CN117055586A - 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 - Google Patents
基于自适应控制的水下机器人巡游搜索与抓取方法、系统 Download PDFInfo
- Publication number
- CN117055586A CN117055586A CN202310778064.3A CN202310778064A CN117055586A CN 117055586 A CN117055586 A CN 117055586A CN 202310778064 A CN202310778064 A CN 202310778064A CN 117055586 A CN117055586 A CN 117055586A
- Authority
- CN
- China
- Prior art keywords
- current
- underwater robot
- state information
- actual state
- control input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 48
- 230000008859 change Effects 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于自适应控制的水下机器人巡游搜索与抓取方法、系统，方法包括：获取水下机器人的当前实际状态信息，并基于水下机器人的当前搜索路径对应的当前期望状态信息以及当前实际状态信息，确定水下机器人的当前误差；在当前误差大于预设误差的情况下，基于当前实际状态信息以及当前期望状态信息，对当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；基于优化后的当前控制输入，控制水下机器人沿当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下控制水下机器人抓取目标物体。本发明提升了水下机器人针对未知区域内的目标物体自主搜索与作业能力。
Description
技术领域
本发明涉及机器人控制技术领域，尤其涉及一种基于自适应控制的水下机器人巡游搜索与抓取方法、系统。
背景技术
近年来，随着对海洋探索的不断深入和海洋科技的创新发展，水下机器人在海洋矿产采样、水下物品打捞等诸多领域都发挥着十分重要的应用价值。然而，目前大多数水下搜索与作业任务的实现仍通过工程师对水下机器人进行远程操作实现为平台，耗费大量的人力物力，且人工操作存在着响应速度慢等缺点。此外，部分水下机器人虽然可以进行自主作业，但其自主作业任务是在已知的固定区域内完成的，无法进行自主搜索，难以满足实际的水下作业需求。
因此，如何提升水下机器人针对未知区域内的目标物体自主搜索与作业能力，成为亟待解决的问题。
发明内容
本发明提供一种基于自适应控制的水下机器人巡游搜索与抓取方法、系统，用以解决现有技术中水下机器人无法进行自主搜索的缺陷。
本发明提供一种基于自适应控制的水下机器人巡游搜索与抓取方法，包括：
获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；
在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；
基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，所述基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入，包括：
基于所述当前实际状态信息，以及所述当前期望状态信息，构建当前代价函数；
以最小化所述当前代价函数为目标，对所述当前控制输入进行优化，得到所述优化后的当前控制输入。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，所述基于所述当前实际状态信息，以及所述当前期望状态信息，构建当前代价函数，包括：
基于所述当前实际状态信息，以及所述当前期望状态信息，构建状态误差代价函数；
基于控制输入的控制步长，以及控制输入的权值矩阵，构建第一控制误差代价函数；
基于下一时刻控制输入与所述当前控制输入的变化幅值，构建第二控制误差代价函数；
基于所述状态误差代价函数、所述第一控制误差代价函数以及所述第二控制误差代价函数，确定所述当前代价函数。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，还包括：
在所述当前误差小于等于所述预设误差的情况下，基于所述当前控制输入控制所述水下机器人沿所述当前搜索路径进行巡游搜索，直至所述当前搜索路径巡游结束后，基于下一搜索路径更新所述当前实际状态信息，并基于更新后的当前实际状态信息，更新所述当前控制输入。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，还包括：
在巡游搜索过程中检测到障碍物的情况下，基于下一搜索路径更新所述当前实际状态信息，并基于更新后的当前实际状态信息，更新所述当前控制输入。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，所述控制所述水下机器人抓取所述目标物体，包括：
在检测到所述目标物体位于所述水下机器人的作业空间内的情况下，控制所述水下机器人抓取所述目标物体；
在检测到所述目标物体不位于所述水下机器人的作业空间内的情况下，控制所述水下机器人保持悬浮状态并调整所述水下机器人与所述目标物体之间的相对位置，直至所述目标物体位于所述水下机器人的作业空间内，控制所述水下机器人下降并抓取所述目标物体。
根据本发明提供的一种基于自适应控制的水下机器人巡游搜索与抓取方法，所述获取水下机器人的当前实际状态信息，包括：
通过深度传感器和惯性元件，获取所述水下机器人的深度、偏航角、滚转角和俯仰角；
通过微分跟踪器，获取所述水下机器人的深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度；
基于所述深度、所述偏航角、所述滚转角、所述俯仰角、所述深度变化率、所述偏航角角速度、所述滚转角角速度和所述俯仰角角速度，确定初始当前实际状态信息；
对所述初始当前实际状态信息进行滤波，得到所述当前实际状态信息。
本发明还提供一种基于自适应控制的水下机器人巡游搜索与抓取系统，包括：
确定单元，用于获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；
优化单元，用于在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；
控制单元，用于基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体；
水下机器人，所述水下机器人上设有所述确定单元、所述优化单元以及所述控制单元。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于自适应控制的水下机器人巡游搜索与抓取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于自适应控制的水下机器人巡游搜索与抓取方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于自适应控制的水下机器人巡游搜索与抓取方法。
本发明提供的基于自适应控制的水下机器人巡游搜索与抓取方法、系统，在当前误差大于预设误差的情况下，基于当前实际状态信息以及当前期望状态信息，对当前控制输入进行优化，得到优化后的当前控制输入，从而可以基于优化后的当前控制输入调整当前实际状态信息，使得调整后的当前实际状态信息与当前期望状态信息之间的差异最小，实现水下机器人能够沿当前搜索路径前进自主搜索，并在检测到目标物体的情况下进行抓取，提升了水下机器人针对未知区域内的目标物体自主搜索与作业能力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于自适应控制的水下机器人巡游搜索与抓取方法的流程示意图；
图2是本发明提供的深度和深度变化率的曲线示意图；
图3是本发明提供的俯仰角和俯仰角角速度变化率的曲线示意图之一；
图4是本发明提供的水下机器人自主运动过程中深度的变化曲线示意图；
图5是本发明提供的滚转角和滚转角角速度变化率的曲线示意图；
图6是本发明提供的俯仰角和俯仰角角速度变化率的曲线示意图之二；
图7是本发明提供的水下机器人实验过程中的深度变化曲线示意图；
图8是本发明提供的水下机器人实验过程中滚转角和俯仰角变化曲线示意图；
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前大多数水下搜索与作业任务的实现仍通过工程师对水下机器人进行远程操作实现为平台，耗费大量的人力物力，且人工操作存在着响应速度慢等缺点。此外，部分水下机器人虽然可以进行自主作业，但其自主作业任务是在已知的固定区域内完成的，无法进行自主搜索，难以满足实际的水下作业需求。
对此，本发明提供一种基于自适应控制的水下机器人巡游搜索与抓取方法。图1是本发明提供的基于自适应控制的水下机器人巡游搜索与抓取方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤110、获取水下机器人的当前实际状态信息，并基于水下机器人的当前搜索路径对应的当前期望状态信息，以及当前实际状态信息，确定水下机器人的当前误差。
具体地，当前搜索路径是指水下机器人进行自主搜索时对应的路径，当前搜索路径可以根据预设规则生成的，如预设规则可以为沿北方向、东方向、南方向和东方向为一个循环进行遍历搜索，并设定当前期望深度为0.59米，也可以是随机生成的，本发明实施例对此不作具体限定。可选地，当前搜索路径可以是从搜索路径库中提取的，搜索路径库中存储有多个不同搜索路径。
当前实际状态信息指水下机器人在当前时刻下的实际状态，当前期望状态信息指水下机器人在当前搜索路径下所对应的当前时刻的期望状态。其中，状态信息可以包括水下机器人的深度、偏航角、滚转角、俯仰角、深度变化率、偏航角角速度、滚转角角速度、俯仰角角速度等。
此外，当前误差用于表征当前实际状态信息与当前期望状态信息之间的差异，两者之间的差异越大，当前误差越大，即水下机器人偏离当前搜索路径的概率越大。其中，当前误差可以包括当前深度误差和/或当前偏航误差。
在一些具体实施方式中，当前实际状态信息可以包括当前实际深度以及当前实际偏航角，当前期望状态信息可以包括当前期望深度以及当前期望偏航角，基于当前实际深度以及当前期望深度，可以确定当前深度误差；基于当前实际偏航角以及当前期望偏航角，可以确定当前深度误差。
步骤120、在当前误差大于预设误差的情况下，基于当前实际状态信息，以及当前期望状态信息，对当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入。
具体地，在当前误差大于预设误差的情况下，表明水下机器人已偏离当前搜索路径，此时需要对当前实际状态信息进行调整，以使水下机器人沿当前搜索路径前进。可选地，在当前深度误差小于0.1米，当前偏航角误差小于8°的情况下，可以确定水下机器人已偏离当前搜索路径。
此外，当前控制输入指控制水下机器人按照当前实际状态信息前进的输入指令。在当前误差大于预设误差的情况下，基于当前实际状态信息，以及当前期望状态信息，对当前实际状态信息对应的当前控制输入进行优化，以基于优化后的当前控制输入调整当前实际状态信息，使得调整后的当前实际状态信息与当前期望状态信息之间的差异最小，从而使得水下机器人沿当前搜索路径前进。
步骤130、基于优化后的当前控制输入，控制水下机器人沿当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制水下机器人抓取目标物体。
具体地，基于优化后的当前控制输入，可以调整水下机器人的当前实际状态信息，如调整水下机器人的当前深度、当前偏航角等，使得水下机器人沿当前搜索路径进行巡游搜索，即水下机器人可实现自主巡游搜索。
在一些具体实施方式中，可以通过双目视觉系统对目标物体进行实时检测，若在巡游搜索过程中检测到目标物体，则控制水下机器人抓取目标物体。此外，若检测到多个目标物体，则对多个目标物体完成抓取后，控制水下机器人继续巡游搜索。
本发明实施例提供的基于自适应控制的水下机器人巡游搜索与抓取方法，在当前误差大于预设误差的情况下，基于当前实际状态信息以及当前期望状态信息，对当前控制输入进行优化，得到优化后的当前控制输入，从而可以基于优化后的当前控制输入调整当前实际状态信息，使得调整后的当前实际状态信息与当前期望状态信息之间的差异最小，实现水下机器人能够沿当前搜索路径前进自主搜索，并在检测到目标物体的情况下进行抓取，提升了水下机器人针对未知区域内的目标物体自主搜索与作业能力。
基于上述实施例，基于当前实际状态信息，以及当前期望状态信息，对当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入，包括：
基于当前实际状态信息，以及当前期望状态信息，构建当前代价函数；
以最小化当前代价函数为目标，对当前控制输入进行优化，得到优化后的当前控制输入。
具体地，当前代价函数用于表征当前实际状态信息与当前期望状态信息之间的差异，当前代价函数越小，当前实际状态信息与当前期望状态信息之间的差异越小，进而水下机器人偏离当前搜索路径的程度越小。
对此，本发明实施例以最小化当前代价函数为目标，对当前控制输入进行优化，得到优化后的当前控制输入。从而可以基于优化后的当前控制输入调整当前实际状态信息，使得调整后的当前实际状态信息与当前期望状态信息之间的差异最小，实现水下机器人能够沿当前搜索路径前进自主搜索。
基于上述任一实施例，基于当前实际状态信息，以及当前期望状态信息，构建当前代价函数，包括：
基于当前实际状态信息，以及当前期望状态信息，构建状态误差代价函数；
基于控制输入的控制步长，以及控制输入的权值矩阵，构建第一控制误差代价函数；
基于下一时刻控制输入与当前控制输入的变化幅值，构建第二控制误差代价函数；
基于状态误差代价函数、第一控制误差代价函数以及第二控制误差代价函数，确定当前代价函数。
在一些具体实施方式中，状态误差代价函数基于如下步骤确定：
根据当前实际状态信息对应的实际状态向量η，得到水下机器人在世界坐标系下的动力学方程如下：
其中，M为水下机器人的惯性矩阵，为水下机器人科里奥利力和阻尼力等非线性表达式，/>为当前控制输入，/>为水下机器人受到的外界扰动(如水流波动)，令可得：
其中，R6×12和A为状态转换矩阵，B为控制输入系数矩阵，采用前向差分法对其进行离散化，得到离散化后的水下机器人的动力学方程：
其中，T为采样时间。
根据离散化后的水下机器人的动力学方程，得到下一个时刻的系统状态表达式：
其中，并通过迭代计算，得到预测步长为Np时刻的水下机器人系统状态：
其中，为Np时刻的状态转换矩阵，B为控制输入系数矩阵。
根据当前期望状态信息对应的期望状态向量ηd与水下机器人传感器返回的实际状态向量η，确定状态误差代价函数为：
其中，Q为自适应状态权值矩阵，根据水下机器人当前误差计算其位置和姿态的自适应权值函数计算如下：
其中，αi为权值系数，e为当前误差，λi为设定的函数系数。其速度和姿态变化率的自适应权值函数计算如下：
其中，βi为权值系数，μi为设定的函数系数。
最终，得到自适应状态权值矩阵Q：
Q＝diag(αx,αy,αz,αφ,αθ,αφ,βx,βy,βz,βφ,βθ,βψ)
其中，x,y,z表示三个空间方向，θ,ψ分别表示滚转角、俯仰角和偏航角。
在一些具体实施方式中，第一控制误差代价函数和第二控制误差代价函数基于如下步骤确定：
根据前向差分法离散化，得到控制输入的离散化表达式为：
Uk＝[u(k|k)T u(k+1|k)T…u(k+Np-1|k)T]T
其中，Np为水下机器人系统状态的预测步长。根据水下机器人的物理系统限制，给出其系统状态和控制输入约束关系：
其中，η(k)min为水下机器人系统状态的下限，η(k)max水下机器人系统状态的上限，Ukmin为第k时刻控制输入的下限，Ukmax为第k时刻控制输入的上限。
为了避免控制输入过大产生输入饱和问题，对控制输入设计第一控制误差代价函数如下：
其中，Nu为控制输入的控制步长，R1为优化控制输入的权值矩阵。
为了保证两次控制输入的连续性，以确保控制输入的可行性和平稳性，对相邻两次控制输入(下一时刻控制输入与当前控制输入)的变化幅值定义了第二控制误差代价函数如下：
其中，R2为优化两次控制输入幅值变化的权值矩阵。
在确定状态误差代价函数、第一控制误差代价函数以及第二控制误差代价函数后，当前代价函数如下：
通过优化该代价函数，得到最优控制输入序列将最优控制序列的第一项控制输入u*(k|k)T作为优化后的当前控制输入，以控制水下机器人以稳定姿态沿当前搜索路径进行巡游搜索。
基于上述任一实施例，还包括：
在当前误差小于等于预设误差的情况下，基于当前控制输入控制水下机器人沿当前搜索路径进行巡游搜索，直至当前搜索路径巡游结束后，基于下一搜索路径更新当前实际状态信息，并基于更新后的当前实际状态信息，更新当前控制输入。
具体地，在当前误差小于等于预设误差的情况下，表明当前实际状态信息与当前期望状态信息之间的差异较小，也就是基于当前控制输入可以精准控制水下机器人沿当前搜索路径进行巡游搜索，此时水下机器人可以采用匀速的开环运动，即通过设置开环运动时间控制水下机器人前进距离。在当前搜索路径巡游搜索完毕后，可以基于下一搜索路径更新当前实际状态信息，并基于更新后的当前实际状态信息，更新当前控制输入，从而可以基于更新后的当前控制输入控制水下机器人沿下一搜索路径进行巡游搜索。
基于上述任一实施例，还包括：
在巡游搜索过程中检测到障碍物的情况下，基于下一搜索路径更新当前实际状态信息，并基于更新后的当前实际状态信息，更新当前控制输入。
具体地，在巡游搜索过程中检测到障碍物的情况下，表明当前搜索路径无法继续前进，此时可以切换至下一搜索路径，基于下一搜索路径更新当前实际状态信息，并基于更新后的当前实际状态信息，更新当前控制输入，从而可以基于更新后的当前控制输入控制水下机器人沿下一搜索路径进行巡游搜索。其中，可以通过水下机器人的声呐检测当前搜索路径中是否存在障碍物，如检测到水下机器人与障碍物之间的距离小于预警距离的情况下，切换至下一搜索路径，以使水下机器人沿下一搜索路径进行巡游搜索。
基于上述任一实施例，控制水下机器人抓取目标物体，包括：
在检测到目标物体位于水下机器人的作业空间内的情况下，控制水下机器人抓取目标物体；
在检测到目标物体不位于水下机器人的作业空间内的情况下，控制水下机器人保持悬浮状态并调整水下机器人与目标物体之间的相对位置，直至目标物体位于水下机器人的作业空间内，控制水下机器人下降并抓取目标物体。
具体地，在检测到目标物体位于水下机器人的作业空间内的情况下，控制水下机器人下降至水底并抓取目标物体。在检测到目标物体不位于水下机器人的作业空间内的情况下，控制水下机器人保持悬浮状态并调整水下机器人与目标物体之间的相对位置，直至目标物体位于水下机器人的作业空间内，控制水下机器人下降并抓取目标物体。其中，由于波动鳍推进器稳定性高、微小位移调整准确，因此可通过调整波动鳍的波动频率和波动方向，悬浮调整水下机器人与目标物体之间的相对位置。此外，本发明实施例可以通过手眼转换矩阵确定目标物体相对于水下机器人作业臂的位置关系，并基于位置关系确定目标物体是否位于水下机器人的作业空间内。
本发明实施例在水下机器人保持悬浮状态下调整水下机器人与目标物体之间的相对位置，从而可以保证水下机器人不会受到水底泥沙、石块等物体的影响，阻碍其位置调整。
基于上述任一实施例，获取水下机器人的当前实际状态信息，包括：
通过深度传感器和惯性元件，获取水下机器人的深度、偏航角、滚转角和俯仰角；
通过微分跟踪器，获取水下机器人的深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度；
基于深度、偏航角、滚转角、俯仰角、深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度，确定初始当前实际状态信息；
对初始当前实际状态信息进行滤波，得到当前实际状态信息。
在一些具体实施方式中，水下机器人搭载有可以通过水压感知深度变化的深度传感器和感知姿态角变化的惯性元件，通过上述深度传感器和惯性元件实时获取水下机器人的深度、偏航角、滚转角和俯仰角信息；通过微分跟踪器计算水下机器人的深度、偏航角、滚转角和俯仰角的变化率，得到其深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度。
基于上述深度、偏航角、滚转角、俯仰角、深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度，确定初始当前实际状态信息，并通过卡尔曼滤波器对初始当前实际状态信息进行滤波，得到滤波后的当前实际状态信息。
图2是本发明提供的深度和深度变化率的曲线示意图，图2中虚线表示采用现有技术(MPC)水下机器人的深度和深度变化率的曲线示意图，实线表示采用本发明实施例的方法(AMPC)水下机器人的深度和深度变化率的曲线示意图，如图2所示，本发明实施例提供的方法能够更快使水下机器人下潜到期望深度。图3是本发明提供的俯仰角和俯仰角角速度变化率的曲线示意图之一，图3中虚线表示采用现有技术(MPC)水下机器人的俯仰角和俯仰角角速度变化率的曲线示意图，实线表示采用本发明实施例的方法(AMPC)水下机器人的俯仰角和俯仰角角速度变化率的曲线示意图，如图3所示，本发明实施例提供的方法能够更快地稳定水下机器人的俯仰角。此外，图2和图3分别展示了水下机器人9秒时刻受到瞬时扰动干扰，其深度和俯仰角恢复到期望状态的变化，本发明实施例提供的方法仍具有较快的控制响应速度。
图4是本发明提供的水下机器人自主运动过程中深度的变化曲线示意图，图4中点划线表示采用现有技术(MPC)水下机器人的深度变化曲线示意图，实线表示采用本发明实施例的方法(AMPC)水下机器人的深度变化曲线示意图，如图4所示，本发明实施例提供的方法具有较好地控制精度。
图5是本发明提供的滚转角和滚转角角速度变化率的曲线示意图，图5中点划线表示采用现有技术(MPC)水下机器人的滚转角和滚转角角速度变化率的曲线示意图，实线表示采用本发明实施例的方法(AMPC)水下机器人的滚转角和滚转角角速度变化率的曲线示意。图6是本发明提供的俯仰角和俯仰角角速度变化率的曲线示意图之二，图6中点划线表示采用现有技术(MPC)水下机器人的俯仰角和俯仰角角速度变化率的曲线示意图，实线表示采用本发明实施例的方法(AMPC)水下机器人的俯仰角和俯仰角角速度变化率的曲线示意。由图5和图6可以看出，本发明实施例提供的方法在滚转和俯仰姿态控制上同样具有较好的控制精度。
图7是本发明提供的水下机器人实验过程中的深度变化曲线示意图，图8是本发明提供的水下机器人实验过程中滚转角和俯仰角变化曲线示意图，如图8所示，水下机器人的滚转角和俯仰角的最大幅值均小于13°。此外，如图7和图8所示，水下机器人在搜索和位置调整过程中，都保持了较好的姿态稳定性，最终水下机器人完成了未知区域内目标物体的遍历搜索与抓取作业任务。
下面对本发明提供的基于自适应控制的水下机器人巡游搜索与抓取系统进行描述，下文描述的基于自适应控制的水下机器人巡游搜索与抓取系统与上文描述的基于自适应控制的水下机器人巡游搜索与抓取方法可相互对应参照。
基于上述任一实施例，本发明还提供一种基于自适应控制的水下机器人巡游搜索与抓取系统，该系统包括：
确定单元，用于获取水下机器人的当前实际状态信息，并基于水下机器人的当前搜索路径对应的当前期望状态信息，以及当前实际状态信息，确定水下机器人的当前误差；
优化单元，用于在当前误差大于预设误差的情况下，基于当前实际状态信息，以及当前期望状态信息，对当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；
控制单元，用于基于优化后的当前控制输入，控制水下机器人沿当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制水下机器人抓取目标物体；
水下机器人，水下机器人上设有确定单元、优化单元以及控制单元。
图9是本发明提供的电子设备的结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、存储器(memory)920、通信接口(Communications Interface)930和通信总线940，其中，处理器910，存储器920，通信接口930通过通信总线940完成相互间的通信。处理器910可以调用存储器920中的逻辑指令，以执行基于自适应控制的水下机器人巡游搜索与抓取方法，该方法包括：获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体。
此外，上述的存储器920中的逻辑指令可以通过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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于自适应控制的水下机器人巡游搜索与抓取方法，该方法包括：获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于自适应控制的水下机器人巡游搜索与抓取方法，该方法包括：获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，包括：
获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；
在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；
基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体。
2.根据权利要求1所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，所述基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入，包括：
基于所述当前实际状态信息，以及所述当前期望状态信息，构建当前代价函数；
以最小化所述当前代价函数为目标，对所述当前控制输入进行优化，得到所述优化后的当前控制输入。
3.根据权利要求2所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，所述基于所述当前实际状态信息，以及所述当前期望状态信息，构建当前代价函数，包括：
基于所述当前实际状态信息，以及所述当前期望状态信息，构建状态误差代价函数；
基于控制输入的控制步长，以及控制输入的权值矩阵，构建第一控制误差代价函数；
基于下一时刻控制输入与所述当前控制输入的变化幅值，构建第二控制误差代价函数；
基于所述状态误差代价函数、所述第一控制误差代价函数以及所述第二控制误差代价函数，确定所述当前代价函数。
4.根据权利要求1所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，还包括：
在所述当前误差小于等于所述预设误差的情况下，基于所述当前控制输入控制所述水下机器人沿所述当前搜索路径进行巡游搜索，直至所述当前搜索路径巡游结束后，基于下一搜索路径更新所述当前实际状态信息，并基于更新后的当前实际状态信息，更新所述当前控制输入。
5.根据权利要求1或4所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，还包括：
在巡游搜索过程中检测到障碍物的情况下，基于下一搜索路径更新所述当前实际状态信息，并基于更新后的当前实际状态信息，更新所述当前控制输入。
6.根据权利要求1至4任一项所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，所述控制所述水下机器人抓取所述目标物体，包括：
在检测到所述目标物体位于所述水下机器人的作业空间内的情况下，控制所述水下机器人抓取所述目标物体；
在检测到所述目标物体不位于所述水下机器人的作业空间内的情况下，控制所述水下机器人保持悬浮状态并调整所述水下机器人与所述目标物体之间的相对位置，直至所述目标物体位于所述水下机器人的作业空间内，控制所述水下机器人下降并抓取所述目标物体。
7.根据权利要求1至4任一项所述的基于自适应控制的水下机器人巡游搜索与抓取方法，其特征在于，所述获取水下机器人的当前实际状态信息，包括：
通过深度传感器和惯性元件，获取所述水下机器人的深度、偏航角、滚转角和俯仰角；
通过微分跟踪器，获取所述水下机器人的深度变化率、偏航角角速度、滚转角角速度和俯仰角角速度；
基于所述深度、所述偏航角、所述滚转角、所述俯仰角、所述深度变化率、所述偏航角角速度、所述滚转角角速度和所述俯仰角角速度，确定初始当前实际状态信息；
对所述初始当前实际状态信息进行滤波，得到所述当前实际状态信息。
8.一种基于自适应控制的水下机器人巡游搜索与抓取系统，其特征在于，包括：
确定单元，用于获取水下机器人的当前实际状态信息，并基于所述水下机器人的当前搜索路径对应的当前期望状态信息，以及所述当前实际状态信息，确定所述水下机器人的当前误差；
优化单元，用于在所述当前误差大于预设误差的情况下，基于所述当前实际状态信息，以及所述当前期望状态信息，对所述当前实际状态信息对应的当前控制输入进行优化，得到优化后的当前控制输入；
控制单元，用于基于所述优化后的当前控制输入，控制所述水下机器人沿所述当前搜索路径进行巡游搜索，并在巡游搜索过程中检测到目标物体的情况下，控制所述水下机器人抓取所述目标物体；
水下机器人，所述水下机器人上设有所述确定单元、所述优化单元以及所述控制单元。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于自适应控制的水下机器人巡游搜索与抓取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于自适应控制的水下机器人巡游搜索与抓取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778064.3A CN117055586B (zh) | 2023-06-28 | 2023-06-28 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778064.3A CN117055586B (zh) | 2023-06-28 | 2023-06-28 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117055586A true CN117055586A (zh) | 2023-11-14 |
| CN117055586B CN117055586B (zh) | 2024-05-14 |
Family
ID=88657877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310778064.3A Active CN117055586B (zh) | 2023-06-28 | 2023-06-28 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117055586B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2280241A2 (en) * | 2009-07-30 | 2011-02-02 | Qinetiq Limited | Vehicle control |
| CN113084817A (zh) * | 2021-04-15 | 2021-07-09 | 中国科学院自动化研究所 | 扰流环境下水下仿生机器人的物体搜索及抓取控制方法 |
| CN113335277A (zh) * | 2021-04-27 | 2021-09-03 | 北京工业大学 | 智能巡航控制方法、装置、电子设备和存储介质 |
| CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
| CN114115262A (zh) * | 2021-11-23 | 2022-03-01 | 上海交通大学 | 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 |
| CN115494733A (zh) * | 2022-10-27 | 2022-12-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于gazebo的水下机器人自适应控制方法 |
| CN116341109A (zh) * | 2023-03-24 | 2023-06-27 | 电子科技大学 | 一种适用于飞行器系统建模的自适应滤波方法和系统 |
-
2023
- 2023-06-28 CN CN202310778064.3A patent/CN117055586B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2280241A2 (en) * | 2009-07-30 | 2011-02-02 | Qinetiq Limited | Vehicle control |
| CN113084817A (zh) * | 2021-04-15 | 2021-07-09 | 中国科学院自动化研究所 | 扰流环境下水下仿生机器人的物体搜索及抓取控制方法 |
| CN113335277A (zh) * | 2021-04-27 | 2021-09-03 | 北京工业大学 | 智能巡航控制方法、装置、电子设备和存储介质 |
| CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
| CN114115262A (zh) * | 2021-11-23 | 2022-03-01 | 上海交通大学 | 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 |
| CN115494733A (zh) * | 2022-10-27 | 2022-12-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于gazebo的水下机器人自适应控制方法 |
| CN116341109A (zh) * | 2023-03-24 | 2023-06-27 | 电子科技大学 | 一种适用于飞行器系统建模的自适应滤波方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117055586B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
| CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
| Wu et al. | Depth control of model-free AUVs via reinforcement learning | |
| 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 | |
| CN111240345B (zh) | 基于双bp网络增强学习框架的水下机器人轨迹跟踪方法 | |
| Anderlini et al. | Control of a ROV carrying an object | |
| CN104635773B (zh) | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 | |
| CN113885534B (zh) | 一种基于智能预测控制的水面无人船路径跟踪方法 | |
| JP2007317165A (ja) | 自律移動ロボットの動作計画方法、自律移動ロボットの動作計画方法を利用した自律移動ロボットの制御方法、自律移動ロボットの動作計画装置、自律移動ロボットの動作計画プログラム及びその記録媒体、自律移動ロボットの制御プログラム | |
| CN112068440B (zh) | 基于模型预测控制的auv回收对接动力定位控制方法 | |
| 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 | |
| Campos et al. | A nonlinear controller based on saturation functions with variable parameters to stabilize an AUV | |
| Hu et al. | Trajectory tracking and re-planning with model predictive control of autonomous underwater vehicles | |
| CN114879671A (zh) | 一种基于强化学习mpc的无人艇轨迹跟踪控制方法 | |
| CN113467231A (zh) | 基于侧滑补偿ilos制导律的无人艇路径跟踪方法 | |
| CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及系统 | |
| Hadi et al. | Adaptive formation motion planning and control of autonomous underwater vehicles using deep reinforcement learning | |
| Huo et al. | Model-free recurrent reinforcement learning for AUV horizontal control | |
| CN114217603A (zh) | 一种多无人船编队安全优化控制系统 | |
| CN117055586B (zh) | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 | |
| Børhaug et al. | Cross-track formation control of underactuated autonomous underwater vehicles | |
| CN116540717A (zh) | 一种基于改进dwa的auv局部路径规划方法 | |
| CN111679681A (zh) | 一种基于滑模鲁棒控制的水下机器人运动路径跟踪方法 | |
| CN113984045B (zh) | 水下机器人移动式对接目标运动状态估计方法及系统 | |
| 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 | ||
| GR01 | Patent grant |