基于目标规划的水下机器人模糊神经网络控制

针对水下机器人运动的精确控制问题,依据模糊逻辑和神经网络理论,提出了一种基于目标规划的模糊神经网络控制方法。根据水下机器人的运动特性构造了模糊神经网络的结构,并推导了网络权值学习的反传算法,最后以水下综合探测机器人为研究对象进行了试验研究。试验研究的结果表明,该方法结合了传统模糊控制和神经网络控制的优点,大大地提高了系统响应速度和控制精度,并且对模型的不确定性有较强的鲁棒性,能够实现水下机器人运动的精确控制,具有较高的理论和实用价值。     

基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题，提出一种基于模糊神经网络的机器人推进系统故障诊断方法，用以解决故障诊断过程中信息的不确定性问题，并提高推进系统的整体可靠性。该方法在常规神经网络基础上，引入模糊推理形成一种新型模糊神经网络结构，提出一种最小调整的模糊神经网络学习率，完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练，利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息，并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中，结果表明，基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

基于神经网络的水下机器人运动预测控制方法

将神经网络和模糊理论应用于水下机器人运动规划和控制中，提出了能实现模拟控制规则的基于强化学习的自学习和自调整的规划算法，设计了水下机器人实时运动规划器结构以及规划器操作过程，提出了基于预测模糊控制进行水下机器人运动控制的方法。在计算机仿真状态下，实现了对水下机器人这一复杂非线性系统的预测控制，仿真实验结果验证了本文所提的方法的有效性。     

水下机器人非完全回归型神经网络运动模型的研究

研究了基于神经网络建立水下机器人（ＡＵＶ）运动模型的方法,提出以非完全回归形式来表现输入输出变量的时序列影响和输出层向输入层回归的封闭式结构以实现运动模型的模拟机能,并给出了相应的训练和学习方法。此外,又提出了对输出层增加积分环节及神经网络输入输出变量进行正规化处理的方法。计算机的仿真及实际水下机器人“ＰＷ４５”的建模结果,表明本文所提出的建模方法的有效性和可行性。     

RBF网络Q-学习在水下机器人首向角锁定中的应用

水下机器人工作环境的多变性和复杂性,对其控制系统提出了鲁棒性、自适应性等更高要求。本文研究水下机器人的运动特点,在RBF神经网络的基础上阐述Q-学习在水下机器人首向角锁定中的应用,最后将其与RBF网络控制进行仿真对比,实验结果表明本文算法控制稳定、精度高。     

全海深自变形水下机器人高效运动实现机理研究

与常规水下机器人不同,全海深水下机器人面临万米的垂直剖面水深,当前全海深水下机器人的潜浮过程占据了其入水后的大部分时间,导致全海深水下机器人运动效率不高。本文通过对潜浮运动模式及低阻构形方式的分析,结合变形—变结构水下机器人的设计思想,构建了一种适应于水下水平面与垂直面的高效运动模式,提出一种面向全海深高效运动的自变形水下机器人的实现方法。在对自变形水下机器人潜浮阶段与海底直航阶段运动进行模型分析的基础上,提出基于有效工作时间的运动效率评价方法。最后结合流体仿真软件Fluent对阻力系数的辨识,对自变形水下机器人的运动效率进行评估,验证了该自变形的构形方式相较于传统回转外形构形方式在面向全海深工作环境的高效性。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

基于神经网络的水下机器人容错控制方法与实验研究

针对无人水下机器人(UUV)传感器常见故障,采用一种基于有限脉冲响应(FIR)滤波器模型的在线故障诊断方法.根据该模型的故障检测结果,提出一种基于BP神经网络模型的容错控制策略,实现水下机器人首向角的估计以及传感器信号的在线重构.将重构的信号替代故障传感器信号,实现水下机器人在线容错控制.在OUTLAND 1000 水下机器人定向控制系统中,首向角传感器(罗经)发生故障情形下,给出机器人的故障检测以及容错控制结果.     

基于连续体模型应力评估的水下机器人刚度强化设计

为了提高水下机器人设计和制造的机械强度,提出一种基于连续体模型应力评估的水下机器人刚度强化设计方法。构造水下机器人刚度强化评估的应力学结构模型,分析机器人刚度强化加工的控制约束参量,采用连续体模型应力评估方法进行水下机器人的刚度加工机械设计的荷载力学分析,实现机器人解耦构型的机构耦合度、运动灵巧度、方位特征、构件应力以及屈服强度等参量的解耦运算,得到机器人机械结构优化构型的位置正解,通过应力评估和结构解耦性设计,提高水下机器人的水下抗载荷能力和强度。仿真结果表明,采用该方法进行水下机器人刚度强化设计,机器人的机械弹性载荷较高,水下应力载荷和抗压能力得到提升,对机器人机械设计的构型优选和加工工艺改进具有较好指导价值。     

人工神经网络控制器在水下无人运载器导航中的应用

本文以水下无人运载器（AUV）绕平面圆周航行的速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习AUV运行的内在规律，预测未来一步的运行情况，并用改良的PID方式前馈与后馈相结合控制其执行机构。系统学习、预测及PID各增益量利用GESA（GuidedEvolutionarySimulatedAnnealing）全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

AUV fuzzy neural BDI

The typical BDI （belief desire intention） model of agent is not efficiently computable and the strict logic expression is not easily applicable to the AUV （autonomous underwater vehicle） domain with uncertainties. In this paper, an AUV fuzzy neural BDI model is proposed. The model is a fuzzy neural network composed of five layers ： input （ beliefs and desires）, fuzzification, commitment, fuzzy intention, and defuzzification layer. In the model, the fuzzy commitment rules and neural network are combined to form intentions from beliefs and desires. The model is demonstrated by solving PEG （pursuit-evasion game） , and the simulation result is satisfactory.     

AUV hull shape design based on desired pressure distribution

The role of autonomous underwater vehicles (AUVs) is more important in the quest to reach the deep seas today than ever before. The hull shape of the AUV can differ depending on the special mission considered for the vehicle. Therefore, different types of algorithms for the body shape design of these kinds of vehicles are being developed every day. In the current work, a new procedure has been proposed for designing the body shape of an AUV. Using this method which is based on a desired pressure distribution, it is possible to obtain the desired hull shape design. Artificial neural network algorithm has been used for this purpose. Preliminary data for training and testing of the network have been obtained from CFD simulation of the flow around the body of Hydrolab500 AUV. In this regard, pressure distribution has been evaluated around each body by changing the nose and tail profile of AUV. The results obtained from this research indicate that a body correlated to the desired pressure can be designed properly.     

水下潜器改进S面控制及控制系统仿真(英文)

S surface controllers have been proven to provide effective motion control for an autonomous underwater vehicle (AUV). However, it is difficult to adjust their control parameters manually. Choosing the optimum parameters for the controller of a particular AUV is a significant challenge. To automate the process, a modified particle swarm optimization (MPSO) algorithm was proposed. It was based on immune theory, and used a nonlinear regression strategy for inertia weight to optimize AUV control parameters. A semi-physical simulation system for the AUV was developed as a platform to verify the proposed control method, and its structure was considered. The simulation results indicated that the semi-physical simulation platform was helpful, the optimization algorithm has good local and global searching abilities, and the method can be reliably used for an AUV.     

水下智能潜器分布式控制系统设计与实现

分布式控制系统是水下管能潜器的重要部分．本文采用分层控制结构，即执行级、协调级和组织级，实现了潜器的控制系统。文中首先介绍了控制系统的组成，然后分别介绍了执行级采用神经网络实现自适应控制的方法，协调级中实现全局和局部路径规划的方法，以及组织级中基于行为分解的任务规划方法。文中给出了系统的仿真和实验结果。     

基于模糊神经网络的水下机器人局部路径规划方法

该文探讨了基于模糊神经网络理论的实时局部路径规划问题，并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法，设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。仿真实验结果验证了本文所提方法的有效性和可行性。     

机载布放式AUV入水冲击仿真研究

机载布放式AUV是利用载机运送至特定海域上空,在一定条件下通过空投方式进入水下,完成预定工作的自主水下航行器。AUV入水时会受到巨大的载荷冲击,严重时会导致机体折断、元器件失灵,甚至引起弹道失控。为此,文章采用计算流体力学(Computational Fluid Dynamics,CFD)方法对机载布放式AUV的入水冲击问题进行了数值仿真研究。对不同入水速度、不同入水角度下AUV受力过程进行了计算,得出了不同入水条件下的速度响应曲线和压力响应曲线,可为机载布放式AUV的机体结构设计和投放条件研究提供参考。