CN115407663B - 无人船控制方法、装置、设备及计算机存储介质 - Google Patents
无人船控制方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115407663B CN115407663B CN202211342057.0A CN202211342057A CN115407663B CN 115407663 B CN115407663 B CN 115407663B CN 202211342057 A CN202211342057 A CN 202211342057A CN 115407663 B CN115407663 B CN 115407663B
- Authority
- CN
- China
- Prior art keywords
- speed
- control
- difference
- time
- unmanned ship
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本申请公开了一种无人船控制方法、装置、设备及计算机存储介质。获取无人船当前时刻的时空数据和双推进器的期望控制输入量,时空数据包括航速、航向角、无人船的姿态信息;计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;计算第一近似值和第二近似值的第一差值,以及计算所述第一一阶微分和第二一阶微分的第二差值;将时空数据、第一差值和第二差值输入至神经网络模型,在性能指标函数值最小时,输出控制参数;基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量;基于控制输出分量驱动所述无人船的螺旋桨工作。本申请实施例提升了无人船面对未知环境的自适应能力,提高了无人船控制系统的鲁棒性。
Description
技术领域
本申请属于控制领域,尤其涉及一种无人船控制方法、装置、设备及计算机存储介质。
背景技术
近年来,海上各类作业需求不断增加,海洋装备也逐渐向自主化、无人化的趋势发展,无人船作为一种可在水面实现综合作业的载体,具有解决这一类问题的技术优势。
无人船航向航速控制的现有方法主要包括传统的比例积分微分控制(Proportional Integral Derivative,PID)控制、自适应控制、反步控制等,但这些控制方法对外界环境的干扰较为敏感,导致控制系统的鲁棒性不高。
发明内容
本申请实施例提供一种无人船控制方法、装置、设备及计算机存储介质,能够提高无人船控制系统的鲁棒性。
第一方面,本申请实施例提供一种无人船控制方法,方法包括:
获取无人船当前时刻的时空数据和双推进器的期望控制输入量,所述时空数据包括航速、航向角、无人船的姿态信息;
基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到;
将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量;
在一个可能实现的实施例中,基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息,包括:
基于航速、航向角、双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,选取待设计的线性观测器增益参数为:为线性观测器的带宽。
在一个可能实现的实施例中,将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数,包括:
将时空数据、第一差值和第二差值输入至神经网络模型;
通过反向传播机制计算时空数据的导数值;
将导数值和神经网络模型的约束条件组合得到性能指标函数,约束条件中包括无人船的姿态信息、第一差值和第二差值;
利用梯度下降算法计算性能指标函数的最小值;
输出控制参数。
在一个可能实现的实施例中,基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量,包括:
根据控制参数、第一差值、第二差值和总扰动信息计算控制输出分量满足以下条件:
第二方面,本申请实施例提供了一种无人船控制装置,装置包括:
获取模块,用于获取无人船当前时刻的时空数据和双推进器的期望控制输入量,所述时空数据包括航速、航向角、无人船的姿态信息;
计算模块,用于基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
计算模块,还用于计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到;
计算模块,还用于将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
计算模块,还用于基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量;
控制模块,用于基于控制输出分量驱动无人船的螺旋桨工作。
在一个可能的实施例中,计算模块具体用于:
基于航速、航向角、双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,选取待设计的线性观测器增益参数为:为线性观测器的带宽。
在一个可能的实施例中,计算模块具体用于:
根据控制参数、第一差值、第二差值和总扰动信息计算的控制输出分量满足以下条件:
第三方面,本申请实施例提供了一种无人船控制系统,系统包括:
传感器,用于获取无人船当前时刻的时空数据;
导航控制子系统,用于获取双推进器的期望控制输入量;
中央控制子系统,用于基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
中央控制子系统,还用于计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到;
中央控制子系统,还用于将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
中央控制子系统,还用于基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量;
双螺旋桨推进子系统,用于基于控制输出分量驱动无人船的螺旋桨工作。
第四方面,本申请实施例提供了一种无人船控制设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现上述任意一项的无人船控制方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述任意一项的无人船控制方法。
第六方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任意一项的无人船控制方法。
本申请实施例的无人船控制方法、装置、设备及计算机存储介质,通过当前时刻的航速、航向角、无人船推进器的控制输入量,无人船的总扰动信息得到航速和航向角的第一近似值和第一一阶微分,计算基于目标航速和目标航向角得到第二近似值与第一近似值的第一差值,计算基于目标航速和目标航向角得到第二一阶微分与第一一阶微分的第二差值,将无人船的时空数据、第一差值和第二差值输入到神经网络模型中得到性能指标函数值最小时的控制参数,通过控制参数、第一差值、第二差值和总扰动信息计算控制输出分量,通过该控制输出分量控制无人船的螺旋桨工作,提升了无人船面对未知环境的自适应能力,提高了无人船控制系统的鲁棒性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请一个实施例提供的无人船控制方法的流程示意图;
图2是本申请另一个实施例提供的无人船控制装置的结构示意图;
图3是本申请另一个实施例提供的无人船控制系统的结构示意图;
图4是本申请又一个实施例提供的无人船控制设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
近年来,海上各类作业需求不断增加,海洋装备也逐渐向自主化、无人化的趋势发展,无人船作为一种可在水面实现综合作业的载体,具有解决这一类问题的技术优势。无人船航向航速控制的现有方法主要包括传统的PID控制、自适应控制、反步控制等,但这些控制方法对外界环境的干扰较为敏感,导致控制系统的鲁棒性不高。
为了解决现有技术问题,本申请实施例提供了一种无人船控制方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的无人船控制方法进行介绍。
图1示出了本申请一个实施例提供的无人船控制方法的流程示意图。如图1所示,本申请实施例提供的无人船控制方法包括以下步骤:
S110、获取无人船当前时刻的时空数据和双推进器的期望控制输入量,时空数据包括航速、航向角、无人船的姿态信息。
S120、基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息。
S130、计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到。
S140、将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数。
S150、基于控制参数、第一差值、第二差值和总扰动信息计算,得到控制输出分量。
S160、基于控制输出分量驱动无人船的螺旋桨工作。
这样,通过当前时刻的航速、航向角、无人船的姿态信息,双推进器的期望控制输入量计算得到航速和航向角的第一近似值和第一一阶微分和无人船的总扰动信息,计算基于目标航速和目标航向角得到第二近似值与第一近似值的第一差值,计算基于目标航速和目标航向角得到第二一阶微分与第一一阶微分的第二差值,将无人船的实际姿态信息、第一差值和第二差值输入到神经网络模型中得到性能指标函数值最小时的控制参数,通过控制参数、第一差值、第二差值和总扰动信息计算控制输出分量,通过该控制输出分量驱动无人船的螺旋桨工作,提升了无人船面对未知环境的自适应能力,提高了无人船控制系统的鲁棒性。
下面介绍上述各个步骤的具体实现方式。
在S110中,获取无人船当前时刻的时空数据和双推进器的期望控制输入量。
时空数据可以是无人船获取的传感器数据,可以是随着时间和空间发生改变的数据,可以包括航速,航向角,无人船的位置信息和姿态信息。在一些实施例中,时空数据还可以包括流场流速变化信息。
双推进器的期望控制输入量可以是提前设定好的控制量,控制输入量可以包括航速控制量和航向角控制量。无人船的姿态信息可以包括加速度、俯仰角、横摇角和偏航角。
作为一个示例,当前时刻的航速为v1,航向角为yaw1,双推进器的期望控制输入量可以包括航速控制量和航向角控制量。
在S120中,根据航速航向角、双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息,第一近似值可以是一个估计值,并不是一个准确的数值,第一一阶微分可以是一个估计值,并不是一个准确的数值,第一近似值可以表示为航速和航向角,第一一阶微分可以表示为航速的微分和航向角的一阶微分。
基于此,在一些实施例中,基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息,包括:
利用如下公式(1)和(2)基于航速、航向角、双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰动信息,将连续形式公式(1)采用如下离散形式公式(2)进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波因子, (k+1) 为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,选取待设计的线性观测器增益参数为:为线性观测器的带宽。
这样计算得到第一近似值和第一一阶微分降低了控制难度,同时将线性观测器的带宽作为计算第一近似值和第一一阶微分过程的唯一参数,降低了参数调整和确定的难度。
在S130中,计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值。第二近似值和第二一阶微分可以由目标航速和目标航向角计算得到,目标航速和目标航向角可以是预先设定好的,也可以是已经储存的上一时刻的航速和航向角。
作为一个示例,通过目标航速v0和目标航向角yaw0计算得到第二近似值和第二一阶微分和,其中vx、dx分别表示目标航速和目标航向角的近似值,表示目标航速和目标航向角的一阶微分,第二近似值和第二一阶微分采用计算公式(3)和(4)得到:
v0 (k)表示第k时刻的目标航速,yaw0(k)表示第k时刻的目标航向角, r=(r1,r2)为航向及航速的跟踪速度因子,其值越大,逼近速度越快,h0为积分步长,步长越大,振荡幅度越大,(k+1)表示第k+1时刻的第二近似值, (k)表示第k时刻的第二一阶微分, (k+1)表示第k+1时刻的第二一阶微分,其中最速控制函数计算公式如(4)所示:
计算第一近似值和第二近似值的差值得到第一差值e1,计算第一一阶微分和第二一阶微分的差值得到第二差值e2。
在S140中,将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数。可以将姿态信息、第一差值和第二差值输入至已经构建好的神经网络模型中,在性能指标函数值最小时,输出控制参数,性能指标函数值最小时可以是神经网络模拟的航速和航向角与当前时刻的航速和航向角最接近的时候,此时输出的控制参数为最优控制参数。
基于此,在一些实施例中,将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数,包括:
将时空数据、第一差值和第二差值输入至神经网络模型;
通过反向传播机制计算时空数据的导数值;
将导数值和神经网络模型的约束条件组合得到性能指标函数,约束条件中包括无人船的预设姿态信息、预设第一差值和预设第二差值;
利用梯度下降算法计算性能指标函数的最小值;
输出控制参数。
在一些实施例中,神经网络模型可以是基于融合物理模型的深度神经网络模型,基于融合物理模型的深度神经网络模型可以分为五层,可以为多物理信息输入层、深度神经网络层、控制参数输出层、自动微分层和误差函数层。其中,多物理信息输入层获取时空数据和误差信息,误差信息可以包括第一差值和第二差值。深度神经网络层用于根据误差信息通过总误差函数进行迭代计算,得到最优的网络权值参数,其中,最优的网络权值参数为中间层神经元节点之间传递的权重参数。自动微分层中神经网络通过反向传播机制将时空数据在各时间-空间点上的导数值计算出来,导数值可以包括通过反向传播机制将姿态信息在各时间-空间点上的导数值,其中,反向传播机制是通过计算上一个隐藏层中各神经元为输出结果贡献的误差大小,直至计算至输入层为止,由导数链式法则求出总误差函数对应的所有参数梯度。误差函数层将导数值和神经网络模型的约束条件(或称为方程约束)组合成性能指标函数,并使用RMSprop梯度下降算法对总损失进行优化,得到性能指标函数Ek最小。控制参数输出层输出当总误差函数最小时控制效果最优的控制参数、;其中,RMSprop梯度下降算法具有以下形式(5)组成:
其中s1 ,s2为不同梯度方向的状态值,w1 ,w2为不同方向的下降梯度值,dw1, dw2为不同方向的下降梯度微分值,为深度神经网络的学习率,通常设定为较小的正常数,常用参数值设定。通过观察上述公式可以看到,s1 ,s2是对梯度的平方做了一次平滑。在更新w1 ,w2时,先用梯度dw1, dw2分别除以或,对梯度做一次归一化处理,因此每个元素的学习率在迭代过程中就不再一直降低,并可以调整不同维度上的步长,加快收敛速度。
其中,约束条件包括无人船姿态信息的标准姿态、以及预设的第一差值和第二差值的条件信息。
这样,能够利用神经网络的优点实现对双推进器无人船控制,相较于传统的PID控制而言,大大减少了控制参数的调节,增加了无人船控制稳定性。神经网络模型对第一差值、第二差值与当前时刻的航速和航向进行在线和离线识别,智能调整控制参数,可以解决需要经验才能调试参数的问题,通过融合物理信息的神经网络模型可以找到最优的控制参数,进一步提升系统的鲁棒性。
在S150中,基于控制参数、第一差值、第二差值和总扰动信息计算得到控制输出分量,控制参数可以是最优的控制参数,可以包括不同分量,总扰动可以为无人船受到的总扰动估计,得到的控制输出分量可以包括左右推进器的控制输出分量,可以通过控制输出分量控制无人船的航速和航向角。
基于此,在一些实施例中,基于控制参数、第一差值、第二差值和总扰动计算,得到控制输出分量,包括:
这样,通过控制参数、第一差值、第二差值以及总扰动计算得到的控制输出分量能够更准确的得到控制输出分量,基于此控制输出分量调节可以使无人船的处于期望状态。
在S160中,基于控制输出分量驱动无人船的螺旋桨工作,考虑到要控制无人船航速和航向角的变化需要控制无人船的螺旋桨来进一步调节。
其中,v,w分别表示无人船航行的线速度和角速度,可以通过当前时刻的航速和航向角计算得到,ur和ul分别表示左推进器和右推进器的线速度,分别为左右推进器的阻尼系数,因螺旋桨转速在水中存在一定的速度转换效率,故值均小于1,l表示两推进器之间的距离,yaw1(k+1)为第k+1时刻的航向角,yaw1(k) 为第k时刻的航向角,h1为时间积分步长。
左右推进器的控制输出分量可进一步转换成用于驱动电子调速器的脉冲宽度调制(PulseWidth Modulation,PWM)脉宽控制信号,驱动螺旋桨直流电机转动,满足转换公式(12)和(13)如下所示:
其中,PWMl,PWMr为左右螺旋桨电机电子调速器的PWM驱动信号,PWMmax,PWMmin分别为电子调速器可接收的最大最小PWM驱动信号,umax为根据无人船的动力要求而标定的最大螺旋桨转速,即最大推力。PWM0为无人船当前的控制信号量。
基于上述实施例提供的无人船控制方法,相应地,本申请还提供了无人船控制装置200的具体实现方式。请参见以下实施例。
首先参见图2,本申请实施例提供的无人船控制装置200,包括:
获取模块210,用于获取无人船当前时刻的时空数据和双推进器的期望控制输入量,所述时空数据包括航速、航向角、无人船的姿态信息;
计算模块220,用于基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
计算模块220,还用于计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到;
计算模块220,还用于将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
计算模块220,还用于基于控制参数、第一差值、第二差值和总扰动计算,得到控制输出分量;
控制模块230,用于基于控制输出分量驱动无人船的螺旋桨工作。
基于此,在一些实施例中,计算模块220具体用于:
基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,选取待设计的线性观测器增益参数为:为线性观测器的带宽。
基于此,在一些实施例中,计算模块220包括:
输入单元,用于将时空数据、第一差值和第二差值输入至神经网络模型;
计算单元,用于通过反传播机制计算时空数据的导数值;
结合单元,用于将导数值和神经网络的约束条件组合得到性能指标函数,约束条件中包括无人船的预设姿态信息、预设第一差值和预设第二差值;
计算单元,还用于利用梯度下降算法计算性能指标函数的最小值;
输出单元,还用于输出控制参数。
基于此,在一些实施例中,计算模块220具体用于:
根据控制参数、第一差值、第二差值和总扰动信息计算的控制输出分量满足以下条件:
本申请实施例提供的无人船控制装置的各个模块,可以实现图1提供无人船控制方法的各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
基于上述实施例提供的无人船控制方法,相应地,本申请还提供了无人船控制系统的具体实现方式。请参见以下实施例。
参见图3,本申请实施例提供的无人船控制系统300,包括:
传感器310,用于获取无人船当前时刻的时空数据;
导航控制子系统320,用于获取双推进器的期望控制输入量;
中央控制子系统330,用于基于航速、航向角、双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
中央控制子系统330,还用于计算第一近似值和第二近似值的第一差值,以及计算第一一阶微分和第二一阶微分的第二差值;其中,第二近似值和第二一阶微分是分别基于目标航速和目标航向角计算得到;
中央控制子系统330,还用于将时空数据、第一差值和第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
中央控制子系统330,还用于基于控制参数、第一差值、第二差值和总扰动计算,得到控制输出分量;
双螺旋桨推进子系统340,用于基于控制输出分量驱动无人船的螺旋桨工作。
基于此,在一些实施例中,中央控制子系统330具体用于:
基于航速、航向角、双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,选取待设计的线性观测器增益参数为:为线性观测器的带宽。
基于此,在一些实施例中,中央控制子系统330具体用于:
用于将时空数据、第一差值和第二差值输入至神经网络模型;
用于通过反传播机制计算时空数据的导数值;
用于将导数值和神经网络的约束条件组合得到性能指标函数,约束条件中包括无人船的预设姿态信息、预设第一差值和预设第二差值;
还用于利用梯度下降算法计算性能指标函数的最小值;
还用于输出控制参数。
基于此,在一些实施例中,中央控制子系统330具体用于:
根据控制参数、第一差值、第二差值和总扰动信息计算的控制输出分量满足以下条件:
本申请实施例提供的无人船控制系统,可以实现图1提供无人船控制方法的各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图4示出了本申请实施例提供的无人船控制设备的结构示意图。
在无人船控制设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(Central Processing Unit ,CPU),或者特定集成电路(Application Specific Integrated Circuit ,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在综合网关容灾设备的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。
存储器可包括只读存储器(Read Only Memory ,ROM),随机存取存储器(RandomAccess Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种无人船控制方法。
在一个示例中,无人船控制设备还可包括通信接口403和总线410。其中,如图4所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将无人船控制设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(Linear Predictive Coding,LPC)总线、存储器总线、微信道架构(MicroChannel Architecture ,MCA)总线、外围组件互连(Peripheral Component Interconnect ,PCI)总线、PCI-Express(PeripheralComponent Interconnect-X ,PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment ,SATA)总线、视频电子标准协会局部(VESA Local Bus,VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该无人船控制设备可以基于获取的无人船当前时刻的时空数据和双推进器的期望控制输入量执行本申请实施例中的无人船控制方法,从而实现结合图1和图2描述的无人船控制方法和装置。
另外,结合上述实施例中的无人船控制方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种无人船控制方法。
本申请还提供了一种计算机程序产品,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行实现上述任意一种无人船控制方法实施例的各个过程。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit ,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除只读存储器(ErasableRead Only Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (6)
1.一种无人船控制方法,其特征在于,包括:
获取无人船当前时刻的时空数据和双推进器的期望控制输入量,所述时空数据包括航速、航向角、无人船的姿态信息;
基于所述航速、所述航向角、所述双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
计算所述第一近似值和第二近似值的第一差值,以及计算所述第一一阶微分和第二一阶微分的第二差值;其中,所述第二近似值和所述第二一阶微分是分别基于目标航速和目标航向角计算得到;
将所述时空数据、所述第一差值和所述第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
基于所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算,得到控制输出分量;
基于所述控制输出分量驱动所述无人船的螺旋桨工作;
所述基于所述航速、所述航向角、所述双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息,包括:
基于所述航速、所述航向角、所述双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航
向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰
动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误
差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波
因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向
角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻
总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,
选取待设计的线性观测器增益参数为:为线性观测器的带
宽;
所述基于所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算,得到控制输出分量,包括:
根据所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算的控制输出分量满足以下条件:
所述所述第二近似值和所述第二一阶微分是分别基于目标航速和目标航向角计算得到,包括:
其中,fh表示最速控制函数,为表示出相关变量的最
速控制函数, (k)表示第k时刻的第二近似值,表示为第k时刻
的目标航向角和目标航速,其中,v0 (k)表示第k时刻的目标航速,yaw0(k)表示第k时刻的目
标航向角, r=(r1,r2)为航向及航速的跟踪速度因子,其值越大,逼近速度越快,h0为积分步
长,步长越大,振荡幅度越大,(k+1)表示第k+1时刻的第二近似值, (k)表示第k时刻的
第二一阶微分, (k+1)表示第k+1时刻的第二一阶微分,其中最速控制函数满足以下条件:
2.根据权利要求1所述的无人船控制方法,其特征在于,所述将所述时空数据、所述第一差值和所述第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数,包括:
将所述时空数据、所述第一差值和所述第二差值输入至神经网络模型;
通过反向传播机制计算所述时空数据的导数值;
将导数值和神经网络模型的约束条件组合得到性能指标函数,所述约束条件中包括所述无人船的预设姿态信息、预设第一差值和预设第二差值;
利用梯度下降算法计算性能指标函数的最小值;
输出所述控制参数。
3.一种无人船控制装置,其特征在于,所述装置包括:
获取模块,用于获取无人船当前时刻的时空数据和双推进器的期望控制输入量,所述时空数据包括航速、航向角、无人船的姿态信息;
计算模块,用于基于所述航速、所述航向角、所述双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
所述计算模块,还用于计算所述第一近似值和第二近似值的第一差值,以及计算所述第一一阶微分和第二一阶微分的第二差值;其中,所述第二近似值和所述第二一阶微分是分别基于目标航速和目标航向角计算得到;
所述计算模块,还用于将所述时空数据、所述第一差值和所述第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
所述计算模块,还用于基于所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算,得到控制输出分量;
控制模块,用于基于所述控制输出分量驱动所述无人船的螺旋桨工作;
所述计算模块具体用于:
基于所述航速、所述航向角、所述双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航
向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰
动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误
差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波
因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向
角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻
总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,
选取待设计的线性观测器增益参数为:为线性观测器的带
宽;
所述计算模块具体用于:
根据所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算的控制输出分量满足以下条件:
所述计算模块还用于:
其中,fh表示最速控制函数,为表示出相关变量的最
速控制函数, (k)表示第k时刻的第二近似值,表示为第k时刻
的目标航向角和目标航速,其中,v0 (k)表示第k时刻的目标航速,yaw0(k)表示第k时刻的目
标航向角, r=(r1,r2)为航向及航速的跟踪速度因子,其值越大,逼近速度越快,h0为积分步
长,步长越大,振荡幅度越大,(k+1)表示第k+1时刻的第二近似值, (k)表示第k时刻的
第二一阶微分, (k+1)表示第k+1时刻的第二一阶微分,其中最速控制函数满足以下条件:
4.一种无人船控制系统,其特征在于,所述系统包括:
传感器,用于获取无人船当前时刻的时空数据,所述时空数据包括航速、航向角、无人船的姿态信息;
导航控制子系统,用于获取双推进器的期望控制输入量;
中央控制子系统,用于基于所述航速、所述航向角、所述双推进器的期望控制输入量,计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息;
所述中央控制子系统,还用于计算所述第一近似值和第二近似值的第一差值,以及计算所述第一一阶微分和第二一阶微分的第二差值;其中,所述第二近似值和所述第二一阶微分是分别基于目标航速和目标航向角计算得到;
所述中央控制子系统,还用于将所述时空数据、所述第一差值和所述第二差值输入至神经网络模型计算性能指标函数值,在性能指标函数值最小时,输出控制参数;
所述中央控制子系统,还用于基于所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算,得到控制输出分量;
双螺旋桨推进子系统,用于基于所述控制输出分量驱动所述无人船的螺旋桨工作;
所述中央控制子系统还用于:
基于所述航速、所述航向角、所述双推进器的期望控制输入量计算得到航速和航向角的第一近似值、第一一阶微分和无人船的总扰动信息满足以下条件:
其中,、表示航速和航向角,、表示航速和航向角的一阶微分,e表示航速和航
向角的第一近似值与航速和航向角之间的误差值,y0 为当前时刻的航速和航向角,分别为的一阶微分导数,为待设计的线性观测器增益,为总扰
动信息,采用如下离散形式进行计算:
其中,e(k)为第k时刻航速和航向角的第一近似值与第k时刻航速和航向角之间的误
差,(k)为第k时刻航速和航向角的第一近似值,y0 (k)为第k时刻航速和航向角,h为滤波
因子, (k+1)为第k+1时刻航速和航向角的第一近似值,(k+1)为第k+1时刻航速和航向
角的第一一阶微分, (k)为第k时刻航速和航向角的第一一阶微分,(k+1)为第k+1时刻
总扰动信息,b0为补偿系数,(k)为第k时刻总扰动信息,u (k)为第k时刻的控制输入量,
选取待设计的线性观测器增益参数为:为线性观测器的带
宽;
所述中央控制子系统还用于:
根据所述控制参数、所述第一差值、所述第二差值和所述总扰动信息计算的控制输出分量满足以下条件:
所述中央控制子系统还用于:
其中,fh表示最速控制函数,为表示出相关变量的最
速控制函数, (k)表示第k时刻的第二近似值,表示为第k时刻
的目标航向角和目标航速,其中,v0 (k)表示第k时刻的目标航速,yaw0(k)表示第k时刻的目
标航向角, r=(r1,r2)为航向及航速的跟踪速度因子,其值越大,逼近速度越快,h0为积分步
长,步长越大,振荡幅度越大,(k+1)表示第k+1时刻的第二近似值, (k)表示第k时刻的
第二一阶微分, (k+1)表示第k+1时刻的第二一阶微分,其中最速控制函数满足以下条件:
5.一种无人船控制设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-2任意一项所述的无人船控制方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-2任意一项所述的无人船控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342057.0A CN115407663B (zh) | 2022-10-31 | 2022-10-31 | 无人船控制方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342057.0A CN115407663B (zh) | 2022-10-31 | 2022-10-31 | 无人船控制方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115407663A CN115407663A (zh) | 2022-11-29 |
CN115407663B true CN115407663B (zh) | 2023-01-31 |
Family
ID=84169009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342057.0A Active CN115407663B (zh) | 2022-10-31 | 2022-10-31 | 无人船控制方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407663B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209054A (zh) * | 2019-06-11 | 2019-09-06 | 大连海事大学 | 基于rbf神经网络的无人船艇航向自抗扰控制系统 |
CN111506099A (zh) * | 2020-05-28 | 2020-08-07 | 西北工业大学 | 一种无人机高度智能控制系统及方法 |
CN111897324A (zh) * | 2020-06-24 | 2020-11-06 | 安徽工程大学 | 基于fa-ladrc的无人船艇航向控制系统 |
CN112068554A (zh) * | 2020-08-26 | 2020-12-11 | 智慧航海(青岛)科技有限公司 | 一种基于偏差船舶航向的控制方法及装置 |
CN112180915A (zh) * | 2020-09-16 | 2021-01-05 | 哈尔滨工业大学(威海) | 基于ros的双推力无人船运动控制系统及控制方法 |
CN112947477A (zh) * | 2021-03-23 | 2021-06-11 | 哈尔滨工程大学 | 一种无人艇航向自抗扰控制系统及控制方法 |
CN112987753A (zh) * | 2020-08-26 | 2021-06-18 | 智慧航海(青岛)科技有限公司 | 基于误差船舶航向的控制方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6563067B1 (ja) * | 2018-04-18 | 2019-08-21 | 三菱電機株式会社 | 船舶の方位制御装置および方位制御方法 |
-
2022
- 2022-10-31 CN CN202211342057.0A patent/CN115407663B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209054A (zh) * | 2019-06-11 | 2019-09-06 | 大连海事大学 | 基于rbf神经网络的无人船艇航向自抗扰控制系统 |
CN111506099A (zh) * | 2020-05-28 | 2020-08-07 | 西北工业大学 | 一种无人机高度智能控制系统及方法 |
CN111897324A (zh) * | 2020-06-24 | 2020-11-06 | 安徽工程大学 | 基于fa-ladrc的无人船艇航向控制系统 |
CN112068554A (zh) * | 2020-08-26 | 2020-12-11 | 智慧航海(青岛)科技有限公司 | 一种基于偏差船舶航向的控制方法及装置 |
CN112987753A (zh) * | 2020-08-26 | 2021-06-18 | 智慧航海(青岛)科技有限公司 | 基于误差船舶航向的控制方法及装置 |
CN112180915A (zh) * | 2020-09-16 | 2021-01-05 | 哈尔滨工业大学(威海) | 基于ros的双推力无人船运动控制系统及控制方法 |
CN112947477A (zh) * | 2021-03-23 | 2021-06-11 | 哈尔滨工程大学 | 一种无人艇航向自抗扰控制系统及控制方法 |
Non-Patent Citations (1)
Title |
---|
船舶航向自适应神经网络鲁棒跟踪控制;陈伟强等;《船舶工程》;20161231;第38卷(第09期);第15-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115407663A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803632B (zh) | 基于饱和补偿技术的水面无人艇全状态约束轨迹跟踪控制方法 | |
Park | Adaptive formation control of underactuated autonomous underwater vehicles | |
CN107168312B (zh) | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 | |
Aguiar et al. | Trajectory-tracking and path-following of underactuated autonomous vehicles with parametric modeling uncertainty | |
CN101833338B (zh) | 无人潜航器垂直面欠驱动运动控制方法 | |
Araki et al. | Estimating maneuvering coefficients using system identification methods with experimental, system-based, and CFD free-running trial data | |
Zhang et al. | Novel DVS guidance and path-following control for underactuated ships in presence of multiple static and moving obstacles | |
CN106444806B (zh) | 基于生物速度调节的欠驱动auv三维轨迹跟踪控制方法 | |
CN106950974B (zh) | 欠驱动自主水下航行器的对三维路径进行理解及跟踪控制方法 | |
CN110377036B (zh) | 一种基于指令约束的无人水面艇航迹跟踪固定时间控制方法 | |
Hassanein et al. | Model-based adaptive control system for autonomous underwater vehicles | |
Wang et al. | Filter-backstepping based neural adaptive formation control of leader-following multiple AUVs in three dimensional space | |
Yin et al. | Predictive trajectory tracking control of autonomous underwater vehicles based on variable fuzzy predictor | |
Øvereng et al. | Dynamic positioning using deep reinforcement learning | |
CN111930124A (zh) | 一种智能船舶自动舵系统的模糊自适应输出反馈有限时间控制方法及系统 | |
CN114967702A (zh) | 一种无人艇控制系统及路径跟踪方法 | |
CN114442640A (zh) | 一种水面无人艇轨迹跟踪控制方法 | |
CN109656142A (zh) | 一种无人艇的串级结构无模型自适应制导方法 | |
Zhang et al. | Adaptive neural network control for visual docking of an autonomous underwater vehicle using command filtered backstepping | |
CN115390564A (zh) | 用于欠驱动水面无人船舶的编队控制方法、介质及设备 | |
Gao et al. | Command filtered path tracking control of saturated ASVs based on time‐varying disturbance observer | |
CN115407663B (zh) | 无人船控制方法、装置、设备及计算机存储介质 | |
CN113467231A (zh) | 基于侧滑补偿ilos制导律的无人艇路径跟踪方法 | |
CN113093739B (zh) | 一种多无人艇编队避碰的优化控制器及其结构、设计方法 | |
CN113608534B (zh) | 一种无人艇跟踪控制方法及系统 |
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 |