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
Application number
JP7159418A
Other languages
English (en)
Other versions
JP3629760B2 (ja
Inventor
Tadashi Oi
忠司 大井
Yoshiaki Takahashi
義明 高橋
Hideki Kidoori
秀樹 木通
Shigeki Murayama
茂樹 村山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IHI Corp
Original Assignee
IHI Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by IHI Corp filed Critical IHI Corp
Priority to JP15941895A priority Critical patent/JP3629760B2/ja
Publication of JPH092383A publication Critical patent/JPH092383A/ja
Application granted granted Critical
Publication of JP3629760B2 publication Critical patent/JP3629760B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Abstract

(57)【要約】 （修正有） 【目的】 周期的な外乱中でのＲＯＶの動きを予測し、
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

【発明の詳細な説明】
【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。
【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。
【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。
【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。
【０００５】この自動制御方法として、図１０に示すＰ
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。
【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
ることは困難であった。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【００１６】この潜水機体１０の自動制御方法を説明す
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。
【００１８】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（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。
【００１９】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，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。
【００２０】先ず、ＰＩＤコントローラ２１には、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。
【００２１】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（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。
【００２２】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。
【００２３】ＦＦＴアナライザ３０は、ＲＯＶ出力の周
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。
【００２４】この際、ＦＦＴアナライザー３０には、Ｒ
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。
【００２５】以下に制御の基本的動作を順に説明する。
【００２６】(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。
【００２７】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。
【００２８】(2) ニューロ予測モデル２２の学習 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。
【００２９】(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。
【００３０】(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。
【００３１】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。
【００３２】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。
【００３３】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。
【００３４】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。
【００３５】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。
【００３６】
【数１】
【００３７】
【数２】
【００３８】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。
【００３９】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。
【００４０】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。
【００４１】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。
【００４２】
【数３】
【００４３】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）
【００４４】
【数４】
【００４５】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。
【００４６】さて、図１に示したシステムを構成するニ
ューラルネットワークを図４で説明する。
【００４７】先ず、コントローラネットワーク２３Ｎに
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。
【００４８】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。
【００４９】
【数５】
【００５０】ここで、ｕはｕPID とｕnnを足し合わせた
値である。
【００５１】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。
【００５２】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、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。
【００５３】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。
【００５４】この場合、図５，図６に示すようなオシレ
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。
【００５５】次に、図１に示した本発明の自動制御方法
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。
【００５６】図７，図８は本発明の自動制御方法の結果
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。
【００５７】先ず従来の図１１において、（ａ）はＰＩ
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。
【００５８】また同様に本発明の図７，図８において、
（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。
【００５９】この図１１からＰＩＤコントローラのみで
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。
【００６０】これに対して本発明においては、図７
（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。
【００６１】また図８は５個のオシレータを用いてお
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。
【００６２】図９は、オシレータが５個の場合の学習前
（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。
【００６３】
【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、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。
【図面の簡単な説明】
【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。
【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。
【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。
【図５】図４のニューラルネットワークの他の構成を示
す図である。
【図６】図４のニューラルネットワークの他の構成を示
す図である。
【図７】本発明の制御方法を用いたシミュレーション結
果を示す図である。
【図８】本発明の制御方法を用いた他のシミュレーショ
ン結果を示す図である。
【図９】図８のニューラルネットワークの学習効果を示
す図である。
【図１０】従来の制御方法のブロック図である。
【図１１】従来の制御方法を用いたシミュレーション結
果を示す図である。
【符号の説明】
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 ３０ ＦＦＴアナライザー
フロントページの続き (72)発明者 木通 秀樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内 (72)発明者 村山 茂樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内

Claims (1)

    【特許請求の範囲】
  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。
JP15941895A 1995-06-26 1995-06-26 Ｒｏｖの自動制御方法 Expired - Fee Related JP3629760B2 (ja)

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 (10)

* Cited by examiner, † Cited by third party
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
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

Cited By (15)

* Cited by examiner, † Cited by third party
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
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
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
JP6343068B1 (ja) * 2017-05-15 2018-06-13 石井 昭良 海中輸送機
JP2018192850A (ja) * 2017-05-15 2018-12-06 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
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
Li et al. Robust adaptive prescribed performance control for dynamic positioning of ships under unknown disturbances and input constraints
Caccia et al. Guidance and control of a reconfigurable unmanned underwater vehicle
KR101706367B1 (ko) 과소작동기를 갖는 자율무인 이동체의 신경회로망 기반 결함포용 컨트롤 방법
US20040176860A1 (en) Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system
JP3629760B2 (ja) Ｒｏｖの自動制御方法
JP6577522B2 (ja) 制御装置及び機械学習装置
Gong et al. Lyapunov-based model predictive control trajectory tracking for an autonomous underwater vehicle with external disturbances
JP3346006B2 (ja) Ｒｏｖの自動制御方法
KR20200084010A (ko) 목표 시스템에 대한 제어 시스템 생성
Gaskett et al. Reinforcement learning applied to the control of an autonomous underwater vehicle
Liu et al. A hierarchical disturbance rejection depth tracking control of underactuated AUV with experimental verification
Yu et al. An experimental study of adaptive bounded depth control for underwater vehicles subject to thruster’s dead-zone and saturation
Tanveer et al. High fidelity modelling and GA optimized control of yaw dynamics of a custom built remotely operated unmanned underwater vehicle
NO319898B1 (no) Neddykkbar enhet og tilhorende styringsmetode for dykkeposisjon
Suitor et al. Dynamics and control of a buoyancy-driven underwater vehicle for estimating and tracking the scattering layer
JP3683890B2 (ja) 船舶等の制御装置及び方法
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
Xu et al. A multi-rate hierarchical fault-tolerant adaptive model predictive control framework: Theory and design for quadrotors
Nguyen et al. Automatic berthing control of ship using adaptive neural networks
JP3059192B2 (ja) 適応制御システム

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