CN115826594A - 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 - Google Patents
不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 Download PDFInfo
- Publication number
- CN115826594A CN115826594A CN202310152588.1A CN202310152588A CN115826594A CN 115826594 A CN115826594 A CN 115826594A CN 202310152588 A CN202310152588 A CN 202310152588A CN 115826594 A CN115826594 A CN 115826594A
- Authority
- CN
- China
- Prior art keywords
- formation
- underwater vehicle
- matrix
- dynamic model
- order
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000002787 reinforcement Effects 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 77
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 230000005284 excitation Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种不依赖动态模型参数的无人潜航器切换拓扑编队控制方法,包括步骤:综合潜航器的位姿动力学特性、系统模型误差以及环境误差扰动信息,建立潜航器动力学模型;根据潜航器编队成员的相邻情况以及通信方向,建立基于图论的潜航器编队通信拓扑图;根据潜航器动力学模型以及编队成员间的信息流向构建分布式观测器;结合潜航器的位姿信息及分布式观测器,构造位姿控制器,求解位姿控制器的控制反馈输入量,得到不依赖动态参数的潜航器编队切换拓扑控制器。该方法利用强化学习算法基于数据进行参数辨识,可以不依赖系统动态模型参数实现编队控制;能够实现编队通信的变拓扑编队控制,有效提高潜航器成员间的信息利用率和任务容错率。
Description
技术领域
本发明涉及无人潜航器控制技术领域,具体涉及一种不依赖动态模型参数的无人潜航器切换拓扑编队控制方法。
背景技术
一般而言,编队决策与控制借助智能体间的局部交互实现多智能体的群体行为,从而解决全局性的任务。多智能体之间必须要有信息交互才能确保其在编队中相对位置的不变,从而保持一定的队形。
现有文献中,编队控制的研究方法包括跟随领航者法、基于行为法、人工势场法、虚拟结构法、一致性方法和基于图论法等。目前,上述研究方法已经逐步混合在一起,难以绝对区分开,导致研究方法设计复杂,且难以适应不同场景。
在潜航器个体的姿态稳定控制器方面,现有方法包括自适应调节算法、强化学习算法、Linear quadratic regulator (LQR)最优控制算法以及传统变分法等,其中主流算法均需要依赖被控对象的精确模型信息,而由于载荷不同,实际被控对象模型必然存在误差,因此难以保证控制的鲁棒性与有效性。
发明内容
鉴于现有无人潜航器编队控制需要依赖编队个体的精确动态模型参数,否则无法实现有效控制,本发明将强化学习应用到无人潜航器系统中,设计强化学习算法基于数据进行参数辨识,通过求取Hamilton-Jacobi-Bellman(HJB)方程实时求取出最优控制器,可以在不依赖系统动态模型参数的情况下实现编队控制,而且在编队通信方面,本发明实现了编队通信的变拓扑编队控制,使得无人系统在执行任务中切换信号传输通路成为可能,以提高潜航器之间的信息利用率和任务容错率。本发明采用以下技术方案:
一种不依赖动态模型参数的无人潜航器切换拓扑编队控制方法,包括以下步骤:
步骤S1,综合潜航器的位姿动力学特性、系统模型误差以及环境误差扰动信息,建立潜航器动力学模型;
步骤S2,根据潜航器编队成员的相邻情况以及通信方向,建立基于图论的潜航器编队通信拓扑图,用于表征潜航器编队成员间的信息流向;
步骤S3,根据潜航器动力学模型以及潜航器编队成员间的信息流向构建分布式观测器,将其搭载于各潜航器编队成员,采集潜航器的位姿信息;
步骤S4,结合潜航器的位姿信息及分布式观测器的结构设计,构造位姿控制器,基于强化学习算法求解位姿控制器的控制反馈输入量,得到不依赖动态参数的潜航器编队切换拓扑控制器。
进一步,所述步骤S1,所述潜航器动力学模型为:
其中,为潜航器i的位置,为姿态角,为位置动力学模型矩阵,为姿态动力学模型矩阵,和为惯性矩阵,和为科氏项,,为水动力阻尼矩阵,和分别是作用在潜航器i上的广义力与力矩,和为扰动项,为线速度,为角速度,为线加速度,为角加速度。
进一步,所述步骤S2,所述基于图论的潜航器编队通信拓扑图为:
其中,为潜航器编队的拉普拉斯矩阵;为入度矩阵,其矩阵元素为与编队成员相邻的其他成员数量;为加权邻接矩阵,其矩阵元素为与编队成员构成通信网络的其他成员信息,满足主对角线系数,以及当编队成员间存在通信时,矩阵系数,i≠j。
进一步,所述步骤S2,假设潜航器编队的编队中心为虚拟领导者,虚拟领导者以预设的轨迹航行,潜航器编队成员跟随虚拟领导者行进,虚拟领导者的动力学模型为:
进一步,所述步骤S3,所述分布式观测器为:
进一步,所述步骤S4,所述位姿控制器为:
其中,上标*表示最优解,为性能函数,为控制输入量,为等效扰动,为误差,和为对称矩阵,,为标称控制矩阵,为信息随时间的衰减系数,为正项常数,为标称误差矩阵,为标称动力学矩阵,为模型状态,为一个12行的列向量且第6行为1,为重力加速度。
进一步,所述强化学习算法的迭代方程如下:
强化学习过程如下:
(2)策略评估和策略更新:进行迭代,对于第n轮控制输入量以及第n轮等效扰动,将两者数值代入贝尔曼方程中,并同时求解第n轮性能函数、新的控制量以及等效扰动;如果新的控制量与等效扰动与上一步相等,即、,则停止算法运行,并返回新的控制量以及等效扰动,否则重复此步骤。
本发明与现有技术相比的有益效果在于:
(1)研究的对象为虚拟领导者存在有界输入的欠驱动的异构水下潜航器系统,其运动学模型为时变系统,系统信息的利用模式也随之创新,编队控制方法是在切换拓扑的情况下通过对系统输入输出的信息利用实现的,因此本发明将参数不确定性、非线性、切换拓扑同时考虑在内。
(2)提出了一种新型的不依赖动态模型参数的无人系统变拓扑编队控制方法,通过强化学习设计方案,完成了编队和姿态的全局闭环控制,基于分层控制方法和强化学习理论,提出了一种切换拓扑约束下的全分布式鲁棒编队切换拓扑控制器,且该控制器不依赖欠驱动潜航器的动态参数。
附图说明
图1为本发明实施例中应用的变拓扑编队控制示意图;
图2为本发明实施例中应用的潜航器编队的三维轨迹示意图;
图3a为本发明实施例中应用的潜航器编队的姿态角中滚转角随时间变化图;
图3b为本发明实施例中应用的潜航器编队的姿态角中俯仰角随时间变化图;
图3c为本发明实施例中应用的潜航器编队的姿态角中偏航角随时间变化图;
图4a为本发明实施例中应用的潜航器编队的X轴位置随时间变化图;
图4b为本发明实施例中应用的潜航器编队的Y轴位置随时间变化图;
图4c为本发明实施例中应用的潜航器编队的Z轴位置随时间变化图;
图5a为本发明实施例中应用的潜航器编队的X轴位置误差随时间变化图;
图5b为本发明实施例中应用的潜航器编队的Y轴位置误差随时间变化图;
图5c为本发明实施例中应用的潜航器编队的Z轴位置误差随时间变化图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的详细介绍。
一种不依赖动态模型参数的无人潜航器切换拓扑编队控制方法,包括以下步骤:
步骤S1:潜航器编队建模:综合潜航器的位姿动力学特性、系统模型误差以及环境误差扰动信息,建立潜航器动力学模型;
考虑具有中性浮力的典型水下航行体及其浮力中心与重心重合的情况。是地球惯性坐标系,潜航器上的本体坐标系为,同时定义为以浮力中心为原点。表示潜航器i在的位置,为姿态角。定义、分别为平动和转动速度,潜航器i在中,由受力分析可知,其平动和转动上的动力学表示如下:
可以看出,潜航器动力学涉及6个自由度(3个平移自由度和3个转动自由度),平移运动和转动运动之间具有高度非线性和耦合动力学。综上,潜航器动力学模型如下:
步骤S2:建立基于图论的潜航器编队通信拓扑图,用于表征编队成员间的信息流向,其中,图论保证信息可以传达到编队每个成员,通讯拓扑图表征编队内部信息流向的方案设计;
所述基于图论的潜航器编队通信拓扑图为:
其中,为潜航器编队的拉普拉斯矩阵;为入度矩阵,矩阵元素为与编队成员相邻的其他成员数量;为加权邻接矩阵,矩阵元素为与编队成员构成通信网络的其他成员信息,满足主对角线系数,以及当编队成员间存在通信时,矩阵系数(i≠j)。令集合描述潜航器的邻居集合。
为了更为直观简洁的表达编队个体的相邻情况以及实时通信方向,假设存在编队中心,即虚拟领导者,将被跟踪的目标生成轨迹视为虚拟领导者行进轨迹,提供要跟踪的参考信号,该虚拟领导者以该轨迹航行,潜航器编队成员跟随虚拟领导者行进。在编队航行过程中,每架潜航器需要与虚拟领导者(编队中心)保持预定距离,并按照预定的轨迹航行。
虚拟领导者的动力学模型可表示如下:
其中,N为潜航器编队成员的数目;为表示通信的常数;为潜航器i在时刻与编队中心之间的连接因子。同时,容易得到拉普拉斯矩阵中元素存在以下关系:,以及。由上述关系可以得到。同时,由矩阵定义可知,且如果第i架潜航器能够从编队中心获取位置信息,则连接因子,在此假设矩阵中的元素。因此由拉普拉斯矩阵与矩阵中元素特性可得,且当时,。
步骤S3:分布式观测器设计:考虑来自其他编队成员的输入信息以及自身在外界干扰下的输出信息,根据潜航器动力学方程以及无人潜航器编队成员间的信息流向构建分布式观测器,用于采集外界环境作用下的潜航器位姿信息,包括位置、速度、姿态角以及姿态角速度信息;
分布式观测器如下设计:
其中,为潜航器i的位姿(包括位置、速度、姿态角、姿态角速度),下标p0为虚拟领导者,下标pi为编队成员,和分别为编队成员潜航器i和潜航器j、编队成员潜航器i和虚拟领导者的位置距离,是一个正比例因子,为潜航器在时刻的加权邻接矩阵系数;此处即为通信拓扑图于编队位姿控制中的应用,通过来自其他成员的位置反馈来修正自身位姿。为潜航器i在时刻与编队中心之间的连接因子,当潜航器i能够从潜航器编队中心那里获取位置信息时,则连接因子,否则;,表征编队成员同虚拟领导者之间通信的关系矩阵,N为编队成员的数目。
由于观测器设计存在虚拟领导者的动态信息,因此每个分布式观测器都需要动力学矩阵的先验知识,由于前文所言,现实环境中存在的安装误差等因素导致的先验知识不可能精确获得,因此通过使用神经网络来近似估计虚拟领导者的动力学矩阵可以放宽此要求,由此可保证分布式观测器不利用编队的动态信息。定义第i架潜航器分布式观测器的估计误差用于评价控制误差收敛性效果,如下式所示:
结合潜航器i的位姿信息以及其分布式观测器的结构设计,构造位姿控制器如下:
为衡量控制效果,将性能函数定义如下:
其中,上标*表示最优解,为性能函数,为控制输入量,为等效扰动,为误差,和为对称矩阵,,为标称控制矩阵,为信息随时间的衰减系数,为正项常数,为标称误差矩阵,为标称动力学矩阵,为模型状态,为一个12行的列向量且第6行为1,为重力加速度,上标T表示矩阵的转置。以上标称方程的求解依赖大量动态参数,但由于在具体实际应用中,准确的动态参数是很难获得的。因此,针对在欠驱动、高度非线性、切换拓扑、扰动共同影响下的未知动态编队切换拓扑控制系统,需要设计一种不依赖动态参数的编队切换拓扑控制器。
此迭代方程可以实现HJB方程的迭代求解,基于该迭代方程可以设计在模型参数未知情况下的基于强化学习的编队切换拓扑控制算法,具体如下:
(2)策略评估和策略更新:进行迭代,对于第n轮控制输入量以及第n轮等效扰动,将两者数值代入贝尔曼方程中,并同时求解第n轮性能函数、新的控制量以及等效扰动。如果新的控制量与等效扰动与上一步相等,即、,则停止算法运行,并返回新的控制量以及等效扰动,否则重复此步骤。
下面通过一个具体的实施例对本发明提供的上述不依赖动态模型参数的无人潜航器切换拓扑编队控制方法的具体实施进行详细说明。
实施例一
对5个水下无人潜航器进行仿真试验,以验证所开发控制器的有效性,设系统内各编号为的水下无人潜航器的非线性模型已被详细介绍,水下无人潜航器i的质量和惯性参数被设为:,,,, 水动力参数为,,,,,,,,,,, 以及。
水下无人潜航器团队的编队中心假定事先给出,表示为,要求潜航器姿态基准稳定在0。同时,潜航器需要保持五边形与期望的偏差:,,,,。五个潜航器之间的通信用具有顶点集的有向图来描述和邻接矩阵。切换拓扑设定为1s末,2s末,3s末进行切换。强化学习算法的参数设置为:,,,,,。初始状态设定:
其中:
参见附图,其中图1表示拓扑变换前后的编队内信息流方向,图2-5是采用本发明给出的控制器进行编队控制所得的结果,其中,图2为潜航器编队的三维轨迹示意图,可见编队成员成功跟踪领导者,中途信息出现拓扑变换也保持一个相对稳定的队形;图3a-图3c为潜航器编队的姿态角随时间变化图,可见姿态角收敛,不会发散,因此姿态控制成功;图4a-图4c为潜航器编队的位置随时间变化图,可以看出跟踪没有波动,稳定后相对位置保持不变;图5a-图5c为潜航器编队的位置误差随时间变化图,可以看到位置误差收敛到0,因此跟踪成功。
以上所述仅为本发明的具体实施方式,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种不依赖动态模型参数的无人潜航器切换拓扑编队控制方法,其特征在于,包括以下步骤:
步骤S1,综合潜航器的位姿动力学特性、系统模型误差以及环境误差扰动信息,建立潜航器动力学模型;
步骤S2,根据潜航器编队成员的相邻情况以及通信方向,建立基于图论的潜航器编队通信拓扑图,用于表征潜航器编队成员间的信息流向;
步骤S3,根据潜航器动力学模型以及潜航器编队成员间的信息流向构建分布式观测器,将其搭载于各潜航器编队成员,采集潜航器的位姿信息;
步骤S4,结合潜航器的位姿信息及分布式观测器的结构设计,构造位姿控制器,基于强化学习算法求解位姿控制器的控制反馈输入量,得到不依赖动态参数的潜航器编队切换拓扑控制器。
9.根据权利要求8所述的不依赖动态模型参数的无人潜航器切换拓扑编队控制方法,其特征在于,所述强化学习算法的迭代方程如下:
强化学习过程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152588.1A CN115826594B (zh) | 2023-02-23 | 2023-02-23 | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310152588.1A CN115826594B (zh) | 2023-02-23 | 2023-02-23 | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115826594A true CN115826594A (zh) | 2023-03-21 |
CN115826594B CN115826594B (zh) | 2023-05-30 |
Family
ID=85522128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310152588.1A Active CN115826594B (zh) | 2023-02-23 | 2023-02-23 | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826594B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360504A (zh) * | 2023-05-31 | 2023-06-30 | 北京航空航天大学 | 无人机集群任务的确定方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803321A (zh) * | 2018-05-30 | 2018-11-13 | 清华大学 | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 |
CN108958294A (zh) * | 2018-09-25 | 2018-12-07 | 北京航空航天大学 | 无人水下潜航器编队控制方法及装置 |
-
2023
- 2023-02-23 CN CN202310152588.1A patent/CN115826594B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803321A (zh) * | 2018-05-30 | 2018-11-13 | 清华大学 | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 |
CN108958294A (zh) * | 2018-09-25 | 2018-12-07 | 北京航空航天大学 | 无人水下潜航器编队控制方法及装置 |
Non-Patent Citations (3)
Title |
---|
GUANGCANG WANG等: "Reinforcement learning-based tracking control for AUVs subject to disturbances" * |
HAO LIU等: "Optimal Formation Control for A Quadrotor Team under Switching Topologies via Reinforcement Learning" * |
HAO LIU等: "Robust Distributed Formation Controller Design for a Group of Unmanned Underwater Vehicles" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360504A (zh) * | 2023-05-31 | 2023-06-30 | 北京航空航天大学 | 无人机集群任务的确定方法、装置、电子设备及存储介质 |
CN116360504B (zh) * | 2023-05-31 | 2023-10-27 | 北京航空航天大学 | 无人机集群任务的确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115826594B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Dierks et al. | Output feedback control of a quadrotor UAV using neural networks | |
Tognon et al. | Dynamics, control, and estimation for aerial robots tethered by cables or bars | |
Fossen et al. | Kalman filtering for positioning and heading control of ships and offshore rigs | |
Do et al. | Underactuated ships follow smooth paths with integral actions and without velocity measurements for feedback: theory and experiments | |
CN104898688B (zh) | Uuv四自由度动力定位自适应抗扰滑模控制系统及控制方法 | |
Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
CN109634307A (zh) | 一种无人水下航行器复合航迹跟踪控制方法 | |
CN105929842A (zh) | 一种基于动态速度调节的欠驱动uuv平面轨迹跟踪控制方法 | |
CN109407671B (zh) | 一种欠驱动无人船目标包围控制器结构及设计方法 | |
CN111880409A (zh) | 一种基于数据驱动的自主水下航行器轨迹跟踪控制方法 | |
CN113670314B (zh) | 基于pi自适应两级卡尔曼滤波的无人机姿态估计方法 | |
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 | |
CN115826594A (zh) | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 | |
Mahapatra et al. | Nonlinear matrix inequality approach based heading control for an autonomous underwater vehicle with experimental realization | |
Wang et al. | Adaptive vector field guidance without a priori knowledge of course dynamics and wind | |
CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及系统 | |
Jarin-Lipschitz et al. | Robust, perception based control with quadrotors | |
Zhang et al. | AUV 3D docking control using deep reinforcement learning | |
CN116088311A (zh) | 基于自适应神经网络扩张状态观测器的无人直升机二阶不确定滑模控制方法 | |
Heo et al. | A localization system of mobile robots using artificial landmarks | |
Sola et al. | Evaluation of a deep-reinforcement-learning-based controller for the control of an autonomous underwater vehicle | |
CN116859981B (zh) | 一种运载火箭姿态控制方法、装置及计算设备 | |
Mughees et al. | Conditioned adaptive barrier-based double integral super twisting SMC for trajectory tracking of a quadcopter and hardware in loop using IGWO algorithm | |
CN113985898B (zh) | 一种欠驱动海洋航行器的非线性路径跟踪控制方法 |
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 |