JP3346006B2 - Ｒｏｖの自動制御方法 - Google Patents
Ｒｏｖの自動制御方法Info
- Publication number
- JP3346006B2 JP3346006B2 JP33336593A JP33336593A JP3346006B2 JP 3346006 B2 JP3346006 B2 JP 3346006B2 JP 33336593 A JP33336593 A JP 33336593A JP 33336593 A JP33336593 A JP 33336593A JP 3346006 B2 JP3346006 B2 JP 3346006B2
- Authority
- JP
- Japan
- Prior art keywords
- rov
- disturbance
- network
- operation amount
- depth
- 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.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、ＲＯＶ（有索式無人潜
水機）の自動制御方法に係り、特に周期的な外乱等に対
してＲＯＶの位置を適正に制御できるＲＯＶの自動制御
方法に関するものである。
水機）の自動制御方法に係り、特に周期的な外乱等に対
してＲＯＶの位置を適正に制御できるＲＯＶの自動制御
方法に関するものである。
【０００２】
【従来の技術】ＲＯＶ（Remotely Operated Vechicle）
は、水中での作業や調査などに用いられる有索式無人潜
水機である。
は、水中での作業や調査などに用いられる有索式無人潜
水機である。
【０００３】通常、ＲＯＶは母船上のオペレーターによ
り手動操作されるが、遠隔操作するため操縦は困難であ
る。このようなＲＯＶの操縦に関するオペレータの負担
を軽減するため、古典的制御理論による自動制御方法が
搭載されている。
り手動操作されるが、遠隔操作するため操縦は困難であ
る。このようなＲＯＶの操縦に関するオペレータの負担
を軽減するため、古典的制御理論による自動制御方法が
搭載されている。
【０００４】この従来の自動制御方法では、ＲＯＶが遭
遇する環境を予測してパラメータを調整する必要があ
る。
遇する環境を予測してパラメータを調整する必要があ
る。
【０００５】この自動制御方法として、図８に示すＰＩ
Ｄ自動制御方法があり、例えば目標値である深度をＰＩ
Ｄコントローラ４０に入力すると、ＲＯＶ４２からの現
在の深度と目標深度の誤差を求め、これに適切な係数ａ
をかけた値を操作量１とし、また現在のＲＯＶの速度に
適切な係数ｂをかけた値を操作量２とし、さらに制御を
開始した時刻から現在までの各時刻における目標深度と
ＲＯＶの深度の誤差に適切な係数ｃをかけた値を制御開
始時刻から現在まで積分した値を操作量３とし、これら
の操作量１，２，３を足し合わせて現在から微少時間後
の操作量とするＰＩＤ制御を行っている。
Ｄ自動制御方法があり、例えば目標値である深度をＰＩ
Ｄコントローラ４０に入力すると、ＲＯＶ４２からの現
在の深度と目標深度の誤差を求め、これに適切な係数ａ
をかけた値を操作量１とし、また現在のＲＯＶの速度に
適切な係数ｂをかけた値を操作量２とし、さらに制御を
開始した時刻から現在までの各時刻における目標深度と
ＲＯＶの深度の誤差に適切な係数ｃをかけた値を制御開
始時刻から現在まで積分した値を操作量３とし、これら
の操作量１，２，３を足し合わせて現在から微少時間後
の操作量とするＰＩＤ制御を行っている。
【０００６】
【発明が解決しようとする課題】しかしながら、この制
御は、過去のＲＯＶの状態より操作量を決定するため、
水中でＲＯＶが遭遇する環境（波浪外力、潮流を受ける
環境等）、特に周期的な外乱が加わる場合には、ＲＯＶ
を一定の深度に制御することはできない。すなわち、水
中でＲＯＶが遭遇する環境は未知であり、従来の自動制
御方法では、上記係数ａ，ｂ，ｃは、ＲＯＶがある一定
の条件下にあるとして設定しており、周期的な外乱を伴
う制御では、上記係数ａ，ｂ，ｃの適切な設定は困難で
あり、また係数の調整も困難である。また仮に、ある外
乱に対して係数ａ，ｂ，ｃを適切に調整したとしても、
自然環境下での外乱は様々に変化し、それを的確に予測
することは非常に困難である。そのため、従来の自動制
御方法で全ての環境に適応するような制御方法を構成す
ることが困難であった。
御は、過去のＲＯＶの状態より操作量を決定するため、
水中でＲＯＶが遭遇する環境（波浪外力、潮流を受ける
環境等）、特に周期的な外乱が加わる場合には、ＲＯＶ
を一定の深度に制御することはできない。すなわち、水
中でＲＯＶが遭遇する環境は未知であり、従来の自動制
御方法では、上記係数ａ，ｂ，ｃは、ＲＯＶがある一定
の条件下にあるとして設定しており、周期的な外乱を伴
う制御では、上記係数ａ，ｂ，ｃの適切な設定は困難で
あり、また係数の調整も困難である。また仮に、ある外
乱に対して係数ａ，ｂ，ｃを適切に調整したとしても、
自然環境下での外乱は様々に変化し、それを的確に予測
することは非常に困難である。そのため、従来の自動制
御方法で全ての環境に適応するような制御方法を構成す
ることが困難であった。
【０００７】そこで、本発明の目的は、上記課題を解決
し、周期的な外乱を予測し、その予測に基づいてＲＯＶ
を適性に制御できるＲＯＶの自動制御方法を提供するこ
とにある。
し、周期的な外乱を予測し、その予測に基づいてＲＯＶ
を適性に制御できるＲＯＶの自動制御方法を提供するこ
とにある。
【０００８】
【課題を解決するための手段】上記目的を達成するため
に本発明は、水中などを潜水するためのスラスターを備
えたＲＯＶを、遠隔操作する際に、目標深度と目標位置
で、波の揺動などの周期的な外乱に対してＲＯＶを静止
状態に保つためのＲＯＶの自動制御方法において、ＲＯ
Ｖの深度などの潜水状態をセンサで検出し、深度などの
目標値に対する上記センサの出力値の誤差よりＰＩＤコ
ントローラで第１の操作量を決定すると共にその第１の
操作量でＲＯＶを操作し、その操作に基づく外乱中での
ＲＯＶ運動特性をニューロ予測モデルで学習してモデル
化し、その後、実際のＲＯＶの速度及び加速度と目標値
との誤差信号を計算し、その誤差信号よりニューラルネ
ットワークによるニューロコントローラの制御パラメー
タを調整して第２の操作量を決定し、上記第１の操作量
と第２の操作量を足し併せてＲＯＶの最終操作量とし、
さらに、ニューロ予測モデルが外乱中でのＲＯＶの運動
特性を学習した後は、オシレータネットワークが外乱を
学習すると共にその外乱の周波数成分を学習し、外乱に
対してＲＯＶが最適に制御される際に、その学習した周
波数成分を生成してニューロコントローラに出力し、上
記オシレータネットワークの波形で第２の操作量を決定
するようにしたものである。
に本発明は、水中などを潜水するためのスラスターを備
えたＲＯＶを、遠隔操作する際に、目標深度と目標位置
で、波の揺動などの周期的な外乱に対してＲＯＶを静止
状態に保つためのＲＯＶの自動制御方法において、ＲＯ
Ｖの深度などの潜水状態をセンサで検出し、深度などの
目標値に対する上記センサの出力値の誤差よりＰＩＤコ
ントローラで第１の操作量を決定すると共にその第１の
操作量でＲＯＶを操作し、その操作に基づく外乱中での
ＲＯＶ運動特性をニューロ予測モデルで学習してモデル
化し、その後、実際のＲＯＶの速度及び加速度と目標値
との誤差信号を計算し、その誤差信号よりニューラルネ
ットワークによるニューロコントローラの制御パラメー
タを調整して第２の操作量を決定し、上記第１の操作量
と第２の操作量を足し併せてＲＯＶの最終操作量とし、
さらに、ニューロ予測モデルが外乱中でのＲＯＶの運動
特性を学習した後は、オシレータネットワークが外乱を
学習すると共にその外乱の周波数成分を学習し、外乱に
対してＲＯＶが最適に制御される際に、その学習した周
波数成分を生成してニューロコントローラに出力し、上
記オシレータネットワークの波形で第２の操作量を決定
するようにしたものである。
【０００９】
【作用】上記構成によれば、先ずＰＩＤコントローラに
よる制御に基づく予測モデルによる出力である速度と加
速度と実際のＲＯＶの状態から得られる速度と加速度の
偏差により外乱中でのＲＯＶの運動特性をニューロ予測
モデルが学習し、その予測モデルを用いてＲＯＶの状態
と目標値との誤差より誤差信号を作り出してこれにより
ニューロコントローラが学習してその制御パラメータを
調節することで、外乱に対してＲＯＶを適確に制御する
ことができる。この際、オシレータネットワークは、Ｒ
ＯＶが外乱に対して適確に制御されるときに、その外乱
を学習し、その学習した外乱をニューロコントローラに
出力することで、周期的な外乱に対してＲＯＶを確実に
静止状態に保つことが可能となる。
よる制御に基づく予測モデルによる出力である速度と加
速度と実際のＲＯＶの状態から得られる速度と加速度の
偏差により外乱中でのＲＯＶの運動特性をニューロ予測
モデルが学習し、その予測モデルを用いてＲＯＶの状態
と目標値との誤差より誤差信号を作り出してこれにより
ニューロコントローラが学習してその制御パラメータを
調節することで、外乱に対してＲＯＶを適確に制御する
ことができる。この際、オシレータネットワークは、Ｒ
ＯＶが外乱に対して適確に制御されるときに、その外乱
を学習し、その学習した外乱をニューロコントローラに
出力することで、周期的な外乱に対してＲＯＶを確実に
静止状態に保つことが可能となる。
【００１０】
【実施例】以下、本発明の一実施例を添付図面に基づい
て詳述する。
て詳述する。
【００１１】先ず、本発明におけるＲＯＶ（有索式無人
潜水機）の構成を図２により説明する。図２において、
（ａ）は側面図、（ｂ）は底面図を示す。
潜水機）の構成を図２により説明する。図２において、
（ａ）は側面図、（ｂ）は底面図を示す。
【００１２】潜水機体１０は、図では省略しているが、
母船からのケーブルが接続されている。潜水機体１０に
は、機体１０を上下方向に推進する３基のスラスター１
１と前後に推進するための２基のスラスター１２と左右
に方向転換するためのスラスタ１３が設けられ、これら
がそれぞれ正逆転モータ１４で駆動されるようになって
いる。
母船からのケーブルが接続されている。潜水機体１０に
は、機体１０を上下方向に推進する３基のスラスター１
１と前後に推進するための２基のスラスター１２と左右
に方向転換するためのスラスタ１３が設けられ、これら
がそれぞれ正逆転モータ１４で駆動されるようになって
いる。
【００１３】潜水機体１０の前方側上部には、機体１０
の深度を検出する深度センサ１５が設けられる。また潜
水機体１０には水中に音を発するピンガー１６が設けら
れ、このピンガー１６で発した音を海上の母船側で３点
計測して潜水機体１０の位置を検出するようになってい
る。
の深度を検出する深度センサ１５が設けられる。また潜
水機体１０には水中に音を発するピンガー１６が設けら
れ、このピンガー１６で発した音を海上の母船側で３点
計測して潜水機体１０の位置を検出するようになってい
る。
【００１４】この潜水機体１０は、例えばＴＶカメラな
どを備えており、ＴＶカメラを見ながら種々の水中作業
が母船側の遠隔操作で行えるようになっている。
どを備えており、ＴＶカメラを見ながら種々の水中作業
が母船側の遠隔操作で行えるようになっている。
【００１５】この水中作業を浅水域で行う場合、潜水機
体１０には、波の揺動による周期的な上下動や前後左右
の横揺れが外乱として加わるが、これら外乱が加わって
も潜水機体１０を静止状態に保って作業を行う必要があ
る。
体１０には、波の揺動による周期的な上下動や前後左右
の横揺れが外乱として加わるが、これら外乱が加わって
も潜水機体１０を静止状態に保って作業を行う必要があ
る。
【００１６】この潜水機体１０の自動制御方法を説明す
る。
る。
【００１７】先ず潜水機体１０を外乱に対して静止状態
に保つには、外乱を打ち消すように上記各スラスター１
１〜１３の正逆回転方向とその回転数を制御すればよい
が、古典的制御方法ではこれら外乱を予測してシステム
のパラメータを自動的に調整して制御することは困難で
ある。そこで本発明は、目標出力に対してシステムのパ
ラメータを自動的に調整する機能（学習機能）を有する
ニューラルネットワークによる制御システムと古典制御
理論による制御システムを並列に用いた制御システムで
あるＲＡＮＣ（Robust Adaptive Neural-net Controlle
r ）をＲＯＶの運動制御に適用して自動制御システムを
構成したものである。
に保つには、外乱を打ち消すように上記各スラスター１
１〜１３の正逆回転方向とその回転数を制御すればよい
が、古典的制御方法ではこれら外乱を予測してシステム
のパラメータを自動的に調整して制御することは困難で
ある。そこで本発明は、目標出力に対してシステムのパ
ラメータを自動的に調整する機能（学習機能）を有する
ニューラルネットワークによる制御システムと古典制御
理論による制御システムを並列に用いた制御システムで
あるＲＡＮＣ（Robust Adaptive Neural-net Controlle
r ）をＲＯＶの運動制御に適用して自動制御システムを
構成したものである。
【００１８】図１は、本発明の制御方法のブロックダイ
アグラムで、２０は制御対象であるＲＯＶ、２１はＰＩ
Ｄコントローラ、２２はニューロ予測モデル、２３はニ
ューロコントローラ、２４はオシレータネットワーク，
２５，２６，２７は加算器，２８は外乱である。
アグラムで、２０は制御対象であるＲＯＶ、２１はＰＩ
Ｄコントローラ、２２はニューロ予測モデル、２３はニ
ューロコントローラ、２４はオシレータネットワーク，
２５，２６，２７は加算器，２８は外乱である。
【００１９】先ず、ＰＩＤコントローラ２１は、加算器
２５に加えられたＲＯＶ２０の出力ｙと目標値ｏとの偏
差信号ｓが入力され、その偏差及び偏差の微分、積分を
用いて第１の操作量ＵPID を加算器２６に出力する。
２５に加えられたＲＯＶ２０の出力ｙと目標値ｏとの偏
差信号ｓが入力され、その偏差及び偏差の微分、積分を
用いて第１の操作量ＵPID を加算器２６に出力する。
【００２０】ニューロ予測モデル２２は、ＲＯＶ２０が
遭遇した環境（外乱）におけるＲＯＶの運動特性をモデ
ル化するニューラルネットワークである。このネットワ
ークはＲＯＶに与えられる操作量と同じ入力が与えられ
た場合に、ＲＯＶの応答と同様の出力（速度と加速度）
するように内部パラメータを調整するための誤差信号
が、このネットワークを用いてＲＯＶの応答と目標値の
偏差より生成される。すなわち、ニューロ予測モデル２
２には、ＰＩＤコントローラ２１の第１の操作量ＵPID
とニューロコントローラ２１の第２の操作量Ｕnnとが加
算器２６で足し合わされた最終操作量Ｕo が入力される
と共にＲＯＶ２０の出力ｙが入力され、先ず第１の操作
量PID に対するＲＯＶ２０の応答を学習すると共にＲＯ
Ｖ２０の外乱２８中での応答を予測し、また予測モデル
による速度と加速度を加算器２７に出力し、加算器２７
に入力される実際のＲＯＶ２０の速度と加速度戸の偏差
より予測モデル内部の係数を調節して外乱中でのＲＯＶ
の運動特性をモデル化（学習）する。予測モデルは実際
のＲＯＶの速度と加速度と目標値との偏差より誤差信号
を作り出す。
遭遇した環境（外乱）におけるＲＯＶの運動特性をモデ
ル化するニューラルネットワークである。このネットワ
ークはＲＯＶに与えられる操作量と同じ入力が与えられ
た場合に、ＲＯＶの応答と同様の出力（速度と加速度）
するように内部パラメータを調整するための誤差信号
が、このネットワークを用いてＲＯＶの応答と目標値の
偏差より生成される。すなわち、ニューロ予測モデル２
２には、ＰＩＤコントローラ２１の第１の操作量ＵPID
とニューロコントローラ２１の第２の操作量Ｕnnとが加
算器２６で足し合わされた最終操作量Ｕo が入力される
と共にＲＯＶ２０の出力ｙが入力され、先ず第１の操作
量PID に対するＲＯＶ２０の応答を学習すると共にＲＯ
Ｖ２０の外乱２８中での応答を予測し、また予測モデル
による速度と加速度を加算器２７に出力し、加算器２７
に入力される実際のＲＯＶ２０の速度と加速度戸の偏差
より予測モデル内部の係数を調節して外乱中でのＲＯＶ
の運動特性をモデル化（学習）する。予測モデルは実際
のＲＯＶの速度と加速度と目標値との偏差より誤差信号
を作り出す。
【００２１】ニューロコントローラ２３は、ＲＯＶが遭
遇した環境でＲＯＶを最適にコントロールできるコント
ローラを生成するニューラルネットワークである。ニュ
ーロ予測モデル２２が生成した誤差信号Ｅを用いて自動
的に内部のパラメータを調整（学習）し、ＲＯＶスラス
ター１１〜１３を制御するための最適なコントローラを
生成する。
遇した環境でＲＯＶを最適にコントロールできるコント
ローラを生成するニューラルネットワークである。ニュ
ーロ予測モデル２２が生成した誤差信号Ｅを用いて自動
的に内部のパラメータを調整（学習）し、ＲＯＶスラス
ター１１〜１３を制御するための最適なコントローラを
生成する。
【００２２】オシレータネットワーク２４は、ニューロ
予測モデル２２と同様に、外乱Ｕを予め学習すると共に
外乱Ｕの周波数成分を学習し、外乱Ｕに対してＲＯＶ２
０が最適に制御される際に、その学習した周波数成分を
生成してニューロコントローラ２３に出力２９する。
予測モデル２２と同様に、外乱Ｕを予め学習すると共に
外乱Ｕの周波数成分を学習し、外乱Ｕに対してＲＯＶ２
０が最適に制御される際に、その学習した周波数成分を
生成してニューロコントローラ２３に出力２９する。
【００２３】以下に制御の基本的動作を順に説明する。
【００２４】(1) ＰＩＤコントローラ２１による制御 ニューロ予測モデルネットワーク及びコントローラネッ
トワークのパラメータには、初期値として微小でランダ
ムな値を与えるため、それぞれのネットワークは学習前
には微小な出力しかしない。
トワークのパラメータには、初期値として微小でランダ
ムな値を与えるため、それぞれのネットワークは学習前
には微小な出力しかしない。
【００２５】ＲＯＶ２０のスラスタ１１〜１３への操作
量は、コントローラネットワークの出力（第２の操作
量）とＰＩＤコントローラの出力（第１の操作量）を足
し合わせた値（最終操作量）である。このため、コント
ローラネットワークが十分学習する前はＰＩＤコントロ
ーラ２１がＲＯＶ２０の制御を行う。
量は、コントローラネットワークの出力（第２の操作
量）とＰＩＤコントローラの出力（第１の操作量）を足
し合わせた値（最終操作量）である。このため、コント
ローラネットワークが十分学習する前はＰＩＤコントロ
ーラ２１がＲＯＶ２０の制御を行う。
【００２６】(2) ニューロ予測モデル２２ ＰＩＤコントローラ２１が外乱中のＲＯＶ２０を制御し
ている状態で、予測モデルネットワークはＲＯＶスラス
タへの操作量とＲＯＶの応答関係（すなわちＲＯＶの深
度，速度，加速度など）を学習する。
ている状態で、予測モデルネットワークはＲＯＶスラス
タへの操作量とＲＯＶの応答関係（すなわちＲＯＶの深
度，速度，加速度など）を学習する。
【００２７】(3) コントローラネットワークの学習 予測モデルネットワークがＲＯＶの運動特性と外乱を十
分に学習した後に生成する誤差信号Ｅにより、コントロ
ーラネットワークが学習し、最適なコントローラを自動
的に生成する。
分に学習した後に生成する誤差信号Ｅにより、コントロ
ーラネットワークが学習し、最適なコントローラを自動
的に生成する。
【００２８】(4) コントローラネットワーク２３による
制御 コントローラネットワークが最適なコントローラを学習
により自動的に生成するとフィードバックされる値が減
衰する。このためＰＩＤコントローラの出力が減衰さ
れ、ＲＯＶスラスタへの操作量は、コントローラネット
ワークとＰＩＤコントローラの和であるので、最終的に
ＲＯＶはコントローラネットワークのみにより制御され
ることになる。
制御 コントローラネットワークが最適なコントローラを学習
により自動的に生成するとフィードバックされる値が減
衰する。このためＰＩＤコントローラの出力が減衰さ
れ、ＲＯＶスラスタへの操作量は、コントローラネット
ワークとＰＩＤコントローラの和であるので、最終的に
ＲＯＶはコントローラネットワークのみにより制御され
ることになる。
【００２９】次にニューラルネットワークの学習を更に
詳しく説明する。
詳しく説明する。
【００３０】ニューラルネットワークはＡＩ技術の１つ
で、脳の神経回路網の機能を数値化した情報処理システ
ムである。
で、脳の神経回路網の機能を数値化した情報処理システ
ムである。
【００３１】このニューラルネットワークの基本を図３
により説明する。
により説明する。
【００３２】図３（ａ），（ｂ）に示すように、プロセ
ッシングエレメント３０を多数、結合させて構成する。
ここではプロセッシングエレメントを層状に並べるＰＤ
Ｐ（Parallel Distributed Processing ）タイプのニュ
ーラルネットワークを用いた。
ッシングエレメント３０を多数、結合させて構成する。
ここではプロセッシングエレメントを層状に並べるＰＤ
Ｐ（Parallel Distributed Processing ）タイプのニュ
ーラルネットワークを用いた。
【００３３】このプロセッシングエレメントは、数１，
数２に示す処理を行う要素である。
数２に示す処理を行う要素である。
【００３４】
【数１】
【００３５】
【数２】
【００３６】但し、ｉはいま考えている層のプロセッシ
ングエレメント番号を示し、ｊは１つ前のプロセッシン
グエレメント番号を示す。またｏはプロセッシングエレ
メントの出力を表し、θはオフセットと呼ばれる変数で
ある。ｆは任意の連続な関数で、通常シグモイド関数が
用いられる。
ングエレメント番号を示し、ｊは１つ前のプロセッシン
グエレメント番号を示す。またｏはプロセッシングエレ
メントの出力を表し、θはオフセットと呼ばれる変数で
ある。ｆは任意の連続な関数で、通常シグモイド関数が
用いられる。
【００３７】各プロセッシングエレメントからの出力は
数１に示すように変数ｗijを掛けて他のプロセッシング
エレメントへの入力とされる。この変数ｗijを重みと呼
ぶ。この重みがニューラルネットワーク内部の調整すべ
きパラメータである。
数１に示すように変数ｗijを掛けて他のプロセッシング
エレメントへの入力とされる。この変数ｗijを重みと呼
ぶ。この重みがニューラルネットワーク内部の調整すべ
きパラメータである。
【００３８】図３のネットワークにおいて最も左の入力
層に入力値が与えられると、以上のような処理が中間層
を通して右の出力層へと順に行われる。
層に入力値が与えられると、以上のような処理が中間層
を通して右の出力層へと順に行われる。
【００３９】ニューラルネットワークの学習（重みの調
整）は誤差逆伝搬学習アルゴリズムにより行う。ネット
ワークから出力ｏk と本来のネットワークに出力して欲
しい値（教師データ）Ｙk との誤差Ｅを次式で評価す
る。
整）は誤差逆伝搬学習アルゴリズムにより行う。ネット
ワークから出力ｏk と本来のネットワークに出力して欲
しい値（教師データ）Ｙk との誤差Ｅを次式で評価す
る。
【００４０】
【数３】
【００４１】この誤差が減少するように重みの更新量Δ
ｗijを数４により決定して重みを更新する。（最急降下
法）
ｗijを数４により決定して重みを更新する。（最急降下
法）
【００４２】
【数４】
【００４３】ここで、ηは学習係数と呼ばれ、重みの更
新量を決定する係数である。
新量を決定する係数である。
【００４４】さて、図１に示したシステムを構成するユ
ーラルネットワークを図４で説明する。
ーラルネットワークを図４で説明する。
【００４５】ニューロ予測モデルネットワークは、図４
（ａ）に示すように、ＰＩＤコントローラ２１の第１の
操作量ＵPID と、ニューロコントローラ２３の第２の操
作量ＵnnとＲＯＶ２０の深度などの位置情報Ｚｔが入力
され、それら入力に基づいて図４（ｂ）のニューロコン
トローラネットワークを学習させるための誤差信号を生
成する。
（ａ）に示すように、ＰＩＤコントローラ２１の第１の
操作量ＵPID と、ニューロコントローラ２３の第２の操
作量ＵnnとＲＯＶ２０の深度などの位置情報Ｚｔが入力
され、それら入力に基づいて図４（ｂ）のニューロコン
トローラネットワークを学習させるための誤差信号を生
成する。
【００４６】ここで、ニューロ予測モデルネットワーク
が誤差信号を生成するために行う処理は、数５に示すよ
うに上記数４の偏微分の項を展開することにより得られ
る。
が誤差信号を生成するために行う処理は、数５に示すよ
うに上記数４の偏微分の項を展開することにより得られ
る。
【００４７】
【数５】
【００４８】ここで、ｕはｕPID とｕnnを足し合わせた
値である。
値である。
【００４９】数５において、ニューロ予測モデルネット
ワークが行うべき計算は、ｏk をｕで偏微分した部分で
ある。この部分をヤコビアンと呼ぶ。
ワークが行うべき計算は、ｏk をｕで偏微分した部分で
ある。この部分をヤコビアンと呼ぶ。
【００５０】ヤコビアンを計算するために必要なニュー
ロ予測モデルネットワーク内の部分はＲＯＶスラスタへ
の操作量の入力とニューロ予測モデルネットワークの出
力を結合する部分である。この部分の重みを十分学習し
て正しい誤差信号を生成するためには、この部分の重み
が、深度から出力への結合より十分に大きくなるように
学習する必要がある。また、ヤコビアンが十分に大きく
得られるように、ニューロ予測モデルネットワークを構
成する必要がある。
ロ予測モデルネットワーク内の部分はＲＯＶスラスタへ
の操作量の入力とニューロ予測モデルネットワークの出
力を結合する部分である。この部分の重みを十分学習し
て正しい誤差信号を生成するためには、この部分の重み
が、深度から出力への結合より十分に大きくなるように
学習する必要がある。また、ヤコビアンが十分に大きく
得られるように、ニューロ予測モデルネットワークを構
成する必要がある。
【００５１】図４（ａ）におけるニューロ予測モデルネ
ットワークで出力を速度と加速度の２つにしてあるの
は、ヤコビアンが大きく得られるようにニューロ予測モ
デルネットワークを学習させるためである。以下にその
根拠を述べる。
ットワークで出力を速度と加速度の２つにしてあるの
は、ヤコビアンが大きく得られるようにニューロ予測モ
デルネットワークを学習させるためである。以下にその
根拠を述べる。
【００５２】今、ＲＯＶの状態である深度に関する伝達
関数を線形化して求めれば、数６のように表すことがで
きる。
関数を線形化して求めれば、数６のように表すことがで
きる。
【００５３】
【数６】
【００５４】この伝達関数のボード線図を図５に示す。
ここで、Ｋ＝０．５、Ｔ＝２０．８とした。またＲＯＶ
の速度、加速度に関する伝達関数も図６に示した。
ここで、Ｋ＝０．５、Ｔ＝２０．８とした。またＲＯＶ
の速度、加速度に関する伝達関数も図６に示した。
【００５５】図５，図６より、ヤコビアンを大きく得る
ためには、低周波域では、速度により予測モデルネット
ワークを学習し、高周波域では加速度で学習するほうが
有利であることがわかる。ここで入出力の位相が同期し
ていれば、ヤコビアンは正で最大となり、反転していれ
ば負で最少となる。また位相がπ／２ずれていれば、ヤ
コビアンの平均値は０となる。
ためには、低周波域では、速度により予測モデルネット
ワークを学習し、高周波域では加速度で学習するほうが
有利であることがわかる。ここで入出力の位相が同期し
ていれば、ヤコビアンは正で最大となり、反転していれ
ば負で最少となる。また位相がπ／２ずれていれば、ヤ
コビアンの平均値は０となる。
【００５６】何故なら、ヤコビアンはボード線図におい
て位相がπ／２のとき０となり、位相が減少するにした
がい＋に増加し、位相が０のときに最大となる。位相が
０から−に減少するとヤコビアンは減少しはじめ、位相
が−π／２のとき再び０となる。位相がさらに減少させ
るとヤコビアンは−に減少し、−πのとき最少になる。
て位相がπ／２のとき０となり、位相が減少するにした
がい＋に増加し、位相が０のときに最大となる。位相が
０から−に減少するとヤコビアンは減少しはじめ、位相
が−π／２のとき再び０となる。位相がさらに減少させ
るとヤコビアンは−に減少し、−πのとき最少になる。
【００５７】このように、ヤコビアンは位相に関して周
期的に変化する性質を持つため、低周波数域では速度、
高周波域では深度（位置）、加速度のヤコビアンしか生
成しない。また、ヤコビアンは予測モデルの出力をその
予測モデルへの操作量で偏微分したものであるから、位
相の他にゲインが効いてくる。
期的に変化する性質を持つため、低周波数域では速度、
高周波域では深度（位置）、加速度のヤコビアンしか生
成しない。また、ヤコビアンは予測モデルの出力をその
予測モデルへの操作量で偏微分したものであるから、位
相の他にゲインが効いてくる。
【００５８】しかし、ゲインについて考えると、加速度
が高周波域で一定になるのに対して、深度では高周波に
なるにしたがいゲインが減少することがわかる。このた
め高周波域において深度よりも加速度を用いた方が正し
いヤコビアンを得るために有利である。
が高周波域で一定になるのに対して、深度では高周波に
なるにしたがいゲインが減少することがわかる。このた
め高周波域において深度よりも加速度を用いた方が正し
いヤコビアンを得るために有利である。
【００５９】ニューロコントローラネットワークの特徴
は入力としてフィードバックされた深度の他にオシレー
タ要素が含まれることである。入力にオシレータを含ま
ねばならない理由は、層構造のニューラルネットワーク
では自動的に周期的な出力を発生することができないた
め、オシレータネッワーク２４により外乱の周期成分を
コントローラ２１に入力する。
は入力としてフィードバックされた深度の他にオシレー
タ要素が含まれることである。入力にオシレータを含ま
ねばならない理由は、層構造のニューラルネットワーク
では自動的に周期的な出力を発生することができないた
め、オシレータネッワーク２４により外乱の周期成分を
コントローラ２１に入力する。
【００６０】次に、図１に示した本発明の自動制御方法
と図８で説明した従来の制御方法でそれぞれＲＯＶの模
型（全長１．５ｍ，幅０．８ｍ，高さ０．８ｍ）をを制
御した実験結果を説明する。
と図８で説明した従来の制御方法でそれぞれＲＯＶの模
型（全長１．５ｍ，幅０．８ｍ，高さ０．８ｍ）をを制
御した実験結果を説明する。
【００６１】このＲＯＶの模型は、空中重量４０３Ｋｇ
で、水中では略中性浮力となる。模型には図２で説明し
たと同様に６基のスラスタがあるが、実験では３基の垂
直方向のスラスタのみを使用し、また試験条件は、深さ
１１８ｍｍの水槽で、規則的波として±５０ｍｍの波を
発生させ、ＲＯＶ模型が、目標深度０．８ｍになるよう
に制御を行った。また両システムのＰＩＤコントローラ
の係数は、比例係数ｋp ＝１０．２、微分計数ｋd ＝
０．１９５、積分係数ｋi ＝１．２８とした。
で、水中では略中性浮力となる。模型には図２で説明し
たと同様に６基のスラスタがあるが、実験では３基の垂
直方向のスラスタのみを使用し、また試験条件は、深さ
１１８ｍｍの水槽で、規則的波として±５０ｍｍの波を
発生させ、ＲＯＶ模型が、目標深度０．８ｍになるよう
に制御を行った。また両システムのＰＩＤコントローラ
の係数は、比例係数ｋp ＝１０．２、微分計数ｋd ＝
０．１９５、積分係数ｋi ＝１．２８とした。
【００６２】図７は本発明の自動制御方法の結果、図９
は従来のシステムの結果を示すグラフである。
は従来のシステムの結果を示すグラフである。
【００６３】先ず従来のシステムの図９において、
（ａ）はＰＩＤコントローラの出力（操作量）Ｕｐｉｄ
変化、（ｂ）は模型ＲＯＶの深度変化、（ｃ）は模型Ｒ
ＯＶの速度変化、（ｄ）は水槽の水面変化を示してい
る。
（ａ）はＰＩＤコントローラの出力（操作量）Ｕｐｉｄ
変化、（ｂ）は模型ＲＯＶの深度変化、（ｃ）は模型Ｒ
ＯＶの速度変化、（ｄ）は水槽の水面変化を示してい
る。
【００６４】また同様に本発明のシステムの図７におい
て、（ａ）はＰＩＤコントローラの出力（第１の操作
量）Ｕｐｉｄ変化、（ｂ）は模型ＲＯＶの深度変化、
（ｃ）は模型ＲＯＶの速度変化、（ｄ）は水槽の水面変
化、（ｅ）はニューロコントローラの操作量変化（第２
の操作量）Ｕｎｎを示している。
て、（ａ）はＰＩＤコントローラの出力（第１の操作
量）Ｕｐｉｄ変化、（ｂ）は模型ＲＯＶの深度変化、
（ｃ）は模型ＲＯＶの速度変化、（ｄ）は水槽の水面変
化、（ｅ）はニューロコントローラの操作量変化（第２
の操作量）Ｕｎｎを示している。
【００６５】この図９からＰＩＤコントローラのみで
は、規則波中のＲＯＶ模型の深度を目標値（０．８ｍ）
に維持することができず、むしろ波高よりＲＯＶ模型の
深度変動の方が大きくなっていることが分かる。
は、規則波中のＲＯＶ模型の深度を目標値（０．８ｍ）
に維持することができず、むしろ波高よりＲＯＶ模型の
深度変動の方が大きくなっていることが分かる。
【００６６】これに対して本発明のシステムにおいて
は、（ｅ）に示すようにはじめ１８秒程度、ニューロコ
ントローラの操作量を略ゼロとして学習した後は、徐々
にその第２の操作量Ｕｎｎが増えていき、（ａ）に示す
ＰＩＤコントローラの出力Ｕｐｉｄは徐々に少なくなっ
て１２０秒程度で操作量ゼロとなり、また（ｂ）に示す
ようにＲＯＶ模型の深度変化も無くなっていることがわ
かる。
は、（ｅ）に示すようにはじめ１８秒程度、ニューロコ
ントローラの操作量を略ゼロとして学習した後は、徐々
にその第２の操作量Ｕｎｎが増えていき、（ａ）に示す
ＰＩＤコントローラの出力Ｕｐｉｄは徐々に少なくなっ
て１２０秒程度で操作量ゼロとなり、また（ｂ）に示す
ようにＲＯＶ模型の深度変化も無くなっていることがわ
かる。
【００６７】
【発明の効果】以上要するに本発明によれば、従来のＰ
ＩＤ制御では、周期的な外乱に対してＲＯＶを一定に静
止状態に保つ制御は困難であったが、本発明のＰＩＤと
ニューラルネットワークを並列に用いる制御システムに
より、ＲＯＶが周期的な外乱中にあっても適確に静止状
態に保つ制御が可能となる。この際、オシレータネット
ワークは、ＲＯＶが外乱中で適確に制御される際に外乱
を学習し、その学習した外乱をニューロコントローラに
出力することで安定した制御が可能となる。
ＩＤ制御では、周期的な外乱に対してＲＯＶを一定に静
止状態に保つ制御は困難であったが、本発明のＰＩＤと
ニューラルネットワークを並列に用いる制御システムに
より、ＲＯＶが周期的な外乱中にあっても適確に静止状
態に保つ制御が可能となる。この際、オシレータネット
ワークは、ＲＯＶが外乱中で適確に制御される際に外乱
を学習し、その学習した外乱をニューロコントローラに
出力することで安定した制御が可能となる。
【図１】本発明の一実施例を示すブロック図である。
【図２】本発明におけるＲＯＶの詳細を示し、（ａ）は
側面図、（ｂ）は平面図を示す。
側面図、（ｂ）は平面図を示す。
【図３】ニューラルネットワークとプロセッシングエレ
メントの詳細を示す図である。
メントの詳細を示す図である。
【図４】図１のニューラルネットワークの構成を示す図
である。
である。
【図５】本発明における制御方法の周波数に対する位相
のボード線図を示す図である。
のボード線図を示す図である。
【図６】本発明における制御方法の周波数に対するゲイ
ンのボード線図を示す図である。
ンのボード線図を示す図である。
【図７】本発明の制御方法を用いた実験結果を示す図で
ある。
ある。
【図８】従来の制御方法のブロック図である。
【図９】従来の制御方法を用いた実験結果を示す図であ
る。
る。
２０ ＲＯＶ ２１ ＰＩＤコントローラ ２２ ニューロ予測モデル ２３ ニューロコントローラ ２４ オシレータネットワーク
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平４−325392（ＪＰ，Ａ) 特開 昭60−176890（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) B63G 8/00 B63G 8/22 - 8/24 B63G 8/42 B63C 11/00 B63C 7/24
Claims (1)
- 【請求項１】 水中などを潜水するためのスラスターを
備えたＲＯＶを、遠隔操作する際に、目標深度と目標位
置で、波の揺動などの周期的な外乱に対してＲＯＶを静
止状態に保つためのＲＯＶの自動制御方法において、Ｒ
ＯＶの深度などの潜水状態をセンサで検出し、深度など
の目標値に対する上記センサの出力値の誤差よりＰＩＤ
コントローラで第１の操作量を決定すると共にその第１
の操作量でＲＯＶを操作し、その操作に基づく外乱中で
のＲＯＶ運動特性をニューロ予測モデルで学習してモデ
ル化し、その後、実際のＲＯＶの速度及び加速度と目標
値との誤差信号を計算し、その誤差信号よりニューラル
ネットワークによるニューロコントローラの制御パラメ
ータを調整して第２の操作量を決定し、上記第１の操作
量と第２の操作量を足し併せてＲＯＶの最終操作量と
し、さらに、ニューロ予測モデルが外乱中でのＲＯＶの
運動特性を学習した後は、オシレータネットワークが外
乱を学習すると共にその外乱の周波数成分を学習し、外
乱に対してＲＯＶが最適に制御される際に、その学習し
た周波数成分を生成してニューロコントローラに出力
し、上記オシレータネットワークの波形で第２の操作量
を決定するようにしたことを特徴とするＲＯＶの自動制
御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33336593A JP3346006B2 (ja) | 1993-12-27 | 1993-12-27 | Ｒｏｖの自動制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33336593A JP3346006B2 (ja) | 1993-12-27 | 1993-12-27 | Ｒｏｖの自動制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07187072A JPH07187072A (ja) | 1995-07-25 |
| JP3346006B2 true JP3346006B2 (ja) | 2002-11-18 |
Family
ID=18265296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33336593A Expired - Fee Related JP3346006B2 (ja) | 1993-12-27 | 1993-12-27 | Ｒｏｖの自動制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3346006B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209181A (zh) * | 2019-05-06 | 2019-09-06 | 西北工业大学深圳研究院 | 一种基于测距仪的水下清洗机器人自主竖立着落船舷控制方法 |
| WO2019214173A1 (zh) * | 2018-05-09 | 2019-11-14 | 深圳市吉影科技有限公司 | 一种水下无人机自平衡控制方法及系统 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3765122B2 (ja) * | 1996-05-07 | 2006-04-12 | 石川島播磨重工業株式会社 | 潜水体及びその潜水位置制御方法 |
| JP5653804B2 (ja) * | 2011-03-14 | 2015-01-14 | 三菱重工業株式会社 | 深度信号生成装置 |
| WO2016145398A1 (en) * | 2015-03-12 | 2016-09-15 | Transocean Sedco Forex Ventures Limited | Dynamic positioning (dp) drive-off (do) mitigation with inertial navigation system |
| CN104890844A (zh) * | 2015-07-01 | 2015-09-09 | 青岛远创机器人自动化有限公司 | 一种六推进器水下机器人 |
| JP6343068B1 (ja) * | 2017-05-15 | 2018-06-13 | 石井 昭良 | 海中輸送機 |
| JP6372046B2 (ja) * | 2018-03-09 | 2018-08-15 | 国立大学法人岩手大学 | 外乱加速度の推定方法、船体の自動制御方法及び外乱加速度の推定装置並びに外乱加速度の推定用コンピュータプログラム |
| CN110647161B (zh) * | 2019-10-15 | 2022-07-15 | 哈尔滨工程大学 | 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法 |
| CN111547212B (zh) * | 2020-06-02 | 2021-12-07 | 哈尔滨工程大学 | 一种无动力式快速潜浮auv的浮力控制方法 |
| JP2024062786A (ja) * | 2022-10-25 | 2024-05-10 | キヤノン株式会社 | 制御方法、制御装置、リソグラフィ装置、および物品製造方法 |
-
1993
- 1993-12-27 JP JP33336593A patent/JP3346006B2/ja not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019214173A1 (zh) * | 2018-05-09 | 2019-11-14 | 深圳市吉影科技有限公司 | 一种水下无人机自平衡控制方法及系统 |
| CN110209181A (zh) * | 2019-05-06 | 2019-09-06 | 西北工业大学深圳研究院 | 一种基于测距仪的水下清洗机器人自主竖立着落船舷控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07187072A (ja) | 1995-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Experimental study on advanced underwater robot control | |
| Caccia et al. | Guidance and control of a reconfigurable unmanned underwater vehicle | |
| Lea et al. | A comparative study of control techniques for an underwater flight vehicle | |
| JP3346006B2 (ja) | Ｒｏｖの自動制御方法 | |
| Lima et al. | Sliding mode control with gaussian process regression for underwater robots | |
| EP3164741B1 (en) | Method and system for dynamic positioning of instrumented cable towed in water | |
| Guerrero et al. | Observation-based nonlinear proportional–derivative control for robust trajectory tracking for autonomous underwater vehicles | |
| JP4640760B2 (ja) | 到来波浪の波形予測法および波浪中の航走体の運転制御方法 | |
| JP2017206154A (ja) | 水中航走体制御装置、水中航走システム、水中航走体制御方法及びプログラム | |
| JP3629760B2 (ja) | Ｒｏｖの自動制御方法 | |
| Gaskett et al. | Reinforcement learning applied to the control of an autonomous underwater vehicle | |
| EP0838393B1 (en) | Submerged body and method of controlling submersion position of the same | |
| Liu et al. | A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification | |
| CN115014355A (zh) | 一种双体无人船的定点返航调控方法及装置 | |
| Tanveer et al. | High fidelity modelling and GA optimized control of yaw dynamics of a custom built remotely operated unmanned underwater vehicle | |
| Salgado-Jiménez et al. | Control of ROVs using a model-free 2nd-order sliding mode approach | |
| JP3033571B1 (ja) | 潜水船の深度保持制御方式 | |
| Kim | Dynamic balance control algorithm of a six-legged walking robot, little crabster | |
| Melo et al. | Bottom estimation and following with the MARES AUV | |
| Kim | Nonlinear control and robust observer design for marine vehicles | |
| JP3064204B2 (ja) | 潜水船用姿勢角制御装置 | |
| Caccia et al. | Bottom-following for remotely operated vehicles: Algorithms and experiments | |
| JP3059192B2 (ja) | 適応制御システム | |
| Zhao | Advanced control of autonomous underwater vehicles | |
| Le Tu et al. | Stabilizing control for the attitude of a small-sized X4-AUV |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |