CN117193012A - 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 - Google Patents
海洋机器人的高阶输出式无模型自适应航向控制方法及系统 Download PDFInfo
- Publication number
- CN117193012A CN117193012A CN202311289513.4A CN202311289513A CN117193012A CN 117193012 A CN117193012 A CN 117193012A CN 202311289513 A CN202311289513 A CN 202311289513A CN 117193012 A CN117193012 A CN 117193012A
- Authority
- CN
- China
- Prior art keywords
- output information
- model
- order
- controller
- time
- 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 42
- 230000003044 adaptive effect Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims description 15
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 20
- 230000006870 function Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping 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
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
海洋机器人的高阶输出式无模型自适应航向控制方法及系统,属于海洋机器人控制技术领域。为了解决现有MFAC算法均存在的航向控制系统与MFAC控制器之间动态响应速度不匹配的问题。本发明首先计算控制器运行k次时的实际艏向与运行k‑1次时的实际艏向的差值得到一阶差分输出信息Δy(k),以及控制器运行k‑1次时的实际艏向与运行k‑2次时的实际艏向的差值得到一阶差分输出信息Δy(k‑1);然后计算一阶差分输出信息Δy(k)和Δy(k‑1)的差值得到二阶差分输出信息;将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)‑Δy(k‑1)作为无模型自适应控制器的输入解算出期望输入u(k),无模型自适应控制器基于控制输入准则函数构建得到。
Description
技术领域
本发明属于海洋机器人控制技术领域,具体涉及一种UWV的航向控制方法及系统。
背景技术
海洋机器人(Unmanned Marine Vehicle,UMV)的航向控制对于整个UMV系统的运动控制来说非常重要,只有确保了UMV的航向稳定,才能有效地跟踪期望航迹。目前在实际工程应用中,UMV的航向控制主要采用PID控制算法以及常规的基于“模型导向”设计策略开发的控制算法。PID控制器是一种基于离线数据的数据驱动控制算法,但UMV运行于海洋环境中时容易受到模型摄动、海洋环境干扰力等影响,导致PID控制器难以维持一致的控制效果,需要重新调整参数才能使系统保持稳定以及实现良好的控制性能。而基于“模型导向”设计策略开发的控制器,严重地依赖于系统数学模型,但是获取精确的数学模型十分困难,存在未建模动态、模型摄动等影响导致系统的自适应较差,难以保证系统鲁棒性能,无法在工程中应用。
公开日2021年06月01日,公布号为CN108319140B,发明名称为“一种重定义输出式无模型自适应航向控制方法及系统”,通过重定义UMV航向控制系统的输出,使得UMV航向控制系统满足无模型自适应控制(model free adaptive control,MFAC)理论对受控系统“拟线性”假设条件的要求,从而使得该重定义输出式MFAC算法适应于UMV的航向控制,但是该方法在观测噪声影响下控制效果较差,高阶输出CFDL_MFAC方法可以改善这一问题。相对于重定义输出式MFAC算法,本方法在准则函数中引入了输出数据的高阶信息,加快了算法的动态响应速度,且具有一定的预测功能,同时能抑制系统的振荡发散情况。
公开日2022年11月01日,公布号为CN115268261A,发明名称为“一种基于双喷水推进器无人艇的改进MFAC控制方法”,通过积分环节、自适应衰减参数以及tanh函数非线性化处理,解决双喷水推进器无人艇系统响应慢、收敛振荡以及稳态误差等问题,但是未考虑UMV的航向控制系统与MFAC控制器之间动态响应速度不匹配的问题。
在文献“大型舰船综合减摇系统无模型自适应控制”,作者马洁利用无模型自适应控制算法设计了减摇鳍/被动舱综合控制的控制器,虽然与本发明的高阶输出信息式无模型自适应算法在形式上类似,但本质上却不同。舰船横摇系统的动力学特性使得MFAC控制器可以直接应用于其控制器的设计中,并不涉及系统与MFAC控制器动态响应速度不匹配的问题。
公开日2018年11月13日,公布号为CN108803647B,发明名称为“一种用于航天器姿态控制的无模型数据驱动控制方法”,在传统的紧格式离散数据动态线性化无模型自适应控制的基础上,引入航天器的激励响应特征,得到用于航天器的无模型自适应控制方法,控制收敛时间更短。但该方法仅针对航天器的控制,不能使MFAC算法应用到UMV这类惯性回转体的控制中。
公开日2017年11月17日,公布号为CN107357166B,发明名称为“小型无人直升机的无模型自适应鲁棒控制方法”,根据前一时刻的姿态采样数据以及控制器输出采样数据,对当前时刻控制器的输出数据进行实时调整和补偿,实现良好的小型无人直升机姿态控制。但该方法是利用无模型自适应控制思想来弥补模型参数不确定性,控制器依旧是基于“模型导向”设计策略开发的。
上述MFAC算法均未解决航向控制系统与MFAC控制器之间动态响应速度不匹配的问题,即UMV航向控制系统中的积分环节叠加扩张控制输入,表现为一个快速的动态过程,而MFAC方法针对控制输入和输出信息的在线学习与控制,表现为一个缓慢辨识的动态过程。
发明内容
本发明为了解决现有MFAC算法均存在的航向控制系统与MFAC控制器之间动态响应速度不匹配的问题。
一种海洋机器人的高阶输出式无模型自适应航向控制方法,包括以下步骤:
步骤一:针对UMV,计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);所述UMV包括无人水下机器人和无人水面机器人;
步骤二:计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
步骤三:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),所述的无模型自适应控制器采用高阶输出信息式紧格式无模型自适应控制器,无模型自适应控制器基于控制输入准则函数构建得到,所述控制输入准则函数如下:
其中,u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;y(k)是k时刻的实际输出;y(k+1)是k+1时刻的实际输出;y*(k+1)是k+1时刻的期望输出;Δy(k-1)是k-1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k+1)是k+1时刻的一阶差分输出信息;λ是权重因子;Ts>0是采样周期;
步骤四:更新操纵机构的期望输入u(k),将期望输入指令下达到操纵机构,操纵机构执行期望输入指令,改变水中航行设备UMV的航向;通过姿态传感器测得水中航行设备的航向角,更新系统实际艏向,执行步骤一。
进一步地,所述采用高阶输出信息式紧格式无模型自适应控制器,具体如下:
若或|Δu(k-1)|≤ε或/>有
其中,λ,μ是权重因子;ρ,η,k1,k2是步长因子;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个正数,sign(·)是符号函数。
进一步地,将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式偏格式无模型自适应控制器,即将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法。
或者,将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,即将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法。
一种海洋机器人的高阶输出式无模型自适应航向控制系统,所述控制系统包括:
一阶差分输出信息计算单元:用于计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);
二阶差分输出信息计算单元:用于计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
控制单元:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),所述的无模型自适应控制器采用高阶输出信息式紧格式无模型自适应控制器,无模型自适应控制器基于控制输入准则函数构建得到,所述控制输入准则函数如下:
其中,u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;y(k)是k时刻的实际输出;y(k+1)是k+1时刻的实际输出;y*(k+1)是k+1时刻的期望输出;Δy(k-1)是k-1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k+1)是k+1时刻的一阶差分输出信息;λ是权重因子;Ts>0是采样周期。
进一步地,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器,具体如下:
若或|Δu(k-1)|≤ε或/>有
其中,λ,μ是权重因子;ρ,η,k1,k2是步长因子;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个正数,sign(·)是符号函数。
进一步地,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式偏格式无模型自适应控制器,即将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法。
或者,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,即将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法。
有益效果:
本发明通过在控制输入准则函数中引入高阶输出信息,解决UMV航向控制系统与MFAC控制器之间动态响应速度不匹配的问题,使得该高阶输出信息式MFAC算法可以直接应用于UMV的航向控制子系统。从加强对将来的控制角度出发,依据系统的实际输出数据信息进行构建一阶差分项和二阶差分项,加快标准MFAC控制方案的动态响应速度,达到一定的预测控制的作用,降低响应调节的时间,解决航向控制子系统与MFAC控制器之间动态响应速度不匹配的问题,即UMV航向控制子系统中的积分环节叠加扩张控制输入,表现为一个快速的动态过程,而MFAC方法针对控制输入和输出信息的在线学习与控制,表现为一个缓慢辨识的动态过程。
附图说明
图1为实施例中航向控制系统整体框图
图2为海洋机器人的高阶输出式无模型自适应航向控制方法的流程图。
图3为模型摄动下航向仿真对比图。
图4为模型摄动下舵角仿真对比图。
图5为噪声干扰下航向仿真对比图。
图6为噪声干扰下舵角仿真对比图。
具体实施方式
具体实施方式一:结合图2说明本实施方式,
本实施方式为一种海洋机器人的高阶输出式无模型自适应航向控制方法,包括以下步骤:
步骤一:针对UMV,计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);
所述UMV包括无人水下机器人(Unmanned Underwater Vehicle,UUV)和无人水面机器人(Unmanned Surface Vehicle,USV)。
步骤二:计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
步骤三:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),本实施方式中的无模型自适应控制器可采用高阶输出信息式紧格式无模型自适应控制(compact format dynamiclinearization model free adaptive control,CFDL_MFAC),这里的高阶是指高于一阶,所述的控制器具体如下:
依据系统的实际输出数据信息构建一阶差分项和二阶差分项设计控制输入准则函数:
基于控制输入准则函数得到无模型自适应控制器:
若或|Δu(k-1)|≤ε或/>有
其中,ρ,η,k1,k2是步长因子;λ,μ是权重因子;Ts>0是采样周期;u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;Δy(k+1)是k+1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k-1)是k-1时刻的一阶差分输出信息;y*(k+1)是k+1时刻的期望输出;y(k+1)是k+1时刻的实际输出;y(k)是k时刻的实际输出;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个充分小的正数;sign(·)是符号函数,式(3)是算法重置机制。
本实施方式中的无模型自适应控制器采用了高阶输出紧格式无模型自适应控制,实际上本发明的无模型自适应控制器还可采用高阶输出信息式偏格式无模型自适应控制算法和高阶输出信息式全格式无模型自适应控制算法。
(A)将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法:
若或||ΔUL(k-1)||≤ε或/>有
其中,参数的设置同改进紧格式算法基本相同。
即:将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式偏格式无模型自适应控制器,具体处理过程方式与高阶输出信息式紧格式无模型自适应控制器基本相同。
(B)将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法:
若或||ΔHLy,Lu(k-1)||≤ε或/>有
其中,参数的设置同改进紧格式算法基本相同。
即将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,具体处理过程方式与高阶输出信息式紧格式无模型自适应控制器基本相同。
步骤四:更新操纵机构的期望输入u(k),将期望输入指令下达到操纵机构,操纵机构执行期望输入指令,改变水中航行设备UMV的航向;通过姿态传感器测得水中航行设备的航向角,更新系统实际艏向,执行步骤一。
操纵机构包括表1所述六种。
表1
具体实施方式二:
本实施方式为一种海洋机器人的高阶输出式无模型自适应航向控制系统,所述一种海洋机器人的高阶输出式无模型自适应航向控制系统为执行一种海洋机器人的高阶输出式无模型自适应航向控制方法对应的程序。本实施方式所述的一种海洋机器人的高阶输出式无模型自适应航向控制系统,包括:
一阶差分输出信息计算单元:用于计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);
二阶差分输出信息计算单元:用于计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
控制单元:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),所述的无模型自适应控制器采用高阶输出信息式紧格式无模型自适应控制器,无模型自适应控制器基于控制输入准则函数构建得到,所述控制输入准则函数如下:
其中,u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;y(k)是k时刻的实际输出;y(k+1)是k+1时刻的实际输出;y*(k+1)是k+1时刻的期望输出;Δy(k-1)是k-1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k+1)是k+1时刻的一阶差分输出信息;λ是权重因子;Ts>0是采样周期。
控制单元中的高阶输出信息式紧格式无模型自适应控制器,具体如下:
若或|Δu(k-1)|≤ε或/>有
其中,λ,μ是权重因子;ρ,η,k1,k2是步长因子;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个正数,sign(·)是符号函数。
实际上,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器可以替换为高阶输出信息式偏格式无模型自适应控制器,即将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法,具体处理过程方式与高阶输出信息式紧格式无模型自适应控制器相同;或者,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,即将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法,具体处理过程方式与高阶输出信息式紧格式无模型自适应控制器相同。
制单元中的无模型自适应控制器具体形式采用一种海洋机器人的高阶输出式无模型自适应航向控制方法中的控制器形式。
航向控制系统获取的期望输出量y*(k+1)并作为无模型自适应控制器的负反馈输入,通过无模型自适应控制器解算和在线辨识,输出期望输入u(k),期望输入u(k)输入至操纵机构,操纵机构执行期望输入指令,将执行结果输入至UMV,改变UMV的航向角,通过姿态传感器进行测量并计算一阶差分输出信息和二阶差分输出信息作为负反馈输入至无模型自适应控制器。
实施例
本实施例航向控制系统模型如图1所示,在环境干扰条件下,首先给出期望航向y*(k+1)命令,并计算一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)。将系统输出y(k)以及Δy(k)、Δy(k)-Δy(k-1)作为高阶输出信息式MFAC控制器的负反馈输入,控制器进行解算和不断在线辨识,得出UMV航向控制系统输入量即u(k),舰船系统执行期望输入指令,不断更新舰船系统的实际航向和一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1),进而再次进入负反馈回路中,直到实际航向达到期望值。
在环境干扰条件下,具体实现步骤如下:
(1)构建一阶差分项和二阶差分项:.u(k)计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k);计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
(2)将系统期望输出量y*(k+1)(即期望航向)与系统实际输出量y(k)相减得到航向状态误差e(k),当舰船的航向误差的绝对值|e1(k)|小于设定的航向误差的阈值e0,并且保持|e1(k)|<e0的时间t大于设定的时间阈值t0时,认为系统实际输出稳定收敛到期望输出,跳出循环并结束,否则将e(k)作为高阶输出信息式MFAC航向控制器的输入解算出期望输入u(k)并进入步骤(3)。
本实施例中采用高阶输出信息式CFDL_MFAC,高阶输出信息式CFDL_MFAC航向控制算法如下,利用下式可由e(k)求出期望输入u(k):
若或|Δu(k-1)|≤ε或/>有
其中,ρ,η,k1,k2是步长因子,λ,μ是权重因子,Ts是采样周期;
(3)更新期望输入u(k),并将期望输入指令下达到操纵机构(表1所述六种),舵机或速度差动等机构执行得到的期望输入指令,改变UMV航向,通过UMV上的磁罗经或GPS等姿态传感器测得舰船的航向角y(k),转向步骤(1)。
模型摄动试验:UMV在航行过程中,由于受到外界环境影响及自身模型变化,导致出现模型摄动的情况,不利于航向稳定控制,现针对高阶输出信息式MFAC算法在模型摄动下的航向控制问题,开展固定期望航向下仿真试验,验证紧格式、偏格式以及全格式高阶输出信息型MFAC方法的控制效果,并且与PID的控制效果进行对比。具体的仿真对比效果如图3和图4所示。
由模型摄动下仿真对比结果可知,高阶输出信息型MFAC算法的航向响应较快,无超调,响应曲线较为平滑地趋于期望航向;PID算法的响应曲线存在较大的超调和波动,且需经过一段时间才能趋于稳定,由此可表明改进算法在模型社摄动下具有较好的控制效果。同时,在改进的MFAC三种变形算法中,全格式(DFFDL-MFAC)算法趋于稳定的速度最快,无超调存在,控制效果最好。
噪声干扰试验:UMV在航行过程中,不可避免地会受到外界噪声和传感器噪声的影响,噪声干扰作用于系统的输入输出数据上,导致基于数据驱动设计的控制器控制效果较差,由此设计高阶输出信息型MFAC算法同PID算法的仿真对比试验,进行算法的鲁棒性验证。仿真采用白噪声模块模拟测量噪声,具体的仿真结果如图5、图6所示:
由噪声干扰下仿真对比结果可知,高阶输出信息型MFAC算法响应曲线的航向振荡范围较小,舵角和航向都能较快趋于稳定,相比于PID算法,高阶输出信息型MFAC算法的控制效果较好,具有较强的鲁棒性。
从加强对将来的控制角度出发,依据系统的实际输出数据信息进行构建一阶差分项和二阶差分项,加快标准MFAC控制方案的动态响应速度,达到一定的预测控制的作用,降低响应调节的时间,解决了航向控制系统与MFAC控制器之间动态响应速度不匹配的问题。使得该高阶输出信息式MFAC算法,可以直接应用于UMV的航向控制子系统。
所以针对UMV航向控制系统与MFAC算法之间存在动态响应速度不匹配的问题,以及导致MFAC算法不适用于UMV航向控制系统的问题,本发明舰船用高阶输出信息式无模型自适应航向控制算法解决了上述问题,从而拓展了MFAC理论的适用范围。与其他航向控制算法不同,借助MFAC算法独特的自适应性及在线数据驱动优点,高阶输出信息式MFAC方法使得UMV航向控制系统具有很强的自适应性。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种海洋机器人的高阶输出式无模型自适应航向控制方法,其特征在于,包括以下步骤:
步骤一:针对UMV,计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);所述UMV包括无人水下机器人和无人水面机器人;
步骤二:计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
步骤三:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),所述的无模型自适应控制器采用高阶输出信息式紧格式无模型自适应控制器,无模型自适应控制器基于控制输入准则函数构建得到,所述控制输入准则函数如下:
其中,u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;y(k)是k时刻的实际输出;y(k+1)是k+1时刻的实际输出;y*(k+1)是k+1时刻的期望输出;Δy(k-1)是k-1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k+1)是k+1时刻的一阶差分输出信息;λ是权重因子;Ts>0是采样周期;
步骤四:更新操纵机构的期望输入u(k),将期望输入指令下达到操纵机构,操纵机构执行期望输入指令,改变水中航行设备UMV的航向;通过姿态传感器测得水中航行设备的航向角,更新系统实际艏向,执行步骤一。
2.根据权利要求1所述的一种海洋机器人的高阶输出式无模型自适应航向控制方法,其特征在于,所述采用高阶输出信息式紧格式无模型自适应控制器,具体如下:
若或|Δu(k-1)|≤ε或/>有
其中,λ,μ是权重因子;ρ,η,k1,k2是步长因子;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个正数,sign(·)是符号函数。
3.根据权利要求1或2所述的一种海洋机器人的高阶输出式无模型自适应航向控制方法,其特征在于,将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式偏格式无模型自适应控制器,即将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法。
4.根据权利要求1或2所述的一种海洋机器人的高阶输出式无模型自适应航向控制方法,其特征在于,将高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,即将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法。
5.一种海洋机器人的高阶输出式无模型自适应航向控制系统,其特征在于,所述控制系统包括:
一阶差分输出信息计算单元:用于计算控制器运行k次时的实际艏向与运行k-1次时的实际艏向的差值得到一阶差分输出信息Δy(k),计算控制器运行k-1次时的实际艏向与运行k-2次时的实际艏向的差值得到一阶差分输出信息Δy(k-1);
二阶差分输出信息计算单元:用于计算一阶差分输出信息Δy(k)和Δy(k-1)的差值得到二阶差分输出信息;
控制单元:将艏向误差e(k)、一阶差分输出信息Δy(k)、二阶差分输出信息Δy(k)-Δy(k-1)作为无模型自适应控制器的输入解算出期望输入u(k),所述的无模型自适应控制器采用高阶输出信息式紧格式无模型自适应控制器,无模型自适应控制器基于控制输入准则函数构建得到,所述控制输入准则函数如下:
其中,u(k)为k时刻的期望舵角;u(k-1)为k-1时刻的期望舵角;y(k)是k时刻的实际输出;y(k+1)是k+1时刻的实际输出;y*(k+1)是k+1时刻的期望输出;Δy(k-1)是k-1时刻的一阶差分输出信息;Δy(k)是k时刻的一阶差分输出信息;Δy(k+1)是k+1时刻的一阶差分输出信息;λ是权重因子;Ts>0是采样周期。
6.根据权利要求5所述的一种海洋机器人的高阶输出式无模型自适应航向控制系统,其特征在于,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器,具体如下:
若或|Δu(k-1)|≤ε或/>有
其中,λ,μ是权重因子;ρ,η,k1,k2是步长因子;是k时刻的伪偏导数;/>是k-1时刻的伪偏导数;/>是初时刻的伪偏导数;ε是一个正数,sign(·)是符号函数。
7.根据权利要求5所述的一种海洋机器人的高阶输出式无模型自适应航向控制系统,其特征在于,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式偏格式无模型自适应控制器,即将高阶输出信息引入到偏格式控制方案中得到高阶输出信息式偏格式无模型自适应控制算法。
8.根据权利要求5所述的一种海洋机器人的高阶输出式无模型自适应航向控制系统,其特征在于,所述控制单元中的高阶输出信息式紧格式无模型自适应控制器替换为高阶输出信息式全格式无模型自适应控制器,即将高阶输出信息引入到全格式控制方案中得到高阶输出信息式全格式无模型自适应控制算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289513.4A CN117193012A (zh) | 2023-10-07 | 2023-10-07 | 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289513.4A CN117193012A (zh) | 2023-10-07 | 2023-10-07 | 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117193012A true CN117193012A (zh) | 2023-12-08 |
Family
ID=88994204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311289513.4A Pending CN117193012A (zh) | 2023-10-07 | 2023-10-07 | 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117193012A (zh) |
-
2023
- 2023-10-07 CN CN202311289513.4A patent/CN117193012A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308735B (zh) | 一种针对输入时滞的欠驱动uuv轨迹跟踪滑模控制方法 | |
Zhang et al. | Robust model predictive control for path-following of underactuated surface vessels with roll constraints | |
CN108319140B (zh) | 一种重定义输出式无模型自适应航向控制方法及系统 | |
Liu et al. | Tracking control of small-scale helicopters using explicit nonlinear MPC augmented with disturbance observers | |
An et al. | Sliding mode disturbance observer-enhanced adaptive control for the air-breathing hypersonic flight vehicle | |
Li et al. | Active disturbance rejection with sliding mode control based course and path following for underactuated ships | |
CN112034858B (zh) | 一种融合弱观测高阶输出数据的无模型自适应艏向控制方法 | |
An et al. | Proximate time optimal for the heading control of underactuated autonomous underwater vehicle with input nonlinearities | |
CN115113524B (zh) | 一种基于干预lvs制导的asv多端口事件触发路径跟踪控制方法 | |
Bejarbaneh et al. | Design of robust control based on linear matrix inequality and a novel hybrid PSO search technique for autonomous underwater vehicle | |
CN109254585A (zh) | 一种舰船用输入输出数据融合的改进无模型自适应航向控制算法 | |
Souissi et al. | Adaptive control for fully-actuated autonomous surface vehicle with uncertain model and unknown ocean currents | |
CN113467231A (zh) | 基于侧滑补偿ilos制导律的无人艇路径跟踪方法 | |
Liu et al. | A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification | |
Liu et al. | Modified adaptive complementary sliding mode control for the longitudinal motion stabilization of the fully-submerged hydrofoil craft | |
Wang et al. | Robust trajectory tracking and control allocation of X-rudder AUV with actuator uncertainty | |
Zhang et al. | Adaptive integral terminal sliding mode based trajectory tracking control of underwater glider | |
CN114115276A (zh) | 一种基于在线分组优化模型预测的船舶动力定位控制方法 | |
Dai et al. | Dual closed loop AUV trajectory tracking control based on finite time and state observer | |
Tong | An adaptive error constraint line-of-sight guidance and finite-time backstepping control for unmanned surface vehicles | |
Zhu et al. | Adaptive neural network fixed-time sliding mode control for trajectory tracking of underwater vehicle | |
Zeng et al. | Path following of underactuated marine vehicles based on model predictive control | |
Ma et al. | Trajectory tracking control for autonomous underwater vehicle with disturbances and input saturation based on contraction theory | |
CN117193012A (zh) | 海洋机器人的高阶输出式无模型自适应航向控制方法及系统 | |
Yang et al. | Projection operator-based fault-tolerant backstepping adaptive control of fixed-wing UAV against actuator faults |
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 |