CN117184382B - 用于潜航器实时姿态的稳定系统 - Google Patents
用于潜航器实时姿态的稳定系统 Download PDFInfo
- Publication number
- CN117184382B CN117184382B CN202311471408.2A CN202311471408A CN117184382B CN 117184382 B CN117184382 B CN 117184382B CN 202311471408 A CN202311471408 A CN 202311471408A CN 117184382 B CN117184382 B CN 117184382B
- Authority
- CN
- China
- Prior art keywords
- data
- real
- attitude
- time
- gesture
- 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
- 230000001133 acceleration Effects 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000005484 gravity Effects 0.000 claims abstract description 21
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229920002748 Basalt fiber Polymers 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 208000028752 abnormal posture Diseases 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了用于潜航器实时姿态的稳定系统，涉及控制系统技术领域。其中，该系统包括：水上控制端以及水下潜航器；目标姿态获取单元，用于接收水上控制端发送的姿态调整信号；实时数据获取单元，包括可变重心陀螺装置以及加速度传感器，以及基于IMU姿态滤波算法计算水下潜航器的实时姿态数据；异常姿态告警单元，用于将实时姿态数据输入异常姿态识别模型；信号转换单元，包括计算模块及推力分配模块；控制电机驱动单元，用于将多个控制电机上的脉冲宽度调制PWM值转变为角位移，以驱动多个控制电机调整水下潜航器的姿态。本申请解决了对水下潜航器的姿态的调整效率较低的技术问题。
Description
技术领域
本发明涉及控制系统技术领域，尤其涉及用于潜航器实时姿态的稳定系统。
背景技术
近年来，随着海洋资源的开发，潜航器受到了各国的广泛重视，并得到了越来越深入的研究。水下潜航器已经广泛应用在商业、科学等领域，包括地球物理现场调查、高分辨率高速海底测绘成像、海洋地质调查、海洋环境监测、海底生物和矿产资源的勘测采样、海洋工程维护、小型沉物打捞等方面。目前，对于具备海底资源调查、工程勘察、深海锚泊、动力定位以及任务执行等功能的水下潜航器，没有一种较完善的用于潜航器实时姿态的稳定系统，导致对水下潜航器的姿态的调整效率较低。
由此可见，现有技术中存在对水下潜航器的姿态的调整效率较低的技术问题。
发明内容
本发明目的在于提供用于潜航器实时姿态的稳定系统，以解决上述技术问题。
本发明提供了用于潜航器实时姿态的稳定系统，包括：水上控制端以及水下潜航器，其中，上述水下潜航器包括目标姿态获取单元、实时数据获取单元、异常姿态告警单元、信号转换单元以及控制电机驱动单元；上述目标姿态获取单元，用于接收上述水上控制端发送的姿态调整信号；上述实时数据获取单元，包括可变重心陀螺装置以及加速度传感器，上述实时数据获取单元用于获取当前加速度数据和当前角速度数据，以及基于IMU姿态滤波算法计算上述水下潜航器的实时姿态数据；上述异常姿态告警单元，用于将上述实时姿态数据输入异常姿态识别模型，得到识别结果，以及在识别结果指示上述水下潜航器的当前姿态为异常姿态的情况下，向上述水上控制端发送告警信号，其中，上述异常姿态识别模型是基于多分类神经网络构建的；上述信号转换单元，包括计算模块及推力分配模块，上述计算模块用于根据上述实时姿态数据以及上述姿态调整信号计算调整输出数据，上述推力分配模块用于根据PID控制器将上述调整输出数据转化为多个控制电机上的脉冲宽度调制PWM值，其中，上述PID控制器是基于前馈神经网络构建的；上述控制电机驱动单元，用于将上述多个控制电机上的脉冲宽度调制PWM值转变为角位移，以驱动上述多个控制电机调整上述水下潜航器的姿态。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明提供的用于潜航器实时姿态的稳定系统可以使得水下潜航器在水下潜行时，接收水上控制端发送的姿态调整信号，并基于该姿态调整信号，结合目标姿态获取单元、实时数据获取单元、异常姿态告警单元、信号转换单元以及控制电机驱动单元，实现对自身姿态的实时自动化调整。也就是说，本发明提供的用于潜航器实时姿态的稳定系统能够提高对水下潜航器的姿态的调整效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为根据本申请实施例的一种可选的用于潜航器实时姿态的稳定系统的结构图；
图2为根据本申请实施例的一种可选的构建异常姿态识别模型的流程图；
图3为根据本申请实施例的一种可选的转化调整输出数据的流程图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。需要说明的是，本发明已经处于实际研发使用阶段。
可选地，如图1所示，本申请提供的用于潜航器实时姿态的稳定系统包括：
水上控制端101以及水下潜航器102，其中，水下潜航器102包括目标姿态获取单元103、实时数据获取单元104、异常姿态告警单元105、信号转换单元106以及控制电机驱动单元107；
目标姿态获取单元103，用于接收水上控制端101发送的姿态调整信号；
在本申请的一些实施例中，姿态调整信号可以但不限于用于指示目标姿态对应的俯仰角（pitch）、偏航角（yaw）以及翻滚角（roll）。其中，俯仰角为围绕X轴（水下潜航器102宽度方向的轴线）的角度，偏航角是围绕Y轴（水下潜航器102高度方向的轴线）的角度，翻滚角是围绕Z轴（水下潜航器102长度方向的轴线）的角度。目标姿态可以包括但不限于前倾、后仰以及平衡等俯仰姿态。
实时数据获取单元104，包括可变重心陀螺装置以及加速度传感器，实时数据获取单元用于获取当前加速度数据和当前角速度数据，以及基于IMU姿态滤波算法计算水下潜航器102的实时姿态数据；
需要说明的是，惯性测量单元（InertialMeasurementUnit，IMU）是测量物体三轴姿态角(或角速率)以及加速度的装置。
在本申请的一些实施例中，可变重心陀螺装置可以包括两只金属陀螺转子和无刷电机，IMU姿态滤波算法可以包括但不限于括Mahony算法以及Madgwick算法。其中，金属陀螺转子具有定轴性，定轴性是指当陀螺转子高速旋转时，若无外力作用，陀螺的自传轴在惯性空间中的指向保持稳定不变的特性。陀螺转子的角速度越大，定轴性越好。
异常姿态告警单元105，用于将实时姿态数据输入异常姿态识别模型，得到识别结果，以及在识别结果指示水下潜航器102的当前姿态为异常姿态的情况下，向水上控制端101发送告警信号，其中，异常姿态识别模型是基于多分类神经网络构建的；
在本申请的一些实施例中，多分类神经网络可以包括但不限于LVQ神经网络以及梯度提升神经网络。异常姿态可以包括但不限于：俯仰角在异常俯仰角范围内，偏航角在异常偏航角范围内，翻滚角在异常翻滚角范围内。在识别结果指示水下潜航器102的当前姿态为正常姿态的情况下，异常姿态告警单元105可以向水上控制端101发送用于指示水下潜航器102的姿态较稳定的信号。
信号转换单元106，包括计算模块及推力分配模块，计算模块用于根据实时姿态数据以及姿态调整信号计算调整输出数据，推力分配模块用于根据PID控制器将调整输出数据转化为多个控制电机上的脉冲宽度调制PWM值，其中，PID控制器是基于前馈神经网络构建的；
需要说明的是，PID控制器（Proportion Integration Differentiation）也可称为比例-积分-微分控制器，其是由比例单元(P)、积分单元(I)和微分单元(D)组成。PID控制器主要适用于基本上线性，且动态特性不随时间变化的系统。
在本申请的一些实施例中，信号转换单元106可以根据姿态调整信号，调整水下潜航器102的姿态或者保持水下潜航器102姿态的稳定。
控制电机驱动单元107，用于将多个控制电机上的脉冲宽度调制PWM值转变为角位移，以驱动多个控制电机调整水下潜航器102的姿态，从而使得水下潜航器102变换为目标姿态。
可选地，在本申请的一些实施例中，现有的水下潜航器在水下潜行时，由于不同水域水流的复杂多变，水下潜航器的姿态无法保持稳定，从而会影响水下潜航任务的进行。此外，在水上控制端控制水下潜航器完成水下潜航任务的过程中，水下潜航器会由于惯性作用而发生剧烈的震动，无法快速恢复稳态，影响潜航作业的效率。水下潜航器的姿态是指水下潜航器的俯仰角、偏航角以及翻滚角这三个角度数值变量。
在本申请的一些实施例中，水下潜航器在执行发射飞行器的任务时，可以上浮至海面，并呈预设角度发射。其中，预设角度可以包括水平角度以及垂直角度等。
作为一种可选的方案，IMU姿态滤波算法可以是Madgwick算法，基于IMU姿态滤波算法计算水下潜航器的实时姿态数据包括：
对当前加速度数据和当前角速度数据进行预处理，得到优化加速度数据和优化角速度数据，其中，预处理包括单位转换以及去除偏置；
为优化加速度数据赋第一权重值，以及为优化角速度数据赋第二权重值；
确定可变重心陀螺装置的四元数信息以及加速度传感器的四元数信息；
根据可变重心陀螺装置的四元数信息以及加速度传感器的四元数信息，确定水下潜航器的实时姿态数据。
在本申请的一些实施例中，Madgwick算法可以加权整合某个时刻的可变重心陀螺装置以及加速度传感器的数据，以计算出水下潜航器的实时姿态数据。
在本申请的一些实施例中，第一权重值与第二权重值的和是1。第一权重值与第二权重值可以根据可变重心陀螺装置的误差占总体误差的比重值以及加速度传感器的误差占总体误差的比重确定，误差所占比重越小则权重值越高。
作为一种可选的方案，实时数据获取单元还包括：
卡尔曼滤波器，用于在为优化加速度数据赋第一权重值之前，对优化加速度数据进行滤波，以得到加速度滤波数据；以及对优化角速度数据进行滤波，以得到角速度滤波数据。
权重确定模块，用于计算优化加速度数据与加速度滤波数据之间的第一差值；以及计算优化角速度数据与角速度滤波数据之间的第二差值；在第一差值小于第二差值的情况下，确定第一权重值高于第二权重值；在第一差值大于第二差值的情况下，确定第一权重值低于第二权重值。
在本申请的一些实施例中，权重确定模块可以基于卡尔曼滤波器滤波得到的加速度滤波数据，确定加速度传感器在单位时间内的误差；权重确定模块可以基于卡尔曼滤波器滤波得到的角速度滤波数据，确定可变重心陀螺装置在单位时间内的误差。示例性地，权重确定模块可以计算优化加速度数据与加速度滤波数据之间的第一差值以及优化角速度数据与角速度滤波数据之间的第二差值。
在本申请的一些实施例中，第一差值可以基于以下表达式计算得到：
其中，D1是第一差值，、/>、/>分别是加速度滤波数据在x轴、y轴、z轴的数据；/>、/>、/>分别是优化加速度数据在x轴、y轴、z轴的数据。
在本申请的一些实施例中，第二差值可以基于以下表达式计算得到：
其中，D2是第二差值，、/>、/>分别是角速度滤波数据在x轴、y轴、z轴的数据；/>、/>、/>分别是优化角速度数据在x轴、y轴、z轴的数据。
若第一差值小于第二差值，那么可以确定加速度传感器的误差占总体误差的比重值相对较小，该种情况下，可以赋予优化加速度数据较高的权重值；若第一差值大于第二差值，那么可变重心陀螺装置的误差占总体误差的比重值相对较小，该种情况下，可以赋予优化角速度数据较高的权重值；若第一差值等于第二差值，可以赋予优化角速度数据与优化加速度数据相同的权重值。也就是说，在第一差值小于第二差值的情况下，第一权重值高于第二权重值；在第一差值大于第二差值的情况下，第一权重值低于第二权重值。
在本申请的一种具体的实施方式中，第一权重值可以基于以下表达式计算得到：
其中，W1是第一权重值，D1是第一差值，D2是第二差值。
在本申请的一种具体的实施方式中，第二权重值可以基于以下表达式计算得到：
其中，W2是第一权重值，D1是第一差值，D2是第二差值。
通过本申请提供的实施例，基于加速度传感器的误差占总体误差的比重值以及可变重心陀螺装置的误差占总体误差的比重值，可以动态地为优化加速度数据以及优化角速度数据各自赋予权重值，以使得计算得到的水下潜航器的实时姿态数据更加准确。
作为一种可选的方案，多分类神经网络是LVQ神经网络，如图2所示，异常姿态识别模型基于以下方式构建：
S201，获取多组基于Madgwick算法融合解算得到的多个预设时刻的水下潜航器的样本姿态数据，其中，多个预设时刻为预设时间段内的连续时刻；
S202，基于异常姿态标签集对每个预设时间段内的样本姿态数据进行标注；
S203，基于样本姿态数据，对LVQ神经网络进行训练，直至LVQ神经网络的损失函数达到预设收敛条件；
S204，将训练完成的LVQ神经网络作为异常姿态识别模型。
在本申请的一些实施例中，异常姿态标签集可以包括但不限于倾倒以及翻滚等。在另一些实施例中，异常姿态标签集可以包括异常俯仰角、异常偏航角以及异常翻滚角等。
作为一种可选的方案，LVQ神经网络包括输入层、隐层和输出层；
其中，输入层为与样本姿态数据对应的n维向量，隐层包括m个神经元，输入层与隐层全连接，隐层与输出层的连接权重为1；在训练过程中，输入层和隐层之间的权值逐渐成为聚类的中心。其中，隐层的神经元个数m可以根据经验确定，
作为一种可选的方案，如图3所示，根据PID控制器将调整输出数据转化为多个控制电机上的脉冲宽度调制PWM值包括：
S301，根据PID控制器输出的PID参数计算得到偏移量；
S302，基于偏移量以及预设周期，输出多个控制电机上的脉冲宽度调制PWM值。
作为一种可选的方案，PID控制器基于以下表达式输出PID参数：
其中，为第k个采样时刻下的所述PID参数，/>为第k个采样时刻下所述PID控制器获得的实际偏移量，/>为比例系数，/>为积分系数，/>为微分系数，*为乘号；
其中，所述PID控制器的比例系数、积分系数以及微分系数均为基于所述前馈神经网络确定的。
在本申请的一些实施例中，前馈神经网络可以包括全连接前馈网络和卷积神经网络。在前馈神经网络中，各神经元分别属于不同的层，每一层的神经元可以接收前一层神经元的信号，并产生信号输出到下一层。第0层称为输入层，最后一层称为输出层，其他中间层称为隐藏层。整个网络中无反馈，信号从输入层向输出层单向传播。前馈神经网络可以包括但不限于感知机神经网络、BP神经网络以及RBF神经网络。
作为一种可选的方案，以前馈神经网络是BP神经网络为例，BP神经网络的损失函数E可以被定义为：
其中，m为训练样本集中的样本数，n表示连接权值的总数，表示期望输出，/>表示经过训练后的输出值，/>表示所述前馈神经网络的权值矩阵，*为乘号。
在本申请的一些实施例中，本申请提供的潜航器可以采用圆钝艏部设计，水滴形艇身，其内部舱室采用圆柱体结构。本申请提供的潜航器采用金属骨架，金属骨架上包覆复合有玄武岩纤维复合材料。潜航器包括的水柜室及主控动力舱由耐压壳体包裹，外敷玄武岩纤维复合材料。潜航器内接触海水部分，包括水柜室内壁，均包覆玄武岩纤维复合材料。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对于前述的各实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上的具体实施方式，对本发明的目的、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，以上仅为本发明的具体实施方式而已，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 (10)
1.用于潜航器实时姿态的稳定系统，其特征在于，包括：
水上控制端以及水下潜航器，其中，所述水下潜航器包括目标姿态获取单元、实时数据获取单元、异常姿态告警单元、信号转换单元以及控制电机驱动单元；
所述目标姿态获取单元，用于接收所述水上控制端发送的姿态调整信号；
所述实时数据获取单元，包括可变重心陀螺装置以及加速度传感器，所述实时数据获取单元用于获取当前加速度数据和当前角速度数据，以及基于IMU姿态滤波算法计算所述水下潜航器的实时姿态数据；
所述异常姿态告警单元，用于将所述实时姿态数据输入异常姿态识别模型，得到识别结果，以及在识别结果指示所述水下潜航器的当前姿态为异常姿态的情况下，向所述水上控制端发送告警信号，其中，所述异常姿态识别模型是基于多分类神经网络构建的；
所述信号转换单元，包括计算模块及推力分配模块，所述计算模块用于根据所述实时姿态数据以及所述姿态调整信号计算调整输出数据，所述推力分配模块用于根据PID控制器将所述调整输出数据转化为多个控制电机上的脉冲宽度调制PWM值，其中，所述PID控制器是基于前馈神经网络构建的；
所述控制电机驱动单元，用于将所述多个控制电机上的脉冲宽度调制PWM值转变为角位移，以驱动所述多个控制电机调整所述水下潜航器的姿态。
2.根据权利要求1所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述IMU姿态滤波算法是Madgwick算法，所述基于IMU姿态滤波算法计算水下潜航器的实时姿态数据包括：
对所述当前加速度数据和所述当前角速度数据进行预处理，得到优化加速度数据和优化角速度数据，其中，所述预处理包括单位转换以及去除偏置；
为所述优化加速度数据赋第一权重值，以及为所述优化角速度数据赋第二权重值；
确定所述可变重心陀螺装置的四元数信息以及所述加速度传感器的四元数信息；
根据所述可变重心陀螺装置的四元数信息以及所述加速度传感器的四元数信息，确定所述水下潜航器的实时姿态数据。
3.根据权利要求2所述的用于潜航器实时姿态的稳定系统，其特征在于，所述实时数据获取单元还包括：
卡尔曼滤波器，用于在所述为所述优化加速度数据赋第一权重值之前，对所述优化加速度数据进行滤波，以得到加速度滤波数据；以及对所述优化角速度数据进行滤波，以得到角速度滤波数据。
4.根据权利要求3所述的用于潜航器实时姿态的稳定系统，其特征在于，所述实时数据获取单元还包括：
权重确定模块，用于计算所述优化加速度数据与所述加速度滤波数据之间的第一差值；以及计算所述优化角速度数据与所述角速度滤波数据之间的第二差值；在所述第一差值小于所述第二差值的情况下，确定所述第一权重值高于所述第二权重值；在所述第一差值大于所述第二差值的情况下，确定所述第一权重值低于所述第二权重值。
5.根据权利要求4所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述多分类神经网络是LVQ神经网络，所述异常姿态识别模型基于以下方式构建：
获取多组基于所述Madgwick算法融合解算得到的多个预设时刻的所述水下潜航器的样本姿态数据，其中，所述多个预设时刻为预设时间段内的连续时刻；
基于异常姿态标签集对每个所述预设时间段内的样本姿态数据进行标注；
基于所述样本姿态数据，对所述LVQ神经网络进行训练，直至所述LVQ神经网络的损失函数达到预设收敛条件；
将训练完成的所述LVQ神经网络作为所述异常姿态识别模型。
6.根据权利要求5所述的用于潜航器实时姿态的稳定系统，其特征在于，所述LVQ神经网络包括输入层、隐层和输出层；
其中，输入层为与所述样本姿态数据对应的n维向量，隐层包括m个神经元，输入层与隐层全连接，隐层与输出层的连接权重为1；在训练过程中，输入层和隐层之间的权值逐渐成为聚类的中心。
7.根据权利要求1至6中任一项所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述根据PID控制器将所述调整输出数据转化为多个控制电机上的脉冲宽度调制PWM值包括：
根据所述PID控制器输出的PID参数计算得到偏移量；
基于所述偏移量以及预设周期，输出所述多个控制电机上的脉冲宽度调制PWM值。
8.根据权利要求7所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述PID控制器基于以下表达式输出所述PID参数：
其中，为第k个采样时刻下的所述PID参数，/>为第k个采样时刻下所述PID控制器获得的实际偏移量，/>为比例系数，/>为积分系数，/>为微分系数，*为乘号；
其中，所述PID控制器的比例系数、积分系数以及微分系数均为基于所述前馈神经网络确定的。
9.根据权利要求8所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述前馈神经网络的损失函数E被定义为：
其中，m为训练样本集中的样本数，n表示连接权值的总数，表示期望输出，/>表示经过训练后的输出值，/>表示所述前馈神经网络的权值矩阵，*为乘号。
10.根据权利要求1所述的用于潜航器实时姿态的稳定系统，其特征在于，
所述姿态调整信号用于指示目标姿态对应的俯仰角、偏航角以及翻滚角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471408.2A CN117184382B (zh) | 2023-11-07 | 2023-11-07 | 用于潜航器实时姿态的稳定系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471408.2A CN117184382B (zh) | 2023-11-07 | 2023-11-07 | 用于潜航器实时姿态的稳定系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117184382A CN117184382A (zh) | 2023-12-08 |
| CN117184382B true CN117184382B (zh) | 2024-01-19 |
Family
ID=88990969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311471408.2A Active CN117184382B (zh) | 2023-11-07 | 2023-11-07 | 用于潜航器实时姿态的稳定系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117184382B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH092383A (ja) * | 1995-06-26 | 1997-01-07 | Ishikawajima Harima Heavy Ind Co Ltd | Ｒｏｖの自動制御方法 |
| CN107145155A (zh) * | 2017-07-06 | 2017-09-08 | 深圳潜行创新科技有限公司 | 一种自稳系统及水下潜航器 |
| CN107339969A (zh) * | 2017-05-30 | 2017-11-10 | 浙江大学 | 基于mems姿态传感器的水下面形变形实时监测系统 |
| CN107656531A (zh) * | 2016-07-26 | 2018-02-02 | 深圳华清精密科技有限公司 | 一种海洋机器人姿态控制方法、装置和系统 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
| CN112540619A (zh) * | 2020-11-12 | 2021-03-23 | 中国海洋大学 | 一种水下航行器姿态调整方法、装置及水下航行器 |
| CN113602462A (zh) * | 2021-10-08 | 2021-11-05 | 南京工程学院 | 水下机器人及其水中高可视度情况下姿态与运动控制方法 |
| CN115437389A (zh) * | 2022-08-12 | 2022-12-06 | 广州大学 | 一种基于海扁虫仿生的水下机器人以及抗干扰控制方法 |
| CN116047886A (zh) * | 2022-12-16 | 2023-05-02 | 南京安透可智能系统有限公司 | 一种基于神经网络的管道潜航机器人控制方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220155783A1 (en) * | 2020-11-18 | 2022-05-19 | Dus Operating Inc. | Use of neural networks in control systems |
| DE102021117311A1 (de) * | 2021-07-05 | 2023-01-05 | Spleenlab GmbH | Steuer- und Navigationsvorrichtung für ein autonom bewegtes System und autonom bewegtes System |
-
2023
- 2023-11-07 CN CN202311471408.2A patent/CN117184382B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH092383A (ja) * | 1995-06-26 | 1997-01-07 | Ishikawajima Harima Heavy Ind Co Ltd | Ｒｏｖの自動制御方法 |
| CN107656531A (zh) * | 2016-07-26 | 2018-02-02 | 深圳华清精密科技有限公司 | 一种海洋机器人姿态控制方法、装置和系统 |
| CN107339969A (zh) * | 2017-05-30 | 2017-11-10 | 浙江大学 | 基于mems姿态传感器的水下面形变形实时监测系统 |
| CN107145155A (zh) * | 2017-07-06 | 2017-09-08 | 深圳潜行创新科技有限公司 | 一种自稳系统及水下潜航器 |
| CN109591982A (zh) * | 2018-12-29 | 2019-04-09 | 浙江大学 | 一种无人监控水下养殖机器人 |
| CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
| CN112540619A (zh) * | 2020-11-12 | 2021-03-23 | 中国海洋大学 | 一种水下航行器姿态调整方法、装置及水下航行器 |
| CN113602462A (zh) * | 2021-10-08 | 2021-11-05 | 南京工程学院 | 水下机器人及其水中高可视度情况下姿态与运动控制方法 |
| CN115437389A (zh) * | 2022-08-12 | 2022-12-06 | 广州大学 | 一种基于海扁虫仿生的水下机器人以及抗干扰控制方法 |
| CN116047886A (zh) * | 2022-12-16 | 2023-05-02 | 南京安透可智能系统有限公司 | 一种基于神经网络的管道潜航机器人控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 基于改进YOLO和迁移学习的水下鱼类目标实时检测;李庆忠;李宜兵;牛炯;;模式识别与人工智能(第03期);第193-203页 * |
| 搜救型水下机器人姿态控制关键技术研究;朱延栓;中国优秀硕士学位论文全文数据库信息科技辑(2022 年第03期);全文 * |
| 水下自主航行器的横滚抑制控制系统设计;康永泽;邓生平;;现代电子技术(第14期);第85-87、91页 * |
| 负浮力四倾转推进器水下机器人姿态跟踪控制;王涛;吴超;葛彤;;舰船科学技术(第03期);第98-102页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117184382A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kraus | Wave glider dynamic modeling, parameter identification and simulation | |
| Lea et al. | A comparative study of control techniques for an underwater flight vehicle | |
| CN101833338B (zh) | 无人潜航器垂直面欠驱动运动控制方法 | |
| Choi et al. | On fault-tolerant control of a hovering AUV with four horizontal and two vertical thrusters | |
| Kinjo et al. | Trajectory tracking of a fully-actuated surface vessel using nonlinear model predictive control | |
| CN114114905B (zh) | 一种数据驱动的舰载火箭炮发射装置最优跟踪控制方法 | |
| CN114397821A (zh) | 一种基于预设性能的多水面船分布式编队的鲁棒控制方法 | |
| CN117184382B (zh) | 用于潜航器实时姿态的稳定系统 | |
| Saoud et al. | Modeling and control design of a robotic sailboat | |
| CN111538242B (zh) | 一种不确定性估计和饱和补偿的动力定位t-s模糊抗饱和控制方法 | |
| Duecker et al. | Parameter identification for micro underwater vehicles | |
| da Silva et al. | Project and control allocation of a 3 DoF autonomous surface vessel with aerial azimuth propulsion system | |
| Martin et al. | Preliminary experiments in comparative experimental identification of six degree-of-freedom coupled dynamic plant models for underwater robot vehicles | |
| CN114879703B (zh) | 水下机器人路径跟踪控制方法 | |
| CN113031632B (zh) | 一种适用于潜航器水面回收的控制系统及其控制方法 | |
| Steenson et al. | Maneuvering of an over-actuated autonomous underwater vehicle using both through-body tunnel thrusters and control surfaces | |
| Lv et al. | Speed and heading control of unmanned surface vehicle based on IDA-PBC and L2 gain disturbance attenuation approach | |
| CN114488792A (zh) | 一种基于人群自抗扰的光电吊舱控制方法及装置 | |
| Laidani et al. | Design and Modeling of a Low-Cost Observation Class ROV for Dam Inspection | |
| Gomes et al. | Modeling and control of the IES project ROV | |
| Di Vito et al. | The effect of the ocean current in the thrusters closed-loop performance for underwater intervention | |
| CN112346454A (zh) | 基于神经网络的无人船控制方法及其系统 | |
| Dong | Design of hybrid marine control systems for dynamic positioning | |
| Abrougui et al. | Autopilot Design for an Unmanned Surface Vehicle Based on Backstepping Integral Technique with Experimental Results | |
| CN116880519B (zh) | 一种基于滑模变结构的潜器运动控制方法 |
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 |