JP3765122B2 - 潜水体及びその潜水位置制御方法 - Google Patents
潜水体及びその潜水位置制御方法 Download PDFInfo
- Publication number
- JP3765122B2 JP3765122B2 JP11285596A JP11285596A JP3765122B2 JP 3765122 B2 JP3765122 B2 JP 3765122B2 JP 11285596 A JP11285596 A JP 11285596A JP 11285596 A JP11285596 A JP 11285596A JP 3765122 B2 JP3765122 B2 JP 3765122B2
- Authority
- JP
- Japan
- Prior art keywords
- diving
- displacement
- target value
- amount
- difference
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 114
- 230000009189 diving Effects 0.000 claims description 110
- 230000001133 acceleration Effects 0.000 claims description 36
- 230000008878 coupling Effects 0.000 claims description 27
- 238000010168 coupling process Methods 0.000 claims description 27
- 238000005859 coupling reaction Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 5
- 230000001934 delay Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/34—Diving chambers with mechanical link, e.g. cable, to a base
- B63C11/36—Diving chambers with mechanical link, e.g. cable, to a base of closed type
- B63C11/42—Diving chambers with mechanical link, e.g. cable, to a base of closed type with independent propulsion or direction control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、潜水体及びその潜水位置制御方法に係わり、特に周期性のないランダム外力（外乱）に対して潜水体の潜水位置を一定に保持する技術に関する。
【０００２】
【従来の技術】
特開平７−１８７０７２号公報には、ニューラルネットワークを用いた有索式無人潜水機（ＲＯＶ：Remotely Operated Vechicle）の自動制御方法に係わる技術が開示されている。このＲＯＶの自動制御方法は、例えば水面近くを潜水するＲＯＶについて、例えば波浪による周期的な外力（ＲＯＶの位置制御における外乱）の影響を、従来から用いられていた比例積分微分制御（ＰＩＤ制御）とニューラルネットワークを用いた学習制御とを用いることにより吸収し、周期的な外乱が加えられるＲＯＶの潜水位置を一定に保持するものである。すなわち、この自動制御方法では、周期的な波浪等の外力の周波数を学習し、該学習に基づいて所定周波数の正弦波信号を出力するオシレータネットワークが設けられ、ニューロコントローラは、オシレータネットワークの出力に基づいてＲＯＶの深度を制御する。
【０００３】
【発明が解決しようとする課題】
ところで、上記ＲＯＶの自動制御方法では、オシレータネットワークから出力される正弦波に基づいて、ＲＯＶに加えられる周期的な外力の影響を吸収して深度を一定に保持するが、周期性のないランダムな外力（外乱）に対しては深度を十分に一定に制御することができないという問題点があった。
【０００４】
本発明は、上述する問題点に鑑みてなされたもので、ランダムな外力に対して潜水位置を一定に保持することが可能な潜水体及びその潜水位置制御方法を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、第１の装置的手段として、第１の操作量と第２の操作量とを加算した総操作量に基づいて潜水位置を変位させるように駆動される推進手段と、潜水の位置目標値と潜水位置を示す位置量との差に基づいて前記第１の操作量を生成出力する比例制御手段と、ニューラルネットワークの情報処理手法を用いたものであって、前記第１の操作量及び複数の時刻においてサンプリングされた潜水位置とに基づいて潜水位置の運動特性を学習し、該学習の後に、運動特性と該運動特性の目標値との差からなる評価量が最小値を取るように学習すると共に前記運動特性に基づいて第２の操作量を設定出力するネットワーク制御手段とを具備する手段が採用される。
【０００６】
第２の装置的手段として、上記第１の手段において、運動特性が潜水位置の変位速度及び変位加速度であるという手段が採用される。
【０００７】
第３の装置的手段として、上記第１または第２の手段において、ネットワーク制御手段が少なくとも３層からなる層状ネットワークからなるという手段が採用される。
【０００８】
第４の装置的手段として、上記第１ないし第３いずれかの手段において、時刻は、少なくとも現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻であるという手段が採用される。
【０００９】
第５の装置的手段として、第１の操作量と第２の操作量とを加算して総操作量を出力する加算器と、前記総操作量に基づいて潜水位置を変位させる推進手段と、前記潜水位置を検出して位置量を出力する位置検出手段と、潜水の位置目標値を設定出力する位置目標値設定手段と、潜水位置の変位速度目標値と変位加速度目標値とを設定出力する運動目標値設定手段と、前記位置量を位置目標値から減算して位置誤差量を出力する減算器と、該位置誤差量を比例積分微分演算して前記第１の操作量を出力する比例制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻における前記位置量から前記位置目標値を減算した現在位置変位量及び過去時刻における前記位置量から前記位置目標値を減算した過去位置変位量並びに最終操作量を入力とし、かつ該各入力に所定の推測結合係数を乗算して未来時刻における潜水位置の推測変位速度と推測変位加速度とを出力すると共に、前記推測変位速度と現在時刻における潜水位置の変位速度との差及び前記推測変位加速度と現在時刻における潜水位置の変位加速度のと差からなる評価量が最小値を取るように前記推測結合係数の設定を学習し、該学習の後に、前記位置量から求められる潜水位置の変位速度と前記変位速度目標値との差及び該変位速度から求められる潜水位置の変位加速度と前記変位加速度目標値との差からなる誤差信号を出力する第１のネットワーク制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻及び過去時刻における前記変位速度を入力とし、該各入力に所定の制御結合係数を乗算して前記第２の操作量を出力すると共に、前記誤差信号が最小値を取るように前記制御結合重みの設定を学習する第２のネットワーク制御手段とを具備する手段が採用される。
【００１０】
第６の装置的手段として、上記第１ないし第５いずれかの手段において、潜水位置が潜水深度であるという手段が採用される。
【００１１】
第１の方法的手段として、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値と複数の時刻においてサンプリングされた潜水位置との差に基づいて潜水体の運動特性を学習し、該学習の後に、前記運動特性と該運動特性の目標値との差からなる誤差信号を生成し、前記運動特性に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記運動特性に基づく第２の操作量の生成を学習するという手段が採用される。
【００１２】
第２の方法的手段として、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値に対する現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻においてサンプリングされた潜水位置の差に基づいて潜水体の運動特性を学習し、
該学習の後に、潜水位置の変位速度と該変位速度に対する変位速度目標値との差及び潜水位置の変位加速度と該変位加速度に対する変位加速度目標値との差からなる誤差信号を生成し、
前記現在時刻と第１の過去時刻と第２の過去時刻における変位速度に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記変位速度に基づく第２の操作量の生成を学習するという手段が採用される。
【００１３】
【発明の実施の形態】
以下、図面を参照して、本発明に係わる潜水体の制御方法の一実施形態について説明する。
【００１４】
図２は、本実施形態において制御対象となる潜水体の外観構成を示す図であり、このうち（ａ）は側面図、（ｂ）は底面図である。この図において、符号１は海等の水中を潜水する有索式無人潜水機（以下、ＲＯＶという）であり、ケーブルＢを介して海上に停泊する母船（図示略）に接続される。該ＲＯＶ１は、該ケーブルＢを介して母船から電力の供給を受けると共に、潜水航行に係わる各種指示信号を受信するように構成され、該指示信号に従って海中における各種作業を行う。
【００１５】
このＲＯＶ１には、上下方向（潜水深度方向）に推進するための３基のスラスタ（推進手段）２と前後に推進するための２基のスラスタ３と左右方向に転換するための１基のスラスタ４が設けられる。これら各クラスタ２，３，４は、正逆転モータ５によってそれぞれ駆動される。ＲＯＶ１の上部前方には潜水深度を検出する深度センサ６が設けられ、上部中央には海中に音を発するピンガ７が設けられる。上記母船は、このピンガ７から発せられた音を３点計測することにより潜水中のＲＯＶ１の位置を検出する。
【００１６】
また、ＲＯＶ１には、例えばＴＶカメラを備えており、該ＴＶカメラによって撮影した作業映像をケーブルＢを介して母船に伝送する。母船は、該作業映像に基づいて種々の海中作業に係わる指示信号をＲＯＶ１に与える。
【００１７】
このように構成されたＲＯＶ１が海面に近い所で作業を行う場合、該ＲＯＶ１には、例えば海面に生じる波浪の揺動や海流の影響によってランダムな上下動や前後左右の横揺れ等が外力（外乱）として加わえられる。
【００１８】
続いて、図１は、上記ＲＯＶ１における潜水深度の制御系統を示すブロック図である。この図において、符号１０は深度目標値設定手段であり、ＲＯＶ１の潜水の深度目標値（位置目標値）Ｒsを設定して減算器１１及び後述するネットワーク制御手段１２に出力する。減算器１１は、上記深度目標値Ｒsから上記深度センサ６の出力であり現在時刻ｔにおけるＲＯＶ１の潜水深度を示す深度量（位置量）Ｚ（ｔ）を減算して深度誤差信号Ｇ（ｔ）を生成し、ＰＩＤコントローラ（比例制御手段）１３に出力する。
【００１９】
ＰＩＤコントローラ１３は、深度誤差信号Ｇ（ｔ）を所定単位時間毎にサンプリングして得られるサンプル値に基づいて、例えばスラスタ２を駆動するモータ５の回転数等を示す操作量（第１の操作量）Ｕpid（ｔ）を生成して加算器１４に出力する。 加算器１４は、操作量Ｕpid（ｔ）と後述するネットワーク制御手段１２から入力される操作量（第２の操作量）Ｕnn（ｔ）とを加算し、総操作量Ｕ0（ｔ）としてスラスタ２及びネットワーク制御手段１２に出力する。
【００２０】
スラスタ２は、該総操作量Ｕ0（ｔ）に基づいて駆動されてＲＯＶ１の潜水深度を変位させる。同時に、深度センサ６は、このＲＯＶ１の潜水深度の変位を検出し、上記深度量Ｚ（ｔ）として減算器１１及びネットワーク制御手段１２に出力する。
【００２１】
ネットワーク制御手段１２は、ニューラルネットワーク形式の情報処理を行うものであり、一定の学習によって入出力特性が決定される制御手段である。
【００２２】
符号２０は減算器であり、上記深度量Ｚ（ｔ）から深度目標値Ｒsを減算して現在深度変位量（現在位置変位量）Ｈ（ｔ）を算出し、フォワードモデルネットワーク（第１のネットワーク制御手段）２１及び遅延手段（Ｄ）２２に出力する。遅延手段２２は、現在深度変位量Ｈ（ｔ）を単位時間△ｔだけ遅延させてフォワードモデルネットワーク２１及び遅延手段（Ｄ）２３に出力する。遅延手段２３は、遅延手段２２の出力を単位時間△ｔだけ遅延させてフォワードモデルネットワーク２１に出力する。
【００２３】
すなわち、フォワードモデルネットワーク２１には、現在時刻ｔにおいて減算器２０から現在深度変位量Ｈ（ｔ）が入力され、同時に、現在時刻ｔから単位時間△ｔだけ過去の時刻（第１の過去時刻）（ｔ−△ｔ）における過去深度変位量（過去位置変位量）Ｈ（ｔ−△ｔ）が遅延手段２２から入力されると共に、時刻（ｔ−△ｔ）からさらに単位時間△ｔだけ過去の時刻（第２の過去時刻）（ｔ−２△ｔ）における過去深度変位量（過去位置変位量）Ｈ（ｔ−２△ｔ）が遅延手段２３から入力される。
【００２４】
図３（ａ）は、フォワードモデルネットワーク２１の構成図である。この図に示すように、フォワードモデルネットワーク２１は、入力層Ｉと中間層ｍと出力層ｎとからなる層状ネットワークとして形成される。入力層Ｉは、例えば４つのノードからなり、このうち第１のノードには上記総操作量Ｕ0、第２のノードには現在深度変位量Ｈ（ｔ）、第３のノードには過去深度変位量Ｈ（ｔ−△ｔ）、第４のノードには過去深度変位量Ｈ（ｔ−２△ｔ）がそれぞれ入力される。
【００２５】
中間層ｍは、６つのノードから構成されており、この中間層ｍのノード数は当該フォワードモデルネットワーク２１がＲＯＶ１の運動特性（後述する）を適切に表現できるように設定されている。各ノードには、上記入力層Ｉに入力された総操作量Ｕ0と現在深度変位量Ｈ（ｔ）と過去深度変位量Ｈ（ｔ−△ｔ），Ｈ（ｔ−２△ｔ）に所定の結合係数（推測結合重み）を乗算した量がそれぞれ入力される。中間層ｍの各ノードは、上記入力層Ｉの各ノードから入力された量を総て加算して得られた変量ｘを以下に示すしきい値関数で処理して出力層ｎに出力する。
ｆ(ｘ)＝１/{１＋exp(−５ｘ)}−０．５ （１）
【００２６】
出力層ｎは、２つのノードからなり、該各ノードには上記中間層ｍの各ノードの出力に所定の結合係数（推測結合重み）が乗算されて入力される。該出力層ｎの第１のノードは入力量を総て加算して得られた量を上記しきい値関数（１）で処理し、現在時刻ｔから上記単位時間△ｔだけ先（未来）の時刻（ｔ＋△ｔ）における潜水深度の変位速度の推測量すなわち推測変位速度Ｖ（ｔ＋△ｔ）を減算器２４に出力する。また、出力層ｎの第２のノードは、入力量を総て加算して得られた量を上記しきい値関数（１）で処理し、上記時刻（ｔ＋△ｔ）における潜水深度の変位加速度の推測量すなわち推測変位加速度Ａ（ｔ＋△ｔ）を減算器２５に出力する。
【００２７】
一方、符号２６，２７は微分手段（Ｓ）である。微分手段２６は、上記深度量Ｚ（ｔ）を微分して現在時刻ｔにおける潜水位置の変位速度Ｖ（ｔ）を算出し、微分手段２７と上記減算器２４及び減算器２８にそれぞれ出力する。微分手段２７は、変位速度Ｖ（ｔ）を微分して潜水位置の変位加速度Ａ（ｔ）を算出し、上記減算器２５と減算器２９とに出力する。
【００２８】
ここで、上記潜水深度の変位速度及び変位加速度は、ＲＯＶ１の上記運動特性を表す量である。
【００２９】
上記減算器２４は、変位速度Ｖ（ｔ）から推測変位速度Ｖ（ｔ＋△ｔ）を減算してフォワードモデルネットワーク２１に出力し、上記減算器２５は、変位加速度Ａ（ｔ）から推測変位加速度Ａ（ｔ＋△ｔ）を減算してフォワードモデルネットワーク２１に出力する。符号３０は運動目標値設定手段であり、潜水深度の変位速度目標値Ｒvを設定して減算器２８に出力すると共に、変位加速度目標値Ｒaを設定して減算器２９に出力する。
【００３０】
減算器２８は潜水深度の変位速度目標値Ｒvから現在時刻ｔにおける実際の変位速度Ｖ（ｔ）を減算してフォワードモデルネットワーク２１に出力し、減算器２９は潜水深度の変位加速度目標値Ｒaから実際の変位加速度Ａ（ｔ）を減算してフォワードモデルネットワーク２１に出力する。
【００３１】
減算器２４，２５の各出力は、フォワードモデルネットワーク２１における上記各結合係数の設定を学習するために用いられる。また、フォワードモデルネットワーク２１は、減算器２８，２９の各出力に基づいて次の評価式から求められる誤差Ｅ1（ｔ）を用いて誤差信号を算出し、コントローラネットワーク（第２のネットワーク制御手段）３１に出力する。
Ｅ1(ｔ)＝０．５｛(Ｒv−Ｖ(ｔ))2＋(Ｒa−Ａ(ｔ))2} （２）なお、フォワードモデルネットワーク２１は、周知の誤差逆伝搬法の学習アルゴリズムに従って上記各結合係数の設定を学習する。
【００３２】
さらに、現在時刻ｔにおける上記潜水深度の変位速度Ｖ（ｔ）は、コントローラネットワーク３１と遅延手段（Ｄ）３２とに入力されるようになっている。遅延手段３２は、変位速度Ｖ（ｔ）を単位時間△ｔだけ遅延させてコントローラネットワーク３１及び遅延手段（Ｄ）３３に出力する。遅延手段３３は、遅延手段３２の出力を単位時間△ｔだけ遅延させてコントローラネットワーク３１に出力する。
【００３３】
すなわち、コントローラネットワーク３１には、現在時刻ｔにおいて微分手段２６から変位速度Ｖ（ｔ）が入力されると同時に、該現在時刻ｔから単位時間△ｔだけ過去の時刻（ｔ−△ｔ）における変位速度Ｖ（ｔ−△ｔ）が遅延手段３２から入力され、また時刻（ｔ−△ｔ）からさらに単位時間△ｔだけ過去の時刻（ｔ−２△ｔ）における変位速度Ｖ（ｔ−２△ｔ）が遅延手段３３からそれぞれ入力される。
【００３４】
図３（ｂ）は、コントローラネットワーク３１の構成図である。この図に示されるように、コントローラネットワーク３１は、上記フォワードモデルネットワーク２１と同様に入力層ｉと中間層ｊと出力層ｋとによる層状ネットワークとして構成される。入力層ｉは、例えば３つのノードからなり、このうち第１のノードには上記変位速度Ｖ（ｔ）、第２のノードには変位速度Ｖ（ｔ−△ｔ）、第３のノードには変位速度Ｖ（ｔ−２△ｔ）がそれぞれ入力され、中間層ｊの各ノードに出力される。
【００３５】
中間層ｊは、例えば６つのノードからなり、該各ノードには上記変位速度Ｖ（ｔ）と変位速度Ｖ（ｔ−△ｔ）と変位速度Ｖ（ｔ−２△ｔ）に所定の結合係数（制御結合重み）を乗算した量が入力される。中間層ｊの各ノードは、上記各入力量を総て加算して得られる量を上記しきい値関数（１）で処理して出力層ｋに出力する。
【００３６】
出力層ｋは、単一ノードからなり、該ノードには上記中間層ｊの各ノードの出力に所定の結合係数（制御結合重み）が乗算されて入力される。該出力層ｋのノードは入力量を総て加算して得られる量を上記しきい値関数（１）で処理することにより現在時刻ｔにおける上記操作量（第２の操作量）Ｕnnを生成して加算器１４に出力する。なお、コントローラネットワーク３１の上記各結合係数は、フォワードモデルネットワーク２１と同様に誤差逆伝搬法の学習アルゴリズムに従って学習され設定される。
【００３７】
次に、上記ＲＯＶ１の制御動作について説明する。
ここで、上記フォワードモデルネットワーク２１とコントローラネットワーク３１の上記各結合係数の初期値は相互にランダムかつ極めて小さな値に設定されるため、フォワードモデルネットワーク２１は一定期間の学習の結果により結合係数が最適な状態に設定されるまで上記誤差信号をコントローラネットワーク３１に出力しない。
【００３８】
また、同様に初期値がランダムかつ極めて小さな値に設定されるため、コントローラネットワーク３１は、上記フォワードモデルネットワーク２１の学習期間では操作量Ｕnnとして極めて微小な値しか出力しないので、スラスタ２は、ＲＯＶ１に波浪等によるランダムな外乱が加えられた状態で専らＰＩＤコントローラ１３によって深度制御されることとなる。
【００３９】
図４は、フォワードモデルネットワーク２１の学習期間におけるＲＯＶ１の制御系統を示すブロック図である。この期間において、フォワードモデルネットワーク２１の各結合係数は、減算器２４，２５から入力された値に基づいて、次の評価式によって求められる評価量Ｅ2（ｔ）が最小値を取るように学習される。
【００４０】
すなわち、ＲＯＶ１の現在時刻ｔにおける実際の推進深度の変位速度Ｖ（ｔ）とフォワードモデルネットワーク２１の推定によって出力された現在時刻ｔから単位時間△ｔだけ先の時刻（ｔ＋△ｔ）における潜水深度の推測変位速度Ｖ（ｔ＋△ｔ）との差、及びＲＯＶ１の実際の推進深度の変位加速度Ａ（ｔ）とフォワードモデルネットワーク２１の推定によって出力された時刻（ｔ＋△ｔ）における潜水深度の推測変位加速度Ａ（ｔ＋△ｔ）との差がそれぞれ最小値を取るように各結合係数が学習設定される。
【００４１】
この結果、フォワードモデルネットワーク２１によって推定される推測変位速度Ｖ（ｔ＋△ｔ）と推測変位加速度Ａ（ｔ＋△ｔ）とは、実際のＲＯＶの運動特性を示す変位速度Ｖ（ｔ）及び変位加速度Ａ（ｔ）に近しい値として出力され、フォワードモデルネットワーク２１は、上記ランダムな外乱が加えられた状態におけるＲＯＶ１の運動特性を学習し、該ＲＯＶ１の運動特性をモデル化したものとなる。
【００４２】
このように一定期間の学習により各結合係数が最適な値に設定されると、フォワードモデルネットワーク２１は、上記誤差信号をコントローラネットワーク３１に出力する。
【００４３】
図５はフォワードモデルネットワーク２１の学習後におけるＲＯＶ１の制御系統図である。上記評価式（２）に示した誤差Ｅ1（ｔ）に基づいてフォワードモデルネットワーク２１によって生成された誤差信号が入力されると、コントローラネットワーク３１の各結合係数は、誤差信号Ｅ1（ｔ）が最小値を取るように学習される。このコントローラネットワーク３１の学習期間では、上記フォワードモデルネットワーク２１の学習期間とは異なり、学習が進んで各結合係数が最適化されるに従って操作量Ｕnn（ｔ）がより大きな値として加算器１４に印加される状態において学習が行われる。
【００４４】
すなわち、ＲＯＶ１の潜水深度の変位速度目標値Ｒvと現在時刻ｔにおける実際の変位速度Ｖ（ｔ）との差、及び潜水深度の変位加速度目標値Ｒaと実際の変位加速度Ａ（ｔ）との差がそれぞれ最小値を取るように各結合係数が学習設定される。
【００４５】
この結果、実際のＲＯＶ１の運動特性を示す変位速度Ｖ（ｔ）が変位速度目標値Ｒvに近しい値となり、かつ変位加速度Ａ（ｔ）が変位加速度目標値Ｒaに近しい値となるように、つまり実際のＲＯＶ１の運動特性を示す変位速度Ｖ（ｔ），Ｖ（ｔ−△ｔ），Ｖ（ｔ−２△ｔ）に基づいてＲＯＶ１の深度変位を抑えるように操作量Ｕnn（ｔ）が設定される。
【００４６】
図６は、上述したようにネットワーク制御手段１２とＰＩＤコントローラ１３とによって制御した場合のＲＯＶ１の深度変動の平均二乗誤差ａとＰＩＤコントローラ１３のみによって制御した場合の平均二乗誤差ｂとを制御開始からの経過時間に対して示したものでる。この図に示すように、時間３００（ｓ）までの初期期間では平均二乗誤差ａと平均二乗誤差ｂとに殆ど差が生じないが、ネットワーク制御手段１２が十分に学習し操作量Ｕnnが次第に出力され始めると、ネットワーク制御手段１２による顕著な効果が得られることがわかる。
【００４７】
なお、上記実施形態では、ＲＯＶ１の潜水深度の制御すなわちスラスタ２の制御について説明したが、ＲＯＶ１の前後方向の位置あるいは左右方向の位置を位置センサによって検出することにより、上述した位置制御方法を用いて前後方向の位置あるいは左右方向の位置の制御すなわちスラスタ３あるいはスラスタ４の制御をも実現することが可能である。
【００４８】
【発明の効果】
以上説明したように、本発明に係わる潜水体及びその潜水位置制御方法によれば、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量と複数の時刻においてサンプリングされた潜水位置とに基づいて潜水体の運動特性を学習し、該学習の後に、前記運動特性と該運動特性の目標値との差からなる誤差信号を生成し、前記運動特性に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記運動特性に基づく第２の操作量の生成を学習するので、ランダムな外力が加えられる中で潜水位置を一定に保持することができる。
【図面の簡単な説明】
【図１】本発明に係わる潜水体及びその潜水位置制御方法の一実施形態を示すブロック図である。
【図２】本発明に係わる潜水体及びその潜水位置制御方法における潜水体の一実施形態を示す図であり、このうち（ａ）は側面図、（ｂ）は底面図である。
【図３】本発明に係わる潜水体及びその潜水位置制御方法におけるネットワーク制御手段の一実施形態を示す図であり、このうち（ａ）はフォワードモデルネットワークの構成図、（ｂ）はコントローラネットワークの構成図である。
【図４】本発明に係わる潜水体及びその潜水位置制御方法において、フォワードモデルネットワークの学習期間における潜水体の制御系統を示すブロック図である。
【図５】本発明に係わる潜水体及びその潜水位置制御方法において、フォワードモデルネットワークの学習後における潜水体の制御系統を示すブロック図である。
【図６】本発明に係わる潜水体及びその潜水位置制御方法において、ネットワーク制御手段の作用を示す説明図である。
【符号の説明】
Ｂ ケーブル
１ ＲＯＶ
２，３，４ スラスタ（推進手段）
５ モータ
６ 深度センサ（位置検出手段）
７ ピンガ
１０ 深度目標値設定手段
１１，２０，２４，２５，２８，２９ 減算器
１２ ネットワーク制御手段
１３ ＰＩＤコントローラ
１４ 加算器
２１ フォワードモデルネットワーク（第１のネットワーク制御手段）
２２，２３，３２，３３ 遅延手段
２６，２７ 微分手段
３０ 運動目標値設定手段
３１ コントローラネットワーク（第２のネットワーク制御手段）
【発明の属する技術分野】
本発明は、潜水体及びその潜水位置制御方法に係わり、特に周期性のないランダム外力（外乱）に対して潜水体の潜水位置を一定に保持する技術に関する。
【０００２】
【従来の技術】
特開平７−１８７０７２号公報には、ニューラルネットワークを用いた有索式無人潜水機（ＲＯＶ：Remotely Operated Vechicle）の自動制御方法に係わる技術が開示されている。このＲＯＶの自動制御方法は、例えば水面近くを潜水するＲＯＶについて、例えば波浪による周期的な外力（ＲＯＶの位置制御における外乱）の影響を、従来から用いられていた比例積分微分制御（ＰＩＤ制御）とニューラルネットワークを用いた学習制御とを用いることにより吸収し、周期的な外乱が加えられるＲＯＶの潜水位置を一定に保持するものである。すなわち、この自動制御方法では、周期的な波浪等の外力の周波数を学習し、該学習に基づいて所定周波数の正弦波信号を出力するオシレータネットワークが設けられ、ニューロコントローラは、オシレータネットワークの出力に基づいてＲＯＶの深度を制御する。
【０００３】
【発明が解決しようとする課題】
ところで、上記ＲＯＶの自動制御方法では、オシレータネットワークから出力される正弦波に基づいて、ＲＯＶに加えられる周期的な外力の影響を吸収して深度を一定に保持するが、周期性のないランダムな外力（外乱）に対しては深度を十分に一定に制御することができないという問題点があった。
【０００４】
本発明は、上述する問題点に鑑みてなされたもので、ランダムな外力に対して潜水位置を一定に保持することが可能な潜水体及びその潜水位置制御方法を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、第１の装置的手段として、第１の操作量と第２の操作量とを加算した総操作量に基づいて潜水位置を変位させるように駆動される推進手段と、潜水の位置目標値と潜水位置を示す位置量との差に基づいて前記第１の操作量を生成出力する比例制御手段と、ニューラルネットワークの情報処理手法を用いたものであって、前記第１の操作量及び複数の時刻においてサンプリングされた潜水位置とに基づいて潜水位置の運動特性を学習し、該学習の後に、運動特性と該運動特性の目標値との差からなる評価量が最小値を取るように学習すると共に前記運動特性に基づいて第２の操作量を設定出力するネットワーク制御手段とを具備する手段が採用される。
【０００６】
第２の装置的手段として、上記第１の手段において、運動特性が潜水位置の変位速度及び変位加速度であるという手段が採用される。
【０００７】
第３の装置的手段として、上記第１または第２の手段において、ネットワーク制御手段が少なくとも３層からなる層状ネットワークからなるという手段が採用される。
【０００８】
第４の装置的手段として、上記第１ないし第３いずれかの手段において、時刻は、少なくとも現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻であるという手段が採用される。
【０００９】
第５の装置的手段として、第１の操作量と第２の操作量とを加算して総操作量を出力する加算器と、前記総操作量に基づいて潜水位置を変位させる推進手段と、前記潜水位置を検出して位置量を出力する位置検出手段と、潜水の位置目標値を設定出力する位置目標値設定手段と、潜水位置の変位速度目標値と変位加速度目標値とを設定出力する運動目標値設定手段と、前記位置量を位置目標値から減算して位置誤差量を出力する減算器と、該位置誤差量を比例積分微分演算して前記第１の操作量を出力する比例制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻における前記位置量から前記位置目標値を減算した現在位置変位量及び過去時刻における前記位置量から前記位置目標値を減算した過去位置変位量並びに最終操作量を入力とし、かつ該各入力に所定の推測結合係数を乗算して未来時刻における潜水位置の推測変位速度と推測変位加速度とを出力すると共に、前記推測変位速度と現在時刻における潜水位置の変位速度との差及び前記推測変位加速度と現在時刻における潜水位置の変位加速度のと差からなる評価量が最小値を取るように前記推測結合係数の設定を学習し、該学習の後に、前記位置量から求められる潜水位置の変位速度と前記変位速度目標値との差及び該変位速度から求められる潜水位置の変位加速度と前記変位加速度目標値との差からなる誤差信号を出力する第１のネットワーク制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻及び過去時刻における前記変位速度を入力とし、該各入力に所定の制御結合係数を乗算して前記第２の操作量を出力すると共に、前記誤差信号が最小値を取るように前記制御結合重みの設定を学習する第２のネットワーク制御手段とを具備する手段が採用される。
【００１０】
第６の装置的手段として、上記第１ないし第５いずれかの手段において、潜水位置が潜水深度であるという手段が採用される。
【００１１】
第１の方法的手段として、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値と複数の時刻においてサンプリングされた潜水位置との差に基づいて潜水体の運動特性を学習し、該学習の後に、前記運動特性と該運動特性の目標値との差からなる誤差信号を生成し、前記運動特性に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記運動特性に基づく第２の操作量の生成を学習するという手段が採用される。
【００１２】
第２の方法的手段として、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値に対する現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻においてサンプリングされた潜水位置の差に基づいて潜水体の運動特性を学習し、
該学習の後に、潜水位置の変位速度と該変位速度に対する変位速度目標値との差及び潜水位置の変位加速度と該変位加速度に対する変位加速度目標値との差からなる誤差信号を生成し、
前記現在時刻と第１の過去時刻と第２の過去時刻における変位速度に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記変位速度に基づく第２の操作量の生成を学習するという手段が採用される。
【００１３】
【発明の実施の形態】
以下、図面を参照して、本発明に係わる潜水体の制御方法の一実施形態について説明する。
【００１４】
図２は、本実施形態において制御対象となる潜水体の外観構成を示す図であり、このうち（ａ）は側面図、（ｂ）は底面図である。この図において、符号１は海等の水中を潜水する有索式無人潜水機（以下、ＲＯＶという）であり、ケーブルＢを介して海上に停泊する母船（図示略）に接続される。該ＲＯＶ１は、該ケーブルＢを介して母船から電力の供給を受けると共に、潜水航行に係わる各種指示信号を受信するように構成され、該指示信号に従って海中における各種作業を行う。
【００１５】
このＲＯＶ１には、上下方向（潜水深度方向）に推進するための３基のスラスタ（推進手段）２と前後に推進するための２基のスラスタ３と左右方向に転換するための１基のスラスタ４が設けられる。これら各クラスタ２，３，４は、正逆転モータ５によってそれぞれ駆動される。ＲＯＶ１の上部前方には潜水深度を検出する深度センサ６が設けられ、上部中央には海中に音を発するピンガ７が設けられる。上記母船は、このピンガ７から発せられた音を３点計測することにより潜水中のＲＯＶ１の位置を検出する。
【００１６】
また、ＲＯＶ１には、例えばＴＶカメラを備えており、該ＴＶカメラによって撮影した作業映像をケーブルＢを介して母船に伝送する。母船は、該作業映像に基づいて種々の海中作業に係わる指示信号をＲＯＶ１に与える。
【００１７】
このように構成されたＲＯＶ１が海面に近い所で作業を行う場合、該ＲＯＶ１には、例えば海面に生じる波浪の揺動や海流の影響によってランダムな上下動や前後左右の横揺れ等が外力（外乱）として加わえられる。
【００１８】
続いて、図１は、上記ＲＯＶ１における潜水深度の制御系統を示すブロック図である。この図において、符号１０は深度目標値設定手段であり、ＲＯＶ１の潜水の深度目標値（位置目標値）Ｒsを設定して減算器１１及び後述するネットワーク制御手段１２に出力する。減算器１１は、上記深度目標値Ｒsから上記深度センサ６の出力であり現在時刻ｔにおけるＲＯＶ１の潜水深度を示す深度量（位置量）Ｚ（ｔ）を減算して深度誤差信号Ｇ（ｔ）を生成し、ＰＩＤコントローラ（比例制御手段）１３に出力する。
【００１９】
ＰＩＤコントローラ１３は、深度誤差信号Ｇ（ｔ）を所定単位時間毎にサンプリングして得られるサンプル値に基づいて、例えばスラスタ２を駆動するモータ５の回転数等を示す操作量（第１の操作量）Ｕpid（ｔ）を生成して加算器１４に出力する。 加算器１４は、操作量Ｕpid（ｔ）と後述するネットワーク制御手段１２から入力される操作量（第２の操作量）Ｕnn（ｔ）とを加算し、総操作量Ｕ0（ｔ）としてスラスタ２及びネットワーク制御手段１２に出力する。
【００２０】
スラスタ２は、該総操作量Ｕ0（ｔ）に基づいて駆動されてＲＯＶ１の潜水深度を変位させる。同時に、深度センサ６は、このＲＯＶ１の潜水深度の変位を検出し、上記深度量Ｚ（ｔ）として減算器１１及びネットワーク制御手段１２に出力する。
【００２１】
ネットワーク制御手段１２は、ニューラルネットワーク形式の情報処理を行うものであり、一定の学習によって入出力特性が決定される制御手段である。
【００２２】
符号２０は減算器であり、上記深度量Ｚ（ｔ）から深度目標値Ｒsを減算して現在深度変位量（現在位置変位量）Ｈ（ｔ）を算出し、フォワードモデルネットワーク（第１のネットワーク制御手段）２１及び遅延手段（Ｄ）２２に出力する。遅延手段２２は、現在深度変位量Ｈ（ｔ）を単位時間△ｔだけ遅延させてフォワードモデルネットワーク２１及び遅延手段（Ｄ）２３に出力する。遅延手段２３は、遅延手段２２の出力を単位時間△ｔだけ遅延させてフォワードモデルネットワーク２１に出力する。
【００２３】
すなわち、フォワードモデルネットワーク２１には、現在時刻ｔにおいて減算器２０から現在深度変位量Ｈ（ｔ）が入力され、同時に、現在時刻ｔから単位時間△ｔだけ過去の時刻（第１の過去時刻）（ｔ−△ｔ）における過去深度変位量（過去位置変位量）Ｈ（ｔ−△ｔ）が遅延手段２２から入力されると共に、時刻（ｔ−△ｔ）からさらに単位時間△ｔだけ過去の時刻（第２の過去時刻）（ｔ−２△ｔ）における過去深度変位量（過去位置変位量）Ｈ（ｔ−２△ｔ）が遅延手段２３から入力される。
【００２４】
図３（ａ）は、フォワードモデルネットワーク２１の構成図である。この図に示すように、フォワードモデルネットワーク２１は、入力層Ｉと中間層ｍと出力層ｎとからなる層状ネットワークとして形成される。入力層Ｉは、例えば４つのノードからなり、このうち第１のノードには上記総操作量Ｕ0、第２のノードには現在深度変位量Ｈ（ｔ）、第３のノードには過去深度変位量Ｈ（ｔ−△ｔ）、第４のノードには過去深度変位量Ｈ（ｔ−２△ｔ）がそれぞれ入力される。
【００２５】
中間層ｍは、６つのノードから構成されており、この中間層ｍのノード数は当該フォワードモデルネットワーク２１がＲＯＶ１の運動特性（後述する）を適切に表現できるように設定されている。各ノードには、上記入力層Ｉに入力された総操作量Ｕ0と現在深度変位量Ｈ（ｔ）と過去深度変位量Ｈ（ｔ−△ｔ），Ｈ（ｔ−２△ｔ）に所定の結合係数（推測結合重み）を乗算した量がそれぞれ入力される。中間層ｍの各ノードは、上記入力層Ｉの各ノードから入力された量を総て加算して得られた変量ｘを以下に示すしきい値関数で処理して出力層ｎに出力する。
ｆ(ｘ)＝１/{１＋exp(−５ｘ)}−０．５ （１）
【００２６】
出力層ｎは、２つのノードからなり、該各ノードには上記中間層ｍの各ノードの出力に所定の結合係数（推測結合重み）が乗算されて入力される。該出力層ｎの第１のノードは入力量を総て加算して得られた量を上記しきい値関数（１）で処理し、現在時刻ｔから上記単位時間△ｔだけ先（未来）の時刻（ｔ＋△ｔ）における潜水深度の変位速度の推測量すなわち推測変位速度Ｖ（ｔ＋△ｔ）を減算器２４に出力する。また、出力層ｎの第２のノードは、入力量を総て加算して得られた量を上記しきい値関数（１）で処理し、上記時刻（ｔ＋△ｔ）における潜水深度の変位加速度の推測量すなわち推測変位加速度Ａ（ｔ＋△ｔ）を減算器２５に出力する。
【００２７】
一方、符号２６，２７は微分手段（Ｓ）である。微分手段２６は、上記深度量Ｚ（ｔ）を微分して現在時刻ｔにおける潜水位置の変位速度Ｖ（ｔ）を算出し、微分手段２７と上記減算器２４及び減算器２８にそれぞれ出力する。微分手段２７は、変位速度Ｖ（ｔ）を微分して潜水位置の変位加速度Ａ（ｔ）を算出し、上記減算器２５と減算器２９とに出力する。
【００２８】
ここで、上記潜水深度の変位速度及び変位加速度は、ＲＯＶ１の上記運動特性を表す量である。
【００２９】
上記減算器２４は、変位速度Ｖ（ｔ）から推測変位速度Ｖ（ｔ＋△ｔ）を減算してフォワードモデルネットワーク２１に出力し、上記減算器２５は、変位加速度Ａ（ｔ）から推測変位加速度Ａ（ｔ＋△ｔ）を減算してフォワードモデルネットワーク２１に出力する。符号３０は運動目標値設定手段であり、潜水深度の変位速度目標値Ｒvを設定して減算器２８に出力すると共に、変位加速度目標値Ｒaを設定して減算器２９に出力する。
【００３０】
減算器２８は潜水深度の変位速度目標値Ｒvから現在時刻ｔにおける実際の変位速度Ｖ（ｔ）を減算してフォワードモデルネットワーク２１に出力し、減算器２９は潜水深度の変位加速度目標値Ｒaから実際の変位加速度Ａ（ｔ）を減算してフォワードモデルネットワーク２１に出力する。
【００３１】
減算器２４，２５の各出力は、フォワードモデルネットワーク２１における上記各結合係数の設定を学習するために用いられる。また、フォワードモデルネットワーク２１は、減算器２８，２９の各出力に基づいて次の評価式から求められる誤差Ｅ1（ｔ）を用いて誤差信号を算出し、コントローラネットワーク（第２のネットワーク制御手段）３１に出力する。
Ｅ1(ｔ)＝０．５｛(Ｒv−Ｖ(ｔ))2＋(Ｒa−Ａ(ｔ))2} （２）なお、フォワードモデルネットワーク２１は、周知の誤差逆伝搬法の学習アルゴリズムに従って上記各結合係数の設定を学習する。
【００３２】
さらに、現在時刻ｔにおける上記潜水深度の変位速度Ｖ（ｔ）は、コントローラネットワーク３１と遅延手段（Ｄ）３２とに入力されるようになっている。遅延手段３２は、変位速度Ｖ（ｔ）を単位時間△ｔだけ遅延させてコントローラネットワーク３１及び遅延手段（Ｄ）３３に出力する。遅延手段３３は、遅延手段３２の出力を単位時間△ｔだけ遅延させてコントローラネットワーク３１に出力する。
【００３３】
すなわち、コントローラネットワーク３１には、現在時刻ｔにおいて微分手段２６から変位速度Ｖ（ｔ）が入力されると同時に、該現在時刻ｔから単位時間△ｔだけ過去の時刻（ｔ−△ｔ）における変位速度Ｖ（ｔ−△ｔ）が遅延手段３２から入力され、また時刻（ｔ−△ｔ）からさらに単位時間△ｔだけ過去の時刻（ｔ−２△ｔ）における変位速度Ｖ（ｔ−２△ｔ）が遅延手段３３からそれぞれ入力される。
【００３４】
図３（ｂ）は、コントローラネットワーク３１の構成図である。この図に示されるように、コントローラネットワーク３１は、上記フォワードモデルネットワーク２１と同様に入力層ｉと中間層ｊと出力層ｋとによる層状ネットワークとして構成される。入力層ｉは、例えば３つのノードからなり、このうち第１のノードには上記変位速度Ｖ（ｔ）、第２のノードには変位速度Ｖ（ｔ−△ｔ）、第３のノードには変位速度Ｖ（ｔ−２△ｔ）がそれぞれ入力され、中間層ｊの各ノードに出力される。
【００３５】
中間層ｊは、例えば６つのノードからなり、該各ノードには上記変位速度Ｖ（ｔ）と変位速度Ｖ（ｔ−△ｔ）と変位速度Ｖ（ｔ−２△ｔ）に所定の結合係数（制御結合重み）を乗算した量が入力される。中間層ｊの各ノードは、上記各入力量を総て加算して得られる量を上記しきい値関数（１）で処理して出力層ｋに出力する。
【００３６】
出力層ｋは、単一ノードからなり、該ノードには上記中間層ｊの各ノードの出力に所定の結合係数（制御結合重み）が乗算されて入力される。該出力層ｋのノードは入力量を総て加算して得られる量を上記しきい値関数（１）で処理することにより現在時刻ｔにおける上記操作量（第２の操作量）Ｕnnを生成して加算器１４に出力する。なお、コントローラネットワーク３１の上記各結合係数は、フォワードモデルネットワーク２１と同様に誤差逆伝搬法の学習アルゴリズムに従って学習され設定される。
【００３７】
次に、上記ＲＯＶ１の制御動作について説明する。
ここで、上記フォワードモデルネットワーク２１とコントローラネットワーク３１の上記各結合係数の初期値は相互にランダムかつ極めて小さな値に設定されるため、フォワードモデルネットワーク２１は一定期間の学習の結果により結合係数が最適な状態に設定されるまで上記誤差信号をコントローラネットワーク３１に出力しない。
【００３８】
また、同様に初期値がランダムかつ極めて小さな値に設定されるため、コントローラネットワーク３１は、上記フォワードモデルネットワーク２１の学習期間では操作量Ｕnnとして極めて微小な値しか出力しないので、スラスタ２は、ＲＯＶ１に波浪等によるランダムな外乱が加えられた状態で専らＰＩＤコントローラ１３によって深度制御されることとなる。
【００３９】
図４は、フォワードモデルネットワーク２１の学習期間におけるＲＯＶ１の制御系統を示すブロック図である。この期間において、フォワードモデルネットワーク２１の各結合係数は、減算器２４，２５から入力された値に基づいて、次の評価式によって求められる評価量Ｅ2（ｔ）が最小値を取るように学習される。
すなわち、ＲＯＶ１の現在時刻ｔにおける実際の推進深度の変位速度Ｖ（ｔ）とフォワードモデルネットワーク２１の推定によって出力された現在時刻ｔから単位時間△ｔだけ先の時刻（ｔ＋△ｔ）における潜水深度の推測変位速度Ｖ（ｔ＋△ｔ）との差、及びＲＯＶ１の実際の推進深度の変位加速度Ａ（ｔ）とフォワードモデルネットワーク２１の推定によって出力された時刻（ｔ＋△ｔ）における潜水深度の推測変位加速度Ａ（ｔ＋△ｔ）との差がそれぞれ最小値を取るように各結合係数が学習設定される。
【００４１】
この結果、フォワードモデルネットワーク２１によって推定される推測変位速度Ｖ（ｔ＋△ｔ）と推測変位加速度Ａ（ｔ＋△ｔ）とは、実際のＲＯＶの運動特性を示す変位速度Ｖ（ｔ）及び変位加速度Ａ（ｔ）に近しい値として出力され、フォワードモデルネットワーク２１は、上記ランダムな外乱が加えられた状態におけるＲＯＶ１の運動特性を学習し、該ＲＯＶ１の運動特性をモデル化したものとなる。
【００４２】
このように一定期間の学習により各結合係数が最適な値に設定されると、フォワードモデルネットワーク２１は、上記誤差信号をコントローラネットワーク３１に出力する。
【００４３】
図５はフォワードモデルネットワーク２１の学習後におけるＲＯＶ１の制御系統図である。上記評価式（２）に示した誤差Ｅ1（ｔ）に基づいてフォワードモデルネットワーク２１によって生成された誤差信号が入力されると、コントローラネットワーク３１の各結合係数は、誤差信号Ｅ1（ｔ）が最小値を取るように学習される。このコントローラネットワーク３１の学習期間では、上記フォワードモデルネットワーク２１の学習期間とは異なり、学習が進んで各結合係数が最適化されるに従って操作量Ｕnn（ｔ）がより大きな値として加算器１４に印加される状態において学習が行われる。
【００４４】
すなわち、ＲＯＶ１の潜水深度の変位速度目標値Ｒvと現在時刻ｔにおける実際の変位速度Ｖ（ｔ）との差、及び潜水深度の変位加速度目標値Ｒaと実際の変位加速度Ａ（ｔ）との差がそれぞれ最小値を取るように各結合係数が学習設定される。
【００４５】
この結果、実際のＲＯＶ１の運動特性を示す変位速度Ｖ（ｔ）が変位速度目標値Ｒvに近しい値となり、かつ変位加速度Ａ（ｔ）が変位加速度目標値Ｒaに近しい値となるように、つまり実際のＲＯＶ１の運動特性を示す変位速度Ｖ（ｔ），Ｖ（ｔ−△ｔ），Ｖ（ｔ−２△ｔ）に基づいてＲＯＶ１の深度変位を抑えるように操作量Ｕnn（ｔ）が設定される。
【００４６】
図６は、上述したようにネットワーク制御手段１２とＰＩＤコントローラ１３とによって制御した場合のＲＯＶ１の深度変動の平均二乗誤差ａとＰＩＤコントローラ１３のみによって制御した場合の平均二乗誤差ｂとを制御開始からの経過時間に対して示したものでる。この図に示すように、時間３００（ｓ）までの初期期間では平均二乗誤差ａと平均二乗誤差ｂとに殆ど差が生じないが、ネットワーク制御手段１２が十分に学習し操作量Ｕnnが次第に出力され始めると、ネットワーク制御手段１２による顕著な効果が得られることがわかる。
【００４７】
なお、上記実施形態では、ＲＯＶ１の潜水深度の制御すなわちスラスタ２の制御について説明したが、ＲＯＶ１の前後方向の位置あるいは左右方向の位置を位置センサによって検出することにより、上述した位置制御方法を用いて前後方向の位置あるいは左右方向の位置の制御すなわちスラスタ３あるいはスラスタ４の制御をも実現することが可能である。
【００４８】
【発明の効果】
以上説明したように、本発明に係わる潜水体及びその潜水位置制御方法によれば、実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量と複数の時刻においてサンプリングされた潜水位置とに基づいて潜水体の運動特性を学習し、該学習の後に、前記運動特性と該運動特性の目標値との差からなる誤差信号を生成し、前記運動特性に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記運動特性に基づく第２の操作量の生成を学習するので、ランダムな外力が加えられる中で潜水位置を一定に保持することができる。
【図面の簡単な説明】
【図１】本発明に係わる潜水体及びその潜水位置制御方法の一実施形態を示すブロック図である。
【図２】本発明に係わる潜水体及びその潜水位置制御方法における潜水体の一実施形態を示す図であり、このうち（ａ）は側面図、（ｂ）は底面図である。
【図３】本発明に係わる潜水体及びその潜水位置制御方法におけるネットワーク制御手段の一実施形態を示す図であり、このうち（ａ）はフォワードモデルネットワークの構成図、（ｂ）はコントローラネットワークの構成図である。
【図４】本発明に係わる潜水体及びその潜水位置制御方法において、フォワードモデルネットワークの学習期間における潜水体の制御系統を示すブロック図である。
【図５】本発明に係わる潜水体及びその潜水位置制御方法において、フォワードモデルネットワークの学習後における潜水体の制御系統を示すブロック図である。
【図６】本発明に係わる潜水体及びその潜水位置制御方法において、ネットワーク制御手段の作用を示す説明図である。
【符号の説明】
Ｂ ケーブル
１ ＲＯＶ
２，３，４ スラスタ（推進手段）
５ モータ
６ 深度センサ（位置検出手段）
７ ピンガ
１０ 深度目標値設定手段
１１，２０，２４，２５，２８，２９ 減算器
１２ ネットワーク制御手段
１３ ＰＩＤコントローラ
１４ 加算器
２１ フォワードモデルネットワーク（第１のネットワーク制御手段）
２２，２３，３２，３３ 遅延手段
２６，２７ 微分手段
３０ 運動目標値設定手段
３１ コントローラネットワーク（第２のネットワーク制御手段）
Claims (8)
- 第１の操作量と第２の操作量とを加算した総操作量に基づいて潜水位置を変位させるように駆動される推進手段と、
潜水の位置目標値と潜水位置を示す位置量との差に基づいて前記第１の操作量を生成出力する比例制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、前記第１の操作量及び複数の時刻においてサンプリングされた潜水位置とに基づいて潜水位置の運動特性を学習し、複数の時刻においてサンプリングされた潜水位置の変位速度に基づいて前記運動特性と該運動特性の目標値との差からなる評価量が最小値を取るように学習することにより第２の操作量を出力するネットワーク制御手段と、
を具備することを特徴とする潜水体。 - 運動特性は、潜水位置の変位速度及び変位加速度であることを特徴とする請求項１記載の潜水体。
- ネットワーク制御手段は、少なくとも３層からなる層状ネットワークからなることを特徴とする請求項１または２記載の潜水体。
- 時刻は、少なくとも現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻であることを特徴とする請求項１ないし３いずれかに記載の潜水体。
- 第１の操作量と第２の操作量とを加算して総操作量を出力する加算器と、
前記総操作量に基づいて潜水位置を変位させる推進手段と、
前記潜水位置を検出して位置量を出力する位置検出手段と、
潜水の位置目標値を設定出力する位置目標値設定手段と、
潜水位置の変位速度目標値と変位加速度目標値とを設定出力する運動目標値設定手段と、
前記位置量を位置目標値から減算して位置誤差量を出力する減算器と、
該位置誤差量を比例積分微分演算して前記第１の操作量を出力する比例制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻における前記位置量から前記位置目標値を減算した現在位置変位量及び過去時刻における前記位置量から前記位置目標値を減算した過去位置変位量並びに最終操作量を入力とし、かつ該各入力に所定の推測結合係数を乗算して未来時刻における潜水位置の推測変位速度と推測変位加速度とを出力すると共に、前記推測変位速度と現在時刻における潜水位置の変位速度との差及び前記推測変位加速度と現在時刻における潜水位置の変位加速度のと差からなる評価量が最小値を取るように前記推測結合係数の設定を学習し、該学習の後に、前記位置量から求められる潜水位置の変位速度と前記変位速度目標値との差及び該変位速度から求められる潜水位置の変位加速度と前記変位加速度目標値との差からなる誤差信号を出力する第１のネットワーク制御手段と、
ニューラルネットワークの情報処理手法を用いたものであって、現在時刻及び過去時刻における前記変位速度を入力とし、該各入力に所定の制御結合係数を乗算して前記第２の操作量を出力すると共に、前記誤差信号が最小値を取るように前記制御結合重みの設定を学習する第２のネットワーク制御手段と、
を具備することを特徴とする潜水体。 - 潜水位置は、潜水深度であることを特徴とする請求項１ないし５いずれかに記載の潜水体。
- 実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値と複数の時刻においてサンプリングされた潜水位置との差に基づいて潜水体の運動特性を学習し、
該学習の後に、前記運動特性と該運動特性の目標値との差からなる誤差信号を生成し、
前記運動特性に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記運動特性に基づく第２の操作量の生成を学習する、
ことを特徴とする潜水体の位置制御方法。 - 実際の潜水位置と潜水の位置目標値との差から生成される第１の操作量に基づいて潜水体が比例制御される状態において、該第１の操作量及び前記位置目標値に対する現在時刻と該現在時刻から所定の単位時間前の第１の過去時刻と該第１の過去時刻から前記単位時間前の第２の過去時刻においてサンプリングされた潜水位置の差に基づいて潜水体の運動特性を学習し、
該学習の後に、潜水位置の変位速度と該変位速度に対する変位速度目標値との差及び潜水位置の変位加速度と該変位加速度に対する変位加速度目標値との差からなる誤差信号を生成し、
前記現在時刻と第１の過去時刻と第２の過去時刻における変位速度に基づいて第２の操作量を生成して前記第１の操作量に加算すると共に、前記誤差信号が最小値を取るように前記変位速度に基づく第２の操作量の生成を学習する、
ことを特徴とする潜水体の位置制御方法。
Priority Applications (8)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11285596A JP3765122B2 (ja) | 1996-05-07 | 1996-05-07 | 潜水体及びその潜水位置制御方法 |
| DE69632823T DE69632823T2 (de) | 1996-05-07 | 1996-12-19 | Getauchter körper unf verfahren zum regeln der tauchposition desselben |
| EP96942571A EP0838393B1 (en) | 1996-05-07 | 1996-12-19 | Submerged body and method of controlling submersion position of the same |
| CA002226117A CA2226117C (en) | 1996-05-07 | 1996-12-19 | Submersible unit and diving position control method therefor |
| US09/000,189 US6016763A (en) | 1996-05-07 | 1996-12-19 | Submersible unit and diving position control method therefor |
| PCT/JP1996/003697 WO1997042075A1 (fr) | 1996-05-07 | 1996-12-19 | Corps immerge et procede servant a commander sa position d'immersion |
| KR1019970709625A KR100290982B1 (ko) | 1996-05-07 | 1996-12-19 | 잠수체및그잠수위치제어방법 |
| NO19980041A NO319898B1 (no) | 1996-05-07 | 1998-01-05 | Neddykkbar enhet og tilhorende styringsmetode for dykkeposisjon |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11285596A JP3765122B2 (ja) | 1996-05-07 | 1996-05-07 | 潜水体及びその潜水位置制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09295599A JPH09295599A (ja) | 1997-11-18 |
| JP3765122B2 true JP3765122B2 (ja) | 2006-04-12 |
Family
ID=14597228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11285596A Expired - Fee Related JP3765122B2 (ja) | 1996-05-07 | 1996-05-07 | 潜水体及びその潜水位置制御方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US6016763A (ja) |
| EP (1) | EP0838393B1 (ja) |
| JP (1) | JP3765122B2 (ja) |
| KR (1) | KR100290982B1 (ja) |
| CA (1) | CA2226117C (ja) |
| DE (1) | DE69632823T2 (ja) |
| NO (1) | NO319898B1 (ja) |
| WO (1) | WO1997042075A1 (ja) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6450112B1 (en) * | 1999-04-02 | 2002-09-17 | Nautronix, Inc. | Vessel control force allocation optimization |
| US6376831B1 (en) * | 2000-02-24 | 2002-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimating conditions on submerged surfaces of seawater vessels |
| EA004201B1 (ru) | 2000-03-20 | 2004-02-26 | Франсуа Бернар | Устройство для размещения груза в заданном положении под водой с повышенной точностью и способ управления таким устройством |
| DE102004062124B3 (de) * | 2004-12-23 | 2006-06-22 | Atlas Elektronik Gmbh | Einrichtung und Verfahren zum Tracken eines Unterwasserfahrzeugs |
| GB2444259B (en) * | 2006-11-29 | 2011-03-02 | Rotech Holdings Ltd | Improvements in and relating to underwater excavation apparatus |
| US20100139130A1 (en) * | 2008-12-08 | 2010-06-10 | Wagenaar Dirk C | Underwater Excavation Tool |
| 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 |
| KR101643193B1 (ko) * | 2015-04-17 | 2016-07-27 | 한화탈레스 주식회사 | 질량 이동을 이용한 수중 운동체 |
| CN105404303B (zh) * | 2015-12-28 | 2018-04-10 | 河海大学常州校区 | 一种rov水下机器人的运动控制方法 |
| CN105652878B (zh) * | 2016-03-28 | 2018-08-24 | 中国船舶重工集团公司第七一〇研究所 | 一种多推进器结合的水下目标低速抵近与悬停潜航体 |
| US10352705B2 (en) * | 2016-10-31 | 2019-07-16 | Deepblu Inc. | Positioning method for obtaining at least one underwater position of a positioning system |
| US20200073393A1 (en) * | 2018-08-29 | 2020-03-05 | National Geographic Society | Apparatus, system and method for a buoyancy-controlled lagrangian camera platform |
| KR102623952B1 (ko) * | 2018-12-18 | 2024-01-10 | 한국전기연구원 | 선수각 제어 방법 |
| CN111428858A (zh) * | 2020-03-04 | 2020-07-17 | 东软睿驰汽车技术（沈阳）有限公司 | 样本数量的确定方法、装置、电子设备及存储介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US2969033A (en) * | 1952-10-15 | 1961-01-24 | Sperry Rand Corp | Automatic depth control system |
| US3003450A (en) * | 1956-10-15 | 1961-10-10 | Sperry Rand Corp | Elevational control system for navigable craft |
| US3635183A (en) * | 1970-02-09 | 1972-01-18 | Sperry Rand Corp | Remotely controlled unmanned submersible vehicle |
| US3807341A (en) * | 1971-08-09 | 1974-04-30 | Continental Oil Co | Stabilizing method and apparatus for a submersible tow |
| FR2380941A1 (fr) * | 1977-02-17 | 1978-09-15 | Bastide Paul | Engin sous-marin auxiliaire pour travaux oceaniques |
| US5014219A (en) * | 1988-05-06 | 1991-05-07 | White James A | Mask controled neural networks |
| JPH05134710A (ja) * | 1991-07-18 | 1993-06-01 | Toshiba Corp | ニユーラルネツト・フイードフオワード制御器 |
| US5396415A (en) * | 1992-01-31 | 1995-03-07 | Honeywell Inc. | Neruo-pid controller |
| JPH06107292A (ja) * | 1992-09-29 | 1994-04-19 | Mitsubishi Heavy Ind Ltd | ヘリコプタ |
| JPH06175998A (ja) * | 1992-12-07 | 1994-06-24 | Nippon Telegr & Teleph Corp <Ntt> | 時系列予測方法 |
| JP3346006B2 (ja) | 1993-12-27 | 2002-11-18 | 石川島播磨重工業株式会社 | Ｒｏｖの自動制御方法 |
| US5488589A (en) * | 1994-10-18 | 1996-01-30 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based three dimensional ocean modeler |
-
1996
- 1996-05-07 JP JP11285596A patent/JP3765122B2/ja not_active Expired - Fee Related
- 1996-12-19 EP EP96942571A patent/EP0838393B1/en not_active Expired - Lifetime
- 1996-12-19 DE DE69632823T patent/DE69632823T2/de not_active Expired - Lifetime
- 1996-12-19 CA CA002226117A patent/CA2226117C/en not_active Expired - Fee Related
- 1996-12-19 WO PCT/JP1996/003697 patent/WO1997042075A1/ja active IP Right Grant
- 1996-12-19 US US09/000,189 patent/US6016763A/en not_active Expired - Fee Related
- 1996-12-19 KR KR1019970709625A patent/KR100290982B1/ko not_active IP Right Cessation
-
1998
- 1998-01-05 NO NO19980041A patent/NO319898B1/no not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| CA2226117A1 (en) | 1997-11-13 |
| EP0838393A4 (en) | 2001-04-11 |
| NO319898B1 (no) | 2005-09-26 |
| KR19990028310A (ko) | 1999-04-15 |
| CA2226117C (en) | 2002-01-22 |
| EP0838393B1 (en) | 2004-06-30 |
| EP0838393A1 (en) | 1998-04-29 |
| JPH09295599A (ja) | 1997-11-18 |
| NO980041D0 (no) | 1998-01-05 |
| KR100290982B1 (ko) | 2001-09-22 |
| WO1997042075A1 (fr) | 1997-11-13 |
| DE69632823D1 (de) | 2004-08-05 |
| US6016763A (en) | 2000-01-25 |
| DE69632823T2 (de) | 2005-07-07 |
| NO980041L (no) | 1998-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3765122B2 (ja) | 潜水体及びその潜水位置制御方法 | |
| Lea et al. | A comparative study of control techniques for an underwater flight vehicle | |
| Skjetne et al. | A nonlinear ship manoeuvering model: Identification and adaptive control with experiments for a model ship | |
| Fossen et al. | Nonlinear output feedback control of underwater vehicle propellers using feedback form estimated axial flow velocity | |
| WO2021103391A1 (zh) | 仿生滑翔机器海豚的滑翔深度控制方法、系统、装置 | |
| JP2017105306A (ja) | 水中航走体の経路設定方法、それを用いた水中航走体の最適制御方法及び水中航走体並びに移動体の経路設定方法 | |
| Gaskett et al. | Reinforcement learning applied to the control of an autonomous underwater vehicle | |
| CN109189083A (zh) | 一种具有垂推的低速水下航行器的定深控制方法 | |
| Wang et al. | A hybrid heading control scheme for a biomimetic underwater vehicle | |
| Noguchi et al. | Tracking omnidirectional surfaces using a low-cost autonomous underwater vehicle | |
| Gartner et al. | Hydrodynamic parameters estimation using varying forces and numerical integration fitting method | |
| JP3346006B2 (ja) | Ｒｏｖの自動制御方法 | |
| Salgado-Jiménez et al. | Control of ROVs using a model-free 2nd-order sliding mode approach | |
| Kato et al. | Control performance of autonomous underwater vehicle" Aqua Explorer 1000" for inspection of underwater cables | |
| CN115480580A (zh) | 一种基于nmpc的水下机器人路径跟踪与避障的控制方法 | |
| Tanaka et al. | Underwater vehicle localization considering the effects of its oscillation | |
| CN110837254B (zh) | 一种水翼艇纵向运动控制方法 | |
| Song et al. | Automated AUV docking control with light-field imaging | |
| CN114063442A (zh) | 一种基于神经网络船舶拖曳作业pid航向控制方法 | |
| Kamil et al. | Artificial neural network and mathematical modeling of automatic ship berthing | |
| Caccia et al. | Bottom-following for remotely operated vehicles: Algorithms and experiments | |
| Silpa-Anan et al. | Development of autonomous underwater vehicle towards visual servo control | |
| JPH0820391A (ja) | 船舶の操船システム | |
| Tanveer et al. | Linearized 1-DoF Dynamic Model of an Underwater Vehicle Using CFD | |
| Wu et al. | A hybrid control strategy based on neural network and PID for underwater robot hovering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050816 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051017 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060117 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090203 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100203 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |