水下自主机器人航向控制算法应用研究

为了提高AUV航向控制系统的控制品质,研究基于模糊理论的参数自调整PID算法。该算法在AUV原控制器的基础上对控制器参数进行在线调整,使控制器具有了一定的自适应特性。分析模糊控制规则对控制效果的影响,提出一种基于非线性函数的尺度变换方法对模糊控制器输入数据进行处理,简化了模糊控制器输入数据的量化过程。通过湖上试验,验证了模糊PID控制算法的有效性。对比试验结果显示,改进后的算法在AUV航向控制中能够获得更好的控制效果。在大角度转向中,该控制算法的优越性明显,系统响应快,超调小,航向误差均方差小。     

积分变结构控制原理在AUV航向控制中的应用仿真

文章研究了积分变结构控制在自主水下机器人(AUV)航向控制系统中的应用,建立了AUV水平面的非线性模型,并在特定的工作点对模型进行了线性化处理,得到了AUV的控制设计线性模型.根据变结构控制理论设计了积分变结构控制器,并给出了消除抖振的方法.仿真试验验证了该设计方法的有效性.     

基于遗传算法和分数阶技术的水下机器人航向控制

[目的]自主式水下机器人(AUV)在海洋资源勘探、水下设备检修、水下搜救等领域发挥着重要作用,是探索海洋、开发海洋资源的重要工具。AUV的航向控制是其完成水下作业任务的基础。目前国内工程上多使用常规整数阶PID(比例、积分、微分)控制器进行航向控制,但该方法存在鲁棒性较差和参数整定复杂的问题。[方法]针对以上常规航向控制方法的不足,提出一种基于分数阶PID技术的航向控制器,并结合遗传算法完成控制参数自动整定,以提高控制器的实用性。分别对试凑法整定整数阶PID参数、基于遗传算法整定整数阶和分数阶PID参数的3种航向控制器进行算法仿真对比。[结果]结果表明:基于遗传算法整定分数阶PID参数的航向控制器相较于其他2个控制器,在上升时间与稳态误差基本相当的情况下超调量显著减小。[结论]说明基于遗传算法整定参数的分数阶水下机器人航向控制算法有效并具有优越性。     

基于自适应神经网络滑模控制的常压潜水装具航向控制器设计

针对常压潜水装具的航向控制,设计了基于自适应神经网络的滑模航向控制器。详细介绍了控制器的设计过程,并利用Lyapunov稳定性判据,证明了系统存在着参数不确定性、时变项和外干扰时的稳定性。通过仿真,验证了该控制器在常压潜水装具(ADS)航向控制方面具有良好的控制性能。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

船舶航向自适应神经网络鲁棒跟踪控制

针对存在不确定性和带有完全未知时变环境扰动的船舶航向非线性控制系统,将指令滤波技术和反步法相结合,设计了一种船舶航向自适应神经网络鲁棒跟踪控制器,该控制器的提出不依赖于外部扰动任何的先验信息。首先,利用神经网络补偿船舶航向非线性控制系统中的非线性项;设计自适应律在线更新神经网络权重向量和估计时变环境扰动的未知界。为了避免传统反步法中对虚拟控制律的反复求导,引入指令滤波技术,使得所设计的航向自适应神经网络跟踪控制器具有结构简单、易于工程实现的特点。理论分析表明,所设计的控制器能使船舶实际输出航向以任意期望的精度跟踪给定的参考航向,保证船舶航向闭环控制系统中所有信号一致最终有界。最后,以大连海事大学远洋实习船“育龙”轮为例进行仿真,仿真结果验证了所提控制器的有效性和鲁棒性。     

基于无模型的船舶航向跟踪控制

针对非线性船舶航向运动数学模型中存在的显著不确定性问题及其控制器输入饱和限制问题,提出一种基于Backstepping的直接自适应神经网络控制方法。采用Backstepping方法对船舶航向控制系统进行递归式设计并借助一种饱和内补偿辅助系统处理系统中的输入饱和限制问题;同时,从实际应用的角度出发,充分考虑系统中存在的显著不确定性并运用径向基神经网络对不确定性进行估计和补偿,使所设计的控制器更贴近工程应用。仿真计算结果验证了所提控制方法在船舶航向控制系统中的有效性,可实现高精度的航向保持控制。     

动态模糊神经网络在船舶航向控制器上的应用

当船舶在海湾、海峡等狭窄海域行驶时,对于船舶航向控制器的可靠性和灵活性均有较高的要求,由于船舶模型的参数受到航速和载重量的影响,因而无法保证航向控制的精确性。本文提出一种船舶模型控制与动态神经网络相结合的方法,提高船舶航向控制器的控制精度和可靠性。设计一种零稳态误差控制器对船舶航向进行控制,同时利用模糊神经网络确定闭环控制系统的极点,并用仿真证明本文提出的方法具有较高的精确性和可靠性。     

基于GD-FNN和参考模型的无人艇航向鲁棒自适应控制

为使无人艇在复杂环境干扰下能按希望要求改变航向,本文设计了一种基于广义动态模糊神经网络和参考模型的鲁棒自适应控制器.首先针对因环境干扰产生的不确定干扰项基于广义动态模糊神经网络建立了无人艇运动控制的逆动态模型,设计了模糊神经网络的自适应率以进一步调整神经网络权值,并结合无人艇运动控制模型的参考模型设计了无人艇航向鲁棒自适应控制器,然后通过Lyapunov稳定性理论,证明了基于该控制器的无人艇航向控制系统的稳定性,最后采用半物理仿真实验验证了该控制方法的有效性和准确性.     

简化的鲁棒自适应自动舵控制算法设计

为研究船舶航向非线性系统的自适应跟踪控制问题,在考虑舵机伺服系统特性的情况下,提出一种简化的鲁棒自适应神经网络动态面控制算法.采用RBF神经网络逼近模型不确定性,简化自适应参数调整方法,解决了动态面控制自适应参数过多的问题.该算法设计的控制器复杂性低且只有1个在线调整自适应参数,易于工程实现.该算法可以保证闭环信号的渐近稳定,使航向跟踪误差任意小.仿真结果验证了控制器的有效性.     

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。     

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。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

Expert S-surface control for autonomous underwater vehicles

S-surface control has proven to be an effective means for motion control of underwater autonomous vehicles （AUV）. However there are still problems maintaining steady precision of course due to the constant need to adjust parameters, especially where there are disturbing currents. Thus an intelligent integral was introduced to improve precision. An expert S-surface control was developed to tune the parameters on-line, based on the expert system, it provides S-surface control according to practical experience and control knowledge. To prevent control output over-compensation, a fuzzy neural network was included to adjust the production rules to the knowledge base. Experiments were conducted on an AUV simulation platform, and the results show that the expert S-surface controller performs better than an S-surface controller in environments with currents, producing good steady precision of course in a robust way.     

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。     

基于强化学习的自主式水下潜器障碍规避技术（英文）

Obstacle avoidance becomes a very challenging task for an autonomous underwater vehicle(AUV) in an unknown underwater environment during exploration process. Successful control in such case may be achieved using the model-based classical control techniques like PID and MPC but it required an accurate mathematical model of AUV and may fail due to parametric uncertainties, disturbance, or plant model mismatch. On the other hand, model-free reinforcement learning(RL) algorithm can be designed using actual behavior of AUV plant in an unknown environment and the learned control may not get affected by model uncertainties like a classical control approach. Unlike model-based control model-free RL based controller does not require to manually tune controller with the changing environment. A standard RL based one-step Q-learning based control can be utilized for obstacle avoidance but it has tendency to explore all possible actions at given state which may increase number of collision.Hence a modified Q-learning based control approach is proposed to deal with these problems in unknown environment.Furthermore, function approximation is utilized using neural network(NN) to overcome the continuous states and large statespace problems which arise in RL-based controller design. The proposed modified Q-learning algorithm is validated using MATLAB simulations by comparing it with standard Q-learning algorithm for single obstacle avoidance. Also, the same algorithm is utilized to deal with multiple obstacle avoidance problems.     

模糊解耦在UUV回收运动控制中的应用

在回收过程中,UUV (Unmanned Underwater Vehicle) 对水平面运动的控制精度有很高的要求。以BSA-UUV为平台,构建水平面操纵非线性方程,在此模型的基础上,分析了多阶段回收过程中的主要耦合变量和耦合原因。针对水平面运动中航向控制与横向运动之间的强耦合问题,基于模糊理论和解耦理论设计一种解耦补偿器,由模糊补偿器的输入输出隶属度函数,根据模糊补偿规则,经过模糊推理合成运算和清晰化运算,得出解耦补偿量。仿真结果显示加入模糊解耦控制器以后,有效降低了系统的超调量,提高了控制精度,表明模糊解耦控制方法在UUV回收运动控制中有很高的应用价值。     

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。     

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.     

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。