CN106338919A - 基于增强学习型智能算法的无人艇航迹跟踪控制方法 - Google Patents
基于增强学习型智能算法的无人艇航迹跟踪控制方法 Download PDFInfo
- Publication number
- CN106338919A CN106338919A CN201610987001.9A CN201610987001A CN106338919A CN 106338919 A CN106338919 A CN 106338919A CN 201610987001 A CN201610987001 A CN 201610987001A CN 106338919 A CN106338919 A CN 106338919A
- Authority
- CN
- China
- Prior art keywords
- track
- attitude
- unmanned boat
- centerdot
- usv
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供的是一种基于增强学***滑,跟踪误差小。
Description
技术领域
本发明涉及的是一种无人艇航迹跟踪控制方法,具体涉及的是一种基于增强学习型智能算法的无人艇航迹跟踪控制方法。
背景技术
无人艇(USV)是一种集自主规划,自主航行,自主完成环境感知,目标探测等功能为一体的小型水面运动平台。针对诸如水域勘察、海洋资源探测、水文地理研究、海上作业等不同任务,无人艇均需具必备航迹跟踪控制的能力。
增强学习是当今机器学习和人工智能领域研究的热点之一,当外界环境不能提供明确的训练信号,而交互式代理体必须学习最优控制动作时该算法非常有效。
发明内容
本发明的目的在于提供一种用以得到响应迅速且输出平滑的控制效果,同时不依赖于外界环境模型的基于增强学习型智能算法的无人艇航迹跟踪控制方法。
本发明的目的是这样实现的:
(1)用位置参考***测得无人艇的位置信息、用姿态参考***测得无人艇的艏向姿态信息;
(2)对获取的位置信息及姿态信息进行滤波及融合,得到无人艇的实际位置及姿态;
(3)将期望的位置及姿态与实际的位置及姿态做比较,并经过解算得到误差信号;
(4)利用Backstepping法不断反演,最终得到无人艇航迹跟踪控制***的控制律。
本发明还可以包括:
1、还包括利用近似策略迭代增强学习的智能算法进行航迹跟踪学习的过程,具体过程为:
定义五元组(S,LA,LP,R,γ),其中,S为有限或连续状态空间、LA为有限或连续行为空间、R为回报函数、LP为MDP的状态转移概率、γ为决策优化的目标函数,将MDP的状态定义为三维向量,向量元素ex,ey,分别为实际的北向位置、东向位置及艏向角同三者期望值之间的误差,Backstepping控制器采用自学习优化策略,MDP的行为定义为一系列候选的控制器参数{(K11,K21),(K12,K22),…(K1n,K2n)};
其中回报函数和目标函数定义为:
R=m|e|
|e|为路径跟随误差,m为负常数,n为加权因子,
然后,采用近似策略迭代增强学习法,解决连续空间的策略逼近与泛化问题,行为值函数Q(s,a)的逼近形式为:
其中s(x,a)为状态-行为对(x,a)的联合特征,αi为加权系数,(xi,ai)为样本点,同时确定行为值函数逼近误差的上界δ:
整个流程如下:
(1)、随机生成初始策略,确定停止条件、以及马氏决策过程在初始条件下产生的观测数据;
(2)、算法初始化,确定迭代次数;
(3)、迭代循环:
a)对当前数据集合,进行策略值函数的估计;
b)计算策略的优化与改进,并生成下一个策略;
c)生成新的数据样本;
d)返回循环;
满足条件停止。
2、所述利用Backstepping法不断反演的具体过程为:
需要控制的无人艇的控制力和艇本身的关系式为:
其中M为***的惯量矩阵,D为水动力阻尼系数矩阵,为北东坐标系和船体坐标系间的旋转变换矩阵,τ为艇的控制力,f为风浪流干扰力,为误差变量e的一阶导数,为e的二阶导数,同理为R-1的一阶导数,为ηd的一阶导数,为ηd的二阶导数;
令其中μ为待反演的控制律的输出信号,K1为给定的正定增益矩阵,并定义如下状态变量:
构造Lyapunov函数,
其中,P为正定矩阵,V1与V2为选取的李雅谱诺夫函数,且x1和x2均按指数收敛于0,经过递推得到如下的控制律:
μ=Bx2-AP-1x1-AP-1K2x2
其中K2正定对角阵,带入艇的控制力τ的表达式,得到最终的控制力输出为:
本发明针对无人艇的航迹跟踪控制问题,提出了一种基于增强学***滑的控制效果,同时不依赖于外界的环境模型。
本发明包括以下有益效果:
1、本发明引入了Backstepping法进行航迹跟踪控制器的设计,针对具有欠驱动特性的无人艇能够满足其航迹跟踪控制的要求。
2、本发明中无人艇位置及姿态的获取采用了集成位姿传感器,其精度满足航迹跟踪控制需求同时体积小巧更换方便,适应无人艇体积空间小的特点。
3、本发明所述的近似策略迭代增强学***滑,跟踪误差小。
附图说明
图1为本发明的技术方案的流程图;
图2为船舶北向的滤波值与时间关系曲线图;
图3为船舶东向的滤波值与时间关系曲线图;
图4为艏向角的滤波值与时间关系曲线图。
具体实施方式
下面结合附图举例对本发明作进一步说明。
结合图1,本发明的基于增强学习型智能算法的无人艇航迹跟踪控制,按以下步骤进行:
步骤一、获取船舶的位置和姿态参数:
用位置参考***测得无人艇的位置信息,用姿态参考***测得无人艇的艏向姿态信息;对获取的无人艇的姿态及位置信号进行滤波及时空对准,得到无人艇的精确位置及姿态;
步骤二、利用Backstepping法反演控制律:
由期望的位置及姿态与实际的位置及姿态做比较,并经过解算得到误差信号;并利用Backstepping法不断的反演,最终得到使整个无人艇航迹跟踪控制***稳定的控制律。
步骤三、基于近似策略迭代增强学习的航迹跟踪学习控制:
将控制器优化设计问题建模为Markov决策过程,学习控制成为逼近最优状态行为值函数。由初始化策略产生观测数据集合,进行策略值函数估计后生成新策略,并不断循环此过程直到满足条件学习停止。
步骤一中所述的位置参考***及姿态参考***由集成位姿传感器采集数据信息。
步骤一中所述的无人艇姿态及位置信息滤波,采用卡尔曼滤波的方式,以滤除信号中的野值及高频噪声。
步骤一中所述的无人艇姿态及位置信号时空对准的具体内容为,对获取的船舶姿态及位置信号采用曲线拟合的方式进行时间对准,并对不同坐标系下的数据进行空间对准。
利用Backstepping法反演控制律的具体过程为:
对于需要控制的无人艇,其控制力和艇本身存在如下关系式:
式中M为***的惯量矩阵,Ds为水动力阻尼系数矩阵,为北东坐标系和船体坐标系间的旋转变换矩阵,τ为艇的控制力,f为风浪流干扰力,为误差变量e的一阶导数,为e的二阶导数,同理为R-1的一阶导数,为ηd的一阶导数,为ηd的二阶导数;
令其中μ为待反演的控制律的输出信号,K1为给定的正定增益矩阵,并定义如下状态变量:
构造Lyapunov函数,
上式中,P为正定矩阵,V1,V2为选取的使***稳定的李雅谱诺夫函数,且x1和x2均按指数收敛于0,经过递推可得到如下的控制律:
μ=Bx2-AP-1x1-AP-1K2x2
其中K2正定对角阵,带入艇的控制力τ的表达式,可得到最终的控制力输出为:
利用近似策略迭代增强学习的智能算法进行航迹跟踪学习控制,具体过程为:
首先,把无人艇的航迹跟踪***的优化设计问题建模为一个Markov决策问题,以求解Markov决策过程最优值函数和最优策略为目标,通常定义为五元组(S,LA,LP,R,γ)。其中,S为有限或连续状态空间,LA为有限或连续行为空间,R为回报函数,LP为MDP的状态转移概率,γ为决策优化的目标函数。本设计中将MDP的状态定义为三维向量为实际的北东位置及艏向和期望的北东位置及艏向的误差,Backstepping控制器采用自学习优化策略,MDP的行为定义为一系列候选的控制器参数{(K11,K21),(K12,K22),…(K1n,K2n)}。
其中回报函数和目标函数定义为:
R=m|e|
|e|为路径跟随误差,m为负常数,n为加权因子。
然后,采用近似策略迭代增强学习法,解决连续空间的策略逼近与泛化问题,行为值函数Q(s,a)的逼近形式为:
其中s(x,a)为状态-行为对(x,a)的联合特征,αi为加权系数,(xi,ai)为样本点。同时确定行为值函数逼近误差的上界δ:
基于以上的分析,整个算法的流程如下:
1、随机生成初始策略,确定算法停止条件,以及马氏决策过程在初始条件下产生的观测数据。
2、算法初始化,确定迭代次数。
3、迭代循环:
a)对当前数据集合,进行策略值函数的估计。
b)计算策略的优化与改进,并生成下一个策略。
c)生成新的数据样本
d)返回循环
满足条件算法停止。
Claims (3)
1.一种基于增强学习型智能算法的无人艇航迹跟踪控制方法,其特征是:
(1)用位置参考***测得无人艇的位置信息、用姿态参考***测得无人艇的艏向姿态信息;
(2)对获取的位置信息及姿态信息进行滤波及融合,得到无人艇的实际位置及姿态;
(3)将期望的位置及姿态与实际的位置及姿态做比较,并经过解算得到误差信号;
(4)利用Backstepping法不断反演,最终得到无人艇航迹跟踪控制***的控制律。
2.根据权利要求1所述的基于增强学习型智能算法的无人艇航迹跟踪控制方法,控制律生成过程中还包括利用近似策略迭代增强学习的智能算法进行航迹跟踪学习的过程,具体过程为:
定义五元组(S,LA,LP,R,γ),其中,S为有限或连续状态空间、LA为有限或连续行为空间、R为回报函数、LP为MDP的状态转移概率、γ为决策优化的目标函数,将MDP的状态定义为三维向量向量元素ex,ey,分别为实际的北向位置、东向位置及艏向角同三者期望值之间的误差,Backstepping控制器采用自学习优化策略,MDP的行为定义为一系列候选的控制器参数{(K11,K21),(K12,K22),…(K1n,K2n)};
其中回报函数和目标函数定义为:
R=m|e|
|e|为路径跟随误差,m为负常数,n为加权因子,
然后,采用近似策略迭代增强学习法,解决连续空间的策略逼近与泛化问题,行为值函数Q(s,a)的逼近形式为:
其中s(x,a)为状态-行为对(x,a)的联合特征,αi为加权系数,(xi,ai)为样本点,同时确定行为值函数逼近误差的上界δ:
整个流程如下:
(1)、随机生成初始策略,确定停止条件、以及马氏决策过程在初始条件下产生的观测数据;
(2)、算法初始化,确定迭代次数;
(3)、迭代循环:
a)对当前数据集合,进行策略值函数的估计;
b)计算策略的优化与改进,并生成下一个策略;
c)生成新的数据样本;
d)返回循环;
满足条件停止。
3.根据权利要求1或2所述的基于增强学习型智能算法的无人艇航迹跟踪控制方法,所述利用Backstepping法不断反演的具体过程为:
需要控制的无人艇的控制力和艇本身的关系式为:
其中M为***的惯量矩阵,D为水动力阻尼系数矩阵,为北东坐标系和船体坐标系间的旋转变换矩阵,τ为艇的控制力,f为风浪流干扰力,为误差变量e的一阶导数,为e的二阶导数,同理为R-1的一阶导数,为ηd的一阶导数,为ηd的二阶导数;
令其中μ为待反演的控制律的输出信号,K1为给定的正定增益矩阵,并定义如下状态变量:
构造Lyapunov函数,
其中,P为正定矩阵,V1与V2为选取的李雅谱诺夫函数,且x1和x2均按指数收敛于0,经过递推得到如下的控制律:
μ=Bx2-AP-1x1-AP-1K2x2
其中K2正定对角阵,带入艇的控制力τ的表达式,得到最终的控制力输出为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610987001.9A CN106338919B (zh) | 2016-11-02 | 2016-11-02 | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610987001.9A CN106338919B (zh) | 2016-11-02 | 2016-11-02 | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106338919A true CN106338919A (zh) | 2017-01-18 |
CN106338919B CN106338919B (zh) | 2019-04-19 |
Family
ID=57841716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610987001.9A Active CN106338919B (zh) | 2016-11-02 | 2016-11-02 | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106338919B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN107480722A (zh) * | 2017-08-22 | 2017-12-15 | 中国人民解放军海军航空工程学院 | 基于归纳式一致性多类分类的目标行为模式在线分类方法 |
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN109143859A (zh) * | 2018-08-29 | 2019-01-04 | 首都师范大学 | 一种基于非线性输出反馈***的自适应一致性控制方法 |
CN109285180A (zh) * | 2018-08-31 | 2019-01-29 | 电子科技大学 | 一种3d的道路车辆跟踪方法 |
CN109919950A (zh) * | 2019-03-12 | 2019-06-21 | 哈尔滨工程大学 | 一种基于遗传神经网络的无人艇水面目标图像识别方法 |
CN110109355A (zh) * | 2019-04-29 | 2019-08-09 | 山东科技大学 | 一种基于强化学习的无人艇异常工况自愈控制方法 |
CN110377036A (zh) * | 2019-07-09 | 2019-10-25 | 哈尔滨工程大学 | 一种基于指令约束的无人水面艇航迹跟踪固定时间控制方法 |
CN110703792A (zh) * | 2019-11-07 | 2020-01-17 | 江苏科技大学 | 基于增强学习的水下机器人姿态控制方法 |
CN113581388A (zh) * | 2021-08-30 | 2021-11-02 | 广东工业大学 | 一种环保作业的无人艇控制方法及应用其的无人艇*** |
CN114326408A (zh) * | 2022-01-06 | 2022-04-12 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
CN117527570A (zh) * | 2023-12-18 | 2024-02-06 | 无锡北微传感科技有限公司 | 基于边缘强化学习的传感器集群位置优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103381826A (zh) * | 2013-07-31 | 2013-11-06 | 中国人民解放军国防科学技术大学 | 基于近似策略迭代的自适应巡航控制方法 |
CN103399488A (zh) * | 2013-07-31 | 2013-11-20 | 中国人民解放军国防科学技术大学 | 基于自学习的多模型控制方法 |
CN103592846A (zh) * | 2013-11-07 | 2014-02-19 | 哈尔滨工程大学 | 基于自适应模糊估计器的滤波反步船舶运动控制*** |
CN103955218A (zh) * | 2014-04-28 | 2014-07-30 | 上海大学 | 一种基于非线性控制理论的无人艇轨迹跟踪控制装置及方法 |
CN104635773A (zh) * | 2015-01-13 | 2015-05-20 | 哈尔滨工程大学 | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 |
CN105929825A (zh) * | 2016-05-16 | 2016-09-07 | 哈尔滨工程大学 | 一种基于神经动态模型的船舶动力定位反步控制方法 |
-
2016
- 2016-11-02 CN CN201610987001.9A patent/CN106338919B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103381826A (zh) * | 2013-07-31 | 2013-11-06 | 中国人民解放军国防科学技术大学 | 基于近似策略迭代的自适应巡航控制方法 |
CN103399488A (zh) * | 2013-07-31 | 2013-11-20 | 中国人民解放军国防科学技术大学 | 基于自学习的多模型控制方法 |
CN103592846A (zh) * | 2013-11-07 | 2014-02-19 | 哈尔滨工程大学 | 基于自适应模糊估计器的滤波反步船舶运动控制*** |
CN103955218A (zh) * | 2014-04-28 | 2014-07-30 | 上海大学 | 一种基于非线性控制理论的无人艇轨迹跟踪控制装置及方法 |
CN104635773A (zh) * | 2015-01-13 | 2015-05-20 | 哈尔滨工程大学 | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 |
CN105929825A (zh) * | 2016-05-16 | 2016-09-07 | 哈尔滨工程大学 | 一种基于神经动态模型的船舶动力定位反步控制方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255923B (zh) * | 2017-06-14 | 2020-04-03 | 哈尔滨工程大学 | 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
CN107255923A (zh) * | 2017-06-14 | 2017-10-17 | 哈尔滨工程大学 | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 |
CN107346138A (zh) * | 2017-06-16 | 2017-11-14 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN107346138B (zh) * | 2017-06-16 | 2020-05-05 | 武汉理工大学 | 一种基于增强学习算法的无人船侧向控制方法 |
CN107480722A (zh) * | 2017-08-22 | 2017-12-15 | 中国人民解放军海军航空工程学院 | 基于归纳式一致性多类分类的目标行为模式在线分类方法 |
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN108459503B (zh) * | 2018-02-28 | 2021-03-30 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN109143859A (zh) * | 2018-08-29 | 2019-01-04 | 首都师范大学 | 一种基于非线性输出反馈***的自适应一致性控制方法 |
CN109143859B (zh) * | 2018-08-29 | 2021-05-28 | 首都师范大学 | 一种基于非线性输出反馈***的自适应一致性控制方法 |
CN109285180A (zh) * | 2018-08-31 | 2019-01-29 | 电子科技大学 | 一种3d的道路车辆跟踪方法 |
CN109285180B (zh) * | 2018-08-31 | 2021-09-24 | 电子科技大学 | 一种3d的道路车辆跟踪方法 |
CN109919950A (zh) * | 2019-03-12 | 2019-06-21 | 哈尔滨工程大学 | 一种基于遗传神经网络的无人艇水面目标图像识别方法 |
CN110109355A (zh) * | 2019-04-29 | 2019-08-09 | 山东科技大学 | 一种基于强化学习的无人艇异常工况自愈控制方法 |
CN110377036A (zh) * | 2019-07-09 | 2019-10-25 | 哈尔滨工程大学 | 一种基于指令约束的无人水面艇航迹跟踪固定时间控制方法 |
CN110377036B (zh) * | 2019-07-09 | 2022-04-05 | 哈尔滨工程大学 | 一种基于指令约束的无人水面艇航迹跟踪固定时间控制方法 |
CN110703792A (zh) * | 2019-11-07 | 2020-01-17 | 江苏科技大学 | 基于增强学习的水下机器人姿态控制方法 |
CN110703792B (zh) * | 2019-11-07 | 2022-12-30 | 江苏科技大学 | 基于增强学习的水下机器人姿态控制方法 |
CN113581388A (zh) * | 2021-08-30 | 2021-11-02 | 广东工业大学 | 一种环保作业的无人艇控制方法及应用其的无人艇*** |
CN114326408A (zh) * | 2022-01-06 | 2022-04-12 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
CN114326408B (zh) * | 2022-01-06 | 2024-03-19 | 广东省智能机器人研究院 | 兼顾位置和姿态调节的移动机器人反演控制方法及装置 |
CN117527570A (zh) * | 2023-12-18 | 2024-02-06 | 无锡北微传感科技有限公司 | 基于边缘强化学习的传感器集群位置优化方法 |
CN117527570B (zh) * | 2023-12-18 | 2024-05-17 | 无锡北微传感科技有限公司 | 基于边缘强化学习的传感器集群位置优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106338919B (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106338919A (zh) | 基于增强学习型智能算法的无人艇航迹跟踪控制方法 | |
CN106444738B (zh) | 基于动态运动基元学习模型的移动机器人路径规划方法 | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
CN107168312B (zh) | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 | |
Sun et al. | Mapless motion planning system for an autonomous underwater vehicle using policy gradient-based deep reinforcement learning | |
CN107255923A (zh) | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
CN109241552A (zh) | 一种基于多约束目标的水下机器人运动规划方法 | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
CN106444806A (zh) | 基于生物速度调节的欠驱动auv三维轨迹跟踪控制方法 | |
CN111872934B (zh) | 一种基于隐半马尔可夫模型的机械臂控制方法及*** | |
CN103592846B (zh) | 基于自适应模糊估计器的滤波反步船舶运动控制*** | |
CN110597058B (zh) | 一种基于增强学习的三自由度自主水下航行器控制方法 | |
CN110362089A (zh) | 一种基于深度强化学习和遗传算法的无人船自主导航的方法 | |
CN109634307A (zh) | 一种无人水下航行器复合航迹跟踪控制方法 | |
CN107024863A (zh) | 一种避免微分***的uuv轨迹跟踪控制方法 | |
CN104898688A (zh) | Uuv四自由度动力定位自适应抗扰滑模控制***及控制方法 | |
CN105005679B (zh) | 一种基于粒子滤波的船舶参数辨识方法 | |
CN107168309A (zh) | 一种基于行为的多水下机器人路径规划方法 | |
CN113359448A (zh) | 一种针对时变动力学的自主水下航行器轨迹跟踪控制方法 | |
CN114460936B (zh) | 基于离线增量学习的自动驾驶汽车路径规划方法及*** | |
CN109858137A (zh) | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 | |
Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
Sun et al. | Adaptive neural region tracking control of multi-fully actuated ocean surface vessels | |
Song et al. | Surface path tracking method of autonomous surface underwater vehicle based on deep reinforcement learning | |
CN117606490A (zh) | 一种水下自主航行器协同搜索路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |