CN116047886B - 一种基于神经网络的管道潜航机器人控制方法及*** - Google Patents
一种基于神经网络的管道潜航机器人控制方法及*** Download PDFInfo
- Publication number
- CN116047886B CN116047886B CN202211623646.6A CN202211623646A CN116047886B CN 116047886 B CN116047886 B CN 116047886B CN 202211623646 A CN202211623646 A CN 202211623646A CN 116047886 B CN116047886 B CN 116047886B
- Authority
- CN
- China
- Prior art keywords
- control
- output
- robot
- underwater robot
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000867466 Homo sapiens Segment polarity protein dishevelled homolog DVL-2 Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 102100032753 Segment polarity protein dishevelled homolog DVL-2 Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于神经网络的管道潜航机器人控制方法及***,包括以下步骤:潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;估计潜航机器人的实时姿态角;计算潜航机器人的控制输出;采用推力分配矩阵将控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;潜航机器人根据电机推进器上的控制信号值使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制。本发明能提高不确定负载下潜航器姿态的稳定性,并解决PID控制器参数的在线调节问题,提高控制***性能。
Description
技术领域
本发明涉及城市管线自动化检测领域,具体涉及一种基于神经网络的管道潜航机器人控制方法及***。
背景技术
管道作为运输手段,在石油、化工、国防、天然气、排污等多个领域应用广泛,极大方便了人类社区,同时也带来了巨大的经济效益。然而,随着管道服役时间的增加,其内壁会附着大量黏性污物,除此之外,在腐蚀和重压等因素耦合作用下,管道内壁不可避免地出现脱节、破裂、错位、塌陷现象,上述因素不仅影响运输效率,而且带来了安全隐患,甚至产生严重的经济损失。尽管暴雨是天灾,但如果建设了高标准的排水基础设施,并对堵塞的管线进行及时的检查和清理,可将财产的损失降到最低,避免人员伤亡。因此,通过及时有效的方法对管道进行全面的维护和故障排查,提高管道运行的安全性,能够减少国家的经济损失,保障生态环境的稳定,。
对于地下管道健康状态检测的工作,由于其环境的特殊性与复杂性,针对满水环境,目前业界主要采用装载摄像头的潜航机器人采集管道内的可视化信息,并将视频数据传输至智能检测平台***,由专业工程师对可视化信息进行检查判读,从而完成管道健康状态的检测。为了顺利完成潜航机器人在狭隘管道空间中的移动,需设计合适的姿态控制策略以及姿态检测算法。然而,管道环境恶劣,且水流流速时变,基于单一IMU传感器的姿态检测容易形成严重的数值漂移现象。此外,传统的PID控制器虽结构简单、易操作,但实际的控制效果取决于控制器参数整定优劣与否,控制器参数无法在线调节,在水流流速时变以及被控对象模型不准确的前提下,容易造成控制效果不佳的状态,最终影响控制的精度。
发明内容
本发明针对现有技术中的不足,提供一种基于神经网络的管道潜航机器人控制方法及***,提高潜航机器人的姿态估计精度以及控制的稳定性。
为实现上述目的,本发明采用以下技术方案:
一种基于神经网络的管道潜航机器人控制方法,包括以下步骤:
步骤一、潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;
步骤二、估计潜航机器人的实时姿态角;
步骤三、计算潜航机器人的控制输出;
步骤四、采用推力分配矩阵将步骤三中的控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;
步骤五、潜航机器人根据电机推进器上的控制信号值使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制。
为优化上述技术方案,采取的具体措施还包括:
步骤一中,所述的控制指令包括偏航指令、俯仰指令、横滚指令和深度指令;控制指令通过岸上工作人员通过控制手柄向潜航机器人发送。
步骤二中,通过采集惯性测量单元IMU的角速度和加速度信息,计算潜航机器人的实时姿态角;采集多普勒计程仪DVL的测速信息后进行混响处理,构建多普勒计程仪DVL和惯性测量单元IMU的信息融合模型,并运用自适应卡尔曼滤波器估计出潜航机器人的实时姿态角信息。
步骤三中,通过自动控制***的控制环路中的前馈控制环路和反馈串级控制环路结合的方式计算出潜航机器人的控制输出。
步骤四中,电机推进器上的控制信号值为脉冲宽度调制PWM值。
步骤五中,潜航机器人的主控板调节对应电调上的脉冲宽度调制PWM值,完成对潜航机器人的姿态控制。
基于神经网络的PID控制器的参数调节方式如下:
步骤1、网络初始化:根据潜航机器人控制***的输入输出序列确定网络输入层的节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值a、输出层阈值b,给定学习速率和神经元激励函数;
步骤2、隐含层输出计算:根据输入向量和连接输入层与隐含层的权值ωij以及隐含层阈值a,计算隐含层输出H;
步骤3、输出层输出计算:根据隐含层输出H,连接隐含层与输出层的权值ωjk和输出层阈值b,计算BP神经网络输出O;
步骤4、误差计算:根据BP神经网络输出O和期望输出Y,计算网络误差e;
步骤5、权值更新:根据网络预测误差e更新连接输入层与隐含层的权值ωij,连接隐含层与输出层的权值ωjk;
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2,否则输出PID算法的比例调节系数Kp、积分调节系数Ki、微分调节系数Kd。
本发明还保护一种基于神经网络的管道潜航机器人控制***,包括:
指令接收模块,用于潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;
实时姿态角计算模块,用于估计潜航机器人的实时姿态角;
控制输出计算模块,用于计算潜航机器人的控制输出;
控制输出转化模块,用于采用推力分配矩阵将控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;
姿态角调整模块,用于潜航机器人根据电机推进器上的控制信号值,使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制。
本发明还保护一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现上述的基于神经网络的管道潜航机器人控制方法。
本发明还保护一种计算机可读存储介质,存储有计算机程序,所述计算机程序使计算机执行上述的基于神经网络的管道潜航机器人控制方法。
本发明的有益效果是:
本发明在潜航机器人的控制环路中,采用前馈和串级反馈的控制策略完成推进器的推力计算,从而提高不确定负载下潜航器姿态的稳定性;与PID控制相结合,实现对PID参数的实时整定,解决了PID控制器参数的在线调节问题,弥补传统PID控制复杂非线性***的不稳定性问题,提高控制***性能。
附图说明
图1为本发明的整体结构示意图;
图2为本发明中IMU/DVL姿态检测流程图;
图3为本发明中惯性导航粗对准程序流程图;
图4为本发明中基于神经网络的PID控制参数调节流程图。
图中:1、推进器,2、多普勒计程仪DVL,3、主控板,4、惯性测量单IMU,5、电池仓。
具体实施方式
以下通过实施例的形式对本发明的上述内容再作进一步的详细说明,但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明上述内容所实现的技术均属于本发明的范围。
本发明采用的管道潜航机器人结构如图1所示,主要机械结构部分包括:推进器1、多普勒计程仪DVL2、主控板3、惯性测量单IMU4和电池仓5。惯性测量单IMU4和主控板固定在亚克力管中,以USB的方式连接,惯性测量单IMU4内部集成了三轴加速度计和三轴陀螺仪,测量载体的加速度和角速度信息;管道潜航机器人还搭载了多普勒计程仪DVL,利用多普勒效应测量潜航器的实时速度;电池仓5内部包括了一款大容量的锂电池,作为潜航机器人的电力来源。
在一实施例中,本发明提出了一种基于神经网络的管道潜航机器人控制方法,包括以下步骤:
步骤1:岸上工作人员通过手柄不断向潜航机器人发送控制指令,控制指令为偏航指令、俯仰指令、横滚指令或深度指令,潜航机器人的主控板接收到指令后将其转化为控制***中的目标值变量;
步骤2:结合多普勒计程仪DVL和惯性测量单元IMU传感器的输出,构建二者的信息融合模型,同时运用自适应卡尔曼滤波器估计出潜航器的实时姿态角信息,如图2所示;
步骤3:自动控制***中,完整的控制环路包括前馈控制环路和反馈串级控制环路,通过前馈控制环路和反馈串级控制环路结合的方式计算出相应的控制输出;
步骤4:采用推力分配矩阵将步骤3中的输出转化为电机推进器上的脉冲宽度调制PWM值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵,如图3所示;
步骤5:主控板调节对应电调上的脉冲宽度调制PWM数值,使潜航机器人从实时姿态角调整至目标值变量,最终完成潜航器姿态的控制。
如图4所示为基于神经网络的PID控制参数调节流程图,具体步骤如下:
步骤1、网络初始化:根据潜航机器人控制***的输入输出序列确定网络输入层的节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值a、输出层阈值b,给定学习速率和神经元激励函数;
步骤2、隐含层输出计算:根据输入向量和连接输入层与隐含层的权值ωij以及隐含层阈值a,计算隐含层输出H;
步骤3、输出层输出计算:根据隐含层输出H,连接隐含层与输出层的权值ωjk和输出层阈值b,计算BP神经网络输出O;
步骤4、误差计算:根据BP神经网络输出O和期望输出Y,计算网络误差e;
步骤5、权值更新:根据网络预测误差e更新连接输入层与隐含层的权值ωij,连接隐含层与输出层的权值ωjk;
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2,否则输出PID算法的比例调节系数Kp、积分调节系数Ki、微分调节系数Kd。
在另一实施例中,本发明提出了一种基于神经网络的管道潜航机器人控制***,包括:
指令接收模块,用于潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;
实时姿态角计算模块,用于估计潜航机器人的实时姿态角;
控制输出计算模块,用于计算潜航机器人的控制输出;
控制输出转化模块,用于采用推力分配矩阵将控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;
姿态角调整模块,用于潜航机器人根据电机推进器上的控制信号值,使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制。
在另一实施例中,本发明提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现上述的基于神经网络的管道潜航机器人控制方法。
在另一实施例中,本发明提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序使计算机执行如上述的基于神经网络的管道潜航机器人控制方法。
在本申请所公开的实施例中,计算机存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于神经网络的管道潜航机器人控制方法,其特征在于,包括以下步骤:
步骤一、潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;所述的控制指令包括偏航指令、俯仰指令、横滚指令和深度指令;控制指令通过岸上工作人员通过控制手柄向潜航机器人发送;
步骤二、估计潜航机器人的实时姿态角;通过采集惯性测量单元IMU的角速度和加速度信息,计算潜航机器人的实时姿态角;采集多普勒计程仪DVL的测速信息后进行混响处理,构建多普勒计程仪DVL和惯性测量单元IMU的信息融合模型,并运用自适应卡尔曼滤波器估计出潜航机器人的实时姿态角信息;
步骤三、计算潜航机器人的控制输出;
步骤四、采用推力分配矩阵将步骤三中的控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;
步骤五、潜航机器人根据电机推进器上的控制信号值使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制;
步骤三中,通过自动控制***的控制环路中的前馈控制环路和反馈串级控制环路结合的方式计算出潜航机器人的控制输出;
基于神经网络的PID控制器的参数调节方式如下:
步骤1、网络初始化:根据潜航机器人控制***的输入输出序列确定网络输入层的节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值a、输出层阈值b,给定学习速率和神经元激励函数;
步骤2、隐含层输出计算:根据输入向量和连接输入层与隐含层的权值ωij以及隐含层阈值a,计算隐含层输出H;
步骤3、输出层输出计算:根据隐含层输出H,连接隐含层与输出层的权值ωjk和输出层阈值b,计算BP神经网络输出O;
步骤4、误差计算:根据BP神经网络输出O和期望输出Y,计算网络误差e;
步骤5、权值更新:根据网络预测误差e更新连接输入层与隐含层的权值ωij,连接隐含层与输出层的权值ωjk;
步骤6、判断算法迭代是否结束,若没有结束,返回步骤2,否则输出PID算法的比例调节系数Kp、积分调节系数Ki、微分调节系数Kd。
2.根据权利要求1所述的基于神经网络的管道潜航机器人控制方法,其特征在于:步骤四中,电机推进器上的控制信号值为脉冲宽度调制PWM值。
3.根据权利要求2所述的基于神经网络的管道潜航机器人控制方法,其特征在于:步骤五中,潜航机器人的主控板调节对应电调上的脉冲宽度调制PWM值,完成对潜航机器人的姿态控制。
4.一种实现权利要求1所述的基于神经网络的管道潜航机器人控制方法的***,其特征在于,包括:
指令接收模块,用于潜航机器人接收控制指令并将控制指令转化为控制***中的目标值变量;所述的控制指令包括偏航指令、俯仰指令、横滚指令和深度指令;控制指令通过岸上工作人员通过控制手柄向潜航机器人发送;
实时姿态角计算模块,用于估计潜航机器人的实时姿态角;通过采集惯性测量单元IMU的角速度和加速度信息,计算潜航机器人的实时姿态角;采集多普勒计程仪DVL的测速信息后进行混响处理,构建多普勒计程仪DVL和惯性测量单元IMU的信息融合模型,并运用自适应卡尔曼滤波器估计出潜航机器人的实时姿态角信息;
控制输出计算模块,用于计算潜航机器人的控制输出;
控制输出转化模块,用于采用推力分配矩阵将控制输出转化为电机推进器上的控制信号值,其中推力分配矩阵为预先构建,且通过基于神经网络的PID控制器输出至推力分配矩阵;
姿态角调整模块,用于潜航机器人根据电机推进器上的控制信号值,使潜航机器人从实时姿态角调整至目标值变量,完成对潜航机器人的姿态控制。
5.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如权利要求1-3任一项所述的基于神经网络的管道潜航机器人控制方法。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序使计算机执行如权利要求1-3任一项所述的基于神经网络的管道潜航机器人控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623646.6A CN116047886B (zh) | 2022-12-16 | 2022-12-16 | 一种基于神经网络的管道潜航机器人控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623646.6A CN116047886B (zh) | 2022-12-16 | 2022-12-16 | 一种基于神经网络的管道潜航机器人控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116047886A CN116047886A (zh) | 2023-05-02 |
CN116047886B true CN116047886B (zh) | 2024-02-20 |
Family
ID=86126498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623646.6A Active CN116047886B (zh) | 2022-12-16 | 2022-12-16 | 一种基于神经网络的管道潜航机器人控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047886B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117184382B (zh) * | 2023-11-07 | 2024-01-19 | 成都诸元天成智能装备有限公司 | 用于潜航器实时姿态的稳定*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102485591A (zh) * | 2010-12-04 | 2012-06-06 | 中国科学院沈阳自动化研究所 | 一种微型水下机器人矢量布置推进器推力分配方法及装置 |
US8468108B1 (en) * | 2009-06-30 | 2013-06-18 | Zytek Communications Corporation | Modeling efficiency over a range of velocities in underwater vehicles |
CN107315348A (zh) * | 2017-07-04 | 2017-11-03 | 哈尔滨工程大学 | 一种基于惩罚式小波网络的无人潜航器位姿控制装置及方法 |
CA3067575A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Self-learning autonomous navigation systems and methods for unmanned underwater vehicle |
CN212766696U (zh) * | 2020-07-27 | 2021-03-23 | 深圳市吉影科技有限公司 | 水下机器人运动控制***及水下机器人 |
CN115437389A (zh) * | 2022-08-12 | 2022-12-06 | 广州大学 | 一种基于海扁虫仿生的水下机器人以及抗干扰控制方法 |
-
2022
- 2022-12-16 CN CN202211623646.6A patent/CN116047886B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8468108B1 (en) * | 2009-06-30 | 2013-06-18 | Zytek Communications Corporation | Modeling efficiency over a range of velocities in underwater vehicles |
CN102485591A (zh) * | 2010-12-04 | 2012-06-06 | 中国科学院沈阳自动化研究所 | 一种微型水下机器人矢量布置推进器推力分配方法及装置 |
CN107315348A (zh) * | 2017-07-04 | 2017-11-03 | 哈尔滨工程大学 | 一种基于惩罚式小波网络的无人潜航器位姿控制装置及方法 |
CA3067575A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Self-learning autonomous navigation systems and methods for unmanned underwater vehicle |
CN212766696U (zh) * | 2020-07-27 | 2021-03-23 | 深圳市吉影科技有限公司 | 水下机器人运动控制***及水下机器人 |
CN115437389A (zh) * | 2022-08-12 | 2022-12-06 | 广州大学 | 一种基于海扁虫仿生的水下机器人以及抗干扰控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116047886A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110333739B (zh) | 一种基于强化学习的auv行为规划及动作控制方法 | |
CN107479368B (zh) | 一种基于人工智能的训练无人机控制模型的方法及*** | |
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 | |
CN101833338B (zh) | 无人潜航器垂直面欠驱动运动控制方法 | |
Li et al. | Robust adaptive motion control for underwater remotely operated vehicles with velocity constraints | |
CN107255923B (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 | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
Wang et al. | Roboat II: A novel autonomous surface vessel for urban environments | |
JP4495703B2 (ja) | 水中ロボットの動作制御方法、装置及びプログラム | |
Sun et al. | AUV path following controlled by modified Deep Deterministic Policy Gradient | |
CN109186610B (zh) | 一种auv地形匹配导航的鲁棒bslam方法 | |
CN109784201B (zh) | 基于四维风险评估的auv动态避障方法 | |
JP2007317165A (ja) | 自律移動ロボットの動作計画方法、自律移動ロボットの動作計画方法を利用した自律移動ロボットの制御方法、自律移動ロボットの動作計画装置、自律移動ロボットの動作計画プログラム及びその記録媒体、自律移動ロボットの制御プログラム | |
CN112904890B (zh) | 一种电力线路的无人机自动巡检***及方法 | |
CN108983774B (zh) | 一种基于模糊状态观测器的单喷泵推进无人水面艇自适应航向控制方法 | |
Shen et al. | Model predictive control for an AUV with dynamic path planning | |
CN116047886B (zh) | 一种基于神经网络的管道潜航机器人控制方法及*** | |
Beser et al. | COLREGS based path planning and bearing only obstacle avoidance for autonomous unmanned surface vehicles | |
CN113033118B (zh) | 一种基于示范数据强化学习技术的水下航行器自主上浮控制方法 | |
CN111026135B (zh) | 一种无人艇高性能航行前馈控制***及其控制方法 | |
Li et al. | Event-triggered robust adaptive control for path following of the URS in presence of the marine practice | |
CN114217603A (zh) | 一种多无人船编队安全优化控制*** | |
CN113031632B (zh) | 一种适用于潜航器水面回收的控制***及其控制方法 | |
Liang et al. | Energy conservation control strategy of autonomous underwater vehicle for ocean search | |
CN113805585B (zh) | 一种复杂约束下的移动机器人跟踪控制方法 |
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 |