JPH092383A - Rovの自動制御方法 - Google Patents
Rovの自動制御方法Info
- Publication number
- JPH092383A JPH092383A JP7159418A JP15941895A JPH092383A JP H092383 A JPH092383 A JP H092383A JP 7159418 A JP7159418 A JP 7159418A JP 15941895 A JP15941895 A JP 15941895A JP H092383 A JPH092383 A JP H092383A
- Authority
- JP
- Japan
- Prior art keywords
- rov
- disturbance
- controller
- neuro
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000009189 diving Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000000737 periodic effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
適正に制御できるROVの自動制御方法を提供する。 【構成】 深度などの潜水状態をセンサ16で検出し、
深度などの目標値に対するセンサ16の出力値の誤差よ
りPIDコントローラ21で第1の操作量UPID を決定
すると共にROV20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22で学習
してモデル化すると共にその出力をFFTアナライザー
30で解析し、これを外乱モデルとしてニューロコント
ローラ23に入力し、その後、実際のROVの深度、速
度及び加速度と目標値との偏差よりニューロ予測モデル
で誤差信号を計算し、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23の制御パラメ
ータを調整して第2の操作量Unnを決定し、第1の操作
量UPID と第2の操作量Unnを足し合わせてROV20
の最終操作量とする。
Description
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。
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。
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。
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。
ID自動制御方法があり、例えば目標値である深度をP
ID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。
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
ることは困難であった。
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。
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の自動制御方法において、ROV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RO
V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すると共に
そのROVの出力をFFTアナライザーで解析し、これ
を外乱モデルとして上記ニューロコントローラに入力
し、その後、実際のROVの深度、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の操作量を足し合わせてROVの最終操作量
とするようにしたものである。
よる制御に基づく予測モデルによる出力である深度と速
度と加速度と実際のROVの状態から得られる深度と速
度と加速度の偏差より外乱中での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R
OV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、ROVの出力をFF
Tアナライザーで解析して外乱モデルをニューロコント
ローラに入力することで、外乱に対応した制御が行え
る。
て詳述する。
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。
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。
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。
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。
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。
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。
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(RobustAdaptive Neural-net Cont
roller )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。
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,25,26,
27は加算器,28は外乱、30はFFTアナライザー
(高速フーリエ変換アナライザー)である。
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。
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(深度,速度と加
速度)をするように内部パラメータが調整される。また
誤差信号E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22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23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の外乱中での応答
を学習する。つまり、予測モデルによる深度,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の深度,速度と加速度との偏差より予測
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RO
Vの深度,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。
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。
波数成分を予め解析する。またオシレータは、外乱28
に対してROV20が最適に制御される際に、FFTア
ナライザ30が解析した周波数成分の正弦波を生成して
ニューロコントローラ23に出力29する。
OV20の出力yが入力され、これをFFTアナライザ
ー30で高速フーリエ変換して、主要な周波数成分を抽
出し、これをオシレータ24に出力することで外乱モデ
ルを作成する。
トワークの内部のパラメータには、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。
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。
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。
分に学習した後にROV出力と目標値の誤差から生成す
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。
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。
詳しく説明する。
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。
により説明する。
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。
数2に示す処理を行う要素である。
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。
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。
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。
整)は誤差逆伝搬学習アルゴリズムにより行う。ネット
ワークからの出力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を数3で評価す
る。
wijを数4により決定して重みを更新する。(最急降下
法)
新量を決定する係数である。
ューラルネットワークを図4で説明する。
は、ROV速度とオシレータ24からの周期成分(si
nωt)が入力されて、第2の操作量Unnが出力され、
ニューロ予測モデルネットワーク22N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R
OVの深度,速度,加速度の予測値を出力する。予測モ
デルネットワークは、この予測値と目標値の誤差より誤
差信号を生成する。
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。
値である。
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。
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、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。
は入力としてフィードバックされた制御対象の状態量の
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律的に周期的な出力を発生すること
ができないため、FFTアナライザ30により周波数成
分を解析し、これをオシレータ24を介して外乱の周期
成分を持つ正弦波としてコントローラ21に入力しなけ
ればならないからである。
ータエレメントの数(例えば3,5)にすることで、よ
り外乱に近い外乱モデルとすることができる。
と図10で説明した従来の制御方法でそれぞれROVの
運動モデルを制御したシミュレーション結果を説明す
る。
で、図7は、図4で説明したようにオシレータが1個の
場合、図8はオシレータが5個の場合のグラフを示し、
図11は従来のシステムの結果を示すグラフである。
Dコントローラの出力(操作量)Upid変化、(b)
はROVの深度変化、(c)はROVの速度変化、
(d)は不規則波による外力を示している。
(a)はPIDコントローラの出力(第1の操作量)U
pid変化、(b)はROVの深度変化、(c)はRO
Vの速度変化、(d)は図7では規則波による外力、図
8では不規則波による外力、(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。
は、不規則波中のROVの深度を目標値に維持すること
ができないことが分かる。
(e),図8(e)に示すようにはじめ数十秒程度、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
に少なくなって最終的に操作量がゼロ近くとなり、また
(b)に示すようにROVの深度変化も小さくなってい
ることがわかる。
り、外乱の学習に時間がかかるが、より複雑な波形の外
乱に対応することができる。
(a)と学習後(b)の深度変化をFFT解析して周波
数分布を求めたもので、データは0〜204.8sec
の深度を0.1secごとにサンプリング(個数=20
48)したものを解説したものであり、学習効果が現れ
ていることが判る。
ID制御では、外乱に対してROVを一定に制御するこ
とが困難であったが、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スシテムにより、ROVが
外乱中にあっても適確に制御することが可能となると共
に外乱を学習して外乱を打ち消すモデルを確実に生成で
き、より安定した制御が行える。
側面図、(b)は平面図を示す。
メントの詳細を示す図である。
である。
す図である。
す図である。
果を示す図である。
ン結果を示す図である。
す図である。
果を示す図である。
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の自動制御方法において、ROV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R
OV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すると共
にそのROVの出力をFFTアナライザーで解析し、こ
れを外乱モデルとして上記ニューロコントローラに入力
し、その後、実際のROVの深度,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の操作量を足し合わせてROVの最終操作量
とすることを特徴とするROVの自動制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15941895A JP3629760B2 (ja) | 1995-06-26 | 1995-06-26 | Rovの自動制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15941895A JP3629760B2 (ja) | 1995-06-26 | 1995-06-26 | Rovの自動制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH092383A true JPH092383A (ja) | 1997-01-07 |
JP3629760B2 JP3629760B2 (ja) | 2005-03-16 |
Family
ID=15693316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP15941895A Expired - Fee Related JP3629760B2 (ja) | 1995-06-26 | 1995-06-26 | Rovの自動制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3629760B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064288A (zh) * | 2012-11-23 | 2013-04-24 | 中国科学院沈阳自动化研究所 | 一种基于对转桨加鳍舵的低速auv航行控制方法 |
CN103488175A (zh) * | 2013-09-26 | 2014-01-01 | 上海海事大学 | 一种自治遥控水下机器人水下管道检测跟踪系统及检测方法 |
CN105929841A (zh) * | 2016-06-29 | 2016-09-07 | 天津深之蓝海洋设备科技有限公司 | 一种rov姿态控制方法及系统 |
CN106354144A (zh) * | 2016-12-01 | 2017-01-25 | 重庆万里高科技有限公司 | 无人船航向控制自动纠偏方法及系统 |
CN107688297A (zh) * | 2017-09-08 | 2018-02-13 | 河海大学 | 一种滑缆水下机器人的剖面运动控制方法 |
JP6343068B1 (ja) * | 2017-05-15 | 2018-06-13 | 石井 昭良 | 海中輸送機 |
JP2018125012A (ja) * | 2018-03-09 | 2018-08-09 | 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 |
CN108563234A (zh) * | 2018-05-09 | 2018-09-21 | 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 |
CN110434876A (zh) * | 2019-08-09 | 2019-11-12 | 南京工程学院 | 一种六自由度rov模拟驾驶系统及其模拟方法 |
KR20200084423A (ko) * | 2018-12-24 | 2020-07-13 | 삼성전자주식회사 | 기계 학습 기반의 로컬 모션 생성 방법 및 장치 |
CN117184382A (zh) * | 2023-11-07 | 2023-12-08 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定系统 |
-
1995
- 1995-06-26 JP JP15941895A patent/JP3629760B2/ja not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064288A (zh) * | 2012-11-23 | 2013-04-24 | 中国科学院沈阳自动化研究所 | 一种基于对转桨加鳍舵的低速auv航行控制方法 |
CN103488175A (zh) * | 2013-09-26 | 2014-01-01 | 上海海事大学 | 一种自治遥控水下机器人水下管道检测跟踪系统及检测方法 |
CN105929841A (zh) * | 2016-06-29 | 2016-09-07 | 天津深之蓝海洋设备科技有限公司 | 一种rov姿态控制方法及系统 |
CN106354144A (zh) * | 2016-12-01 | 2017-01-25 | 重庆万里高科技有限公司 | 无人船航向控制自动纠偏方法及系统 |
CN106354144B (zh) * | 2016-12-01 | 2019-03-26 | 重庆万里高科技有限公司 | 无人船航向控制自动纠偏方法及系统 |
JP2018192850A (ja) * | 2017-05-15 | 2018-12-06 | 石井 昭良 | 海中輸送機 |
JP6343068B1 (ja) * | 2017-05-15 | 2018-06-13 | 石井 昭良 | 海中輸送機 |
CN107688297A (zh) * | 2017-09-08 | 2018-02-13 | 河海大学 | 一种滑缆水下机器人的剖面运动控制方法 |
JP2018125012A (ja) * | 2018-03-09 | 2018-08-09 | 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 |
CN108563234A (zh) * | 2018-05-09 | 2018-09-21 | 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 |
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 |
KR20200084423A (ko) * | 2018-12-24 | 2020-07-13 | 삼성전자주식회사 | 기계 학습 기반의 로컬 모션 생성 방법 및 장치 |
CN110434876A (zh) * | 2019-08-09 | 2019-11-12 | 南京工程学院 | 一种六自由度rov模拟驾驶系统及其模拟方法 |
CN110434876B (zh) * | 2019-08-09 | 2024-03-22 | 南京工程学院 | 一种六自由度rov模拟驾驶系统及其模拟方法 |
CN117184382A (zh) * | 2023-11-07 | 2023-12-08 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定系统 |
CN117184382B (zh) * | 2023-11-07 | 2024-01-19 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定系统 |
Also Published As
Publication number | Publication date |
---|---|
JP3629760B2 (ja) | 2005-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Experimental study on advanced underwater robot control | |
Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
Carlucho et al. | Adaptive low-level control of autonomous underwater vehicles using deep reinforcement learning | |
Joe et al. | Second-order sliding-mode controller for autonomous underwater vehicle in the presence of unknown disturbances | |
Wang et al. | Self-adaptive recurrent neuro-fuzzy control of an autonomous underwater vehicle | |
JP3629760B2 (ja) | Rovの自動制御方法 | |
Lima et al. | Sliding mode control with gaussian process regression for underwater robots | |
US20040176860A1 (en) | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system | |
Gong et al. | Lyapunov-based model predictive control trajectory tracking for an autonomous underwater vehicle with external disturbances | |
JP6577522B2 (ja) | 制御装置及び機械学習装置 | |
CN109669345B (zh) | 基于eso的水下机器人模糊pid运动控制方法 | |
JP3346006B2 (ja) | Rovの自動制御方法 | |
KR20200084010A (ko) | 목표 시스템에 대한 제어 시스템 생성 | |
Venugopal et al. | A recurrent neural network controller and learning algorithm for the on-line learning control of autonomous underwater vehicles | |
Liu et al. | A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification | |
Xu et al. | A multi-rate hierarchical fault-tolerant adaptive model predictive control framework: Theory and design for quadrotors | |
Tanveer et al. | High fidelity modelling and GA optimized control of yaw dynamics of a custom built remotely operated unmanned underwater vehicle | |
Yu et al. | An experimental study of adaptive bounded depth control for underwater vehicles subject to thruster’s dead-zone and saturation | |
NO319898B1 (no) | Neddykkbar enhet og tilhorende styringsmetode for dykkeposisjon | |
JP3683890B2 (ja) | 船舶等の制御装置及び方法 | |
Katebi et al. | Integrated control, guidance and diagnosis for reconfigurable autonomous underwater vehicle control | |
Kim et al. | Expanded adaptive fuzzy sliding mode controller using expert knowledge and fuzzy basis function expansion for UFV depth control | |
Melo et al. | Bottom estimation and following with the MARES AUV | |
JP3059192B2 (ja) | 適応制御システム | |
Qin et al. | Autonomous control of underwater offshore vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040210 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040330 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040518 |
|
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: 20041124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041207 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071224 Year of fee payment: 3 |
|
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: 20071224 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: 20071224 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081224 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091224 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091224 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101224 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101224 Year of fee payment: 6 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101224 Year of fee payment: 6 |
|
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: 20111224 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121224 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |