CN114488803A - 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 - Google Patents
基于事件触发的无人船/机鲁棒自适应神经协同控制方法 Download PDFInfo
- Publication number
- CN114488803A CN114488803A CN202210061488.3A CN202210061488A CN114488803A CN 114488803 A CN114488803 A CN 114488803A CN 202210061488 A CN202210061488 A CN 202210061488A CN 114488803 A CN114488803 A CN 114488803A
- Authority
- CN
- China
- Prior art keywords
- representing
- aerial vehicle
- unmanned
- unmanned aerial
- unmanned ship
- 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.)
- Pending
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001537 neural effect Effects 0.000 title claims abstract description 19
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 60
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000013016 damping Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000013535 sea water Substances 0.000 claims description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 239000011737 fluorine Substances 0.000 claims 1
- -1 hydrogen Chemical class 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- LPXQRXLUHJKZIE-UHFFFAOYSA-N 8-azaguanine Chemical compound NC1=NC(O)=C2NN=NC2=N1 LPXQRXLUHJKZIE-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,包括:建立无人船‑无人机协同***的非线性***模型;设计无人船‑无人机协同***的位置控制器和位置自适应律;获取无人船‑无人机协同***的姿态参考信号;设计无人船‑无人机协同***的姿态控制器和姿态自适应律;推导出无人机的转子角速度。本发明在LVS‑LVA制导框架下提出了一种基于实际输入触发的USV‑UAV鲁棒自适应神经协同控制算法,将无人船主机螺旋桨转速、无人船的舵角和转子角速度作为实际控制输入来执行USV‑UAV协同路径跟踪任务,并且采用事件触发机制降低了无人船‑无人机的实际控制输入对通信信道的占用。
Description
技术领域
本发明涉及船舶控制工程与无人机航行装备应用领域,尤其涉及一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法。
背景技术
在控制工程领域,路径跟踪控制***由制导***、控制***和导航***3部分子***构成。制导***能够根据船舶当前姿态与期望路径之间的位置关系,自动构建出艏向参考信号;控制***能够通过消除当前姿态与艏向参考信号之间的误差实现有效收敛;导航***能将被控对象的位置、姿态信息通过传感器传输到制导***和控制***。
非线性反馈技术在船舶和无人机运动控制领域均具有广泛的应用。无人船-无人机协同控制能够充分发挥两者优势,在海事搜救方面能够极大的提升搜索面积和搜索效率。但是由于无人船-无人机存在模型动态差异、维度差异和执行器差异等工程难点,针对无人船-无人机的自动控制理论研究较少。在现有无人船-无人机控制研究中,主要采用针对独立制导体系分别产生无人船和无人机的艏向参考信号,未能形成无人船-无人机有效的关联。在控制算法中,将无人船-无人机的力和力矩作为控制输入,并且采用非线性反馈技术,将无人船-无人机的非线性结构实时反馈到控制器中进行补偿,这会造成所设计控制器的低频振动。此外,由于无人船无人机动态模型差异,无人船-无人机的协同控制器的控制输入为力和力矩形式,这与控制输入为无人船主机螺旋桨转速、无人船的舵角和转子角速度的工程实际不相符。而且无人船-无人机协同控制***采用连续事件触发形式,容易造成额外的通信资源占用和执行器磨损。
发明内容
本发明提供一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,包括如下步骤:
S1:建立无人船-无人机协同***的非线性***模型;
S2:根据所述无人船-无人机协同***的非线性***模型,设计无人船-无人机协同***的位置控制器和位置自适应律;
S3:根据所述无人船-无人机协同***的位置控制器和位置自适应律,获取无人船-无人机协同***的姿态参考信号;
S4:根据所述无人船-无人机协同***的姿态参考信号,设计无人船-无人机协同***的姿态控制器和姿态自适应律;
S5:根据所述无人船-无人机协同***的位置控制器和位置自适应律、无人船-无人机协同***的姿态控制器和姿态自适应律和所述无人船-无人机协同***的非线性***模型,推导出无人机的转子角速度,以获取所述无人船-无人机协同***的控制输入。
有益效果:本发明的一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,在LVS-LVA制导框架下提出了一种基于实际输入触发的USV-UAV鲁棒自适应神经协同控制算法,将无人船主机螺旋桨转速、无人船的舵角和转子角速度作为实际控制输入来执行USV-UAV协同路径跟踪任务,并且采用事件触发机制降低了无人船-无人机的实际控制输入对通信信道的占用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中无人船-无人机协同路径跟踪轨迹示意图;
图2为本发明中无人船控制输入曲线图;
图3为本发明中无人机的升力曲线图;
图4为本发明中无人机的控制输入曲线图;
图5为本发明中无人船-无人机协同***的位置和姿态误差示意图;
图6为本发明位置控制器和姿态控制器的触发时间和触发间隔示意图;
图7为本发明的无人船-无人机鲁棒自适应神经协同控制方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例针对无人船-无人机协同***,利用等量映射原理构建了一种逻辑虚拟船型-逻辑虚拟飞行器(Logic Virtual Ship–Logic Virtual Aircraft/LVS-LVA)制导策略,逻辑虚拟船型LVS能够根据预先设定的参考路径对无人船的位置和姿态信号进行规划,并进一步映射到逻辑虚拟飞行器LVA,LVA能够进一步生成无人机的参考路径信息。因此,通过当前USV-UAV(即无人船-无人机协同***)与LVS-LVA之间的姿态,能够计算出USV-UAV的参考艏向角。其中的等量映射原理是已经成熟的技术理论,在本实施例中即即是无人机与无人船相对应的参数相等。
针对无人船-无人机协同***中存在的模型不确定和执行器差异问题,设计了一种以无人船主机螺旋桨转速、无人船舵角和无人机转子角速度为控制输入的USV-UAV鲁棒自使用神经协同控制算法,在该算法中,无人船-无人机协同***的非线性模型被表述为欧拉-拉格朗日形式,其中,无人船的非线性模型为三自由度的非线性模型,无人机的非线性模型为六自由度的非线性模型。利用镜像基函数神经网络(Radial Basis FunctionNeural Network,RBF-NN)对无人船-无人机协同***的模型结构不确定项进行在线逼近。具体如下:
一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,如图1-7所示,包括:
S1:建立无人船-无人机协同***的非线性***模型;所述无人船-无人机协同***的非线性***模型包括三自由度的无人船非线性模型和六自由度的无人机非线性模型;
所述三自由度的无人船非线性模型建立如下:
式中:表示的是求导数运算;xs表示无人船的前进位移;ys表示无人船的横漂位移;ψs表示无人船的艏摇角;us表示无人船的前进速度;vs表示无人船的横漂速度;rs表示无人船的艏摇速度;mu表示前进自由度的模型附加质量,mv表示横漂自由度的模型附加质量,mr表示艏摇自由度的模型附加质量,dwu表示无人船在前进自由度方向受到的外界干扰力/力矩;dwv表示无人船在横漂自由度方向受到的外界干扰力/力矩;dwr表示无人船在艏摇自由度方向受到的外界干扰力/力矩;τu表示无人船的前进推力;τr表示无人船的转船力矩;
所述六自由度的无人机非线性模型建立如下:
式中:xa表示无人机的前进位移;ya表示无人机的横漂位移;za表示的是无人机的生沉位移;φa表示的是无人机的横摇角;θa表示的是无人机的纵摇角;ψa表示无人机的艏摇角;uax表示无人机沿着ox轴的速度;uay表示无人机沿着oy轴的速度;uaz表示无人机沿着oz轴的速度;pa表示无人机沿着ox轴的转动角速度;qa表示无人机沿着oy轴的转动角速度;ra表示无人机沿着oz轴的转动角速度;m表示无人机质量,g表示重力加速度;Ff表示无人机四个旋翼转子力Fi,i=1,2,3,4的合力;dwx表示无人机在x轴方向受到的外界干扰力/力矩;dwy表示无人机在y轴方向受到的外界干扰力/力矩;dwz表示无人机在z轴方向受到的外界干扰力/力矩;dwφ表示无人机在横摇方向受到的外界干扰力/力矩;dwθ表示无人机在纵摇方向受到的外界干扰力/力矩;dwψ表示无人机在艏摇方向受到的外界干扰力/力矩;τφ表示无人机的横摇力矩;τθ表示无人机的纵倾力矩;τψ表示无人机的艏摇力矩;Ixx表示无人机在x轴方向的转动惯量;Iyy表示无人机在y轴方向的转动惯量;Izz表示无人机在z轴方向的转动惯量;d表示无人机的斜对角直径;
其中,
式中:fu(·)表示无人船在前进自由度方向上的非线性项;fv(·)表示无人船在横漂自由度方向上的非线性项;fr(·)表示无人船在艏摇自由度方向上的非线性项;fx(·)表示无人机在x轴方向上的非线性项;fy(·)表示无人机在y轴、方向上的非线性项;fz(·)表示无人机在z轴方向上的非线性项;fφ(·)表示无人机在横摇方向上的非线性项;fψ(·)表示无人机在横摇方向上的非线性项;fθ(·)表示无人机在纵摇方向上的非线性项;du1表示前进自由度的一阶速度变量的非线性阻尼项;du2表示前进自由度的二阶速度变量的非线性阻尼项;du3表示前进自由度的三阶速度变量的非线性阻尼项;dv1表示横漂自由度的一阶速度变量的非线性阻尼项;dv2表示横漂自由度的二阶速度变量的非线性阻尼项;dv3表示横漂自由度的三阶速度变量的非线性阻尼项;dr1表示艏摇自由度的一阶速度变量的非线性阻尼项;dr2表示艏摇自由度的二阶速度变量的非线性阻尼项;dr3表示艏摇自由度的三阶速度变量的非线性阻尼项;kdx表示无人机在x轴方向的转动阻力系数;kdy表示无人机在y轴方向的转动阻力系数;kdz表示无人机在z轴方向的转动阻力系数;kox表示无人机在x轴方向的气动摩擦系数;koy表示无人机在y轴方向的气动摩擦系数;koz表示无人机在z轴方向的气动摩擦系数;Jr表示无人机转子惯量;ωr表示无人机旋翼转子角速度的合速度,其中,ωr=ω1-ω2+ω3-ω4,ωi,i=1,2,3,4为无人机四个旋翼转子的角速度;
无人船的前进推力τu、无人船的转船力矩τr、无人机的横摇力矩τφ、无人机的纵倾力矩τθ和无人机的艏摇力矩τψ与无人船的主机螺旋桨转速n,无人船的舵角δr和无人机旋翼的转子角速度的关系表示如下:
式中,ρw表示海水的密度,tp表示无人船螺旋桨的推力减额,Dp表示无人船螺旋桨直径,Jp表示无人船螺旋桨的前进系数,n表示无人船主机螺旋桨转速,Tu(·)表示无人船螺旋桨的增益函数,AR表示无人船的舵的面积,Λ表示舵的展弦比,xR表示无人船的重心的横坐标,xH表示无人船舵中心的横坐标;L表示无人船的船长,αH表示作用在无人船粗糙面上的水动力/力矩的尾流系数,UR表示舵的相对速度,δr表示无人船的舵角,Fr(·)表示无人船的舵的增益函数。M表示无人机的旋翼转子的增益矩阵;ωi,(i∈正整数)表示的是无人机的第i个旋翼的转子角速度;
式中,kp是取决于无人机旋翼转子的几何形状和空气密度的参数,cd表示无人机的阻力系数。
S2:根据所述无人船-无人机协同***的非线性***模型,设计无人船-无人机协同***的位置控制器和位置自适应律;
具体的,获取无人机-无人船的位置控制器和位置自适应律的步骤如下:
S21:计算无人船-无人机协同***的位置误差;首先计算无人船的参考位置:
假设无人船的参考轨迹由逻辑虚拟船型LVS实时规划产生,则
式中:xsl表示LVS的位置横坐标;ysl表示LVS的位置纵坐标;ψsl表示LVS的位置艏向角;usl表示LVS的前进速度;rsl表示LVS的艏摇角速度;
为了构建无人船和无人机之间的有效关联,利用等量映射原理将LVS的位置信息映射到无人机空间参考面上,为无人机提供实时的参考位置信息,即:
无人机的参考位置如下:
式中:xal表示无人机的参考位置横坐标,yal表示无人机的参考位置纵坐标;
其中,无人机的垂向参考位置zal通常为人工设定。
推导出无人船-无人机协同***的位置误差为:
式中,xse表示无人船的当前位置到期望位置的横坐标误差,yse表示无人船的当前位置到期望位置的纵坐标误差,zae表示无人机的当前位置到期望位置的垂向坐标误差;xae表示无人机的当前位置到期望位置的横坐标误差;yae表示无人机的当前位置到期望位置的纵坐标误差;zal表示无人机的垂向参考位置。
S22:设计位置控制器,以消除所述无人船-无人机协同***的位置误差;具体的,对所述无人船-无人机协同***的位置误差的消除分为两部分,一是对无人机-无人船位置信号的消除,即无人船-无人机协同***的位置环;二是对无人机-无人船协同***的姿态信号的消除,即即无人船-无人机协同***的姿态环;
所述位置控制器设计如下:
式中,αu表示无人船的前向自由度的位置控制器;αx表示无人机在x轴方向的位置控制器;αy表示无人机在y轴方向的位置控制器;αz表示无人机在z轴方向的位置控制器;ψse表示无人船的艏向误差,且ψse=ψs-ψsd,ψsd表示无人船的艏向参考信号,ku分别表示无人船的前向自由度的位置控制器αu的设计参数,kx无人机在x轴方向的位置控制器αx的设计参数,ky表示无人机在y轴方向的位置控制器αy的设计参数,kz表示无人机在z轴方向的位置控制器αz的设计参数,zue表示无人船的位置直线误差,kse,kax,kay,kaz均为正的设计参数;
由于位置控制器在接下来的求导中会引起很大的计算负载问题,因此引入动态面技术,对位置控制器的导数进行降阶处理,即,
式中,αif表示位置控制环中的动态面信号,s表示拉普拉斯算子,∈i为大于零的时间常数,且动态面误差qi=αif-αi;
定义uie=ui-αi,i=u,x,y,z,其中,uue表示无人船的前进速度误差;uxe表示无人机在x轴方向的速度误差;uye表示无人机在y轴方向的速度误差;uze表示无人机在z轴方向的速度误差;
为了便于控制器设计,我们定义两个变量满足ξn=n|n|,ξf=Ff,其中ξn和ξf均为中间变量,得到uie的导数,即,
S23:对无人船-无人机协同***的位置环设计无人船-无人机协同***的位置环事件触发条件,以对所述位置控制器进行控制;
由于无人船-无人机协同***存在模型不确定以及受外部干扰问题,控制输入需要实时更新控制命令来保证无人船-无人机协同***能够准确跟踪到期望路径,但是这会造成通信信道的低频资源占用,并且会造成执行器的磨损。因此,在本发明中将事件触发机制应用到无人船-无人机协同控制器设计中,分别对无人船-无人机协同***的位置环和姿态环设置触发条件,进行独立触发。
所述无人船-无人机协同***的位置环事件触发条件设计如下:
所述无人船-无人机协同***的位置环事件触发输入控制为:
所述无人船-无人机协同***的位置环事件触发条件为:
tk+1=inf{t>tk||em|>bmξm(t),m=n,f} (13)
因此,可以得到,
本实施例中的fu(·),fx(·),fy(·),fz(·)采用径向基函数神经网络进行在线逼近,所述通过径向基函数神经网络进行在线逼近的方法是现有技术,这里不进行详细展开。
因此,将fu(·),fx(·),fy(·),fz(·)进行径向基函数神经网络进行在线逼近,同时将公式(12)、公式(13)、公式(14)代入公式(11)中,于是:
Wu表示无人船前进自由度上的神经网络的权重,εu表示无人船前进自由度上的神经网络的逼近误差;Ss(νs)表示无人船非线性项的神经网络的基函数,Wx表示无人机在x轴方向上的神经网络的权重,εx表示无人机在x轴方向上的神经网络的逼近误差,Sa(νa)表示无人机非线性项的神经网络的基函数,Wy表示无人机在y轴方向上的神经网络的权重,εy表示无人机在y轴方向上的神经网络的逼近误差,Wz表示无人机在z轴方向上的神经网络的权重;εz表示无人机在z轴方向上的神经网络的逼近误差;
S24:设计无人船-无人机协同***的位置控制器和位置自适应律,以简化对所述位置控制器进行的控制;
所述无人船-无人机协同***的位置控制器设计如下:
所述位置自适应律设计如下:
式中,βu表示无人船在前进自由度的位置控制器的中间变量;βx表示无人机在x轴方向上的位置控制器的中间变量;βy表示无人机在y轴方向上的位置控制器的中间变量;βz表示无人机在y轴方向上的位置控制器的中间变量;kuu表示无人船在前进自由度的大于零的设计参数,kxx表示无人机在x轴方向上的大于零的设计参数,kyy表示无人机在y轴方向上的大于零的设计参数,kzz表示无人机在z轴方向上的大于零的设计参数;Γu表示无人船在前进自由度的大于零的自适应设计参数,Γx表示无人机在x轴方向上的大于零的自适应设计参数,Γy表示无人机在y轴方向上的大于零的自适应设计参数,Γz表示无人机在z轴方向上的大于零的自适应设计参数;γu表示无人船在前进自由度的大于零的自适应设计防横漂参数,γx表示无人机在x轴方向上的大于零的防横漂参数,γy表示无人机在y轴方向上的大于零的防横漂参数,γz表示无人机在z轴方向上的大于零的防横漂参数;
S3:根据所述无人船-无人机协同***的位置控制器和位置自适应律,获取无人船-无人机协同***的姿态参考信号;
具体的,所述无人船-无人机协同***的姿态参考信号包括无人机的横摇参考信号和无人机的纵摇参考信号,计算如下:
根据LVS-LVA制导体系中的无人船-无人机协同***与LVS-LVA之间的位置关系可以得到无人船-无人机协同***的艏向参考信号,进一步对无人机位置控制器进行非线性解耦,得到无人机的期望横摇角和纵摇角,
式中,ψsd表示无人船的参考艏向信号,ψad表示无人机的艏摇参考信号;φad表示无人机的横摇参考信号;θad表示无人机的纵摇参考信号。
S4:根据所述无人船-无人机协同***的姿态参考信号,设计无人船-无人机协同***的姿态控制器和姿态自适应律;所述设计无人船-无人机协同***姿态控制器和姿态自适应律的步骤如下:
S41:定义无人船-无人机协同***的姿态误差;以计算无人船-无人机协同***的姿态控制器;
所述无人船-无人机协同***的姿态误差包括无人船的艏向误差ψse;无人机的艏向误差ψae、无人机的横倾误差φae、无人机的纵倾误差θae;
式中,αr表示无人船的艏摇自由度的姿态控制器,αψ表示无人机在艏摇自由度上的姿态控制器,αφ表示无人机在横摇自由度上的姿态控制器,αθ表示无人机在纵摇自由度上的姿态控制器;kr为无人船的艏摇自由度的姿态控制器的大于零的设计参数;kψ为无人机在艏摇自由度上的姿态控制器的大于零的设计参数;kφ为无人机在横摇自由度上的姿态控制器的大于零的设计参数;kθ为无人机在纵摇自由度上的姿态控制器的大于零的设计参数;表示无人船的参考艏向信号的导数;表示无人机的艏摇参考信号的导数;表示无人机的横摇参考信号的导数;表示无人机的纵摇参考信号的导数;
与位置控制器设计过程类似,引入动态面技术消除姿态控制器求导引起的计算***问题,即,
式中,αjf表示姿态控制环中的动态面信号,s表示拉普拉斯算子,∈j为大于零的时间常数,且动态面误差qj=αjf-αj;
对无人船的艏摇速度误差、无人机的艏摇速度误差、无人机的横倾速度误差、无人机的纵倾速度误差进行求导,可得:
式中,rse为无人船的艏摇速度误差、rae为无人机的艏摇速度误差、pae为无人机的横倾速度误差、qae为无人机的纵倾速度误差。
S42:对无人船-无人机协同***的姿态环设计事件触发条件,以对所述姿态控制器进行控制;
为了便于无人船-无人机协同***的姿态环事件触发条件设计,我们定义变量ξr=δ,ξψ=τψ,ξφ=τφ,ξθ=τθ,对姿态环设置触发条件如下:
于是,无人船-无人机协同***的姿态环事件触发条件为
tk+1=inf{t>tk||ej|>bjξj(t),j=r,ψ,φ,θ} (23)
因此,可以得到,
式中,λj表示无人船-无人机协同***姿态信号的事件触发设计参数。
本实施例中的fu(·),fx(·),fy(·),fz(·)采用径向基函数神经网络进行在线逼近,所述通过径向基函数神经网络进行在线逼近的方法是现有技术,这里不进行详细展开。
将公式(22)、公式(23)、公式(24)带入公式(21),得
式中,Wr表示无人船艏摇自由度上的神经网络的权重,εr表示无人船艏摇自由度上的神经网络的逼近误差,Ss(νs)表示无人船非线性项的神经网络的基函数,Wψ表示无人机在艏摇自由度上的神经网络的权重,εψ表示无人机在艏摇自由度上的神经网络的逼近误差,Sa(νa)表示无人机非线性项的神经网络的基函数,Wφ表示无人机在横摇自由度上的神经网络的权重,εφ表示无人机在横摇自由度上的神经网络的逼近误差,Wθ表示无人机在纵摇自由度上的神经网络的权重;εθ表示无人机在纵摇自由度上的神经网络的逼近误差;
S43:设计无人船-无人机协同***的姿态控制器和姿态自适应律,以简化对所述姿态控制器进行的控制;
式中,krr表示无人船在艏摇自由度的大于零的设计参数,kψψ表示无人机在艏摇自由度上的大于零的设计参数,kφφ表示无人机在横摇自由度上的大于零的设计参数,kθθ表示无人机在纵摇自由度上的大于零的设计参数,Γr表示无人船在艏摇自由度的大于零的自适应设计参数;Γψ表示无人机在艏摇自由度上的大于零的自适应设计参数,Γφ表示无人机在横摇自由度上的大于零的自适应设计参数,Γθ表示无人机在纵摇自由度上的大于零的自适应设计参数,γr表示无人船在艏摇自由度的大于零的自适应设计防横漂参数;γψ表示无人机在艏摇自由度上的大于零的防横漂参数;γφ表示无人机在横摇自由度上的大于零的防横漂参数;γθ表示无人机在纵摇自由度上的大于零的防横漂参数;
S5:根据所述无人船-无人机协同***的位置控制器和位置自适应律、无人船-无人机协同***的姿态控制器和姿态自适应律和所述无人船-无人机协同***的非线性***模型,推导出无人机的转子角速度,以获取所述无人船-无人机协同***的控制输入。
具体的,根据所述无人船-无人机协同***的位置控制器和位置自适应律、无人船-无人机协同***的姿态控制器和姿态自适应律和所述无人船-无人机协同***的非线性***模型,推导出无人机的转子角速度如下:
为了验证所提控制策略的有效性和精确性,在Matlab仿真平台上进行数值实验。设置无人船航线如式(29)所示。
图1-图6展示了无人船-无人机协同***路径跟踪控制的仿真结果。图1表示无人船-无人机的协同路径跟踪轨迹。从图1中可以看出,无人船和无人机可以沿着期望的路线进行航行,并且控制性能良好。值得注意的是,LVA的路径是根据LVS的路径生成的。图2无人船的控制输入曲线,即主机转速和舵角变化曲线。从图中可以发现,由于外部干扰和模型不确定的存在,主机转速和舵角在小范围内震荡。图3为无人机的升力曲线,当控制***达到稳定状态时,升力稳定在4.85N,这与牛顿第三定律相符合。对于无人机,控制输入分配在转子上,四个转子的角速度变化过程如图4所示。其中图4(b)是图4(a)的局部放大细节,可以看出角速度具有对称性特征。从图2、图3和图4中可以看出,相比于不采用事件触发机制的控制输入,采用事件触发机制的控制输入呈现阶梯状变化,可以大大减少通信资源。图5为无人船和无人机在协同航行过程中的位置和航向误差。由于无人船有较大的惯性,因此,无人船的位置误差和航向误差变化较为平缓。图6表示位置控制器和姿态控制器的触发时间和触发间隔。
本发明在海空协同控制领域具有以下2点有益效果:
1)本发明的基于执行器输入触发的USV-UAV鲁棒自适应神经协同控制方法包括制导部分和控制部分,在制导部分,LVS-LVA制导原理能够依据无人船的计划航线实时规划无人机的参考路径,并且同时解算出无人船和无人机的艏向参考信号,为无人船和无人机建立了有效关联。在控制部分,径向基函数神经网络被用来逼近无人船-无人机协同***中的模型不确定部分,并且利用事件触发机制降低了主机转速、舵角和转子角速度对传输信道的资源占用,减少了执行器的磨损。本发明能够提升无人船-无人机协同航行控制性能。
2)通过无人船-无人机协同路径跟踪仿真实验验证了本发明的有效性,同时将主机转速、舵角和转子角速度作为控制输入更加符合工程实际。此外,无人船-无人机协同路径跟踪控制属于海空协同控制领域的重要应用,在海空协同海事搜救和协同巡查方面具有重要的应用前景。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,其特征在于,包括:
S1:建立无人船-无人机协同***的非线性***模型;
S2:根据所述无人船-无人机协同***的非线性***模型,设计无人船-无人机协同***的位置控制器和位置自适应律;
S3:根据所述无人船-无人机协同***的位置控制器和位置自适应律,获取无人船-无人机协同***的姿态参考信号;
S4:根据所述无人船-无人机协同***的姿态参考信号,设计无人船-无人机协同***的姿态控制器和姿态自适应律;
S5:根据所述无人船-无人机协同***的位置控制器和位置自适应律、无人船-无人机协同***的姿态控制器和姿态自适应律和所述无人船-无人机协同***的非线性***模型,推导出无人机的转子角速度,以获取所述无人船-无人机协同***的控制输入。
2.根据权利要求1所述的一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,其特征在于,所述S1中的无人船-无人机协同***的非线性***模型包括三自由度的无人船非线性模型和六自由度的无人机非线性模型;
所述三自由度的无人船非线性模型建立如下:
式中:表示的是求导数运算;xs表示无人船的前进位移;ys表示无人船的横漂位移;ψs表示无人船的艏摇角;us表示无人船的前进速度;vs表示无人船的横漂速度;rs表示无人船的艏摇速度;mu表示前进自由度的模型附加质量,mv表示横漂自由度的模型附加质量,mr表示艏摇自由度的模型附加质量,dwu表示无人船在前进自由度方向受到的外界干扰力/力矩;dwv表示无人船在横漂自由度方向受到的外界干扰力/力矩;dwr表示无人船在艏摇自由度方向受到的外界干扰力/力矩;τu表示无人船的前进推力;τr表示无人船的转船力矩;
所述六自由度的无人机非线性模型建立如下:
式中:xa表示无人机的前进位移;ya表示无人机的横漂位移;za表示的是无人机的生沉位移;φa表示的是无人机的横摇角;θa表示的是无人机的纵摇角;ψa表示无人机的艏摇角;uax表示无人机沿着ox轴的速度;uay表示无人机沿着oy轴的速度;uaz表示无人机沿着oz轴的速度;pa表示无人机沿着ox轴的转动角速度;qa表示无人机沿着oy轴的转动角速度;ra表示无人机沿着oz轴的转动角速度;m表示无人机质量,g表示重力加速度;Ff表示无人机四个旋翼转子力Fi,i=1,2,3,4的合力;dwx表示无人机在x轴方向受到的外界干扰力/力矩;dwy表示无人机在y轴方向受到的外界干扰力/力矩;dwz表示无人机在z轴方向受到的外界干扰力/力矩;dwφ表示无人机在横摇方向受到的外界干扰力/力矩;dwθ表示无人机在纵摇方向受到的外界干扰力/力矩;dwψ表示无人机在艏摇方向受到的外界干扰力/力矩;τφ表示无人机的横摇力矩;τθ表示无人机的纵倾力矩;τψ表示无人机的艏摇力矩;Ixx表示无人机在x轴方向的转动惯量;Iyy表示无人机在y轴方向的转动惯量;Izz表示无人机在z轴方向的转动惯量;d表示无人机的斜对角直径;
其中,
式中:fu(·)表示无人船在前进自由度方向上的非线性项;fv(·)表示无人船在横漂自由度方向上的非线性项;fr(·)表示无人船在艏摇自由度方向上的非线性项;fx(·)表示无人机在x轴方向上的非线性项;fy(·)表示无人机在y轴、方向上的非线性项;fz(·)表示无人机在z轴方向上的非线性项;fφ(·)表示无人机在横摇方向上的非线性项;fψ(·)表示无人机在横摇方向上的非线性项;fθ(·)表示无人机在纵摇方向上的非线性项;du1表示前进自由度的一阶速度变量的非线性阻尼项;du2表示前进自由度的二阶速度变量的非线性阻尼项;du3表示前进自由度的三阶速度变量的非线性阻尼项;dv1表示横漂自由度的一阶速度变量的非线性阻尼项;dv2表示横漂自由度的二阶速度变量的非线性阻尼项;dv3表示横漂自由度的三阶速度变量的非线性阻尼项;dr1表示艏摇自由度的一阶速度变量的非线性阻尼项;dr2表示艏摇自由度的二阶速度变量的非线性阻尼项;dr3表示艏摇自由度的三阶速度变量的非线性阻尼项;kdx表示无人机在x轴方向的转动阻力系数;kdy表示无人机在y轴方向的转动阻力系数;kdz表示无人机在z轴方向的转动阻力系数;kox表示无人机在x轴方向的气动摩擦系数;koy表示无人机在y轴方向的气动摩擦系数;koz表示无人机在z轴方向的气动摩擦系数;Jr表示无人机转子惯量;ωr表示无人机旋翼转子角速度的合速度,ωr=ω1-ω2+ω3-ω4,ωi,i=1,2,3,4为无人机旋翼转子的角速度;
式中,ρw表示海水的密度,tp表示无人船螺旋桨的推力减额,Dp表示无人船螺旋桨直径,Jp表示无人船螺旋桨的前进系数,n表示无人船主机螺旋桨转速,Tu(·)表示无人船螺旋桨的增益函数,AR表示无人船的舵的面积,Λ表示舵的展弦比,xR表示无人船的重心的横坐标,xH表示无人船舵中心的横坐标;L表示无人船的船长,αH表示作用在无人船粗糙面上的水动力/力矩的尾流系数,UR表示舵的相对速度,δr表示无人船的舵角,Fr(·)表示无人船的舵的增益函数;M表示无人机的旋翼转子的增益矩阵;ωi,(i∈正整数)表示的是无人机的第i个旋翼的转子角速度;
式中,kp是取决于无人机旋翼转子的几何形状和空气密度的参数,cd表示无人机的阻力系数。
3.根据权利要求2所述的一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,其特征在于,所述S2中,获取无人机-无人船的位置控制器和位置自适应律的步骤如下:
S21:计算无人船-无人机协同***的位置误差;
计算无人船的参考位置:
式中:xsl表示LVS的位置横坐标;ysl表示LVS的位置纵坐标;ψsl表示LVS的位置艏向角;usl表示LVS的前进速度;rsl表示LVS的艏摇角速度;
无人机的参考位置如下:
式中:xal表示无人机的参考位置横坐标,yal表示无人机的参考位置纵坐标;
推导出无人船-无人机协同***的位置误差为:
式中,xse表示无人船的当前位置到期望位置的横坐标误差,yse表示无人船的当前位置到期望位置的纵坐标误差,zae表示无人机的当前位置到期望位置的垂向坐标误差;xae表示无人机的当前位置到期望位置的横坐标误差;yae表示无人机的当前位置到期望位置的纵坐标误差;zal表示无人机的垂向参考位置;
S22:设计位置控制器,以消除所述无人船-无人机协同***的位置误差;具体的,对所述无人船-无人机协同***的位置误差的消除分为两部分,一是对无人机-无人船位置信号的消除,即无人船-无人机协同***的位置环;二是对无人机-无人船协同***的姿态信号的消除,即即无人船-无人机协同***的姿态环;
所述位置控制器设计如下:
式中,αu表示无人船的前向自由度的位置控制器;αx表示无人机在x轴方向的位置控制器;αy表示无人机在y轴方向的位置控制器;αz表示无人机在z轴方向的位置控制器;ψse表示无人船的艏向误差,且ψse=ψs-ψsd,ψsd表示无人船的艏向参考信号,ku分别表示无人船的前向自由度的位置控制器αu的设计参数,kx无人机在x轴方向的位置控制器αx的设计参数,ky表示无人机在y轴方向的位置控制器αy的设计参数,kz表示无人机在z轴方向的位置控制器αz的设计参数,zue表示无人船的位置直线误差,kse,kax,kay,kaz均为正的设计参数;
对位置控制器的导数进行降阶处理,即,
式中,αif表示位置控制环中的动态面信号,s表示拉普拉斯算子,∈i为大于零的时间常数,且动态面误差qi=αif-αi;
定义uie=ui-αi,i=u,x,y,z,其中,uue表示无人船的前进速度误差;uxe表示无人机在x轴方向的速度误差;uye表示无人机在y轴方向的速度误差;uze表示无人机在z轴方向的速度误差;
定义变量ξn=n|n|,ξf=Ff,其中ξn和ξf均为中间变量,得到uie的导数,即,
S23:对无人船-无人机协同***的位置环设计无人船-无人机协同***的位置环事件触发条件,以对所述位置控制器进行控制;
所述无人船-无人机协同***的位置环事件触发条件设计如下:
所述无人船-无人机协同***的位置环事件触发输入控制为:
所述无人船-无人机协同***的位置环事件触发条件为:
tk+1=inf{t>tk||em|>bmξm(t),m=n,f} (13)
因此,可以得到,
将fu(·),fx(·),fy(·),fz(·)进行径向基函数神经网络进行在线逼近,同时将公式(12)、公式(13)、公式(14)代入公式(11)中,于是:
Wu表示无人船前进自由度上的神经网络的权重,εu表示无人船前进自由度上的神经网络的逼近误差;Ss(νs)表示无人船非线性项的神经网络的基函数,Wx表示无人机在x轴方向上的神经网络的权重,εx表示无人机在x轴方向上的神经网络的逼近误差,Sa(νa)表示无人机非线性项的神经网络的基函数,Wy表示无人机在y轴方向上的神经网络的权重,εy表示无人机在y轴方向上的神经网络的逼近误差,Wz表示无人机在z轴方向上的神经网络的权重;εz表示无人机在z轴方向上的神经网络的逼近误差;
S24:设计无人船-无人机协同***的位置控制器和位置自适应律,以简化对所述位置控制器进行的控制;
所述无人船-无人机协同***的位置控制器设计如下:
所述位置自适应律设计如下:
式中,βu表示无人船在前进自由度的位置控制器的中间变量;βx表示无人机在x轴方向上的位置控制器的中间变量;βy表示无人机在y轴方向上的位置控制器的中间变量;βz表示无人机在y轴方向上的位置控制器的中间变量;kuu表示无人船在前进自由度的大于零的设计参数,kxx表示无人机在x轴方向上的大于零的设计参数,kyy表示无人机在y轴方向上的大于零的设计参数,kzz表示无人机在z轴方向上的大于零的设计参数;Γu表示无人船在前进自由度的大于零的自适应设计参数,Γx表示无人机在x轴方向上的大于零的自适应设计参数,Γy表示无人机在y轴方向上的大于零的自适应设计参数,Γz表示无人机在z轴方向上的大于零的自适应设计参数;γu表示无人船在前进自由度的大于零的自适应设计防横漂参数,γx表示无人机在x轴方向上的大于零的防横漂参数,γy表示无人机在y轴方向上的大于零的防横漂参数,γz表示无人机在z轴方向上的大于零的防横漂参数。
5.根据权利要求4所述的一种基于事件触发的无人船/机鲁棒自适应神经协同控制方法,其特征在于,所述S4中,设计无人船-无人机协同***姿态控制器和姿态自适应律的步骤如下:
S41:定义无人船-无人机协同***的姿态误差;以计算无人船-无人机协同***的姿态控制器;
所述无人船-无人机协同***的姿态误差包括无人船的艏向误差ψse;无人机的艏向误差ψae、无人机的横倾误差φae、无人机的纵倾误差θae;
式中,αr表示无人船的艏摇自由度的姿态控制器,αψ表示无人机在艏摇自由度上的姿态控制器,αφ表示无人机在横摇自由度上的姿态控制器,αθ表示无人机在纵摇自由度上的姿态控制器;kr为无人船的艏摇自由度的姿态控制器的大于零的设计参数;kψ为无人机在艏摇自由度上的姿态控制器的大于零的设计参数;kφ为无人机在横摇自由度上的姿态控制器的大于零的设计参数;kθ为无人机在纵摇自由度上的姿态控制器的大于零的设计参数;表示无人船的参考艏向信号的导数;表示无人机的艏摇参考信号的导数;表示无人机的横摇参考信号的导数;表示无人机的纵摇参考信号的导数;
式中,αjf表示姿态控制环中的动态面信号,s表示拉普拉斯算子,∈j为大于零的时间常数,且动态面误差qj=αjf-αj;
对无人船的艏摇速度误差、无人机的艏摇速度误差、无人机的横倾速度误差、无人机的纵倾速度误差进行求导,可得:
式中,rse为无人船的艏摇速度误差、rae为无人机的艏摇速度误差、pae为无人机的横倾速度误差、qae为无人机的纵倾速度误差;
S42:对无人船-无人机协同***的姿态环设计事件触发条件,以对所述姿态控制器进行控制;
对姿态环设置触发条件如下:
于是,无人船-无人机协同***的姿态环事件触发条件为
tk+1=inf{t>tk||ej|>bjξj(t),j=r,ψ,φ,θ} (23)
因此,可以得到,
式中,λj表示无人船-无人机协同***姿态信号的事件触发设计参数;
将公式(22)、公式(23)、公式(24)带入公式(21),得
式中,Wr表示无人船艏摇自由度上的神经网络的权重,εr表示无人船艏摇自由度上的神经网络的逼近误差,Ss(νs)表示无人船非线性项的神经网络的基函数,Wψ表示无人机在艏摇自由度上的神经网络的权重,εψ表示无人机在艏摇自由度上的神经网络的逼近误差,Sa(νa)表示无人机非线性项的神经网络的基函数,Wφ表示无人机在横摇自由度上的神经网络的权重,εφ表示无人机在横摇自由度上的神经网络的逼近误差,Wθ表示无人机在纵摇自由度上的神经网络的权重;εθ表示无人机在纵摇自由度上的神经网络的逼近误差;
S43:设计无人船-无人机协同***的姿态控制器和姿态自适应律,以简化对所述姿态控制器进行的控制;
式中,krr表示无人船在艏摇自由度的大于零的设计参数,kψψ表示无人机在艏摇自由度上的大于零的设计参数,kφφ表示无人机在横摇自由度上的大于零的设计参数,kθθ表示无人机在纵摇自由度上的大于零的设计参数,Γr表示无人船在艏摇自由度的大于零的自适应设计参数;Γψ表示无人机在艏摇自由度上的大于零的自适应设计参数,Γφ表示无人机在横摇自由度上的大于零的自适应设计参数,Γθ表示无人机在纵摇自由度上的大于零的自适应设计参数,γr表示无人船在艏摇自由度的大于零的自适应设计防横漂参数;γψ表示无人机在艏摇自由度上的大于零的防横漂参数;γφ表示无人机在横摇自由度上的大于零的防横漂参数;γθ表示无人机在纵摇自由度上的大于零的防横漂参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061488.3A CN114488803A (zh) | 2022-01-19 | 2022-01-19 | 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061488.3A CN114488803A (zh) | 2022-01-19 | 2022-01-19 | 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114488803A true CN114488803A (zh) | 2022-05-13 |
Family
ID=81472235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210061488.3A Pending CN114488803A (zh) | 2022-01-19 | 2022-01-19 | 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488803A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047909A (zh) * | 2023-01-13 | 2023-05-02 | 大连海事大学 | 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法 |
CN116360260A (zh) * | 2023-03-22 | 2023-06-30 | 大连海事大学 | 基于触发制导和自更新阈值的asv预设性能控制方法 |
CN117055578A (zh) * | 2023-09-21 | 2023-11-14 | 大连海事大学 | 低设计复杂需求的usv-uav协同路径跟踪控制方法 |
CN117193345A (zh) * | 2023-09-21 | 2023-12-08 | 大连海事大学 | 基于动态事件触发的机-船协同平台自主降落控制方法 |
CN117193344A (zh) * | 2023-09-21 | 2023-12-08 | 大连海事大学 | 基于同步制导的机/船协同多元任务事件触发控制方法 |
CN117454805A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于流体降阶仿真的风机尾流影响计算方法和*** |
CN117707162A (zh) * | 2023-01-16 | 2024-03-15 | 大连海事大学 | 基于改进lvs制导的无人帆船动态事件触发控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419428A (zh) * | 2021-07-14 | 2021-09-21 | 大连海事大学 | 基于3d映射制导的usv-uav协同路径跟踪自适应控制器设计方法 |
-
2022
- 2022-01-19 CN CN202210061488.3A patent/CN114488803A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419428A (zh) * | 2021-07-14 | 2021-09-21 | 大连海事大学 | 基于3d映射制导的usv-uav协同路径跟踪自适应控制器设计方法 |
Non-Patent Citations (1)
Title |
---|
JIQIANG LI等: "Robust Adaptive Neural Cooperative Control for the USV-UAV Based on the LVS-LVA Guidance Principle", 《JOURNAL OF MARINE SCIENCE AND ENGINEERING》, 3 January 2022 (2022-01-03) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047909A (zh) * | 2023-01-13 | 2023-05-02 | 大连海事大学 | 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法 |
CN116047909B (zh) * | 2023-01-13 | 2023-09-05 | 大连海事大学 | 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法 |
CN117707162A (zh) * | 2023-01-16 | 2024-03-15 | 大连海事大学 | 基于改进lvs制导的无人帆船动态事件触发控制方法 |
CN116360260A (zh) * | 2023-03-22 | 2023-06-30 | 大连海事大学 | 基于触发制导和自更新阈值的asv预设性能控制方法 |
CN116360260B (zh) * | 2023-03-22 | 2023-10-20 | 大连海事大学 | 基于触发制导和自更新阈值的asv预设性能控制方法 |
CN117055578A (zh) * | 2023-09-21 | 2023-11-14 | 大连海事大学 | 低设计复杂需求的usv-uav协同路径跟踪控制方法 |
CN117193345A (zh) * | 2023-09-21 | 2023-12-08 | 大连海事大学 | 基于动态事件触发的机-船协同平台自主降落控制方法 |
CN117193344A (zh) * | 2023-09-21 | 2023-12-08 | 大连海事大学 | 基于同步制导的机/船协同多元任务事件触发控制方法 |
CN117193344B (zh) * | 2023-09-21 | 2024-03-15 | 大连海事大学 | 基于同步制导的机/船协同多元任务事件触发控制方法 |
CN117193345B (zh) * | 2023-09-21 | 2024-03-26 | 大连海事大学 | 基于动态事件触发的机-船协同平台自主降落控制方法 |
CN117454805A (zh) * | 2023-12-22 | 2024-01-26 | 浙江远算科技有限公司 | 基于流体降阶仿真的风机尾流影响计算方法和*** |
CN117454805B (zh) * | 2023-12-22 | 2024-03-19 | 浙江远算科技有限公司 | 基于流体降阶仿真的风机尾流影响计算方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114488803A (zh) | 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 | |
CN111766899B (zh) | 一种基于干扰观测器的四旋翼无人机集群抗干扰编队控制方法 | |
Li et al. | A novel cooperative design for USV–UAV systems: 3-D mapping guidance and adaptive fuzzy control | |
CN109991991B (zh) | 一种无人直升机鲁棒容错跟踪方法 | |
Zheng et al. | Adaptive sliding mode relative motion control for autonomous carrier landing of fixed-wing unmanned aerial vehicles | |
CN113419428B (zh) | 基于3d映射制导的机/船协同路径跟踪控制器设计方法 | |
CN111538255B (zh) | 一种反蜂群无人机的飞行器控制方法及*** | |
CN116047909B (zh) | 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法 | |
CN112241125A (zh) | 一种基于微分平坦特性的无人机轨迹跟踪方法 | |
Muhammad et al. | Airship aerodynamic model estimation using unscented Kalman filter | |
CN111857165B (zh) | 一种水下航行器的轨迹跟踪控制方法 | |
CN112327926B (zh) | 一种无人机编队的自适应滑模控制方法 | |
CN107817818B (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
Timchenko et al. | Optimization of processes of robust control of quadcopter for monitoring of sea waters | |
CN113741433B (zh) | 一种水面无人船的分布式编队方法 | |
Sun et al. | Adaptive nonlinear relative motion control of quadrotors in autonomous shipboard landings | |
CN114237270A (zh) | 一种考虑输入饱和的无人直升机跟踪控制方法 | |
CN111435253A (zh) | 四旋翼飞行器有界输出控制 | |
CN106933237B (zh) | 一种平流层飞艇的被动容错控制方法 | |
CN117055604A (zh) | 一种无人飞艇误差受限移动路径跟踪控制方法 | |
CN117369252A (zh) | 一种水面无人船-水下无人艇异构协同轨迹跟踪方法 | |
Yoshitani | Flight trajectory control based on required acceleration for fixed-wing aircraft | |
CN116203840A (zh) | 可重复使用运载器自适应增益调度控制方法 | |
CN115657713A (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 | |
CN115686036A (zh) | 一种基于预设性能的变外形飞行器多维复合控制方法 |
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 |