CN115857342A - 基于自适应神经网络的航天器观测载荷随动机构控制方法 - Google Patents
基于自适应神经网络的航天器观测载荷随动机构控制方法 Download PDFInfo
- Publication number
- CN115857342A CN115857342A CN202211499558.XA CN202211499558A CN115857342A CN 115857342 A CN115857342 A CN 115857342A CN 202211499558 A CN202211499558 A CN 202211499558A CN 115857342 A CN115857342 A CN 115857342A
- Authority
- CN
- China
- Prior art keywords
- neural network
- spacecraft
- fixed time
- observation load
- sliding mode
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003044 adaptive effect Effects 0.000 title claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开的基于自适应神经网络的航天器观测载荷随动机构控制方法，属于空间技术领域。本发明实现方法为：通过第二类拉格朗日方程，建立航天器观测载荷随动机构的通用动力学模型；充分利用固定时间齐次理论和滑膜控制特点进行固定时间积分滑模控制，使固定时间积分滑模控制的收敛时间的上界不依赖系统初始状态；通过固定时间积分滑模控制方法控制航天器观测载荷随动机构姿态，保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零的邻域内；设计神经网络固定时间积分滑模控制器，利用神经网络对航天器观测载荷随动机构模型不确定性和外界扰动逼近，通过神经网络逼近模型不确定性和外界扰动以降低固定时间积分滑模控制方法的复杂度。
Description
技术领域
本发明涉及一种基于自适应神经网络的航天器观测载荷随动机构控制方法，属于空间技术领域。
背景技术
在深远空间未知复杂环境中，卫星对突发事件或高价值动态目标跟踪观测，具有“搜索区域广、外界扰动不确定”的特点。考虑到观测载荷的视场比较小，在无驱动机构的情况下，可以通过姿态控制实现对目标的观测。但随着我国在空间科学应用和空间探测活动的持续发展，航天器上携带的观测载荷越来越多，仅通过姿态控制已难以实现任务的需求。观测载荷需要随动机构来承载并实现辅助运动，根据不同的科学探测目标和任务要求，航天器搭载的观测载荷随动机构具有不同的自由度。通过调整观测载荷随动机构姿态增大观测载荷视野，可实现成像获取各种信息和图像。航天器观测载荷随动机构的动力学模型具有非线性和强耦合的特点，此外，在执行任务过程中，航天器观测载荷随动机构不可避免地会受到模型不确定性和外界扰动的影响，这给航天器观测载荷随动机构的控制系统设计带来了一定的困难和挑战。为了克服上述困难，提出一种基于自适应神经网络的航天器观测载荷随动机构控制方法。该控制方法能够保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零的邻域内，并且对模型不确定性和外界扰动具有很强的鲁棒性。
发明内容
本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法要解决的技术问题为：在考虑模型不确定性和外界扰动情况下航天器观测载荷随动机构的协调控制，该控制方法能够保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零的邻域内，对模型不确定性和外界扰动具有很强的鲁棒性，结构相对简单，能够用于多自由度观测载荷随动机构的探测任务，应用范围广。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，通过第二类拉格朗日方程，建立航天器观测载荷随动机构的通用动力学模型。利用固定时间齐次理论和滑膜控制相结合，设计固定时间积分滑模面，充分利用固定时间齐次理论和滑膜控制的特点，克服有限时间控制的不足，使得控制算法的收敛时间的上界不依赖系统初始状态，具有更好的鲁棒性。在固定时间积分滑模面的基础上，设计神经网络固定时间积分滑模控制器，利用神经网络对模型不确定性和外界扰动进行逼近，以增强算法的鲁棒性。
本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，将固定时间控制技术，神经网络技术和滑模控制技术相结合，提出一种基于自适应神经网络的航天器观测载荷随动机构控制方法。该控制方法能够保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零的邻域内，并且对模型不确定性和外界扰动具有很强的鲁棒性和自适应性。
本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，包括如下步骤：
步骤一：通过第二类拉格朗日方程，建立航天器观测载荷随动机构的通用动力学模型。
基于第二类拉格朗日方程，建立n自由度航天器观测载荷随动机构的通用动力学模型为
其中，
表示包括航天器姿态和观测载荷随动机构各关节角在内的航天器观测载荷随动机构的广义位置坐标，/>
表示广义惯量矩阵，/>
表示包含科氏力和离心力的速度非线性项，/>
表示作用于航天器和观测载荷随动机构各关节的控制力矩，/>
表示作用于航天器观测载荷随动机构的外界扰动力矩。
步骤二：利用固定时间齐次理论和滑膜控制相结合，设计固定时间积分滑模面。
给定期望轨迹
定义航天器观测载荷随动机构位置和速度跟踪误差分别为e1＝q-qd和/>
基于固定时间齐次理论，固定时间积分滑模面设计为
其中，函数r1(e1,e2)和r2(e1,e2)可以分别表示为
其中，给定一组列向量
和标量p，函数sigp(x)定义为sigp(x)＝[|x1|psgn(x1),|x2|psgn(x2),...,|xn|psgn(xn)]T，a1＞0，a2＞0，b1＞0，b2＞0，α1、α2、β1和β2的取值满足以下关系：
其中，0＜α＜1。
步骤三：在固定时间积分滑模面的基础上，设计自适应神经网络固定时间滑模控制器。
径向基函数神经网络是一种高效的单隐层前馈神经网络，具有拓扑结构接单、可以逼近任意非线性函数等优点。径向基函数神经网络采用径向基函数作为隐层神经元的激活函数，以隐层输出的线性组合作为输出层。径向基函数神经网络的输出层对应的回归预测模型如式(6)所示。
其中，np是隐层神经元的个数，βi为第i个隐层神经元与输出层神经元的链接权重，xi为对应隐层神经元的中心，c为形状系数，
为径向基函数。/>
在固定时间积分滑模面(2)的基础上，自适应神经网络固定时间滑模控制器设计为：
其中，k1＞0，k2＞0，0＜α＜1，1＜β，
为神经网络权重，S为高斯函数的输出，神经网络权重更新率设计为：
其中，η＞0，Γ＞0。
采用自适应固定时间神经网络滑模控制器(7)和神经网络权重更新率(8)，可以保证航天器观测载荷随动机构的位置和速度跟踪误差能够在固定时间内收敛至零的邻域内。此外，通过设计神经网络更新率对模型不确定项和扰动项进行估计，可有效提高系统的鲁棒性和自适应性。
还包括步骤四，根据步骤三所述基于自适应神经网络的航天器观测载荷随动机构控制方法，在卫星的观测载荷随动机构上使用，有利于提升观测载荷视野，可获取各种信息和图像，并能够提高观测载荷的稳定性，可以在较大初始偏差条件下实现系统暂态过程跟踪误差快速收敛、稳态过程保持高精度跟踪。
有益效果：
1、本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，控制器将固定时间控制技术结合到积分滑模控制技术中，能够保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零或零的邻域内，使得控制算法的收敛时间的上界不依赖系统初始状态。
2、本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，控制器是在积分滑模控制框架的基础上进一步设计得到的，对模型不确定性和外界扰动具有很强的鲁棒性。
3、本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，控制器通过设计神经网络对模型不确定项和扰动项进行估计，可有效提高系统的鲁棒性和自适应性。
4、本发明公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，结构相对简单，能够用于多自由度观测载荷随动机构的探测任务，具有可拓展性应用范围广。
附图说明
图1是本发明实施例一种航天器观测载荷随动机构在轨辅助运动的结构示意图；
图2是本发明实施例中一种航天器观测载荷随动机构的神经网络自适应控制框图；
图3是本发明实施例中航天器观测载荷随动机构位置坐标的仿真结果示意图；
图4是本发明实施例中航天器观测载荷随动机构速度坐标的仿真结果示意图；
图5是本发明实施例中航天器观测载荷随动机构控制力矩的仿真结果示意图。
具体实施方式
为了更清楚地说明本发明的技术方案和优点，下面通过对一种航天器观测载荷随动机构在轨辅助运动系统协调控制问题进行仿真分析，对本发明做出详细解释。
如图2所示，本实施例公开的一种基于自适应神经网络的航天器观测载荷随动机构控制方法，其中观测载荷选取航天相机，包括如下步骤：
步骤一：通过第二类拉格朗日方程，建立航天器观测载荷随动机构的通用动力学模型。
基于第二类拉格朗日方程，建立n自由度航天器观测载荷随动机构的通用动力学模型为
其中，
表示包括航天器姿态和观测载荷随动机构各关节角在内的航天器观测载荷随动机构的广义位置坐标，/>
表示广义惯量矩阵，/>
表示包含科氏力和离心力的速度非线性项，/>
表示作用于航天器和观测载荷随动机构各关节的控制力矩，/>
表示作用于航天器观测载荷随动机构的外界扰动力矩。在本实施例中，观测载荷随动机构的真实物理参数取值为m0＝60kg，m1＝6kg，m2＝5kg，mt＝3kg，I0＝22.5kg·m2，I1＝1.125kg·m2，I2＝0.9375kg·m2，It＝2kg·m2，b0＝0.75m，a1＝0.75m，b1＝0.75m，a2＝0.75m，b2＝0.75m和at＝0.2m。
步骤二：利用固定时间齐次理论和滑膜控制相结合，设计固定时间积分滑模面。
航天器观测载荷随动机构期望轨迹选取为qd＝[0,0,0]T rad。航天器观测载荷随动机构初始状态选取为：
q(0)＝[0.1,-0.4,0.4]T rad和
定义航天器观测载荷随动机构位置和速度跟踪误差为e1＝q-qd和
基于固定时间齐次理论，固定时间积分滑模面设计为
其中，函数r1(e1,e2)和r2(e1,e2)可以分别表示为
其中，给定一组列向量
和标量p，函数sigp(x)定义为sigp(x)＝[|x1|psgn(x1),|x2|psgn(x2),...,|xn|psgn(xn)]T，a1＝0.5，a2＝0.5，b1＝0.5，b2＝0.5，α1、α2、β1和β2的取值满足以下关系：
其中，α＝0.5。
步骤三：在固定时间积分滑模面的基础上，设计自适应神经网络固定时间滑模控制器。
径向基函数神经网络是一种高效的单隐层前馈神经网络，具有拓扑结构接单、可以逼近任意非线性函数等优点。径向基函数神经网络采用径向基函数作为隐层神经元的激活函数，以隐层输出的线性组合作为输出层。径向基函数神经网络的输出层对应的回归预测模型如式(6)所示。
其中，np是隐层神经元的个数，βi为第i个隐层神经元与输出层神经元的链接权重，xi为对应隐层神经元的中心，c为形状系数，
为径向基函数。
在固定时间积分滑模面(2)的基础上，自适应神经网络固定时间滑模控制器设计为：
其中，k1＝0.3，k2＝0.3，α＝0.6，β＝1.7，
为神经网络权重，S为高斯函数的输出，神经网络权重更新率为：
其中，η＝0.1，Γ＝0.3。
采用自适应固定时间神经网络滑模控制器(7)和神经网络权重更新率(8)，可以保证航天器观测载荷随动机构的位置和速度跟踪误差能够在固定时间内收敛至零的邻域内。此外，通过设计神经网络更新率对模型不确定项和扰动项，可有效提高系统的鲁棒性和自适应性。
步骤四，根据步骤三所述基于自适应神经网络的航天器观测载荷随动机构控制方法，在卫星的观测载荷随动机构上使用，有利于提升观测载荷视野，可获取各种信息和图像，并能够提高观测载荷的稳定性，可以在较大初始偏差条件下实现系统暂态过程跟踪误差快速收敛、稳态过程保持高精度跟踪。
所设计的航天器观测载荷随动机构的神经网络自适应控制方法的仿真结果如图3、图4和图5所示。图3给出了航天器观测载荷随动机构位置坐标的时间响应曲线，包括航天器姿态q0和观测载荷随动机构关节角q1和q2。图4给出了航天器观测载荷随动机构速度坐标的时间响应曲线，包括航天器姿态角速度
和观测载荷随动机构关节角速度/>
和/>
从图3和图4可以看出，在模型不确定性和外界扰动作用下，所设计的自适应神经网络固定时间积分滑模协调控制方法能够使观测载荷随动机构的位置和速度跟踪误差在固定时间内光滑平稳地收敛至零的邻域内。另外，这也说明了所设计的控制器由很好的抗扰动能力，对模型不确定性和外界扰动具有很强的鲁棒性。
图5给出了航天器观测载荷随动机构控制力矩的时间响应曲线，包括作用在航天器的控制力矩τ0和作用在观测载荷随动机构关节的控制力矩τ1和τ2。从图5可以看出，在整个跟踪过程中，航天器观测载荷随动机构的控制力矩始终保持在执行机构所允许的合理范围内，并且没有明显的抖振现象。此外，所设计的控制器具有相对简单的结构，便于工程实际，并且能够用于多自由度观测载荷随动机构的探测任务，应用范围广。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，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 (5)
1.基于自适应神经网络的航天器观测载荷随动机构控制方法，其特征在于：包括如下步骤，
步骤一：通过第二类拉格朗日方程，建立航天器观测载荷随动机构的通用动力学模型；
步骤二：利用固定时间齐次理论和滑膜控制相结合，设计固定时间积分滑模面，充分利用固定时间齐次理论和滑膜控制的特点进行固定时间积分滑模控制，使所述固定时间积分滑模控制方法的收敛时间的上界不依赖系统初始状态；通过固定时间积分滑模控制方法控制航天器观测载荷随动机构姿态，保证航天器观测载荷随动机构的位置跟踪误差在固定时间内收敛至零的邻域内；
步骤三：在固定时间积分滑模面的基础上，设计神经网络固定时间积分滑模控制器，利用神经网络对航天器观测载荷随动机构模型不确定性和外界扰动进行逼近，通过设计神经网络更新率对航天器观测载荷随动机构模型不确定项和扰动项进行估计，以增强固定时间积分滑模控制方法的鲁棒性和自适应性，且通过神经网络逼近模型不确定性和外界扰动以降低固定时间积分滑模控制方法的复杂度，使固定时间积分滑模控制方法适用于多自由度观测载荷随动机构的探测任务。
2.如权利要求1所述的基于自适应神经网络的航天器观测载荷随动机构控制方法，其特征在于：还包括步骤四，根据步骤一至步骤三所述基于自适应神经网络的航天器观测载荷随动机构控制方法，在卫星的观测载荷随动机构上使用，有利于提升观测载荷视野，获取更多信息，并能够提高观测载荷的稳定性，在较大初始偏差条件下仍能够实现系统跟踪误差快速收敛，且保持观测载荷对目标高精度跟踪。
3.如权利要求1或2所述的基于自适应神经网络的航天器观测载荷随动机构控制方法，其特征在于：步骤一实现方法为，
所述航天器观测载荷随动机构包括机械臂和观测载荷，观测载荷安装在机械臂末端，通过调整观测载荷随动机构姿态增大观测载荷视野，使观测载荷获取更多信息；
基于第二类拉格朗日方程，建立n自由度航天器观测载荷随动机构的通用动力学模型为
其中，
表示包括航天器姿态和观测载荷随动机构各关节角在内的航天器观测载荷随动机构的广义位置坐标，/>
表示广义惯量矩阵，/>
表示包含科氏力和离心力的速度非线性项，/>
表示作用于航天器和观测载荷随动机构各关节的控制力矩，/>
表示作用于航天器观测载荷随动机构的外界扰动力矩。
4.如权利要求3所述的基于自适应神经网络的航天器观测载荷随动机构控制方法，其特征在于：步骤二实现方法为，
给定期望轨迹
定义航天器观测载荷随动机构位置和速度跟踪误差分别为e1＝q-qd和/>
基于固定时间齐次理论，固定时间积分滑模面设计为
其中，函数r1(e1,e2)和r2(e1,e2)分别表示为
其中，给定一组列向量
和标量p，函数sigp(x)定义为sigp(x)＝[|x1|psgn(x1),|x2|psgn(x2),...,|xn|psgn(xn)]T，a1＞0，a2＞0，b1＞0，b2＞0，α1、α2、β1和β2的取值满足以下关系：
其中，0＜α＜1。
5.如权利要求4所述的基于自适应神经网络的航天器观测载荷随动机构控制方法，其特征在于：所述神经网络选用径向基函数神经网络，所述径向基函数神经网络为单隐层前馈神经网络，具有拓扑结构简单、能够逼近任意非线性函数的优点；径向基函数神经网络采用径向基函数作为隐层神经元的激活函数，以隐层输出的线性组合作为输出层；径向基函数神经网络的输出层对应的回归预测模型如式(6)所示；
其中，np是隐层神经元的个数，βi为第i个隐层神经元与输出层神经元的链接权重，xi为对应隐层神经元的中心，c为形状系数，
为径向基函数；
在固定时间积分滑模面(2)的基础上，自适应神经网络固定时间滑模控制器设计为：
其中，k1＞0，k2＞0，0＜α＜1，1＜β，
为神经网络权重，S为高斯函数的输出，神经网络权重更新率设计为：
其中，η＞0，Γ＞0；
采用自适应固定时间神经网络滑模控制器(7)和神经网络权重更新率(8)，保证航天器观测载荷随动机构的位置和速度跟踪误差能够在固定时间内收敛至零的邻域内；此外，通过设计神经网络更新率对航天器观测载荷随动机构模型不确定项和扰动项进行估计，提高系统的鲁棒性和自适应性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211499558.XA CN115857342B (zh) | 2022-11-28 | 2022-11-28 | 基于自适应神经网络的航天器观测载荷随动机构控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211499558.XA CN115857342B (zh) | 2022-11-28 | 2022-11-28 | 基于自适应神经网络的航天器观测载荷随动机构控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857342A true CN115857342A (zh) | 2023-03-28 |
| CN115857342B CN115857342B (zh) | 2024-05-24 |
Family
ID=85667109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211499558.XA Active CN115857342B (zh) | 2022-11-28 | 2022-11-28 | 基于自适应神经网络的航天器观测载荷随动机构控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857342B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404304A (zh) * | 2015-08-21 | 2016-03-16 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
| CN109062240A (zh) * | 2018-09-28 | 2018-12-21 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 |
| CN110488854A (zh) * | 2018-09-25 | 2019-11-22 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 |
| CN110543184A (zh) * | 2018-09-28 | 2019-12-06 | 浙江工业大学 | 一种刚性飞行器的固定时间神经网络控制方法 |
| CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
| CN112394645A (zh) * | 2021-01-20 | 2021-02-23 | 中国人民解放军国防科技大学 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统 |
| CN112904728A (zh) * | 2021-01-21 | 2021-06-04 | 青岛大学 | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 |
| CN112987567A (zh) * | 2021-02-09 | 2021-06-18 | 河北科技大学 | 非线性系统的固定时间自适应神经网络滑模控制方法 |
| CN113361013A (zh) * | 2021-06-24 | 2021-09-07 | 北京航空航天大学 | 一种基于时间同步稳定的航天器姿态鲁棒控制方法 |
| CN114625007A (zh) * | 2022-03-11 | 2022-06-14 | 中国科学院长春光学精密机械与物理研究所 | 一种固定时间内收敛的终端滑模控制方法及装置 |
-
2022
- 2022-11-28 CN CN202211499558.XA patent/CN115857342B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404304A (zh) * | 2015-08-21 | 2016-03-16 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
| CN110488854A (zh) * | 2018-09-25 | 2019-11-22 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 |
| CN109062240A (zh) * | 2018-09-28 | 2018-12-21 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 |
| CN110543184A (zh) * | 2018-09-28 | 2019-12-06 | 浙江工业大学 | 一种刚性飞行器的固定时间神经网络控制方法 |
| CN111496792A (zh) * | 2020-04-27 | 2020-08-07 | 北京科技大学 | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 |
| CN112394645A (zh) * | 2021-01-20 | 2021-02-23 | 中国人民解放军国防科技大学 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统 |
| CN112904728A (zh) * | 2021-01-21 | 2021-06-04 | 青岛大学 | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 |
| CN112987567A (zh) * | 2021-02-09 | 2021-06-18 | 河北科技大学 | 非线性系统的固定时间自适应神经网络滑模控制方法 |
| CN113361013A (zh) * | 2021-06-24 | 2021-09-07 | 北京航空航天大学 | 一种基于时间同步稳定的航天器姿态鲁棒控制方法 |
| CN114625007A (zh) * | 2022-03-11 | 2022-06-14 | 中国科学院长春光学精密机械与物理研究所 | 一种固定时间内收敛的终端滑模控制方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| YAO, QJ .ET AL: "Nonsingular Fixed-Time Tracking Guidance for Mars Aerocapture With Neural Compensation", IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS, vol. 58, no. 4, pages 3686 - 3696 * |
| 沙磊: "二质量系统机械谐振抑制及控制方法研究", 中国优秀硕士论文全文数据库（电子期刊）, no. 03, pages 042 - 3603 * |
| 王宁等: "水下机器人-机械手系统末端执行器固定时间轨迹跟踪控制", 大连海事大学学报, vol. 47, no. 2, pages 11 - 19 * |
| 韩亚楠: "复杂海洋环境下的欠驱动AUV路径跟踪控制", 中国优秀硕士论文全文数据库（电子期刊）, no. 01, pages 036 - 175 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857342B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107490965B (zh) | 一种空间自由漂浮机械臂的多约束轨迹规划方法 | |
| CN109189085B (zh) | 基于事件触发的航天器网络化系统姿态控制方法 | |
| CN110850719B (zh) | 一种基于强化学习的空间非合作目标参数自整定追踪方法 | |
| Zhang et al. | Constrained coordinated path-following control for underactuated surface vessels with the disturbance rejection mechanism | |
| CN108196445B (zh) | 一种基于双闭环自抗扰的水下机器人姿态与位置控制方法 | |
| CN107505947B (zh) | 一种空间机器人捕获目标后消旋及协调控制方法 | |
| CN112904728B (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
| Liu et al. | Fully-tuned fuzzy neural network based robust adaptive tracking control of unmanned underwater vehicle with thruster dynamics | |
| CN110340898B (zh) | 一种自由漂浮空间机械臂自适应容错控制方法 | |
| CN110262537B (zh) | 多约束下航天器快速姿态机动参数化确定性规划方法 | |
| CN108445768B (zh) | 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法 | |
| CN112809666B (zh) | 一种基于神经网络的5-dof机械臂力位跟踪算法 | |
| CN109426147B (zh) | 捕获卫星后组合航天器的自适应增益调整控制方法 | |
| CN112091976A (zh) | 一种水下机械臂任务空间控制方法 | |
| Cao et al. | Eso-based robust and high-precision tracking control for aerial manipulation | |
| CN115366109A (zh) | 一种旋翼飞行机械臂复合分层抗干扰方法 | |
| CN115256401A (zh) | 一种基于强化学习的空间机械臂轴孔装配变阻抗控制方法 | |
| CN115857342B (zh) | 基于自适应神经网络的航天器观测载荷随动机构控制方法 | |
| CN112327892A (zh) | 一种auv误差受限的抗扰控制方法 | |
| CN116610136A (zh) | 基于数据驱动技术的高超声速飞行器姿态容错控制方法 | |
| CN116620566A (zh) | 非合作目标附着多节点智能协同制导方法 | |
| CN111590561A (zh) | 一种分布式机械臂系统鲁棒预设性能控制方法 | |
| CN116382076A (zh) | 一种针对受扰轮式移动机器人的双闭环有限时间控制方法 | |
| Ma et al. | Velocity-free finite-time relative 6-DOF control for rigid spacecraft | |
| CN113954077B (zh) | 带有能量优化的水下游动机械臂轨迹跟踪控制方法及装置 |
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 |