CN115686002A - 一种复杂海域下的水面无人艇路径跟踪控制方法 - Google Patents
一种复杂海域下的水面无人艇路径跟踪控制方法 Download PDFInfo
- Publication number
- CN115686002A CN115686002A CN202211304752.8A CN202211304752A CN115686002A CN 115686002 A CN115686002 A CN 115686002A CN 202211304752 A CN202211304752 A CN 202211304752A CN 115686002 A CN115686002 A CN 115686002A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- unmanned ship
- surface vehicle
- path
- motion state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 235000012907 honey Nutrition 0.000 claims description 35
- 230000035945 sensitivity Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000003016 pheromone Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000036571 hydration Effects 0.000 claims description 3
- 238000006703 hydration reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000003071 parasitic effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 230000001186 cumulative effect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241000257303 Hymenoptera Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000003659 bee venom Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种复杂海域下的水面无人艇路径跟踪控制方法,通过北斗二代、组合导航、AIS设备输出实时无人艇运动状态信息。收无人艇的运动状态信息并对未来时刻的无人艇运动状态进行预测,并将预测值与参考值的误差反馈给滚动优化部分,构造无人艇路径偏差的优化函数,最后在有状态变量和控制输入的约束条件下优化函数求最优解,采用模型预测控制算法,基于改进人工蜂群优化的约束模型预测控制,得到最优命令舵角,并输出给无人艇运动控制***。采用基于改进人工蜂群的模型预测控制算法实现无人艇在风浪流时变干扰下能高精度地跟踪参考路径,且舵角变化小而平滑,有效地减少了不确定性的累积影响,提高了复杂海况下无人艇路径跟踪精度。
Description
技术领域
本发明属于无人水面无人艇控制技术领域,尤其是一种复杂海域下的水面无人艇路径跟踪控制方法。
背景技术
无人艇是一种日益被广泛应用的通用水面智能任务平台,它具有体积小、成本低、机动灵活、航速高、智能化、雷达反射面积小、无人员伤亡等特点。如图1所示的水面无人艇在海洋环境测量、海底地形地貌测量、海洋资源开发等领域中扮演着越来越重要的角色,具有广阔的应用前景。路径跟踪控制是水面无人艇实现精确航行和执行一些复杂循线测量测绘作业任务的关键技术之一,高精度路径跟踪是保障海洋地形地貌测量测绘精确的关键。路径跟踪是水面无人艇在海洋测量测绘领域应用需要重点解决的重难点问题,因此研究水面无人艇的路径跟踪控制对于提升水面无人艇的自动化、智能化水平及促进水面无人艇市场化具有重要的意义。
水面无人艇在复杂海况下航行时,会受到来自风、浪和流等海洋环境力的扰动,而且水面无人艇的模型参数会呈现出不确定性,所以需要有较强鲁棒性的控制方法来保证水面无人艇控制***的稳定性以及水面无人艇运动的精确性。
风、浪和流混合影响下的水面无人艇运动具有强非线性、强耦合性以及较大的不确定性,而且海洋环境中的高频干扰会引起状态变量的求导出现较大误差或无法求导,这个问题在***阶数较高时愈发明显。
发明内容
本发明的目的在于克服现有技术的不足,提出一种复杂海域下的水面无人艇路径跟踪控制方法,采用在线优化的模型预测算法解决复杂海况下海洋环境中风、浪、流对无人艇的干扰;同时采用基于改进人工蜂群优化的约束模型控制器使水面无人艇在风浪流时变干扰下能高精度地跟踪参考路径,且舵角变化小而平滑,有效地减少了不确定性的累积影响,提高了无人艇路径跟踪精度。
本发明解决其技术问题是采取以下技术方案实现的:
一种复杂海域下的水面无人艇路径跟踪控制方法,包括以下步骤:
步骤1、通过无人艇搭载的北斗二代、组合导航、AIS设备输出实时无人艇运动状态信息;
步骤2、考虑了风、浪、流干扰和舵机响应特性,构建模型预测控制器接收无人艇运动状态信息并对未来时刻的无人艇运动状态进行预测;
步骤3、并将预测值与参考值的误差反馈给滚动优化部分,构造无人艇路径偏差的优化函数;
步骤4、在有状态变量和控制输入的约束条件下对优化函数使用改进人工蜂群算法进行求最优解,得到最优命令舵角,并输出给无人艇运动控制***;
步骤5、无人艇运动控制***将继续将实际值反馈给控制器,返回步骤3进行滚动优化。
而且,所述步骤1中无人艇运动状态信息包括位置信息、航速信息和航向信息。
而且,所述步骤2中构建的模型预测控制器为:
其中,在水面无人艇运动坐标中,规定x轴指向正北,船首尾中心线与x轴的夹角即船首向角用表示。和Vc分别为流的流向和流速,ur为对水前进速度,vr为对水横移速度,对水合速度水面无人艇运动速度在oxyz坐标系上沿x轴和y轴上的分量分别为u和v,u为对地前进速度,v为对地横移速度,船首绕z轴旋转的角速度为r,对地合速度V=(u2+v2)1/2,漂角β=arctan(v/u),δ为舵角。δr为命令舵角,KE为舵机控制增益,TE为舵机时间常数,m为水面无人艇质量,mx和my为附加质量,XH、YH和NH为作用于船体的黏性类流体动力,XP、YP和NP为螺旋桨力,XW、YW和NW为风力,XWave、YWave和NWave为浪力,IZZ为水面无人艇绕竖直轴的惯性矩,JZZ为附加惯性矩,XR、YR和NR为舵力,tR是舵阻力减额份数,aH是操舵引起的船体附加横向力与舵横向力的比值,xH是操舵诱导船体横向力作用中心到水面无人艇重心的距离,FN是舵正压力。
而且,所述步骤2中对未来时刻的无人艇运动状态进行预测的具体实现方法为:
只考虑横向位移进行路径跟踪,从当前k时刻对未来NP个时刻的输出进行预测:
其中,j=1,2,…,NP,根据预测误差,构造优化函数:
其中,Q是权重矩阵。
而且,所述步骤4中改进人工蜂群算法为:采用基于灵敏度的自由搜索算法,将灵敏度与信息素配合的方式代替轮盘赌方式选择蜜源,其包括以下步骤:
步骤4.1、计算N各蜜源的适应度值f(X);
步骤4.2、计算第i个蜜源的信息素nf(i):
步骤4.3、随机产生第i个跟随蜂的灵敏度S(i)~U(0,1);
步骤4.4、找出配合第i个跟随蜂灵敏度的蜂源:随机找出i,满足nf(i)≤S(i)
其中,XjL为新蜜源Xj的第L维位置,XjH为,rand为蜜源Xj的第H维位置,Xbj为新蜜源Xb的第j维位置。
本发明的优点和积极效果是:
1、本发明采用在线优化的模型预测算法解决复杂海况下海洋环境中风、浪、流对无人艇的干扰。采用基于改进人工蜂群优化的约束模型控制器使水面无人艇在风浪流时变干扰下能高精度地跟踪参考路径,且舵角变化小而平滑,有效地减少了不确定性的累积影响,提高了无人艇路径跟踪精度。
2、本发明通过无人艇搭载的北斗二代、组合导航、AIS设备输出实时无人艇运动状态信息,构建模型预测控制器接收运动状态信息并对未来时刻的无人艇运动状态进行预测,并将预测值与参考值的误差反馈给滚动优化部分,构造无人艇路径偏差的优化函数,最后在有状态变量和控制输入的约束条件下优化函数求最优解,得到最优命令舵角,并输出给无人艇运动控制***。待下一时刻,无人艇运动控制***将继续将实际值反馈给控制器,进行滚动优化,以此类推,实现在复杂海况下高精度路径跟踪控制效果。采用本发明,舵角变化小而平滑,有效地减少了不确定性的累积影响,提高了无人艇路径跟踪精度。
附图说明
图1为海洋测量型水面无人艇;
图2位无人艇在海流干扰下的无人艇平面位置与运动参数;
图3为本发明的路径跟踪控制器结构图;
图4为本发明的直线路径跟踪路径效果图;
图5为本发明的曲线路径跟踪路径效果图;
具体实施方式
以下结合附图对本发明做进一步详述。
一种复杂海域下的水面无人艇路径跟踪控制方法,如图3所示,包括以下步骤:
步骤1、通过无人艇搭载的北斗二代、组合导航、AIS设备输出实时无人艇运动状态信息。无人艇运动状态信息包括位置信息、航速信息和航向信息。
步骤2、考虑了风、浪、流干扰和舵机响应特性,构建模型预测控制器接收无人艇运动状态信息并对未来时刻的无人艇运动状态进行预测。
其中考虑了风、浪、流干扰和舵机响应特性的模型预测控制器为:
其中,在水面无人艇运动坐标中,规定x轴指向正北,船首尾中心线与x轴的夹角即船首向角用表示。和Vc分别为流的流向和流速,ur为对水前进速度,vr为对水横移速度,对水合速度水面无人艇运动速度在oxyz坐标系上沿x轴和y轴上的分量分别为u和v,u为对地前进速度,v为对地横移速度,船首绕z轴旋转的角速度为r,对地合速度V=(u2+v2)1/2,漂角β=arctan(v/u),δ为舵角。δr为命令舵角,KE为舵机控制增益,TE为舵机时间常数,m为水面无人艇质量,mx和my为附加质量,XH、YH和NH为作用于船体的黏性类流体动力(矩),XP、YP和NP为螺旋桨力(矩),XW、YW和NW为风力(矩),XWave、YWave和NWave为浪力(矩),IZZ为水面无人艇绕竖直轴的惯性矩,JZZ为附加惯性矩,XR、YR和NR为舵力(矩):
tR是舵阻力减额份数,aH是操舵引起的船体附加横向力与舵横向力的比值,xH是操舵诱导船体横向力作用中心到水面无人艇重心的距离,FN是舵正压力。
对未来时刻的无人艇运动状态进行预测的具体实现方法为:
只考虑横向位移,便可实现路径跟踪。从当前k时刻对未来NP个时刻的输出进行预测:
其中,j=1,2,…,NP,根据预测误差,构造优化函数:
其中,Q是权重矩阵。通过求解QP二次型或者在约束条件δmin≤δ≤δmax下求解方程可以计算出最优控制律。由于MPC是利用计算机在线记性运算的,所有智能在线通过每步优化来计算控制律,而不能直接得出控制律的解析式。对于优化函数中所包含的多项干扰项,利用改进人工蜂群算法进行求解。
步骤4、在有状态变量和控制输入的约束条件下对优化函数使用改进人工蜂群算法进行求最优解,得到最优命令舵角,并输出给无人艇运动控制***。
在ABC优化算法中,种群包括采蜜蜂、观察蜂、侦察蜂,规模为2×SN,采蜜蜂和观察蜂均为SN。设在m维空间里,第i个蜜源位置可记为Xi=(xi1,xi2,...,xim),每个蜂源代表优化函数的一个优化解。
在ABC优化算法搜索最优蜜源的过程中,受粒子群优化算法启发,采蜜蜂和观察蜂均可以根据vij=xij+r1(xij-xkj)+r2(xbest,j-xij)搜索新的邻近蜜源。
其中,k,j是一个随机产生的整数,k∈1,2,...,SN,k≠i,j∈1,2,...,m,r1∈[-1,1]也是一个随机数,r2∈[0,1.5]也为一个随机数,xbest,j为全局最优解的第j个元素。
当人工蜂群首次求解约束二次规划时,全局最优初始解xbest从随机生成的解中选取,当非首次时,全局最优初始解xbest取上一次控制输入序列剩余m-1个控制输入分量作为人工蜂群全局最优初始值,即这将大大改善人工蜂群算法的求解效率。
人工蜂群算法函数优化效果较好,但由于采用轮盘赌选择方式使算法易陷入局部最优,而在迭代的过程中,每代的最差解会参与新解的产生从而影响了算法的收敛速度。为此,本发明在选择策略、最差解的替换方法方面做了改进[9]。
在ABC算法中,跟随蜂选择蜜源时在ABC算法中,跟随蜂选择蜜源时依据轮盘赌方式,这是一种基于贪婪策略的选择方式,会使种群多样性降低,从而在优化函数中引起过早收敛和提前停滞的现象。在此采用基于灵敏度的自由搜索算法,将灵敏度与信息素配合的方式代替轮盘赌方式选择蜜源。具体过程如下:
步骤4.1、计算N各蜜源的适应度值f(X);
步骤4.2、计算第i个蜜源的信息素nf(i):
步骤4.3、随机产生第i个跟随蜂的灵敏度S(i)~U(0,1);
步骤4.4、找出配合第i个跟随蜂灵敏度的蜂源:随机找出i,满足nf(i)≤S(i)。
在ABC算法迭代的过程中,引领蜂和跟随蜂毒可能依赖本代的最差蜜源按照nf(i)进行交叉操作产生新新蜜源,但最差蜜源几乎不可能对需要的最优结果做出贡献,这就在一定程度上影响了额算法的收敛速度。在此,采用改进策略产生新蜜源取代最差蜜源,具体方式如下:
如果新位置对应的蜜源更佳,则用其代替原蜜源位置。若通过人工蜂群得到的最优解为xbest,则优化函数最优解为:
根据模型预测控制的基本原理,最优解序列的第一个分量将作用在无人艇,在下一个采样时刻,再次测量状态变量并刷新优化函数所描述的优化问题,并重新求解。则约束MPC的闭环控制规律为:
步骤5、无人艇运动控制***将继续将实际值反馈给控制器,返回步骤3进行滚动优化。
根据上述一种复杂海域下的水面无人艇路径跟踪控制方法,以现有的海洋测量无人艇为仿真对象,在MATLAB中进行仿真,验证本发明的有效性。
海洋测量无人艇参数:吃水深度0.4m,满载吃水4.1t,船长:7.5m,宽2.8m,方形系数0.07,螺旋桨直径0.8m。设计了两条基本轨迹以验证控制器的有效性,分别为直线路径与曲线路径,仿真结果如下图4和图5所示。
由图3可看出,在时变干扰下无人艇能够准确地跟上参考路径,基本没有超调,舵角有一定的波动,以抵抗干扰。由图5可以看出,在风流时变干扰下,水面无人艇仍可以准确地跟踪曲线路径。从舵角的变化可看出,整个过程中舵角变化在较小的范围以抵抗干扰,舵角光滑,抖振较小。曲线路径跟踪与舵角变化的结果,说明了所设计的蜂群控制器能够有效地处理曲线跟踪过程。海上实艇试验验证方法的有效性,无人艇路径跟踪试验结果表明,无人艇在实测三级海况下进行路径跟踪试验,路径跟踪的最大偏差不超过10m,该方法具有可行性和实用性。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种复杂海域下的水面无人艇路径跟踪控制方法,其特征在于:包括以下步骤:
步骤1、通过无人艇搭载的北斗二代、组合导航、AIS设备输出实时无人艇运动状态信息;
步骤2、考虑了风、浪、流干扰和舵机响应特性,构建模型预测控制器接收无人艇运动状态信息并对未来时刻的无人艇运动状态进行预测;
步骤3、并将预测值与参考值的误差反馈给滚动优化部分,构造无人艇路径偏差的优化函数;
步骤4、在有状态变量和控制输入的约束条件下对优化函数使用改进人工蜂群算法进行求最优解,得到最优命令舵角,并输出给无人艇运动控制***;
步骤5、无人艇运动控制***将继续将实际值反馈给控制器,返回步骤3进行滚动优化。
2.根据权利要求1所述的一种复杂海域下的水面无人艇路径跟踪控制方法,其特征在于:所述步骤1中无人艇运动状态信息包括位置信息、航速信息和航向信息。
3.根据权利要求1所述的一种复杂海域下的水面无人艇路径跟踪控制方法的计算方法,其特征在于:所述步骤2中构建的模型预测控制器为:
其中,在水面无人艇运动坐标中,规定x轴指向正北,船首尾中心线与x轴的夹角即船首向角用表示。和Vc分别为流的流向和流速,ur为对水前进速度,vr为对水横移速度,对水合速度水面无人艇运动速度在oxyz坐标系上沿x轴和y轴上的分量分别为u和v,u为对地前进速度,v为对地横移速度,船首绕z轴旋转的角速度为r,对地合速度V=(u2+v2)1/2,漂角β=arctan(v/u),δ为舵角。δr为命令舵角,KE为舵机控制增益,TE为舵机时间常数,m为水面无人艇质量,mx和my为附加质量,XH、YH和NH为作用于船体的黏性类流体动力,XP、YP和NP为螺旋桨力,XW、YW和NW为风力,XWave、YWave和NWave为浪力,IZZ为水面无人艇绕竖直轴的惯性矩,JZZ为附加惯性矩,XR、YR和NR为舵力,tR是舵阻力减额份数,aH是操舵引起的船体附加横向力与舵横向力的比值,xH是操舵诱导船体横向力作用中心到水面无人艇重心的距离,FN是舵正压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304752.8A CN115686002A (zh) | 2022-10-24 | 2022-10-24 | 一种复杂海域下的水面无人艇路径跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304752.8A CN115686002A (zh) | 2022-10-24 | 2022-10-24 | 一种复杂海域下的水面无人艇路径跟踪控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115686002A true CN115686002A (zh) | 2023-02-03 |
Family
ID=85098935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211304752.8A Pending CN115686002A (zh) | 2022-10-24 | 2022-10-24 | 一种复杂海域下的水面无人艇路径跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115686002A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115979275A (zh) * | 2023-03-20 | 2023-04-18 | 中国船舶集团有限公司第七〇七研究所 | 一种海域全覆盖的能耗最优航路规划方法 |
CN117419731A (zh) * | 2023-12-19 | 2024-01-19 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
-
2022
- 2022-10-24 CN CN202211304752.8A patent/CN115686002A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115979275A (zh) * | 2023-03-20 | 2023-04-18 | 中国船舶集团有限公司第七〇七研究所 | 一种海域全覆盖的能耗最优航路规划方法 |
CN115979275B (zh) * | 2023-03-20 | 2023-05-12 | 中国船舶集团有限公司第七〇七研究所 | 一种海域全覆盖的能耗最优航路规划方法 |
CN117419731A (zh) * | 2023-12-19 | 2024-01-19 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
CN117419731B (zh) * | 2023-12-19 | 2024-03-12 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115686002A (zh) | 一种复杂海域下的水面无人艇路径跟踪控制方法 | |
CN101833338B (zh) | 无人潜航器垂直面欠驱动运动控制方法 | |
CN111026135B (zh) | 一种无人艇高性能航行前馈控制***及其控制方法 | |
CN113885534B (zh) | 一种基于智能预测控制的水面无人船路径跟踪方法 | |
Yang et al. | An improved stanley guidance law for large curvature path following of unmanned surface vehicle | |
CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
Zheng et al. | DDPG based LADRC trajectory tracking control for underactuated unmanned ship under environmental disturbances | |
Karapetyan et al. | Dynamic autonomous surface vehicle control and applications in environmental monitoring | |
CN114967702A (zh) | 一种无人艇控制***及路径跟踪方法 | |
Yuan et al. | Reaearch on underwater integrated navigation system based on SINS/DVL/magnetometer/depth-sensor | |
Yan et al. | Differential Evolution Algorithm‐Based Iterative Sliding Mode Control of Underactuated Ship Motion | |
CN113778082B (zh) | 一种基于自触发机制的无人车轨迹跟踪控制方法及*** | |
CN115357019A (zh) | 一种无人船多参数粒子群辨识***及方法 | |
Chen et al. | Path planning of underwater terrain-aided navigation based on improved artificial potential field method | |
CN114791735A (zh) | 无人船纠偏方法及*** | |
Li et al. | Energy-efficient space–air–ground–ocean-integrated network based on intelligent autonomous underwater glider | |
CN113625725A (zh) | 一种水面无人艇路径跟踪控制方法 | |
Deng et al. | Research on Path Following Control of Unmanned Surface Vehicle Based on Model Predictive Control with Improved Artificial Bee Colony Algorithm | |
Rodiana et al. | Software and hardware in the loop simulation of navigation system design based on state observer using Kalman filter for autonomous underwater glider | |
Xiao | Ship Dynamic Positioning Control Based on Nonlinear Fuzzy Algorithm for a Smart Port City | |
Sun et al. | Predicting the Trajectory tracking control of unmanned surface vehicle based on deep learning | |
Zhuang et al. | Path Planning for Unmanned Surface Vehicle based on genetic algorithm and sequential quadratic programming | |
Harris | Model-based cooperative acoustic navigation and parameter identification for underactuated underwater vehicles | |
Xu et al. | Guided Trajectory Filtering for Challenging Long-Range AUV Navigation | |
Zhou et al. | Development of an Adaptive Fuzzy Integral-Derivative Line-of-Sight Guidance Law for Bathymetric LiDAR Onboard USV |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Deng Lihui Inventor after: Guo Tingting Inventor after: Li Yuefang Inventor after: Fan Xin Inventor after: Yuan Rubin Inventor before: Deng Lihui Inventor before: Li Yuefang Inventor before: Guo Tingting Inventor before: Fan Xin Inventor before: Yuan Rubin |