CN114063436B - 一种水面机器人抗干扰控制方法、系统、设备及介质 - Google Patents
一种水面机器人抗干扰控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114063436B CN114063436B CN202111176234.8A CN202111176234A CN114063436B CN 114063436 B CN114063436 B CN 114063436B CN 202111176234 A CN202111176234 A CN 202111176234A CN 114063436 B CN114063436 B CN 114063436B
- Authority
- CN
- China
- Prior art keywords
- pid
- water surface
- surface robot
- euler angle
- neuron
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000002569 neuron Anatomy 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 240000002627 Cordeauxia edulis Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B39/00—Equipment to decrease pitch, roll, or like unwanted vessel movements; Apparatus for indicating vessel attitude
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种水面机器人抗干扰控制方法、系统、设备及介质，方法包括：获取水面机器人的欧拉角；对水面机器人进行风浪训练，得到PID参数表；结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；对欧拉角进行误差分析，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节。本发明能够提高水面机器人的抗干扰能力，可广泛应用于水面机器人控制技术领域。
Description
技术领域
本发明涉及水面机器人控制技术领域，尤其是一种水面机器人抗干扰控制方法、系统、设备及介质。
背景技术
近年来，水面机器人已应用于水面清洁和水质检测等水上作业领域，主要运用于水采样、水质检测、水下地貌测绘、水文测量、水面垃圾清理、巡逻及救援等，而在海面进行探测或垃圾回收等自主作业的智能机器人往往会遭遇风浪复杂的影响，复杂的风浪会对水面机器人进行检测或清洁造成极大的干扰。现在海上抗风浪技术多应用于船舶上，并没有一个针对海面机器人的抗风浪方案。现有技术中船舶的抗风浪系统通过机器臂或水平舵进行风浪调节，这些技术都需要配置额外的设备对船舶进行平衡调节。
发明内容
有鉴于此，本发明实施例提供一种简单实用的水面机器人抗干扰控制方法、系统、设备及介质，以实现对水面机器人的平衡进行调节。
一方面，本发明提供了一种水面机器人抗干扰控制方法，包括：
获取水面机器人的欧拉角；
对水面机器人进行风浪训练，得到PID参数表；
结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；
对欧拉角进行误差分析，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；
将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节。
可选地，对水面机器人进行风浪训练，得到PID参数表，包括：
在不同的风浪环境下获取水面机器人的初始欧拉角；
将初始欧拉角输入水面机器人的神经元PID控制器中，输出训练PID参数；
将训练PID参数与初始欧拉角相对应，确定PID参数表。
可选地，对欧拉角进行误差分析，包括：
对欧拉角进行数据滤波处理，得到欧拉角的误差值，所述误差值用于表征欧拉角与零度之间的差距。
可选地，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率，包括：
当误差值大于第一阈值时，输出电机的动力值为最大输出值；
当误差值小于或等于第一阈值时，根据误差值的大小确定神经元PID控制器的学习速率。
可选地，将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值，包括：
将欧拉角输入神经元PID控制器；
根据学习规则结合学习速率计算得到PID参数增量；
将PID参数增量与初始PID参数相加得到目标PID参数，目标PID参数用于表征PID算法中下一次运算的初始PID参数；
根据目标PID参数对欧拉角进行PID计算，通过PID算法计算得到PWM信号值。
可选地，根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节，包括：
根据电机的PWM波控制范围确定电机的正反转范围和正反转分界值；
将PWM信号值与正反转分界值相减，得到电机的动力值；
当动力值为正值时，电机正转并输出推力对水面机器人的姿态进行调节；
或；
当动力值为负值时，电机反转并输出推力对水面机器人的姿态进行调节。
可选地，方法还包括：
通过有监督的Hebb学习规则对神经元PID控制器的PID参数进行更新。
另一方面，本发明实施例还公开了一种水面机器人抗干扰控制系统，包括：
第一模块，用于获取水面机器人的欧拉角；
第二模块，用于对水面机器人进行风浪训练，得到PID参数表；
第三模块，用于结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；
第四模块，用于对欧拉角进行误差分析，根据欧拉角的误差对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；
第五模块，用于将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
第六模块，用于根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节。
另一方面，本发明实施例还公开了一种电子设备，包括处理器以及存储器；
存储器用于存储程序；
处理器执行程序实现如前面的方法。
另一方面，本发明实施例还公开了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明通过获取水面机器人的欧拉角；对水面机器人进行风浪训练，得到PID参数表；通过PID参数表能够快速确定神经元PID的PID参数，减少自适应时间，提高了系统的效率；结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；对欧拉角进行误差分析，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；能够通过控制学习速率调节神经元PID，使系统能够快速学习和获得更优的PID参数；将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节；能够对电机进行制动，提高了系统的平衡性能，无需安装额外的部件即可对水面机器人的姿态进行调节。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明实施例提供一种水面机器人抗干扰控制方法，包括：
S1、获取水面机器人的欧拉角；
S2、对水面机器人进行风浪训练，得到PID参数表；
S3、结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；
S4、对欧拉角进行误差分析，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；
S5、将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
S6、根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节。
进一步作为优选的实施方式，上述步骤S2中，对水面机器人进行风浪训练，得到PID参数表，包括：
在不同的风浪环境下获取水面机器人的初始欧拉角；
将初始欧拉角输入水面机器人的神经元PID控制器中，输出训练PID参数；
将训练PID参数与初始欧拉角相对应，确定PID参数表。
其中，将水面机器人放置在不同的风浪环境下进行训练，可以使用模拟的造浪池或进行实地训练。在不同的风浪环境下获取水面机器人的初始欧拉角，初始欧拉角为在训练环境下实时获取的水面机器人的欧拉角。将初始欧拉角输入水面机器人的神经元PID控制器中，通过蓝牙串口远程控制输出PID参数和初始欧拉角中的翻滚角(roll)和俯仰角(pitch)。使用VOFA+串口图形显示软件，以PID参数为纵坐标，以时间为横坐标进行作图，当参数变化在一定时间内趋于稳定时，记录PID参数；同时以roll和pitch角度大小作为纵坐标，以时间为横坐标进行作图，记录roll和pitch角度值的变化范围。根据参数趋于稳定的时间段将roll和pitch角度值的变化范围与PID参数进行对应，得到PID参数表。进一步进行拓展，可以根据初始欧拉角的角度范围确定风浪等级，在PID参数表中加入风浪等级，当水面机器人工作过程中遭遇风浪等级突变时，可通过人工远程通信切换风浪等级，使水面机器人自动装载PID参数。
进一步作为优选的实施方式，上述步骤S4中，对欧拉角进行误差分析，包括：
对欧拉角进行数据滤波处理，得到欧拉角的误差值，所述误差值用于表征欧拉角与零度之间的差距。
其中，欧拉角的误差值为经过滤波处理后得到误差更小的欧拉角，表示欧拉角与水平零度的误差，在一段时间内获取欧拉角的最大值，此最大值用来确认机器人是否趋于稳定，当最大值很大时，通过电机全力输出来快速减少误差，当最大值较小时则改变学习速率。通过MPU6050姿态感应芯片可获取水面机器人的欧拉角，通过卡尔曼滤波算法对欧拉角进行数据滤波处理，利用欧拉角的动态信息，去掉噪声的影响，得到更加精准的欧拉角，能够减少系统误差，得到欧拉角的误差值。
进一步作为优选的实施方式，上述步骤S4中，根据欧拉角的误差值对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率，包括：
当误差值大于第一阈值时，输出电机的动力值为最大输出值；
当误差值小于或等于第一阈值时，根据误差值的大小确定神经元PID控制器的学习速率。
其中，第一阈值为经过滤波处理后的欧拉值乘以百分之五十，但误差值大于第一阈值时，输出电机的动力值为最大输出值，电机全力输出后可以在最短时间内减少误差。当误差值小于或等于第一阈值时，根据误差值的大小确定神经元PID控制器的学习速率。在此设置第二阈值为经过滤波处理后的欧拉值乘以百分之二十五，第三阈值为经过滤波处理后的欧拉值乘以百分之十，第四阈值为经过滤波处理后的欧拉值乘以百分之五。当误差值小于或等于第一阈值，大于第二阈值时，确定神经元PID控制器的学习速率为4；当误差值小于或等于第二阈值，大于第三阈值时，确定神经元PID控制器的学习速率为3；当误差值小于或等于第三阈值，大于第四阈值时，确定神经元PID控制器的学习速率为1；当误差值小于第四阈值时，确定神经元PID控制器的学习速率为0.5；学习速率会随着误差得减少而减少，用于精准定位PID参数，能够更快地确定PID参数。
进一步作为优选的实施方式，上述步骤S5中，将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值，包括：
将欧拉角输入神经元PID控制器；
根据学习规则结合学习速率计算得到PID参数增量；
将PID参数增量与初始PID参数相加得到目标PID参数，目标PID参数用于表征PID算法中下一次运算的初始PID参数；
根据目标PID参数对欧拉角进行PID计算，通过PID算法计算得到PWM信号值。
其中，将欧拉角输入神经元PID控制器，神经元PID控制器根据学习规则结合学习速率计算得到PID参数增量。学习规则公式为：
Δωi(k)＝ηiZ(k)U(k)xi(k)；
x1(k)＝err(k-1)；
x2(k)＝err(k)；
x3(k)＝err(k)-2err(k-1)+err(k-2)；
式中，Δωi(k)表示PID参数增量，ηi表示学习速率，Z(k)表示第k次误差，U(k)表示第k次增量数据，err(k)表示第k次误差，err(k-1)表示第(k-1)次误差，err(k-2)表示第(k-2)次误差，i表示少于或等于3的正整数。
将PID参数增量与初始PID参数相加得到目标PID参数，神经元控制器会根据上述方法自适应地不断更新PID参数，进行迭代运算，此时的目标PID参数将作为下一次更新运算中的初始PID参数。学习速率根据欧拉角误差计算得到，初始PID参数根据PID参数表得到。根据目标PID参数对欧拉角进行PID计算，通过PID算法计算得到PWM信号值。PID计算为根据欧拉角的误差值进行增量式PID计算，增量计算公式为：
ΔU(K)＝Kp(err(k-1)+Kierr(k)+Kd(err(k)-2err(k-1)+err(k-2))；
式中，ΔU(K)表示增量，k表示正整数，Kp表示比例系数，Ki表示积分系数，Kd表示微分系数，err(k)表示第k次误差，err(k-1)表示第(k-1)次误差，err(k-2)表示第(k-2)次误差。比例系数、积分系数和微分系数是PID算法中的三大参数。
进一步作为优选的实施方式，根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节，包括：
根据电机的PWM波控制范围确定电机的正反转范围和正反转分界值；
将PWM信号值与正反转分界值相减，得到电机的动力值；
当动力值为正值时，电机正转并输出推力对水面机器人的姿态进行调节；
或；
当动力值为负值时，电机反转并输出推力对水面机器人的姿态进行调节。
其中，本发明实施例采用的电机为50HZ的PWM信号驱动，50HZ的PWM波信号范围使用数字0-20000来表示，经过测定，正反转分界区为2090至2200，是一块区域而不是相当清晰的一条线。于是设置正反转分界线为2145，电机正转范围表示为2200-4990，反转范围表示为100-2090，那么动力值设置的最小值应该为100-2145＝-2045，最大值设置为2790，设置动力值最大最小值的目的是为了防止PID后得出的PWM信号值超出电调控制范围，陷入死区，动力停止，防止超出PWM控制的范围。电机的动力值为PWM信号值减去正反转分界线，当电机的动力值为正值时，电机正转产生推力对水面机器人的姿态进行调节；当电机的动力值为负值时，电机反转产生推力对水面机器人的姿态进行调节。
进一步作为优选的实施方式，方法还包括：
通过有监督的Hebb学习规则对神经元PID控制器的PID参数进行更新。
其中，在神经元PID控制器进行PID计算之后，进行神经元学习，通过有监督的Hebb学习规则更新PID系数，得到更新后的PID参数。通过有监督的Hebb学习规则能够自适应调整PID参数，能够提高系统的效率，对比需要手动调整的模糊PID来说效果更好。
另一方面，本发明实施例还提供了一种水面机器人抗干扰控制系统，包括：
第一模块，用于获取水面机器人的欧拉角；
第二模块，用于对水面机器人进行风浪训练，得到PID参数表；
第三模块，用于结合PID参数表和欧拉角确定神经元PID控制器的初始PID参数；
第四模块，用于对欧拉角进行误差分析，根据欧拉角的误差对水面机器人的电机输出进行调节，并确定神经元PID控制器的学习速率；
第五模块，用于将欧拉角输入神经元PID控制器，根据学习速率和初始PID参数确定神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
第六模块，用于根据PWM信号值对电机的正反转以及推力进行调控，对水面机器人的姿态进行调节。
与图1的方法相对应，本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
综上所述，本发明实施例具有以下优点：
(1)本发明实施例通过对水面机器人进行训练快速整定参数得到PID参数表，能够加快神经元自适应的速度，相较于初始的神经元PID能够更快地适应环境，获得更优的PID参数。
(2)本发明实施例通过对水面机器人进行训练确定风浪等级，在风浪突变时可以通过人工远程通信改变风浪等级，从而达到更快的应变突发情况。
(3)本发明实施例通过神经元PID技术进行电机动力值的计算，通过电机结合PID算法对水面机器人的姿态进行调节，平衡性更好且无需安装额外的部件。
(4)本发明实施例通过有规则的Hebb学习规则自行整定神经元PID参数，能够提高系统的效率。
(5)本发明实施例通过调整神经元学习速率，能够加快神经元PID的适应速度，并且能够更快地获得准确的PID参数。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种水面机器人抗干扰控制方法，其特征在于，包括：
获取水面机器人的欧拉角；
对所述水面机器人进行风浪训练，得到PID参数表；
所述对所述水面机器人进行风浪训练，得到PID参数表，包括：
在不同的风浪环境下获取所述水面机器人的初始欧拉角；
将所述初始欧拉角输入所述水面机器人的神经元PID控制器中，输出训练PID参数；
将所述训练PID参数与所述初始欧拉角相对应，确定PID参数表；
结合所述PID参数表和所述欧拉角确定神经元PID控制器的初始PID参数；
对所述欧拉角进行误差分析，根据所述欧拉角的误差值对所述水面机器人的电机输出进行调节，并确定所述神经元PID控制器的学习速率；
将所述欧拉角输入所述神经元PID控制器，根据所述学习速率和所述初始PID参数确定所述神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
根据所述PWM信号值对所述电机的正反转以及推力进行调控，对所述水面机器人的姿态进行调节。
2.根据权利要求1所述的一种水面机器人抗干扰控制方法，其特征在于，所述对所述欧拉角进行误差分析，包括：
对欧拉角进行数据滤波处理，得到所述欧拉角的误差值，所述误差值用于表征欧拉角与零度之间的差距。
3.根据权利要求1所述的一种水面机器人抗干扰控制方法，其特征在于，所述根据所述欧拉角的误差值对所述水面机器人的电机输出进行调节，并确定所述神经元PID控制器的学习速率，包括：
当所述误差值大于第一阈值时，输出所述电机的动力值为最大输出值；
当所述误差值小于或等于所述第一阈值时，根据所述误差值的大小确定所述神经元PID控制器的学习速率。
4.根据权利要求1所述的一种水面机器人抗干扰控制方法，其特征在于，所述将所述欧拉角输入所述神经元PID控制器，根据所述学习速率和所述初始PID参数确定所述神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值，包括：
将所述欧拉角输入所述神经元PID控制器；
根据学习规则结合所述学习速率计算得到PID参数增量；
将所述PID参数增量与所述初始PID参数相加得到所述目标PID参数，所述目标PID参数用于表征PID算法中下一次运算的初始PID参数；
根据所述目标PID参数对所述欧拉角进行PID计算，通过PID算法计算得到PWM信号值。
5.根据权利要求1所述的一种水面机器人抗干扰控制方法，其特征在于，所述根据所述PWM信号值对所述电机的正反转以及推力进行调控，对所述水面机器人的姿态进行调节，包括：
根据所述电机的PWM波控制范围确定所述电机的正反转范围和正反转分界值；
将所述PWM信号值与所述正反转分界值相减，得到所述电机的动力值；
当所述动力值为正值时，所述电机正转并输出推力对所述水面机器人的姿态进行调节；
或；
当所述动力值为负值时，所述电机反转并输出推力对所述水面机器人的姿态进行调节。
6.根据权利要求1所述的一种水面机器人抗干扰控制方法，其特征在于，所述方法还包括：
通过有监督的Hebb学习规则对所述神经元PID控制器的PID参数进行更新。
7.一种水面机器人抗干扰控制系统，其特征在于，包括：
第一模块，用于获取水面机器人的欧拉角；
第二模块，用于对所述水面机器人进行风浪训练，得到PID参数表；
第三模块，用于结合所述PID参数表和所述欧拉角确定神经元PID控制器的初始PID参数；
第四模块，用于对所述欧拉角进行误差分析，根据所述欧拉角的误差对所述水面机器人的电机输出进行调节，并确定所述神经元PID控制器的学习速率；
第五模块，用于将所述欧拉角输入所述神经元PID控制器，根据所述学习速率和所述初始PID参数确定所述神经元PID控制器的目标PID参数，通过PID算法计算得到PWM信号值；
第六模块，用于根据所述PWM信号值对所述电机的正反转以及推力进行调控，对所述水面机器人的姿态进行调节；
所述第二模块，用于对所述水面机器人进行风浪训练，得到PID参数表，包括：
在不同的风浪环境下获取所述水面机器人的初始欧拉角；
将所述初始欧拉角输入所述水面机器人的神经元PID控制器中，输出训练PID参数；
将所述训练PID参数与所述初始欧拉角相对应，确定PID参数表。
8.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176234.8A CN114063436B (zh) | 2021-10-09 | 2021-10-09 | 一种水面机器人抗干扰控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111176234.8A CN114063436B (zh) | 2021-10-09 | 2021-10-09 | 一种水面机器人抗干扰控制方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114063436A CN114063436A (zh) | 2022-02-18 |
| CN114063436B true CN114063436B (zh) | 2023-09-26 |
Family
ID=80234439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111176234.8A Active CN114063436B (zh) | 2021-10-09 | 2021-10-09 | 一种水面机器人抗干扰控制方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114063436B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449688B (zh) * | 2023-06-19 | 2023-10-31 | 深圳市大族机器人有限公司 | 机器人电机pid参数确定方法、装置和计算机设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6412998A (en) * | 1987-07-07 | 1989-01-17 | Tokyo Keiki Kk | Automatic steering system for ship |
| CN104155991A (zh) * | 2014-08-25 | 2014-11-19 | 南京工程学院 | 水下机器人位姿控制方法 |
| CN104391444A (zh) * | 2014-12-10 | 2015-03-04 | 福州大学 | 一种基于离散系统改进单神经元的pid整定方法 |
| CN104914716A (zh) * | 2015-04-08 | 2015-09-16 | 中国人民解放军海军工程大学 | 海洋航空重力测量平台自适应控制与容错保护系统及方法 |
| CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
| CN107356938A (zh) * | 2017-09-07 | 2017-11-17 | 大连海事大学 | 一种无人船二维激光雷达自稳装置及其控制方法 |
| CN107783423A (zh) * | 2017-10-25 | 2018-03-09 | 珠海格力电器股份有限公司 | 基于机器学习的pid参数自整定方法及其装置 |
| CN109034390A (zh) * | 2018-08-07 | 2018-12-18 | 河北工业大学 | 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法 |
-
2021
- 2021-10-09 CN CN202111176234.8A patent/CN114063436B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6412998A (en) * | 1987-07-07 | 1989-01-17 | Tokyo Keiki Kk | Automatic steering system for ship |
| CN104155991A (zh) * | 2014-08-25 | 2014-11-19 | 南京工程学院 | 水下机器人位姿控制方法 |
| CN104391444A (zh) * | 2014-12-10 | 2015-03-04 | 福州大学 | 一种基于离散系统改进单神经元的pid整定方法 |
| CN104914716A (zh) * | 2015-04-08 | 2015-09-16 | 中国人民解放军海军工程大学 | 海洋航空重力测量平台自适应控制与容错保护系统及方法 |
| CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
| CN107356938A (zh) * | 2017-09-07 | 2017-11-17 | 大连海事大学 | 一种无人船二维激光雷达自稳装置及其控制方法 |
| CN107783423A (zh) * | 2017-10-25 | 2018-03-09 | 珠海格力电器股份有限公司 | 基于机器学习的pid参数自整定方法及其装置 |
| CN109034390A (zh) * | 2018-08-07 | 2018-12-18 | 河北工业大学 | 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114063436A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107346138B (zh) | 一种基于增强学习算法的无人船侧向控制方法 | |
| Banazadeh et al. | Frequency domain identification of the Nomoto model to facilitate Kalman filter estimation and PID heading control of a patrol vessel | |
| CN109669345B (zh) | 基于eso的水下机器人模糊pid运动控制方法 | |
| Shariati et al. | Application of particle filter combined with extended Kalman filter in model identification of an autonomous underwater vehicle based on experimental data | |
| CN114063436B (zh) | 一种水面机器人抗干扰控制方法、系统、设备及介质 | |
| CN111198502B (zh) | 基于干扰观测器和模糊系统的无人艇航迹跟踪控制方法 | |
| Wang et al. | Unscented Kalman Filter trained neural network control design for ship autopilot with experimental and numerical approaches | |
| CN107255920A (zh) | 基于网络优化算法的pid控制方法和装置及系统 | |
| CN106444359A (zh) | 一种喷水推进无人艇自主区域保持的仿人智能控制方法 | |
| CN112432644A (zh) | 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法 | |
| CN114137826B (zh) | 一种基于灰狼算法的船舶动力定位自抗扰控制方法 | |
| EP3956733A1 (en) | Method for computer-implemented determination of a drag coefficient of a wind turbine | |
| Hassani et al. | A multiple model adaptive wave filter for dynamic ship positioning | |
| CN110687795B (zh) | 一种基于目标计算的船舶动力定位系统非线性无偏预测控制方法 | |
| Liu et al. | Single-neuron adaptive pitch-depth control for a lift principle AUV with experimental verification | |
| CN114755917A (zh) | 一种无模型自适应抗干扰船舶速度控制器及设计方法 | |
| Yang et al. | Reinforcement Learning-based Position Control for a Disc-shaped Underwater Remotely Operated Vehicle | |
| Dang et al. | A novel fft-assisted background flow sensing framework for autonomous underwater vehicles in dynamic environment with changing flow patterns | |
| Guo et al. | Adaptive control of an autonomous underwater vehicle testbed using neural networks | |
| Li et al. | Application of a robust adaptive controller to autonomous diving control of an AUV | |
| Priandana et al. | SOM-based direct inverse trajectory control system for double-propeller boat maneuvers | |
| Subchan et al. | Estimation of hydrodynamic coefficients using unscented kalman filter and recursive least square | |
| CN117792190B (zh) | 一种高精度电机驱动方法 | |
| Wang et al. | Experimental study of intelligent autopilot for surface vessels based on neural network Optimised PID controller | |
| CN118244770B (zh) | 一种无人艇的重复学习复合抗扰动容错控制方法 |
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 |