CN109189103B - 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 - Google Patents
一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN109189103B CN109189103B CN201811333785.9A CN201811333785A CN109189103B CN 109189103 B CN109189103 B CN 109189103B CN 201811333785 A CN201811333785 A CN 201811333785A CN 109189103 B CN109189103 B CN 109189103B
- Authority
- CN
- China
- Prior art keywords
- auv
- under
- actuated
- function
- neural network
- 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 18
- 230000001052 transient effect Effects 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G05D1/12—Target-seeking control
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
本发明提出一种具有暂态性能约束的欠驱动AUV轨迹跟踪控制方法,建立了AUV水平面模型,构建了具有暂态约束性能的误差转化函数,提出了针对水下航行器欠驱动特性的自适应反演控制。同时,利用神经网络对***参数不确定及外界时变干扰进行实时估计,设计了基于神经网络的观测器用来估计不可测量的速度,仿真验证了算法的有效性。
Description
技术领域
本发明涉及水下航行器水平面轨迹跟踪控制技术领域,具体为一种具有暂态性能约束和抗饱和的欠驱动自适应反演控制方法。
背景技术
自主水下航行器(Autonomous Underwater Vehicle,AUV)在可广泛用于海底生物资源探查,矿产资源采样,海底地形勘,沉物打捞,地震地热活动监测,海洋环境监测,海洋工程维护等。
AUV具有很强的非线性特性,同时它的航行环境十分复杂,传统的PID控制算法难以胜任。由于它在航行过程中流体参数会发生变化,造成模型参数具有不确定性,而且会受到海浪和海流的随机干扰,这要求控制***必须具有一定的鲁棒性和自适应能力。
欠驱动AUV是一种常见AUV类型,其特点是控制输入的数目小于其自由度的数目。反演控制是设计非线性***的重要工具,其能将复杂的非线性***分解出若干子***,然后分别为各子***设计中间虚拟控制量,持续“反向推演”,直至完成整个控制***的设计。近年来,反演控制方法在电机控制、机器人、空间飞行器等领域取得成功应用。特别地,由于反演控制是解决欠驱动***控制的重要方法,因此备受关注。
另外,对欠驱动AUV***的轨迹跟踪控制问题一直受到广泛的关注,但现有的很多工作仅仅能满足跟踪误差收敛到残差集合,而对***误差的跟踪精度和状态上下界没有要求,即对暂态特性没有要求。例如,对于***的跟踪误差,可以提出收敛速度、最大超调量以及稳态误差范围等约束,这些是考量***跟踪性能的有效依据。但在真实的海洋环境中,可能存在各类危险障碍物,比如暗礁等,为了避开危险障碍物,有必要考虑暂态性能约束下的欠驱动AUV轨迹跟踪控制问题。
综上所述,目前欠驱动AUV轨迹跟踪控制还存在以下三个问题:1、欠AUV模型参数具有不确定性;2、海流等外部随机干扰会对AUV的轨迹跟踪控制造成一定的影响;3、为了避开真实海洋环境中的各类危险障碍物,有必要考虑暂态性能约束下的欠驱动AUV轨迹跟踪控制问题。
发明内容
本发明针对欠驱动AUV水平面轨迹跟踪控制中的数学模型不确定及外部干扰未知问题,提出了一种具有暂态性能约束的欠驱动AUV轨迹跟踪控制方法,该方法是一种具有暂态约束的神经网络自适应反演控制方法,同时考虑了控制输入饱和受限情况下的控制问题,设计了动态补偿方法来解决该问题,以保证控制***有良好的性能。
本发明的技术方案为:
所述一种具有暂态性能约束的欠驱动AUV轨迹跟踪控制方法,其特征在于:包括以下步骤:
步骤1:建立欠驱动水下航行器水平面运动模型:
其中,x,y为世界坐标系下AUV的水平面位置坐标,ψ为航向角;u,v,r为体坐标系下AUV的前向,侧向和航向速度;参数mii为AUV质量矩阵中的第i个对角项,参数dii为AUV水动力参数的已知线性项,Di表示AUV水动力参数的未知非线性项和外界未知干扰;χ是与状态量u,v有关的舵效函数;具有饱和特性的纵向推力T与直舵角δr函数为
其中,Tmax和δr,max为纵向推力和直舵角的相应幅值;
步骤2:对于步骤1的水下航行器水平面运动模型,采用以下控制律与自适应律进行控制:
所述的控制律为:
α1,α2和α3是大于零的常数,uv,vv和rv为虚拟速度,其定义为
l1和l2是大于零的常数,xd,yd和ψd是位置坐标与航向角的期望值;ex,ey和eψ为对数形式的跟踪误差转换函数,其定义为
中,xe,ye和ψe为跟踪误差,定义为xe=x-xd,ye=y-yd,ψe=ψ-ψd;
所述自适应律为:
其中,Γi和κi均为大于零的常数,σ(T)=T-γ(T),σ(δr)=δr-γ(δr)
有益效果
本发明建立了AUV水平面模型,构建了具有暂态约束性能的误差转化函数,提出了针对水下航行器欠驱动特性的自适应反演控制。同时,利用神经网络对***参数不确定及外界时变干扰进行实时估计,设计了基于神经网络的观测器用来估计不可测量的速度,仿真验证了算法的有效性,可以保证控制***有良好的性能。
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:
附图1为带有暂态性能约束的欠驱动AUV轨迹跟踪控制原理框图。
附图2为分别采用PID、具有暂态约束的自适应反演控制的轨迹跟踪图。
附图3和图4为两种控制律下的跟踪误差xe,ye曲线图。
附图5为神经网络的二范数。
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。
本实施例中提出一种具有暂态性能约束的欠驱动AUV轨迹跟踪控制方法,该方法是一种具有暂态约束性能的欠驱动AUV自适应反演控制方法,主要包括以下内容:
建立AUV水平面数学模型。
设计合适的界函数,并构建对数形式的误差转换变量。
在保证运动学层稳定性的基础上构建虚拟速度,同时,为了解决输入饱和以及欠驱动问题,设计了β1,β2和β3自适应律。
分别对转换后误差变量和虚拟速度与真实速度的误差进行求导,获得其导数。
采用RBF神经网络估计模型不确定和外界未知干扰,设计自适应反演控制方法。
构造李雅普诺夫函数,证明其稳定性,并对其进行仿真验证。
本专利以欠驱动AUV为研究对象,提出了一种基于神经网络的自适应反演控制方法,该方法将暂态性能约束技术、抗输入饱和技术和自适应反演控制技术相结合实现了欠驱动AUV的水平面轨迹跟踪,不仅具有良好的自适应能力,且具有一定的工程价值。
下面将对本发明做进一步详细说明。
首先,建立欠驱动水下航行器水平面运动模型:
其中,x,y为世界坐标系下AUV的水平面位置坐标,ψ为航向角;u,v,r为体坐标系下AUV的前向,侧向和航向速度;参数mii为AUV质量矩阵中的第i个对角项,参数dii为AUV水动力参数的已知线性项,Di表示AUV水动力参数的未知非线性项和外界未知干扰;χ是与状态量u,v有关的舵效函数;具有饱和特性的纵向推力T与直舵角δr函数为
其中,Tmax和δr,max为纵向推力和直舵角的相应幅值。
其次,设计界函数,并构建对数形式的误差转换变量:
为了保证跟踪误差的暂态性能,令跟踪误差xe,ye和ψe满足如下约束
ex,ey和eψ为对数形式的跟踪误差转换函数,其定义为
然后,在保证运动学层稳定性的基础上构建虚拟速度,同时,为了解决输入饱和以及欠驱动问题,设计β1,β2和β3自适应律。
s1,s2和s3为虚拟速度和实际速度之差,其定义为
其中,α1,α2和α3是大于零的常数,uv,vv和rv为虚拟速度,其定义为
其中,l1和l2是大于零的常数。
而β1,β2和β3自适应律为:
其中,Γi和κi均为大于零的常数,σ(T)=T-γ(T),σ(δr)=δr-γ(δr)。
值得注意的是,虚拟速度uv,vv和rv的作用是保证运动学层面的稳定性,同时,β1和β3用来补偿输入饱和的影响,β2用来解决欠驱动控制问题。
之后,分别对转换后误差变量和虚拟速度与真实速度的误差进行求导,获得其导数。
结合式(4)和(5)对跟踪误差xe,ye和ψe求导,可得
对式(3)求导,可得
值得注意的是:
i)|tanh(·)|≤1,|sin(·)|≤1,|cos(·)|≤1;
结合(1)和(6)对s1,s2和s3求导,可得
最后,设计自适应反演控制方法。
为保证s1,s2和s3的稳定性,设计如下控制律:
其中,κi>0,i=1,2,3。
下面构造李雅普诺夫函数,证明稳定性,并对其进行仿真验证。
定义候选李雅普诺夫函数为
将控制律(10)代入(9),可得
结合式(8),(10)和(12),对V求导可得
根据RBF神经网络的特性,以及杨氏不等式,可知
根据杨氏不等式,(13)可重写为
其中,
λmax(·)表示·的最大特征值。为了保证μ是正数,控制律中的增益l1,l2和l3应该满足如下条件:
(15)左右两边同时乘eμt,可得
根据以上不等式,可以保证转换误差ex,ey,s1,s2和s3以及神经网络的权重估计误差和是有界的。根据转换误差的有界性,可以保证跟踪误差不违反约束,即:|xe(t)|<ρ1(t),|ye(t)|<ρ2(t),|ψe(t)|<ρ3(t)。证明结束。
仿真实验与验证:
下面举例说明验证设计欠驱动AUV轨迹跟踪控制器的有效性。
根据某型号AUV的模型参数进行仿真。
控制器的参数的选择如下:l1=1,l2=2,l3=1,α1=30,α2=50,α3=20,μu=5,μr=5,β1(0)=0,β2(0)=0,β3(0)=0,κ1=3,κ2=1,κ3=6。
为了模拟真实的海洋环境,定义世界坐标系中的时变外界干扰如下:
在体坐标系中,表示为D=M-1JT(ψ)w(t),D=[D1 D2 D3]T,
期望轨迹可定义为:
1)0≤t<100:ud=0.5,vd=0,rd=0;
2)100≤t<300:ud=0.5,vd=0,rd=-0.005sin(π(t-100)/400);
3)300≤t≤700:ud=0.5,vd=0,rd=-0.01/2。
参考轨迹和AUV初始状态为:ηd(0)=[0m,0m,π/4rad]T,η(0)=[4m,-6m,0rad]T。
预定的界函数定义为:
ρ1(t)=(20-2)e-0.05t+2,
ρ2(t)=(20-2)e-0.05t+2,
ρ3(t)=(3-π/9)e-0.05t+π/9。
附图2为分别采用PID、自适应反演控制的轨迹跟踪图,可以看出,无人船可以较好地跟踪期望轨迹。附图3和4为两种控制律下的跟踪误差xe,ye曲线图,可以看出,跟踪误差始终没有超出约束。附图5为神经网络的二范数,可知神经网络权值的范数是有界的。
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)
1.一种具有暂态性能约束的欠驱动AUV轨迹跟踪控制方法,其特征在于:包括以下步骤:
步骤1:建立欠驱动水下航行器水平面运动模型:
其中,x,y为世界坐标系下AUV的水平面位置坐标,ψ为航向角;u,v,r为体坐标系下AUV的前向,侧向和航向速度;参数mii为AUV质量矩阵中的第i个对角项,参数dii为AUV水动力参数的已知线性项,Di表示AUV水动力参数的未知非线性项和外界未知干扰,i=1,2,3;χ是与状态量u,v有关的舵效函数;具有饱和特性的纵向推力T与直舵角δr函数为
其中,Tmax和δr,max为纵向推力和直舵角的相应幅值;
步骤2:对于步骤1的水下航行器水平面运动模型,采用以下控制律与自适应律进行控制:
所述的控制律为:
α1,α2和α3是大于零的常数,uv,vv和rv为虚拟速度,其定义为
l1和l2是大于零的常数,xd,yd和ψd是位置坐标与航向角的期望值;ex,ey和eψ为对数形式的跟踪误差转换函数,其定义为
中,xe,ye和ψe为跟踪误差,定义为xe=x-xd,ye=y-yd,ψe=ψ-ψd;
所述自适应律为:
其中,Γi和κi均为大于零的常数,σ(T)=T-γ(T),σ(δr)=δr-γ(δr)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333785.9A CN109189103B (zh) | 2018-11-09 | 2018-11-09 | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333785.9A CN109189103B (zh) | 2018-11-09 | 2018-11-09 | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189103A CN109189103A (zh) | 2019-01-11 |
CN109189103B true CN109189103B (zh) | 2020-12-08 |
Family
ID=64938984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811333785.9A Active CN109189103B (zh) | 2018-11-09 | 2018-11-09 | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189103B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521798B (zh) * | 2019-01-24 | 2021-07-27 | 大连海事大学 | 基于有限时间扩张状态观测器的auv运动控制方法 |
US11526724B2 (en) * | 2019-08-21 | 2022-12-13 | GM Global Technology Operations LLC | Virtual sensor for estimating online unmeasurable variables via successive time derivatives |
CN110647161B (zh) * | 2019-10-15 | 2022-07-15 | 哈尔滨工程大学 | 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法 |
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 |
CN112130557B (zh) * | 2020-08-19 | 2023-10-20 | 鹏城实验室 | 一种多水下航行器跟踪控制方法、终端及存储介质 |
CN112818819B (zh) * | 2021-01-28 | 2022-08-26 | 青岛澎湃海洋探索技术有限公司 | 一种基于动态模型和复杂网络理论的auv状态监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN105843224A (zh) * | 2016-03-25 | 2016-08-10 | 哈尔滨工程大学 | 基于神经动态模型反步法的auv水平面路径跟踪控制方法 |
CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
CN107544256A (zh) * | 2017-10-17 | 2018-01-05 | 西北工业大学 | 基于自适应反步法的水下机器人滑模控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025613A1 (en) * | 2012-07-20 | 2014-01-23 | Filip Ponulak | Apparatus and methods for reinforcement learning in large populations of artificial spiking neurons |
-
2018
- 2018-11-09 CN CN201811333785.9A patent/CN109189103B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385316A (zh) * | 2011-09-16 | 2012-03-21 | 哈尔滨工程大学 | 一种基于神经网络反步法的欠驱动自主水下航行器变深控制方法 |
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN105843224A (zh) * | 2016-03-25 | 2016-08-10 | 哈尔滨工程大学 | 基于神经动态模型反步法的auv水平面路径跟踪控制方法 |
CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
CN107544256A (zh) * | 2017-10-17 | 2018-01-05 | 西北工业大学 | 基于自适应反步法的水下机器人滑模控制方法 |
CN108427414A (zh) * | 2018-03-31 | 2018-08-21 | 西北工业大学 | 一种自主水下航行器水平面自适应轨迹跟踪控制方法 |
Non-Patent Citations (4)
Title |
---|
A novel adaptive second order sliding mode path following control for a portable AUV;Guo-cheng Zhang 等;《Ocean Engineering》;20180112;第82-92页 * |
Adaptive Neural Network Control of Underactuated Surface Vessels With Guaranteed Transient Performance: Theory and Experimental Results;Lepeng Chen等;《IEEE》;20200530;第67卷(第5期);第4024-4035页 * |
基于干扰观测器的欠驱动AUV自适应反演控制;陈巍 等;《中南大学学报(自然科学版)》;20170131;第48卷(第1期);第69-76页 * |
基于模型参考的多自主水下航行器自适应覆盖控制;严卫生 等;《***工程与电子技术》;20151130;第37卷(第1期);第2574-2578页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109189103A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189103B (zh) | 一种具有暂态性能约束的欠驱动auv轨迹跟踪控制方法 | |
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 | |
CN109100939B (zh) | 考虑输入饱和的水面无人艇全状态约束轨迹跟踪控制方法 | |
CN112612209B (zh) | 基于指令滤波神经网络控制器的全驱动船舶轨迹跟踪控制方法及*** | |
CN111650948A (zh) | 一种可底栖式auv的水平面轨迹快速跟踪控制方法 | |
CN111650832B (zh) | 一种水下多足步行机器人机械足姿态跟踪控制方法 | |
Batmani et al. | Event-triggered H∞ depth control of remotely operated underwater vehicles | |
CN113238567B (zh) | 一种基于扩展状态观测器的底栖式auv弱抖振积分滑模点镇定控制方法 | |
CN112965371A (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 | |
CN114442640B (zh) | 一种水面无人艇轨迹跟踪控制方法 | |
Shojaei | Three-dimensional tracking control of autonomous underwater vehicles with limited torque and without velocity sensors | |
Sun et al. | An integrated backstepping and sliding mode tracking control algorithm for unmanned underwater vehicles | |
CN111273677B (zh) | 基于强化学习技术的自主水下机器人速度和艏向控制方法 | |
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 | |
Wang et al. | Path-following optimal control of autonomous underwater vehicle based on deep reinforcement learning | |
Ngongi et al. | Linear fuzzy controller design for dynamic positioning system of surface ships | |
CN115951693B (zh) | 一种欠驱动水下机器人鲁棒轨迹跟踪控制方法 | |
Faruq et al. | Optimization of depth control for Unmanned Underwater Vehicle using surrogate modeling technique | |
Liu et al. | Synchronisation control for ships in underway replenishment based on dynamic surface control | |
CN116430718A (zh) | 一种基于ddpg算法的水下机器人推进器故障容错控制方法 | |
Wang et al. | NN-backstepping for diving control of an underactuated AUV | |
CN112904719B (zh) | 一种适用于水下机器人位置环形区域跟踪控制方法 | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
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 |