CN108427414B - 一种自主水下航行器水平面自适应轨迹跟踪控制方法 - Google Patents
一种自主水下航行器水平面自适应轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN108427414B CN108427414B CN201810279014.XA CN201810279014A CN108427414B CN 108427414 B CN108427414 B CN 108427414B CN 201810279014 A CN201810279014 A CN 201810279014A CN 108427414 B CN108427414 B CN 108427414B
- Authority
- CN
- China
- Prior art keywords
- auv
- neural network
- target point
- vector
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种自主水下航行器水平面自适应轨迹跟踪控制方法,利用高增益状态观测器的方法估计AUV的速度和角速度,使用径向基函数(Radial Basis Function,RBF)神经网络的高精度逼近功能补偿模型参数不确定项和外部干扰项,将AUV轨迹跟踪问题经坐标变换转换为极坐标系下跟踪问题。具体解决时首先设计运动学模型的期望输入,然后设计动力学模型的期望输入,最后使用RBF神经网络估计期望输入中的不确定性项,设计神经网络权值更新律,最终使AUV跟踪期望的轨迹。
Description
技术领域
本发明设计一种自主水下航行器水平面自适应轨迹跟踪控制方法,属于轨迹跟踪控制领域。
背景技术
自主水下航行器(Autonomous Underwater Vehicle,AUV)作为一种智能化水下运载平台,以自主模式航行,可完成水下测量、海域测绘、水底地貌测绘等任务,在军事侦查、港口安全维护、海洋环境监测等领域都有重要的应用。
AUV的跟踪控制是实现众多任务的基础,众多任务都需要AUV按照指定的轨迹航行至指定的位置,然后再开展特定的作业任务。AUV的轨迹跟踪要求AUV跟踪某一条依赖于时间的期望轨迹,需要在特定的时间内按照特定的轨迹运动至特定的地方。
如果某一个***的控制输入构成的空间维数少于***的状态变量空间维数,则称该***为欠驱动***,欠驱动***可以显著增加***灵活度、降低造价等。在AUV的实际应用中,AUV的驱动方式为推进器加舵机或者两个独立推进器推进的方式,控制维数为2,而自主水下航行器水平面运动状态变量空间维数为3,所以自主水下航行器水平面运动是典型的欠驱动条件下的运动,故研究欠驱动条件下AUV的跟踪控制问题具有极强的实际意义。
在AUV航行过程中,容易受到浪、流等外界干扰,同时AUV的模型参数并不能完全精确获取,而且由于成本等因素的控制,难以采用高精度传感器获取AUV的速度和角速度,故采用依赖于模型参数的控制方法在此情况下控制效果较差,如何实现在速度和角速度未知、模型参数不确定性和外界干扰情况下的精确轨迹跟踪问题,具有很强的理论意义和实践价值。
发明内容
针对在AUV航行过程中,由于各种原因,在实际应用中会有AUV速度无法获取的情形,本发明提出一种自主水下航行器水平面自适应轨迹跟踪控制方法,该方法在于利用高增益状态观测器的方法估计AUV的速度和角速度,使用径向基函数(Radial BasisFunction,RBF)神经网络的高精度逼近功能补偿模型参数不确定项和外部干扰项,将AUV轨迹跟踪问题经坐标变换转换为极坐标系下跟踪问题。具体解决时首先设计运动学模型的期望输入,然后设计动力学模型的期望输入,最后使用RBF神经网络估计期望输入中的不确定性项,设计神经网络权值更新律,最终使AUV跟踪期望的轨迹。
本发明的技术方案为:
所述一种自主水下航行器水平面自适应轨迹跟踪控制方法,其特征在于:采用以下步骤:
步骤1:建立模型:定义AUV当前水平面的广义位置向量为η=[x y ψ]T,广义速度向量为V=[u v r]T;其中x代表AUV南北方向的位置,y代表AUV东西方向的位置,ψ代表AUV当前的航向角,u代表AUV前向运动速度,v代表AUV侧向运动速度,r代表AUV航向角速度,AUV的水平面运动方程为
其中m11,m22,m33为AUV的惯性模型参数,d11,d22,d33为AUV的阻力模型参数,τ1,τ2为AUV的控制输入,w1,w2,w3为外部干扰;
AUV在惯性坐标系下的初始点位置为X0=[x0 y0]T以初始航向角ψ0开始跟踪期望轨迹Xd=[xd yd]T,目标点的轨迹满足
式中U表示跟踪目标点的运动速度,ψw代表跟踪目标点的运动方向;
步骤2:确定控制输入为
式中k3,k4为控制参数,且都为正实数;
其中,π1∈R3和π2∈R3为高增益观测器的状态向量,ε为正的常数,λ>0,则AUV在体坐标系下的速度估计值为
uvir=k2(ρ-δ)+U cosχ
其中k1,k2为控制参数,且都为正实数;δ为设定的跟踪误差值,ρ为AUV当前位置和目标点位置之间的距离、α为AUV纵轴与AUV到目标点向量的角度,χ为目标点速度矢量与AUV到目标点向量的角度;
式中z1和z2为速度误差,由下式计算得到:
其中(·)代表真值,(·)*代表实际获取值,Δ(·)代表参数的不确定值;
RBF神经网络的权值更新律为
其中,Γ1,Γ2和σ1,σ2为神经网络权值更新参数,且都为正实数;
其中,Ci代表RBF神经网络中隐含层第i个神经元高斯基函数中心点的坐标向量,bi代表隐含层第i个神经元高斯基函数的宽度。
有益效果
本发明的有益效果是:本发明采用基于RBF神经网络的AUV自适应轨迹跟踪控制,在无法获取AUV速度信息及角速度的情况下,采用高增益状态观测器的方法估计AUV的速度及角速度,采用坐标转换,将欠驱动AUV的轨迹跟踪问题转换为AUV与目标点之间距离ρ、AUV纵轴与AUV到目标点向量的角度α的控制问题,分别在欠驱动AUV运动学和动力学层面设计控制输入,并采用RBF神经网络补偿模型参数不确定项和外部干扰项,最终使跟踪误差渐近收敛至设定值。该自适应轨迹跟踪控制方法在存在模型参数不确定性和外部干扰时具有良好的轨迹跟踪性能。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1 AUV轨迹跟踪示意图;
图2 AUV真实轨迹与期望轨迹对比;
图3 AUV前向速度真实值与估计值对比;
图4 AUV侧向速度真实值与估计值对比;
图5 AUV角速度真实值与估计值对比;
图6跟踪误差变化;
图7 RBF神经网络权值二范数变化。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例中的一种自主水下航行器水平面自适应轨迹跟踪控制方法,该方法是基于神经网络的无速度情况下的自适应轨迹跟踪控制方法,利用高增益状态观测器的方法估计AUV的速度和角速度,使用径向基函数(Radial Basis Function,RBF)神经网络的高精度逼近功能补偿模型参数不确定项和外部干扰项,将AUV轨迹跟踪问题经坐标变换转换为极坐标系下跟踪问题。具体解决时首先设计运动学模型的期望输入,然后设计动力学模型的期望输入,最后使用RBF神经网络估计期望输入中的不确定性项,设计神经网络权值更新律,最终使AUV跟踪期望的轨迹。
该方法具体的推导过程为:
步骤1:定义AUV当前广义位置向量为η=[x y ψ]T,速度向量为V=[u v r]T。欠驱动AUV的水平面运动学方程为
其中,m11,m22,m33为AUV的惯性模型参数,d11,d22,d33为AUV的阻力模型参数,τ1,τ2为AUV的控制输入,w1,w2,w3为外部干扰。
AUV在惯性坐标系下的初始点位置为X0=[x0 y0]T以初始航向角ψ0开始跟踪期望轨迹Xd=[xd yd]T,目标点的轨迹满足
式中,U表示目标点的运动速度,ψw代表目标点的运动方向。
步骤2:设计高增益观测器
其中,π1∈R3和π2∈R3为高增益观测器的状态向量,ε为正的常数,λ>0,满足s2+λs+1为Hurwitz多项式。
步骤3:考虑坐标变换,计算AUV当前位置和目标点位置之间的距离ρ、AUV纵轴与AUV到目标点向量的角度α和目标点速度矢量与AUV到目标点向量的角度χ,如图1所示。
步骤4:将当前时刻AUV的位置η作为高增益状态观测器的输入,获取AUV在船体坐标系下的AUV速度估计值为
步骤5:设计运动学模型的期望输入rvir和uvir:
uvir=k2(ρ-δ)+Ucosχ
其中,k1,k2都为控制参数,且都为正实数;δ为设定的跟踪误差值,可为任意小的正实数。
步骤6:计算速度误差
步骤7:RBF神经网络的输入为
RBF神经网络的权值更新律为
其中,Ci代表隐含层第i个神经元高斯基函数中心点的坐标向量,bi代表隐含层第i个神经元高斯基函数的宽度。
步骤8:考虑到参数m11,m22,d11,d33等值并不能完全获取,且参数满足
式中(·)代表真值,(·)*代表估计值,Δ(·)代表参数的不确定值,使用RBF神经网络输出逼近模型参数不确定项和外部干扰的自适应轨迹跟踪控制的输入为:
基于上述推导过程,下面给出具体实例:
步骤1:AUV在惯性坐标系中从初始点(-2,-2)以初始航向角0°开始进行轨迹跟踪。初始前向速度和侧向速度都为0m/s和0m/s,角速度为0m/s,期望的参考轨迹为:
AUV的外部干扰为
步骤2:选择控制输入为
其中,k3=300,k4=150,高增益观测器的初始值为0,高增益观测器的参数选择为ε=0.01,λ=1,此时AUV在体坐标系下的速度估计值为
选择参数k1=0.1,k2=0.1,选择跟踪误差值δ=0.2,计算运动学模型的期望输入rvir和uvir:
uvir=k2(ρ-δ)+U cosχ
计算AUV当前位置和目标点位置之间的距离ρ、AUV纵轴与AUV到目标点向量的角度α和目标点速度矢量与AUV到目标点向量的角度χ:
计算速度误差
不失一般性,考虑参数m11,m22,d11,d33等值并不能完全获取,故在仿真中设
式中(·)代表真值,(·)*代表实际获取值。
RBF神经网络的输入为
RBF神经网络节点数选为9,中心向量Cj均匀地分布于
[0,2.0]×[0,0.8]×[-2.0,2.0]×[-1.0,1.0]×[-0.4,0.4]×[-0.2,0.2]×[-0.1,0.1]
通过仿真可以看出,所提出的基于RBF神经网络的自适应轨迹跟踪方法在存在模型参数不确定性和外部干扰情况下,具有良好的轨迹跟踪性能,通过高增益观测器也可以有效估计AUV速度和角速度,验证了算法的有效性。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种自主水下航行器水平面自适应轨迹跟踪控制方法,其特征在于:采用以下步骤:
步骤1:建立模型:定义AUV当前水平面的广义位置向量为η=[x y ψ]T,广义速度向量为V=[u v r]T;其中x代表AUV南北方向的位置,y代表AUV东西方向的位置,ψ代表AUV当前的航向角,u代表AUV前向运动速度,v代表AUV侧向运动速度,r代表AUV航向角速度,AUV的水平面运动方程为
其中m11,m22,m33为AUV的惯性模型参数,d11,d22,d33为AUV的阻力模型参数,τ1,τ2为AUV的控制输入,w1,w2,w3为外部干扰;
AUV在惯性坐标系下的初始点位置为X0=[x0 y0]T以初始航向角ψ0开始跟踪期望轨迹Xd=[xd yd]T,目标点的轨迹满足
式中U表示跟踪目标点的运动速度,ψw代表跟踪目标点的运动方向;
步骤2:确定控制输入为
式中k3,k4为控制参数,且都为正实数;
其中,π1∈R3和π2∈R3为高增益观测器的状态向量,ε为正的常数,λ>0,则AUV在体坐标系下的速度估计值为
uvir=k2(ρ-δ)+U cosχ
其中k1,k2为控制参数,且都为正实数;δ为设定的跟踪误差值,ρ为AUV当前位置和目标点位置之间的距离、α为AUV纵轴与AUV到目标点向量的角度,χ为目标点速度矢量与AUV到目标点向量的角度;
式中z1和z2为速度误差,由下式计算得到:
其中(·)代表真值,(·)*代表实际获取值,Δ(·)代表参数的不确定值;
RBF神经网络的权值更新律为
其中,Γ1,Γ2和σ1,σ2为神经网络权值更新参数,且都为正实数;
其中,Ci代表RBF神经网络中隐含层第i个神经元高斯基函数中心点的坐标向量,bi代表隐含层第i个神经元高斯基函数的宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279014.XA CN108427414B (zh) | 2018-03-31 | 2018-03-31 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279014.XA CN108427414B (zh) | 2018-03-31 | 2018-03-31 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427414A CN108427414A (zh) | 2018-08-21 |
CN108427414B true CN108427414B (zh) | 2020-10-27 |
Family
ID=63159669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810279014.XA Active CN108427414B (zh) | 2018-03-31 | 2018-03-31 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427414B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111827395A (zh) * | 2020-06-29 | 2020-10-27 | 河海大学 | 一种带有未知外部扰动的耙吸挖泥船的跟踪控制方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189103B (zh) * | 2018-11-09 | 2020-12-08 | 西北工业大学 | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 |
CN109521797B (zh) * | 2018-12-28 | 2020-10-27 | 西北工业大学 | 无人船引导水下航行器群的优化割草型编队控制方法 |
CN110597069B (zh) * | 2019-10-17 | 2022-06-17 | 哈尔滨工程大学 | 一种基于rbf神经网络的水下机器人自适应区域动力定位控制方法 |
CN111736617B (zh) * | 2020-06-09 | 2022-11-04 | 哈尔滨工程大学 | 一种基于速度观测器的可底栖式水下机器人预设性能轨迹跟踪控制方法 |
CN111982100B (zh) * | 2020-07-07 | 2022-05-06 | 广东工业大学 | 一种无人机的航向角解算算法 |
CN112083733B (zh) * | 2020-08-19 | 2023-10-20 | 鹏城实验室 | 一种基于数据分析的多水下航行器跟踪控制方法 |
CN112363538B (zh) * | 2020-11-09 | 2022-09-02 | 哈尔滨工程大学 | 一种速度信息不完备下的auv区域跟踪控制方法 |
CN112859889B (zh) * | 2021-01-18 | 2022-02-15 | 湖南大学 | 基于自适应动态规划的自主式水下机器人控制方法和*** |
CN112965370A (zh) * | 2021-01-29 | 2021-06-15 | 西北工业大学 | 一种基于改进萤火虫算法优化的水下航行器轨迹跟踪控制方法 |
CN112947505B (zh) * | 2021-03-22 | 2022-11-25 | 哈尔滨工程大学 | 一种基于强化学习算法与未知干扰观测器的多auv编队分布式控制方法 |
CN113190030A (zh) * | 2021-04-13 | 2021-07-30 | 杭州电子科技大学 | 一种水下机器人及其姿态控制方法 |
CN113359448A (zh) * | 2021-06-03 | 2021-09-07 | 清华大学 | 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 |
CN114323552B (zh) * | 2021-11-18 | 2022-10-21 | 厦门大学 | 一种跨介质航行体出入水稳定性判别方法 |
CN114460945B (zh) * | 2022-02-14 | 2023-03-14 | 四川大学 | 移动机器人轨迹跟踪方法、装置及电子设备 |
CN115167484B (zh) * | 2022-05-13 | 2024-04-19 | 西北工业大学 | 基于神经网络的自主水下航行器模型预测路径跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2015110374A (ja) * | 2013-12-06 | 2015-06-18 | 三菱重工業株式会社 | 自律式移動体の経路作成支援装置及びその方法並びにプログラム |
CN105807789A (zh) * | 2016-03-24 | 2016-07-27 | 哈尔滨工程大学 | 基于t-s模糊观测器补偿的uuv控制方法 |
CN105929842A (zh) * | 2016-04-20 | 2016-09-07 | 哈尔滨工程大学 | 一种基于动态速度调节的欠驱动uuv平面轨迹跟踪控制方法 |
CN107065847A (zh) * | 2016-03-31 | 2017-08-18 | 北京航空航天大学 | 一种执行器非对称饱和的水面舰船轨迹跟踪控制方法 |
CN107168312A (zh) * | 2017-05-17 | 2017-09-15 | 哈尔滨工程大学 | 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 |
-
2018
- 2018-03-31 CN CN201810279014.XA patent/CN108427414B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015110374A (ja) * | 2013-12-06 | 2015-06-18 | 三菱重工業株式会社 | 自律式移動体の経路作成支援装置及びその方法並びにプログラム |
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 |
CN105807789A (zh) * | 2016-03-24 | 2016-07-27 | 哈尔滨工程大学 | 基于t-s模糊观测器补偿的uuv控制方法 |
CN107065847A (zh) * | 2016-03-31 | 2017-08-18 | 北京航空航天大学 | 一种执行器非对称饱和的水面舰船轨迹跟踪控制方法 |
CN105929842A (zh) * | 2016-04-20 | 2016-09-07 | 哈尔滨工程大学 | 一种基于动态速度调节的欠驱动uuv平面轨迹跟踪控制方法 |
CN107168312A (zh) * | 2017-05-17 | 2017-09-15 | 哈尔滨工程大学 | 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 |
Non-Patent Citations (2)
Title |
---|
3D Path-following Control for Autonomous Underwater Vehicle Based on Adaptive Backstepping Sliding Mode;Zhenzhong Chu,等;《Proceeding of the 2015 IEEE International Conference on Information and Automation Lijiang, China 》;20150831;第1143-1147页 * |
一种欠驱动AUV模型预测路径跟踪控制方法;刘昌鑫,等;《机械科学与技术》;20171130;第36卷(第11期);第1653-1657页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111827395A (zh) * | 2020-06-29 | 2020-10-27 | 河海大学 | 一种带有未知外部扰动的耙吸挖泥船的跟踪控制方法 |
CN111827395B (zh) * | 2020-06-29 | 2022-02-11 | 河海大学 | 一种带有未知外部扰动的耙吸挖泥船的跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108427414A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427414B (zh) | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 | |
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 | |
CN105955268B (zh) | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 | |
CN111650948B (zh) | 一种可底栖式auv的水平面轨迹快速跟踪控制方法 | |
CN109050835B (zh) | 全驱动自主水下机器人结构及回收三维路径跟踪方法 | |
CN112965371B (zh) | 基于固定时间观测器的水面无人艇轨迹快速跟踪控制方法 | |
CN109656142B (zh) | 一种无人艇的串级结构无模型自适应制导方法 | |
CN109189083B (zh) | 一种具有垂推的低速水下航行器的定深控制方法 | |
CN114115262B (zh) | 基于方位角信息的多auv执行器饱和协同编队控制***和方法 | |
CN112068440B (zh) | 基于模型预测控制的auv回收对接动力定位控制方法 | |
CN114442640B (zh) | 一种水面无人艇轨迹跟踪控制方法 | |
CN114397899A (zh) | 一种仿生机器鱼三维路径跟踪控制方法及装置 | |
CN113485389A (zh) | 一种基于自适应预测的水下机器人三维轨迹跟踪控制方法 | |
CN115951581A (zh) | 一种基于改进empc的高速无人艇路径跟踪控制方法 | |
CN114967714A (zh) | 一种自主式水下机器人抗扰运动控制方法及*** | |
CN113110512B (zh) | 一种减弱未知干扰与抖振影响的可底栖式auv自适应轨迹跟踪控制方法 | |
CN115657713B (zh) | 一种考虑发射平台沉浮和晃动条件下发射决策控制方法 | |
CN115480580A (zh) | 一种基于nmpc的水下机器人路径跟踪与避障的控制方法 | |
CN114564015B (zh) | 一种拒止环境下的欠驱动无人艇分布式编队控制方法 | |
CN116027796A (zh) | 一种多自治水下机器人编队控制***及方法 | |
CN112506052B (zh) | 一种水下考古机器人抗云台转动干扰控制方法 | |
CN112904719B (zh) | 一种适用于水下机器人位置环形区域跟踪控制方法 | |
CN112947068B (zh) | 一种自主水下航行器一体化声学定位与跟踪控制方法 | |
CN112947448B (zh) | 一种无人船集群协同包围多目标模糊控制器结构及设计方法 | |
CN109062232B (zh) | 海底地震检波飞行节点分布式有限时间防抖振构型包含控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |