目前的大多数方法都不考虑协同编队控制的优化效果和控制过程中无人船推力和转矩的约束(如Cooperative target tracking control of Multiple Robots,IEEE Transactions onIndustrial Electronics,2012,59(8):3232–3240.)。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于DMHE和DMPC的无人船协同目标跟踪控制方法。
技术方案
一种基于DMHE和DMPC的无人船协同目标跟踪控制方法,其特征在于步骤如下:
步骤1:建立编队系统中无人船i的运动学和动力学模型:
其中,d11=-Xu,d22=-Yv,d33=-Nr;其中xi和yi分别表示无人船i在惯性坐标系中相应位置,ψi表示无人船i航向角,ui表示无人船i前向速度,vi表示无人船i横向速度,ri表示其角速度,ui1表示无人船i前向推力,ui2表示无人船i偏航力矩,m表示其质量,以及Xu,Yv,Nr分别是与附加质量和阻尼力有关的流体动力参数;
建立目标运动模型,选取匀加速运动模型:
将式(2)离散化后,运动模型为:
xr(k+1)=Fxr(k)+Gw(k) (3)
其中,T是采样周期,矩阵F和G具体形式如下:
在混合坐标系下建立量测方程,具体形式如下:
zi(k)=h(xr(k))+vi(k) (5)
其中,zi(k)=[ri(k),θi(k)]T,ri(k),θi(k)分别表示k时刻无人船i量测的目标距离和方位角,h(x)=[hir,hiθ]T,vi(k)表示表示零均值、协方差为R的高斯白噪声;hir和hiθ具体形式如下:
步骤2:单无人船的目标估计问题:
首先,考虑利用当前时刻T之前所有的量测信息,设计全信息MHE算法;将(3)和(5)式整理成如下形式:
满足约束条件:
接着设计有限时域估计算法,将全信息估计问题转化为固定时域为N的估计问题和到达代价设计问题;建立如下优化问题:
其中,ΘT-N(xr,T-N)为到达代价函数,定义为:
(12)式即:利用前向动态规划原理,将全信息MHE问题转化为当采样时刻k∈[T-N,...T-1]时的固定时域优化问题,通过固定优化问题得到初始最优估计值那么当k∈[0,...,T-N-1]时,如果存在干扰序列{w0,w1,...,wT-N-1}可以将系统从初始点在满足约束条件下导引到且满足代价函数VT-N最小;由于到达代价难以直接计算,采用无迹卡尔曼滤波算法进行估计,所述的无迹卡尔曼滤波算法如下:
UT变换:考虑n维变量xr,k,其均值为协方差为Px,k,传递函数xr,k+1=f(xr,k);根据均值和方差得到sigma点{χi:i=0,...,2n}、均值的权值和协方差的权值通过比例修正后,χi、和具体形式如下:
预测过程:
更新过程:
通过上述过程可以得到估计状态协方差矩阵Px,k,下面给出到达代价函数的近似函数:
其中,ΦT是到达代价的常值部分;
建立优化问题如下:
其中,代价函数为:
基于无迹卡尔曼滤波的MHE算法步骤如下:
(4)由(13)-(15)式计算状态协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数;
(5)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程;
步骤3:多无人船协同目标跟踪:
无人船i接收邻居节点无人船对目标位置的估计信息,根据单无人船目标估计中对到达代价ΘT-N(xr,T-N)以及阶段代价函数的构造,建立T时刻无人船i优化问题的指标函数为:
其中,pr,k=[xr,k,yr,k]T表示k时刻需要求解的xr,k的位置变量,也就是状态信息,它可以写成由变量xr,T-N和wk组成的形式,是T-1时刻的一系列估计值,N表示MHE算法估计时域,是对到达代价ΘT-N(xr,T-N)的简化,考虑(16)式中ΦT是常值,在优化问题的求解过程中可以省略,是基于无人船状态信息的目标协同项,A是给定加权矩阵;Q和R分别表示过程噪声矩阵和量测噪声矩阵,Px,T-N为通过无迹卡尔曼滤波得到二点协方差矩阵;
基于DMHE的目标跟踪算法步骤如下:
(5)由(13)-(15)式更新协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数;
(6)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程;
步骤4:多无人船协同跟踪控制:
对于每个无人船i假定它与邻居节点的通信网络拓扑是无向连通图结构,定义表示所有无人船的集合,表示无人船i的邻居集;则在每一采样时刻tk,无人船i接收邻居节点的状态信息,假设信息传输没有延迟和中断,通过求解关于目标状态和邻居节点状态的代价函数,得到优化控制输入ui,并实现如下协同控制目标:
(1)当t→∞时,pr(t)-pi(t)→dir;
其中pi=[xi,yi]T和pr=[xr,yr]T分别表示无人船i和目标的位置变量;
根据上述协同控制目标描述,建立如下的指标函数:
其中,Li(τ;tk)表示无人船i目标跟踪代价函数,Gi(τ;tk)表示无人船i协同代价函数,Ei(·)为终端代价函数,TP表示MPC算法预测时域;
函数Li(τ;tk)、Gi(τ;tk)和Ei(xir(tk+TP;tk)具体形式如下:
其中,pir(t)=pr(t)-pi(t)-dir表示无人船i与目标的位置跟踪误差,pij(t)=pi(t)-pj(t)-dij表示无人船i与邻居节点j的位置跟踪误差;Qi,Qij和Pi分别表示各项的加权矩阵;
无人船i每一采样时刻tk求解的优化问题如下所示:
xi(τ)∈χi
步骤5:优化过程估计值更新:
由于在每一采样时刻tk,各无人船需要同步求解优化问题,因此对于无人船i来说,并不能获得邻居节点j的真实位置预测轨迹;为了解决这一问题,邻居节点j需要在求解优化问题之前向无人船i发送假设位置预测轨迹,首先下面的说明:
假设控制输入设计如下:
根据上述分析,可将协同代价函数Gi(τ;tk)中的pij(τ;tk)通过代替求解;此外,在代价函数Li(τ;tk)中,需要知道当τ∈[tk,tk+Tp]时,目标的位置大小pr(τ;tk);而根据步骤3中DMHE算法,仅能知道当前时刻tk的目标位置估计值pr(tk;tk),因此需要对τ∈(tk,tk+Tp]时的目标位置进行假设;
假设目标位置预测轨迹设计如下:
有益效果
本发明提出的一种基于DMHE和DMPC的无人船协同目标跟踪控制方法,首先建立无人船的运动学和动力学模型,目标运动模型以及量测模型,之后设计基于无迹卡尔曼滤波的有限时域MHE算法,解决了到达代价估计问题和单个无人船对目标的估计问题,接着根据上述到达代价的估计方法,通过邻居节点间信息交流,设计DMHE算法,解决多无人船对目标的协同估计问题,最后根据目标估计的位置信息以及邻居节点位置信息交流,设计DMHE算法,解决多无人船协同目标跟踪控制问题。
本发明利用分布式控制结构,减少系统通信压力与工作成本,增强系统的可维护性和容错率;采用模型预测控制算法解决有约束参数优化问题;采用滚动时域估计估计算法解决有约束参数估计问题,提高估计的准确率。
附图说明
图1是全信息MHE算法与UKF算法仿真对比图
图2是基于UKF的有限时域MHE算法与UKF算法仿真对比图
图3是无人船1的协同目标跟踪仿真图
图4是无人船2的协同目标跟踪仿真图
图5是无人船3的协同目标跟踪仿真图
图6是三艘无人船协同目标跟踪控制效果图
图7是有限时域MHE算法流程框图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
一种基于DMHE和DMPC的无人船协同目标跟踪控制方法包括以下步骤:
首先,建立编队系统中无人船i的运动学和动力学模型:
上述表达式中,d11=-Xu,d22=-Yv,d33=-Nr。其中xi和yi分别表示无人船i在惯性坐标系中相应位置,ψi表示无人船i航向角,ui表示无人船i前向速度,vi表示无人船i横向速度,ri表示其角速度,ui1表示无人船i前向推力,ui2表示无人船i偏航力矩,m表示其质量,以及Xu,Yv,Nr分别是与附加质量和阻尼力有关的流体动力参数。
建立目标运动模型,这里选取匀加速(CA)运动模型:
将(2)式离散化后,运动模型为:
xr(k+1)=Fxr(k)+Gw(k) (31)
其中,T是采样周期,矩阵F和G具体形式如下:
对于平面运动目标观测时,一般是在平面极坐标系中输出观测数据,即目标的距离和方位角。而一般目标运动模型是在直角坐标系下建立的,因此需要在混合坐标系下建立量测方程,具体形式如下:
zi(k)=h(xr(k))+vi(k) (33)
其中,zi(k)=[ri(k),θi(k)]T,ri(k),θi(k)分别表示k时刻无人船i量测的目标距离和方位角,h(x)=[hir,hiθ]T,vi(k)表示表示零均值、协方差为R的高斯白噪声。hir和hiθ具体形式如下:
在解决多无人船协同目标估计问题之前,需要根据设计目标建立优化函数,其中包括阶段代价项、目标协同项和到达代价项。下面首先按照单无人船全信息MHE算法、单无人船有限时域MHE算法和基于无迹卡尔曼滤波的单无人船有限时域MHE算法的顺序,逐步给出阶段代价项和到达代价项的具体形式,然后基于无人船的状态信息设计目标协同项。
单无人船目标估计问题:
首先,考虑利用当前时刻T之前所有的量测信息,设计全信息MHE算法。将(3)和(5)式整理成如下形式:
满足约束条件:
接着设计有限时域估计算法,将全信息估计问题转化为固定时域为N的估计问题和到达代价设计问题。建立如下优化问题:
其中,ΘT-N(xr,T-N)为到达代价函数,定义为:
(12)式简单来说,利用前向动态规划原理,将全信息MHE问题转化为当采样时刻k∈[T-N,...T-1]时的固定时域优化问题,通过固定优化问题得到初始最优估计值那么当k∈[0,...,T-N-1]时,如果存在干扰序列{w0,w1,...,wT-N-1}可以将系统从初始点在满足约束条件下导引到且满足代价函数VT-N最小。由于到达代价难以直接计算,采用无迹卡尔曼滤波算法进行估计,下面简要介绍无迹卡尔曼滤波算法。
UT变换:考虑n维变量xr,k,其均值为协方差为Px,k,传递函数xr,k+1=f(xr,k)。根据均值和方差得到sigma点{χi:i=0,...,2n}、均值的权值和协方差的权值通过比例修正后,χi、和具体形式如下:
预测过程:
更新过程:
通过上述过程可以得到估计状态协方差矩阵Px,k,下面给出到达代价函数的近似函数:
其中,ΦT是到达代价的常值部分。
建立优化问题如下:
其中,代价函数为:
基于无迹卡尔曼滤波的MHE算法步骤如下:
(4)由(13)-(15)式计算状态协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数。
(5)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程。
多无人船协同目标跟踪:
协同目标跟踪是指利用量测信息,设计协同滤波器,得到目标状态信息趋于一致的估计值。本部分设计一种基于状态信息的DMHE协同目标跟踪算法。
无人船i接收邻居节点无人船对目标位置的估计信息,根据单无人船目标估计中对到达代价ΘT-N(xr,T-N)以及阶段代价函数的构造,建立T时刻无人船i优化问题的指标函数为:
其中,pr,k=[xr,k,yr,k]T表示k时刻需要求解的xr,k的位置变量,也就是状态信息,它可以写成由变量xr,T-N和wk组成的形式,是T-1时刻的一系列估计值,N表示MHE算法估计时域,是对到达代价ΘT-N(xr,T-N)的简化,主要是考虑(16)式中ΦT是常值,在优化问题的求解过程中可以省略,是基于无人船状态信息的目标协同项,A是给定加权矩阵,是阶段代价项,R和Q分别是量测噪声和过程噪声协方差矩阵。
基于DMHE的目标跟踪算法步骤如下:
(5)由(13)-(15)式更新协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数。
(6)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程。
多无人船协同跟踪控制:
为了实现无人船之间的协同控制,各无人船需要与邻居节点进行信息交流。对于每个无人船i假定它与邻居节点的通信网络拓扑是无向连通图结构,定义表示所有无人船的集合,表示无人船i的邻居集。则在每一采样时刻tk,无人船i接收邻居节点的状态信息,假设信息传输没有延迟和中断,通过求解关于目标状态和邻居节点状态的代价函数,得到优化控制输入ui,并实现如下协同控制目标:
(1)当t→∞时,pr(t)-pi(t)→dir。
其中pi=[xi,yi]T和pr=[xr,yr]T分别表示无人船i和目标的位置变量。
根据上述协同控制目标描述,建立如下的指标函数:
其中,Li(τ;tk)表示无人船i目标跟踪代价函数,Gi(τ;tk)表示无人船i协同代价函数,Ei(·)为终端代价函数,TP表示MPC算法预测时域。
函数Li(τ;tk)、Gi(τ;tk)和Ei(xir(tk+TP;tk)具体形式如下:
其中,pir(t)=pr(t)-pi(t)-dir表示无人船i与目标的位置跟踪误差,pij(t)=pi(t)-pj(t)-dij表示无人船i与邻居节点j的位置跟踪误差。
无人船i每一采样时刻tk求解的优化问题如下所示:
xi(τ)∈χi
优化过程估计值更新:
由于在每一采样时刻tk,各无人船需要同步求解优化问题,因此对于无人船i来说,并不能获得邻居节点j的真实位置预测轨迹。为了解决这一问题,邻居节点j需要在求解优化问题之前向无人船i发送假设位置预测轨迹,首先下面的说明:
假设控制输入设计如下:
根据上述分析,可将协同代价函数Gi(τ;tk)中的pij(τ;tk)通过代替求解。此外,在代价函数Li(τ;tk)中,需要知道当τ∈[tk,tk+Tp]时,目标的位置大小pr(τ;tk)。而根据步骤3)中DMHE算法,仅能知道当前时刻tk的目标位置估计值pr(tk;tk),因此需要对τ∈(tk,tk+Tp]时的目标位置进行假设。
假设目标位置预测轨迹设计如下:
实施例1:
以三艘无人船为例,其中无人船2与无人船1进行信息交流,无人船3与无人船1进行信息交流,具体方案如下:
步骤1.根据无人船运动学和动力学模型,建立无人船i非线性状态空间表达式:
建立匀加速(CA)目标运动模型和量测模型:
xr(k+1)=Fxr(k)+Gw(k)
zi(k)=h(xr(k))+vi(k)
上式中离散周期T=0.1s,设置过程噪声约束w(k)≥0,量测噪声协方差矩阵R=diag(1,0.1),过程噪声协方差矩阵Q=diag(0.1,0.1)。
步骤2.设计DMHE协同目标估计算法:
(2)利用无迹卡尔曼滤波算法,求解到达代价中协方差矩阵。
首先进行UT变换:考虑k均值为协方差为Px,k,传递函数xr,k+1=f(xr,k)。根据均值和方差得到sigma点{χi:i=0,...,2n}、均值的权值和协方差的权值通过比例修正后,χi、和具体形式如下:
更新过程:
上述过程可以得到估计状态协方差矩阵Px,k。
(3)当时刻T≤N时,无人船i建立如下全信息DMHE算法性能指标:
其中,k=0,1,2...N-1,A=diag(1,1)。,j是无人船i的邻居节点,优化问题如下:
w(k)≥0
当时刻T>N时,无人船i建立如下有限时域DMHE算法性能指标:
其中,k=T-N,...N-1,A=diag(1,1),j是无人船i的邻居节点,Px,T-N是UKF计算得到的协方差矩阵。优化问题如下:
w(k)≥0
步骤3.设计DMPC协同目标跟踪控制算法:
考虑雷达传感器搭载于3艘移动无人船上,且各无人船自身位置已知,观测值即为各无人船与目标的距离和方位角,设定无人船与目标组成编队形式,USV1跟踪目标所在位置,USV2与目标分别在x和y方向相差-1m和-1m,USV3与目标分别在x和y方向相差1m和1m。建立如下指标函数:
其中,代价函数的加权矩阵分别为,Pi=diag(5,1),Qi=diag(1,1),Qij=diag(10,10),初始状态信息为x1(0)=[11,51,1,2,2,-1]Tv,x2(0)=[12,51,1,2,2,-1]T,x3(0)=[13,52,1,2,2,-1]T,初始输入信息为u1(0)=[0,0]T,u2(0)=[0,0]T,u3(0)=[0,0]T,预测时域Tp=6。优化问题如下:
-10^4≤ui(τ)≤10^4
步骤4.优化过程估计值的更新:
将上述控制序列带入无人船系统模型得到:
步骤5.k+1时刻,按照上述步骤将估计值传输给其余水下航行器,各无人船得到邻居节点估计值后按照步骤2至步骤4过程循环求解优化问题,实现多无人船协同目标跟踪控制。
Claims (1)
1.一种基于DMHE和DMPC的无人船协同目标跟踪控制方法,其特征在于步骤如下:
步骤1:建立编队系统中无人船i的运动学和动力学模型:
其中,d11=-Xu,d22=-Yv,d33=-Nr;其中xi和yi分别表示无人船i在惯性坐标系中相应位置,ψi表示无人船i航向角,ui表示无人船i前向速度,vi表示无人船i横向速度,ri表示其角速度,ui1表示无人船i前向推力,ui2表示无人船i偏航力矩,m表示其质量,以及Xu,Yv,Nr分别是与附加质量和阻尼力有关的流体动力参数;
建立目标运动模型,选取匀加速运动模型:
将式(2)离散化后,运动模型为:
xr(k+1)=Fxr(k)+Gw(k) (3)
其中,T是采样周期,矩阵F和G具体形式如下:
在混合坐标系下建立量测方程,具体形式如下:
zi(k)=h(xr(k))+vi(k) (5)
其中,zi(k)=[ri(k),θi(k)]T,ri(k),θi(k)分别表示k时刻无人船i量测的目标距离和方位角,h(x)=[hir,hiθ]T,vi(k)表示表示零均值、协方差为R的高斯白噪声;hir和hiθ具体形式如下:
步骤2:单无人船的目标估计问题:
首先,考虑利用当前时刻T之前所有的量测信息,设计全信息MHE算法;将(3)和(5)式整理成如下形式:
满足约束条件:
接着设计有限时域估计算法,将全信息估计问题转化为固定时域为N的估计问题和到达代价设计问题;建立如下优化问题:
其中,ΘT-N(xr,T-N)为到达代价函数,定义为:
(12)式即:利用前向动态规划原理,将全信息MHE问题转化为当采样时刻k∈[T-N,...T-1]时的固定时域优化问题,通过固定优化问题得到初始最优估计值那么当k∈[0,...,T-N-1]时,如果存在干扰序列{w0,w1,...,wT-N-1}可以将系统从初始点在满足约束条件下导引到且满足代价函数VT-N最小;由于到达代价难以直接计算,采用无迹卡尔曼滤波算法进行估计,所述的无迹卡尔曼滤波算法如下:
UT变换:考虑n维变量xr,k,其均值为协方差为Px,k,传递函数xr,k+1=f(xr,k);根据均值和方差得到sigma点{χi:i=0,...,2n}、均值的权值Wi m和协方差的权值Wi c;通过比例修正后,χi、Wi m和Wi c具体形式如下:
预测过程:
更新过程:
通过上述过程可以得到估计状态协方差矩阵Px,k,下面给出到达代价函数的近似函数:
其中,ΦT是到达代价的常值部分;
建立优化问题如下:
其中,代价函数为:
基于无迹卡尔曼滤波的MHE算法步骤如下:
(4)由(13)-(15)式计算状态协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数;
(5)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程;
步骤3:多无人船协同目标跟踪:
无人船i接收邻居节点无人船对目标位置的估计信息,根据单无人船目标估计中对到达代价ΘT-N(xr,T-N)以及阶段代价函数的构造,建立T时刻无人船i优化问题的指标函数为:
其中,pr,k=[xr,k,yr,k]T表示k时刻需要求解的xr,k的位置变量,也就是状态信息,它可以写成由变量xr,T-N和wk组成的形式,是T-1时刻的一系列估计值,N表示MHE算法估计时域,是对到达代价ΘT-N(xr,T-N)的简化,考虑(16)式中ΦT是常值,在优化问题的求解过程中可以省略,是基于无人船状态信息的目标协同项,A是给定加权矩阵;Q和R分别表示过程噪声矩阵和量测噪声矩阵,Px,T-N为通过无迹卡尔曼滤波得到二点协方差矩阵;
基于DMHE的目标跟踪算法步骤如下:
(5)由(13)-(15)式更新协方差矩阵Px,T-N,得出到达代价ΘT-N(xr,T-N)的近似函数;
(6)在下一时刻,令T=T+1,同时增加量测值zi,T+1,返回步骤(2),重复上述过程;
步骤4:多无人船协同跟踪控制:
对于每个无人船i假定它与邻居节点的通信网络拓扑是无向连通图结构,定义表示所有无人船的集合,表示无人船i的邻居集;则在每一采样时刻tk,无人船i接收邻居节点的状态信息,假设信息传输没有延迟和中断,通过求解关于目标状态和邻居节点状态的代价函数,得到优化控制输入ui,并实现如下协同控制目标:
(1)当t→∞时,pr(t)-pi(t)→dir;
其中pi=[xi,yi]T和pr=[xr,yr]T分别表示无人船i和目标的位置变量;
根据上述协同控制目标描述,建立如下的指标函数:
其中,Li(τ;tk)表示无人船i目标跟踪代价函数,Gi(τ;tk)表示无人船i协同代价函数,Ei(·)为终端代价函数,TP表示MPC算法预测时域;
函数Li(τ;tk)、Gi(τ;tk)和Ei(xir(tk+TP;tk)具体形式如下:
其中,pir(t)=pr(t)-pi(t)-dir表示无人船i与目标的位置跟踪误差,pij(t)=pi(t)-pj(t)-dij表示无人船i与邻居节点j的位置跟踪误差;Qi,Qij和Pi分别表示各项的加权矩阵;
无人船i每一采样时刻tk求解的优化问题如下所示:
步骤5:优化过程估计值更新:
由于在每一采样时刻tk,各无人船需要同步求解优化问题,因此对于无人船i来说,并不能获得邻居节点j的真实位置预测轨迹;为了解决这一问题,邻居节点j需要在求解优化问题之前向无人船i发送假设位置预测轨迹,首先下面的说明:
假设控制输入设计如下:
此外,在代价函数Li(τ;tk)中,需要知道当τ∈[tk,tk+Tp]时,目标的位置大小pr(τ;tk);而根据步骤3中DMHE算法,仅能知道当前时刻tk的目标位置估计值pr(tk;tk),因此需要对τ∈(tk,tk+Tp]时的目标位置进行假设;
假设目标位置预测轨迹设计如下:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869622 | 2020-08-26 | ||
CN2020108696223 | 2020-08-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632876A CN112632876A (zh) | 2021-04-09 |
CN112632876B true CN112632876B (zh) | 2022-09-16 |
Family
ID=75290796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110012929.6A Active CN112632876B (zh) | 2020-08-26 | 2021-01-06 | 一种基于dmhe和dmpc的无人船协同目标跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632876B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063647B (zh) * | 2021-11-16 | 2023-07-04 | 电子科技大学 | 一种基于距离测量的多无人机互定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032136B (zh) * | 2018-07-23 | 2020-09-08 | 西北工业大学 | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 |
CN109521797B (zh) * | 2018-12-28 | 2020-10-27 | 西北工业大学 | 无人船引导水下航行器群的优化割草型编队控制方法 |
-
2021
- 2021-01-06 CN CN202110012929.6A patent/CN112632876B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112632876A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275436B (zh) | 一种多单臂机械手的rbf神经网络自适应控制方法 | |
CN109521797B (zh) | 无人船引导水下航行器群的优化割草型编队控制方法 | |
Zhou et al. | Deep convolutional neural network based fractional-order terminal sliding-mode control for robotic manipulators | |
CN112596395B (zh) | 一种多重信息约束下的多智能体一致性协同控制方法 | |
Yan et al. | Finite-time tracking control of autonomous underwater vehicle without velocity measurements | |
CN110658821A (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
CN113178098B (zh) | 一种无人船事件触发分层协同控制系统 | |
CN111722628B (zh) | 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法 | |
Qu et al. | Finite-time sideslip observer-based synchronized path-following control of multiple unmanned underwater vehicles | |
CN114115262B (zh) | 基于方位角信息的多auv执行器饱和协同编队控制系统和方法 | |
Zhang et al. | A novel event-triggered robust neural formation control for USVs with the optimized leader–follower structure | |
CN113589689A (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN112148036A (zh) | 网络化机器人系统的固定时间估计器的双边跟踪控制方法 | |
CN112632876B (zh) | 一种基于dmhe和dmpc的无人船协同目标跟踪控制方法 | |
CN113848887A (zh) | 一种基于mlp方法的欠驱动无人艇轨迹跟踪控制方法 | |
Chen et al. | Cooperative tracking of vessel trajectories based on curved dynamic coordinates | |
CN113377006B (zh) | 一种基于不变流形观测器的全局快速终端滑模控制方法 | |
CN116360470A (zh) | 一种多水下直升机协同编队控制方法 | |
Zeng et al. | Finite-time coordinated formation control of discrete-time multi-AUV with input saturation under alterable weighted topology and time-varying delay | |
CN111590561B (zh) | 一种分布式机械臂系统鲁棒预设性能控制方法 | |
CN112905953A (zh) | 一种倒立摆的无迹卡尔曼滤波控制方法 | |
Fu et al. | Event‐triggered‐based finite‐time cooperative path following control for underactuated multiple marine surface vehicles | |
Wang et al. | Distributed finite-time velocity-free robust formation control of multiple underactuated AUVs under switching directed topologies | |
Liu et al. | Moving-target circumnavigation using adaptive neural anti-synchronization control via distance-only measurements | |
CN116449703A (zh) | 一种有限时间框架下的auh编队协同控制方法 |
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 |