CN116360470A - 一种多水下直升机协同编队控制方法 - Google Patents
一种多水下直升机协同编队控制方法 Download PDFInfo
- Publication number
- CN116360470A CN116360470A CN202310440747.8A CN202310440747A CN116360470A CN 116360470 A CN116360470 A CN 116360470A CN 202310440747 A CN202310440747 A CN 202310440747A CN 116360470 A CN116360470 A CN 116360470A
- Authority
- CN
- China
- Prior art keywords
- auh
- formation
- error
- representing
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 14
- 230000000452 restraining effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000003864 performance function Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 32
- 238000013461 design Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
-
- 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
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多水下直升机协同编队控制方法,包括:(1)对水下直升机AUH进行动力学建模,构建AUH的编队系统;(2)设计具有有限时间形式的性能函数,在约束系统瞬态及稳态性能的同时,预先设定系统的收敛时间;(3)构建基于RBFNN和扰动观测器的状态观测器,用于观测状态变量;(4)基于观测得到的状态变量,在反步法框架下设计基于神经网络的协同编队控制器。利用本发明,通过协同编队控制器使得AUH编队在追踪参考轨迹的同时保持预设的编队构型,在性能函数的限制下系统达到预设的瞬态和稳态性能。
Description
技术领域
本发明属于水下直升机控制领域,尤其是涉及一种多水下直升机协同编队控制方法。
背景技术
伴随着海洋科学研究和资源开发的进展,以海底油气资源勘探、海底油气管线监测和失事飞机及轮船搜救等为代表的海洋工程作业与应急搜寻任务,需要多个AUV在外部环境的扰动下,保持编队构型并跟踪规划的路径。水下直升机(Autonomous underwaterhelicopter,AUH)是一种碟型的AUV,相较于传统的鱼雷型AUV,碟型的造型更加适合水下机动性作业,例如可以实现全周回转、垂直起降等常规AUV难以实现的运动方式。因此,多个AUH形成的编队系统相较于多AUV编队更加便捷。
水下环境通常复杂且动态变化,包括水流、水深、海洋生态等多方面因素的影响。此外,水下环境中存在不确定性,如水下传感器的噪声、通信的时延和不可靠性等。这些因素增加了AUV编队控制的复杂性,需要编队系统具备适应环境变化和处理不确定性的能力。现有研究对以上问题提出了一些有效的解决方案,径向基函数神经网络(Radial basisfunction neural network,RBFNN)广泛用于逼近系统的动力学不确定项,状态观测器用于估计不可测的高阶量,预设性能控制方法用于AUV的控制中优化了跟踪误差收敛的暂态过程等。
如公开号为CN113821028A的中国专利文献公开了一种基于分布式模型预测控制的欠驱动AUV编队轨迹跟踪控制方法,利用径向基函数神经网络逼近不确定的部分系统方程,结合最小学习参数法,减小计算复杂度。
公开号为CN113009826A的中国专利文献公开了一种基于新型误差变换的AUV预设性能轨迹跟踪控制方法,采用了改进的性能函数和新的误差变换方法,使AUV轨迹跟踪误差能够在规定的时间内收敛。
上述研究成果充分研究了使用各种策略控制AUV精确跟踪参考轨迹,然而,这些轨迹跟踪方法所使用的预设性能控制方法虽然能够加快跟踪误差的收敛速度,但不能直观的设定跟踪误差收敛至稳态过程的时间。此外,现有研究充分利用了RBFNN对非线性项的逼近能力,却忽略了RBFNN的学习能力。
发明内容
本发明提供了一种多水下直升机协同编队控制方法,使得AUH编队能够在跟踪参考轨迹的同时保持预设的编队构型,并且在性能函数的限制下达到预设的瞬态和稳态性能。
(1)对水下直升机AUH进行动力学建模,构建AUH的编队系统;
(2)设计具有有限时间形式的性能函数,在约束系统瞬态及稳态性能的同时,预先设定编队系统的收敛时间;
(3)构建基于RBFNN和扰动观测器的状态观测器,用于观测状态变量;
(4)基于观测得到的状态变量,在反步法框架下设计基于神经网络的协同编队控制器;
通过协同编队控制器使得AUH编队在追踪参考轨迹的同时保持预设的编队构型,在性能函数的限制下系统达到预设的瞬态和稳态性能。
步骤(1)中,对水下直升机AUH进行动力学建模时,第i个AUH的动力学模型描述为
式中,下标表示第i个AUH,/>表示AUH在世界坐标系下的坐标位置及偏角,J(ηi)表示世界坐标系与体坐标系之间的坐标转换矩阵,vi=[ui,υi,wi,pi,qi,ri]T表示AUH在体坐标下的线速度与角速度,M表示质量惯性矩阵,C0(vi)表示科氏力和向心力矩阵,ΔC(νi)表示科氏力和向心力矩阵中的不确定部分,D0(vi)表示水动力阻尼矩阵,ΔD(νi)表示水动力阻尼矩阵中的不确定部分,g表示AUH重力和浮力产生的力和力矩矩阵,Δ(ηi,vi)=[Δ1,Δ2,Δ3,Δ4,Δ5,Δ6]T表示未建模动力学,τd,i(t)∈R6表示未知时变扰动,τi∈R6表示控制输入;
进一步将AUH的动力学模型改写为
步骤(1)中,构建AUH的编队系统中,由一个虚拟AUH领导者和N个实际AUH追随者组成,他们的位置信息分别由其质点描述,虚拟AUH领导者沿参考轨迹ηd运动,第i个AUH追随者沿参考轨迹ηr,i运动,其中,ηd根据实际需求设计,ηr,i由下式确定
步骤(2)中,所述的性能函数由下式确定:
式中,ρ(t)表示性能函数,表示ρ(t)对时间的一阶导数,0<k2<1,ρ0为设计值,表示性能函数的初值,用于约束系统的超调量,ρ∞为设计值,表示性能函数的终值,用于约束系统的稳态误差;tf为根据实际需要设定的误差收敛时间;
e1,i=ηi-ηr,i,e1,ij是e1,i在第j个自由度的分量,j=1-6;
引入误差转换关系见下式
式中,ρij(t)是有限时间形式的性能函数,z1,ij是转换误差,Tij(z1,ij)为误差转换函数。
误差转换函数Tij(z1,ij)是光滑的单调递增函数具体为:
将上式带入误差转换关系,得到
步骤(3)中,基于RBFNN和扰动观测器的状态观测器设计如下:
状态观测的误差计算为
步骤(4)中,协同编队控制器设计为:
式中,τi为第i个自由度的控制器输入;J1表示世界坐标系与体坐标系之间的坐标转换矩阵;表示J1的逆;K2为自定义的控制器增益系数;/>为虚拟控制量,αi为虚拟控制律;γi=diag[χi1,χi2,χi3,χi4,χi5,χi6],/>z1,i为转换误差;/> 为RBFNN最优权值矩阵的观测值的转置;S(xi)为高斯激活函数,公式如下:
与现有技术相比,本发明具有以下有益效果:
本发明建立基于神经网络的协同编队控制器,使得AUH编队能够在追踪参考轨迹的同时保持预设的编队构型,闭环自适应系统的所有信号一致最终有界,并且在性能函数的限制下达到预设的瞬态和稳态性能。当AUHs编队在追踪周期轨迹时,动力学模型中的复杂不确定性能够被每一个AUH以协同学习的方式逼近,用于处理周期轨迹中出现的相似不确定性。
附图说明
图1为本发明一种多水下直升机协同编队控制方法的流程图;
图2为本发明实施例中AUH编队跟踪误差在6自由度下的变化趋势;
图3为本发明实施例中RBFNN对建模不确定性的逼近误差在6自由度下的变化趋势。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
本发明研究由N个AUH组成集群的编队控制问题,其中,第i个AUH的动力学模型可以描述为:
式中,下标表示第i个AUH,/>表示AUH在世界坐标系下的坐标位置及偏角,J(ηi)表示世界坐标系与体坐标系之间的坐标转换矩阵,νi=[ui,υi,wi,pi,qi,ri]T表示AUH在体坐标下的线速度与角速度,M表示质量惯性矩阵,C0(νi)表示科氏力和向心力矩阵,ΔC(vi)表示科氏力和向心力矩阵中的不确定部分,D0(vi)表示水动力阻尼矩阵,ΔD(νi)表示水动力阻尼矩阵中的不确定部分,g表示AUH重力和浮力产生的力和力矩矩阵,Δ(ηi,vi)=[Δ1,Δ2,Δ3,η4,η5,Δ6]T表示未建模动力学,/>表示未知时变扰动,/>表示控制输入。
将AUH的动力学模型改写为
理想的编队模式由一个虚拟AUH“领导者”和N个实际AUH“追随者”组成,他们的位置信息可分别由其质点描述,虚拟AUH“领导者”沿参考轨迹ηd运动,第i个AUH“追随者”沿参考轨迹ηr,i运动,其中ηd根据实际需求设计,ηr,i可由下式确定
本发明所研究的多AUH系统的通讯拓扑结构由无向图描述,其中,v={v1,...,vN}表示由N个AUH组成的顶点集合,/>表示边集合。相关邻接矩阵/>为对称的半正定矩阵,当第i个AUH能够接收第k个AUH的信息时aik=1,反之,aik=0。定义/>为顶点v1邻点的集合,同时,如果/>则定义下标/>度矩阵定义为/>其中,/>对称矩阵Laplacian阵定义为/>
在本发明中,径向基神经网络(RBFNN)将被用于逼近复杂不确定项Fi(xi)
本发明满足如下四个假设:
假设二:AUH在世界坐标系下的位置及偏角ηi是可测的,在体坐标系下的线速度和角速度vi是不可测的。
假设三:未知的外部时变扰动及其对时间的一阶导数是有界的,但是上界是未知的。
本发明的核心内容是:建立基于神经网络的协同编队控制器,使得AUH编队能够在追踪参考轨迹的同时保持预设的编队构型,闭环自适应系统的所有信号一致最终有界,并且在性能函数的限制下达到预设的瞬态和稳态性能。当AUHs编队在追踪周期轨迹时,动力学模型中的复杂不确定性能够被每一个AUH以协同学习的方式逼近,用于处理周期轨迹中出现的相似不确定性。
具体的,如图1所示,一种多水下直升机协同编队控制方法,包括如下步骤:
步骤一:设计有限时间预设性能方法
本发明设计一种具有有限时间形式的性能函数,在约束系统瞬态及稳态性能的同时,预先设定系统的收敛时间。性能函数由下式确定
引入误差转换关系见下式
式中,ρij(t)是有限时间性能函数,其更新率在式(26)中给出,z1,ij是转换误差,Tij(z1,ij)为误差转换函数,
本发明中选择使用的误差转换函数为
将式(8)带入式(7)可得
步骤二:设计状态观测器
在设计协同编队控制器时,需要用到状态变量x1i,x2i的信息,然而,由于体坐标系下的线速度和角速度νi是不可测的,无法直接得到x2i的信息,因此本发明引入状态观测器观测高阶量x2i。由于AUH的动力学模型中存在多种动力学不确定性和外部时变扰动,本发明将RBFNN、扰动观测器与龙伯格观测器结合,观测状态变量x2i。
基于RBFNN和扰动观测器的状态观测器设计如下
L1i,L2i为待设计的增益对角矩阵。状态观测误差可计算为
步骤三:设计协同编队控制器
基于观测得到的状态变量,在反步法框架下设计AUHs协同编队控制器。
首先,定义误差变量
e1,i=ηi-ηr,i=x1i-ηr,i (13)
式中,虚拟控制率αi设计为
z2,i对时间的导数计算为
基于多智能体一致性和图论相关理论,充分利用各邻点AUH间的信息交换,协同神经网络权重系数更新率设计为
由状态观测器的公式(10)、扰动观测器的公式(21)和RBFNN权重系数更新率公式(23),基于神经网络的协同编队控制器设计为
对于具有假设一至假设四成立的AUHs编队系统的公式(2),通过状态观测器的公式(10)观测不可测高阶速度量、扰动观测器的公式(21)观测外部时变扰动、协同RBFNN逼近复杂动力学不确定性,将协同编队控制器设计为公式(24),协同自适应更新率设计为公式(23),那么
1)AUHs编队能够在跟踪参考轨迹的同时保持预设的编队构型。
2)闭环自适应系统的所有信号一致最终有界。
3)在性能函数的限制下系统达到预设的瞬态和稳态性能,追踪误差e1,ij在有限时间Ti内收敛至0值附近的小邻域。
下面通过理论对上述每个步骤进行验证。
1、有限时间预设性能控制
预设性能控制方法是通过设计误差变换和性能函数,使跟踪误差收敛到一个预先设定的任意小区域,同时,误差的收敛速度和超调量均被预设条件限制。本文提出一种具有有限时间形式的性能函数,在约束系统瞬态及稳态性能的同时,预先设定系统的收敛时间。性能函数由下式确定
定理1
更新率由式(25)确定的性能函数ρ(t)为有限时间性能函数,tf为误差收敛时间,性能函数的初值和稳态值可分别由ρ0和ρ∞确定。
证明
构造Lyapunov函数为
将(28)两边同时积分可得
将μ1μ2=4带入(29)可得
因此,存在一个有限时间tf,使得xρ(tf)=0,eρ(tf)=0,tf可计算为
证明到此结束,性能函数ρ(t)在有限时间tf收敛至终值ρ∞。
引入误差转换关系见下式
式中,ρij(t)是有限时间性能函数,其更新率在式(25)中给出,z1,ij是转换误差,Tij(z1,ij)为误差转换函数,
本文中选择使用的误差转换函数为
将式(33)带入式(32)可得
2、设计状态观测器
在设计协同编队控制器时,需要用到状态变量x1i,x2i的信息,然而,由于体坐标系下的线速度和角速度vi是不可测的,无法直接得到x2i的信息,因此我们引入状态观测器观测高阶量x2i。由于AUH的动力学模型中存在多种动力学不确定性和外部时变扰动,本文将RBFNN、扰动观测器与龙伯格观测器结合,观测状态变量x2i。基于RBFNN和扰动观测器的状态观测器设计如下
L1i,L2i为待设计的增益对角矩阵。状态观测误差可计算为
3、设计协同编队事件触发控制器
将基于观测得到的状态变量,在反步法框架下设计AUHs协同编队控制器。
首先,定义误差变量
e1,i=ηi-ηr,i=x1i-ηr,i (38)
式中,虚拟控制率αi设计为
Step 2:z2,i对时间的导数计算为
基于多智能体一致性和图论相关理论,充分利用各邻点AUH间的信息交换,协同神经网络权重系数更新率设计为
由状态观测器(35)、扰动观测器(46)和RBFNN权重系数更新率(48),基于神经网络的协同编队控制器设计为
定理2
对于具有假设一至假设四成立的AUH编队系统(2),通过状态观测器(35)观测不可测高阶速度量、扰动观测器(46)观测外部时变扰动、协同RBFNN逼近复杂动力学不确定性,将协同编队控制器设计为(49),协同自适应更新率设计为(48),那么
1)AUH编队能够在跟踪参考轨迹的同时保持预设的编队构型。
2)闭环自适应系统的所有信号一致最终有界。
3)在性能函数的限制下系统达到预设的瞬态和稳态性能,追踪误差e1,ij在有限时间Ti内收敛至0值附近的小邻域。
证明:
选取Lyapunov函数
将式(49)带入式(51)
将式(48)带入(52)
由杨氏不等式可知
由式(56)可知
式中,
由不等式(57)可知
由不等式(58)和(59)可知:
1)转换误差z1,i指数收敛至可调节的紧集其数值可由参数A,K1,i,K2,i,l,σij,/>调节。结合式(32),跟踪误差e1,i收敛至可调节的紧集,即协同编队控制器能够控制AUHs编队有效地跟踪参考轨迹。
2)状态观测器的公式(35)的估计误差扰动观测器的公式(46)的估计误差/>协同编队神经网络的权重系数估计误差/>和虚拟控制误差变量z2,i均一致最终有界,即闭环自适应系统的所有信号均为一致最终有界。
3)由公式(59)可知,转换误差z1,i有界,
结合式(32)可知
-ρij(t)<e1,ij<ρij(t) (60)
由定理1可知,有限时间性能函数ρij(t)将在有限时间Ti内单调递减至0附近的小邻域,因此追踪误差e1,ij在有限时间Ti内收敛至0附近的小邻域。
证明完毕。
为验证本发明的效果,在仿真实验中引入了一组4个相同的AUH,以证明所研究的编队控制策略的有效性。
表1给出了AUH编队的初始模式。所需的编队形状是一个菱形,菱形的顶点代表AUH的重心。我们选择所需的相对偏移量为 以实现期望的菱形编队构型.建模不确定性可以表示为Δ(ηi,vi)=[Δ1,Δ2,Δ3,Δ4,Δ5,Δ6]T,其中/>
表1 AUH编队的相关参数设置
对于每个控制自由度,期望的编队控制性能设计如下:(1)稳态跟踪误差不超过0.02;(2)最大收敛时间小于20s。表2说明了性能函数的参数值。
表2性能函数的参数设置
AUH的状态观测器,扰动观测器,自适应律和编队控制器的增益设置如下:L1i=diag[15,15,15,15,15,15],L2i=diag[50,50,50,50,50,50],K1,i=diag[5,5,5,5,5,5],K2,i=diag[4,4,4,4,4,4]。
仿真结果如图2和图3所示,其中,图2显示,尽管存在不确定性和干扰,但AUH的编队跟踪误差仍收敛于零,并始终保持在由预设性能函数构建的边界内。图3给出了建模不确定性的逼近误差,证明了所提出的基于RBFNN的观测器和模型的有效性。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (9)
1.一种多水下直升机协同编队控制方法,其特征在于,包括:
(1)对水下直升机AUH进行动力学建模,构建AUH的编队系统;
(2)设计具有有限时间形式的性能函数,在约束系统瞬态及稳态性能的同时,预先设定编队系统的收敛时间;
(3)构建基于RBFNN和扰动观测器的状态观测器,用于观测状态变量;
(4)基于观测得到的状态变量,在反步法框架下设计基于神经网络的协同编队控制器;
通过协同编队控制器使得AUH编队在追踪参考轨迹的同时保持预设的编队构型,在性能函数的限制下系统达到预设的瞬态和稳态性能。
2.根据权利要求1所述的多水下直升机协同编队控制方法,其特征在于,步骤(1)中,对水下直升机AUH进行动力学建模时,第i个AUH的动力学模型描述为
式中,下标表示第i个AUH,/>表示AUH在世界坐标系下的坐标位置及偏角,J(ηi)表示世界坐标系与体坐标系之间的坐标转换矩阵,vi=[ui,υi,wi,pi,qi,ri]T表示AUH在体坐标下的线速度与角速度,M表示质量惯性矩阵,C0(vi)表示科氏力和向心力矩阵,ΔC(vi)表示科氏力和向心力矩阵中的不确定部分,D0(vi)表示水动力阻尼矩阵,ΔD(vi)表示水动力阻尼矩阵中的不确定部分,g表示AUH重力和浮力产生的力和力矩矩阵,Δ(ηi,νi)=[Δ1,Δ2,Δ3,Δ4,Δ5,Δ6]T表示未建模动力学,τd,i(t)∈R6表示未知时变扰动,τi∈R6表示控制输入;
进一步将AUH的动力学模型改写为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310440747.8A CN116360470A (zh) | 2023-04-23 | 2023-04-23 | 一种多水下直升机协同编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310440747.8A CN116360470A (zh) | 2023-04-23 | 2023-04-23 | 一种多水下直升机协同编队控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116360470A true CN116360470A (zh) | 2023-06-30 |
Family
ID=86922171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310440747.8A Pending CN116360470A (zh) | 2023-04-23 | 2023-04-23 | 一种多水下直升机协同编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116360470A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331317A (zh) * | 2023-12-01 | 2024-01-02 | 东海实验室 | 一种基于宽度学习的欠驱动水下直升机合围控制方法 |
CN117369267A (zh) * | 2023-10-31 | 2024-01-09 | 东海实验室 | 一种事件触发框架下水下直升机合围编队控制方法和系统 |
-
2023
- 2023-04-23 CN CN202310440747.8A patent/CN116360470A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369267A (zh) * | 2023-10-31 | 2024-01-09 | 东海实验室 | 一种事件触发框架下水下直升机合围编队控制方法和系统 |
CN117369267B (zh) * | 2023-10-31 | 2024-04-30 | 东海实验室 | 一种事件触发框架下水下直升机合围编队控制方法和系统 |
CN117331317A (zh) * | 2023-12-01 | 2024-01-02 | 东海实验室 | 一种基于宽度学习的欠驱动水下直升机合围控制方法 |
CN117331317B (zh) * | 2023-12-01 | 2024-02-20 | 东海实验室 | 一种基于宽度学习的欠驱动水下直升机合围控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust time-varying formation control for underactuated autonomous underwater vehicles with disturbances under input saturation | |
Yan et al. | Sliding mode tracking control of autonomous underwater vehicles with the effect of quantization | |
Zhang et al. | Composite neural learning fault-tolerant control for underactuated vehicles with event-triggered input | |
CN116360470A (zh) | 一种多水下直升机协同编队控制方法 | |
Hassanein et al. | Model-based adaptive control system for autonomous underwater vehicles | |
CN110134018B (zh) | 一种水下多足机器人系统的多足协同控制方法 | |
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 | |
CN112947505B (zh) | 一种基于强化学习算法与未知干扰观测器的多auv编队分布式控制方法 | |
Yan et al. | Formation control of leader-following multi-UUVs with uncertain factors and time-varying delays | |
Zhang et al. | A novel event-triggered robust neural formation control for USVs with the optimized leader–follower structure | |
CN108089589A (zh) | 一种水下机器人姿态控制方法 | |
Zeng et al. | Finite-time coordinated formation control of discrete-time multi-AUV with input saturation under alterable weighted topology and time-varying delay | |
Fu et al. | A cross‐coupling control approach for coordinated formation of surface vessels with uncertain disturbances | |
Shi et al. | Composite finite-time adaptive anti-disturbance control for dynamic positioning of vessels with output constraints | |
CN116578106A (zh) | 一种面向沿海声层析观测的水下直升机编队控制方法 | |
CN117452827B (zh) | 一种欠驱动无人艇轨迹跟踪控制方法 | |
Wang et al. | Adaptive fuzzy control of underwater vehicle manipulator system with dead-zone band input nonlinearities via fuzzy performance and disturbance observers | |
Rani et al. | A neural network based efficient leader–follower formation control approach for multiple autonomous underwater vehicles | |
Qi et al. | Three-dimensional formation control based on filter backstepping method for multiple underactuated underwater vehicles | |
Taheri et al. | Design boundary layer thickness and switching gain in SMC algorithm for AUV motion control | |
Wang et al. | Command filter-based adaptive practical prescribed-time asymptotic tracking control of autonomous underwater vehicles with limited communication angles | |
Fu et al. | A finite-time output feedback control scheme for dynamic positioning system of ships | |
CN116449703A (zh) | 一种有限时间框架下的auh编队协同控制方法 | |
CN109062232B (zh) | 海底地震检波飞行节点分布式有限时间防抖振构型包含控制方法 | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 |
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 |