人工神经网络控制器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运动的内在规律，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的控制其执行机构。系统学习、预测及ＰＩＤ各增益量利用ＧＥＳＡ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均衡系统设计及垂直面运动控制研究

针对AUV传统均衡调节系统存在难以克服的缺陷而无法实用的问题,设计了一种新型液压均衡系统。该系统主要由油箱和安装在AUV轴线上的两个油囊组成,通过调节油箱和油囊的油量来调节AUV的姿态和浮态。同时在简化AUV垂直面运动模型的基础上,构建了深度控制、纵倾控制和浮态控制模型,并基于PID和均衡系统设计了深度控制、纵倾控制和浮态控制方法。仿真结果表明在无干扰和有干扰两种情况下,设计的均衡系统能有效控制AUV的垂直面运动;建立的AUV垂直面运动控制模型符合AUV运行特性;PID控制算法适合海流干扰下的AUV均衡控制,且具有良好的控制品质。     

小型AUV动力定位建模与控制仿真

伴随着水下潜航器的进一步深入研究,AUV产品正朝着小型化、民用化的方向不断发展。以小型AUV为研究对象的水动力性能分析、路径规划、水下通信等问题成为AUV产品设计的核心所在。本文基于ITTC双参数波浪谱及漂移力计算公式,在Matlab中建立不规则波浪仿真模型,对AUV运动规律进行预测。搭建动力定位控制系统Simulink模型,基于粒子群算法优化PID控制器参数,对AUV进行定位控制研究。成功模拟小型AUV的工作水环境并搭建动力定位仿真台架,实现AUV的定位控制,为AUV水动力性能试验及动力定位系统的软硬件设计创造了条件,为小型AUV产品的设计实现奠定基础。     

高速水翼船运动姿态控制研究

针对高速水翼船运动具有快速性、高度非线性、控制复杂及传统PID自适应能力较差等特点,以高速水翼船升沉与纵倾的姿态控制为目标,提出了一种复合式前馈模糊自适应PID控制器,通过将经典PID、模糊控制及前馈控制算法结合起来,实现了对高速水翼船的快速、精确控制。以改进型高速水翼船TR3800为例,利用Matlab/Simulink对其运动控制器进行了设计和仿真研究,结果表明:复合式前馈模糊PID控制器缩短了系统调整时间、减小了系统超调量、提高了系统的实时性,与经典PID、模糊PID相比具有更强的鲁棒性能和控制效果,实现了对船体升沉与纵倾的精密控制,使其运动更为平稳,对工程实践具有重要的指导意义。     

自主水下航行器自适应S面三维轨迹跟踪的仿真验证

[目的]旨在研究非线性六自由度自主水下航行器（AUV）的轨迹跟踪问题。[方法]为此,设计三维轨迹变前视距离视线（LOS）导引律,利用李雅普诺夫稳定性判据证明此导引律的稳定性,使用设计的自适应S面控制算法对AUV的航向角、纵倾角和纵向速度进行控制。然后,以REMUS 100 AUV为例,利用Matlab软件分别对AUV的航向角、纵倾角和纵向速度控制及其空间直线、曲线轨迹跟踪进行仿真,以验证所提导引律的有效性。[结果]结果表明：对于非线性控制而言,相比于传统的S面控制,自适应S面控制可降低控制参数整定的难度,抗干扰能力更强;而且,相比于传统的LOS导引律,所提导引律可使AUV更快地跟踪上参考轨迹。[结论]所设计的轨迹跟踪控制算法能够实现对AUV的三维轨迹跟踪,并改善AUV的操纵性。     

模糊PID策略在AUV控制中的应用

由于自治水下机器人(AUV)动力学的非线性、模型参数以及海洋环境扰动的不确定性,基于常规PID控制的AUV性能通常不够理想。本文应用模糊控制对PID控制器的参数进行在线调整,从而使PID控制器具有自适应性以适应AUV工况的变化,并应用此策略为小型AUVSubzeroIII设计了自主航行控制系统,仿真结果验证了本策略的有效性。     

基于模型预测控制的无人帆船轨迹跟踪方法

[目的]面向无人帆船在水面、水下跨域异构海洋机器人的协同作业场景,提出基于模型预测控制（MPC）的无人帆船轨迹跟踪方法。[方法]针对“海鸥”号无人帆船,建立其动力学模型及运动学模型,通过分析无人帆船动力学特点及执行器约束条件,构建MPC目标函数及系统约束条件,将无人帆船的轨迹跟踪问题转化为优化问题,并利用Matlab软件开展仿真实验验证。[结果]仿真结果表明,与“帆–舵”分离的PID轨迹跟踪控制方法相比,所提出的无人帆船“帆–舵”联合MPC控制方法更便于添加约束条件,其在风向变化的情况下能以更小的轨迹跟踪误差来更快地收敛于指定轨迹,且其可以实现逆风折线航行。[结论]研究成果可为无人帆船的帆、舵控制提供新的思路,提高其轨迹跟踪能力,进一步为无人帆船与AUV的高效协同作业提供技术保障。     

多翼自治水下机器人动力学建模与姿态控制

  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。     

面向水下搜救的自主水下航行器路径跟踪控制

对自主水下航行器（AUV）在执行水下搜救任务过程中遇到的三维路径跟踪控制和定点驻停问题进行研究。在固定坐标系和机体坐标系下建立AUV的运动学模型，引入流体坐标系，设计适宜进行运动控制的三维路径跟踪控制器，并在Serret-Frenet坐标系下建立AUV的路径跟踪误差模型；基于三维视距制导律控制设计AUV的三维路径跟踪控制器，在此基础上提出一种适于水下搜救工况的AUV路径跟踪控制方法，使AUV能完成对参数化路径的跟踪和在预设目标点的驻停；同时，基于李雅普诺夫稳定性原理证明该控制器的稳定性。仿真试验结果表明，设计的控制器有效，能实现对面向水下搜救的AUV路径跟踪控制。     

基于干扰观测器的X舵AUV零纵倾变深控制

针对X舵AUV的零纵倾变深控制问题,提出一种基于非线性干扰观测器的滑模控制方法。该方法首先在AUV垂直面操纵模型的基础上,分别对深度与纵倾通道设计非线性干扰观测器,观测AUV变深时深度与纵倾双通道的耦合干扰以及未建模动态,并对其进行前馈补偿;其次,设计深度与纵倾双通道耦合控制器,通过同时对深度与纵倾进行控制减小变深过程的纵倾变化,实现AUV的零纵倾变深控制;最后,设计X舵的舵角分配算法,实现十字舵向X舵的舵角指令转化。仿真结果表明,本文提出的零纵倾变深控制算法能够有效地控制AUV完成高精度零纵倾变深航行。     

基于动态神经网络的AUV航向自适应控制

海洋环境的复杂性以及自身模型的不确定性,给自主潜航器(AUV)航向控制带来很大困难.针对AUV的特点和控制方面所存在的问题,采用了带衡量因子的动态BP神经网络控制器控制AUV的航向.理论分析和仿真结果表明,与传统的PID控制器相比,在扰动存在的情况下,神经网络控制器具有更好的自适应性和鲁棒性.     

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.     

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.     

水下航行体的改进S面运动控制器

  目的  为实现Ciscrea自主式水下航行器（AUV）的空间轨迹跟踪与艏摇控制,设计一种多输入多输出（MIMO）鲁棒控制器。  方法  采用摄动法将AUV模型中惯性矩阵的参数不确定性和二次非线性阻尼作用表述为不确定集合,通过线性分式变换（LFT）得到广义系统。针对广义系统,采用H-infinity 综合方法求解AUV的MIMO鲁棒控制器,以及结构奇异值方法分析控制器的鲁棒稳定裕度。通过MATLAB仿真,模拟AUV的三维轨迹跟踪与艏摇控制,以验证鲁棒控制器性能,并在有/无干扰的情况下对其跟踪能力进行比较。  结果  通过计算得到了稳定鲁棒控制器的结构奇异值的上、下界。结果表明,设计的鲁棒控制器可有效消除干扰信号引起的输出扰动。  结论   所提控制方法具有良好的抗干扰性能,适合用于解决AUV多自由度模型中参数不确定性和非线性问题,并可为AUV在实际海洋环境下的运动控制研究提供有益参考。     

自适应神经网络控制器用于自治式水下机器人导航

用二维的运动学模型模拟研究自治式水下机器人的导航控制系统；控制系统由函数链网络的前馈控制器和函数链网络的ＰＩＤ控制器组成。模拟结果表明，此控制系统具有良好的鲁棒性，有较强的适应环境变化的能力和抗干扰能力。     

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.