基于动态反馈的AUV水平面路径跟踪控制

针对离散自治水下机器人水平面的路径跟踪控制问题,利用水下机器人的位置和姿态角量测信息,提出神经网络自适应输出反馈控制器.所设计的控制器包括3部分,镇定水下机器人动态系统线性部分的动态反馈控制器;神经网络控制器,用来补偿水下机器人受到环境干扰引起的水动力系数变化的不确定非线性结构;补偿环境扰动和神经网络带来的重构误差的鲁棒控制器.基于离散非线性系统理论,对水下机器人水平面跟踪误差系统进行分析,得到系统的跟踪误差最终一致有界.所提出的控制方法具有对模型精确度要求低的优点,利用INFANTE水下机器人模型进行仿真分析验证了提出的控制算法的有效性.     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.     

基于最小扰动BP算法的水下机器人运动控制

针对神经网络学习中学习率起到的重要作用,本文提出一种基于最小扰动的神经网络BP算法,通过建立一个计算动态学习率的算法,在不影响网络学习的情况下,使得网络权值的变化最小,从而提高神经网络的稳定性和收敛的速度,作者运用该神经网络算法设计了水下机器人的运动控制器,实验结果表明,该算法具有良好的学习能力,据此设计的控制器控制效果良好,具有实用价值。     

可容错的遥控水下机器人递归神经网络控制

针对遥控水下机器人(ROV)需要长时间稳定可靠工作的问题,提出递归模糊神经网络及可容错分配推力的控制方法．使用扩展函数链改进递归模糊神经网络控制器,提高了控制器对机器人非线性特性的识别和处理能力;基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据微粒群优化确定学习率参数,从而保证整个网络的收敛性;在推力分配方面,针对开架式遥控水下机器人的两种推力器布置形式进行建模,将容错问题转化为对偶优化问题,建立能量函数实现故障条件下的推力优化分配．实验结果表明,所设计控制器不仅增强了遥控水下机器人对干扰的反应能力,并且提高了对机器人非线性特性的控制能力,减少了控制误差．当部分主推或侧推等推力器失效时,仍可以通过推力优化分配实现机器人在水平面上的准确位置控制,从而保证了遥控水下机器人长时间可靠工作．     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

基于神经网络的水下机器人航向角跟踪控制

以能量消耗量作为评价函数进行水下机器人运行规划的结果得到随时间变化的目标航向角和理论控制输出。本文探讨基于神经网络的追踪控制器以实现在运动控制过程中对水下机器人被规划航向角进行追踪控制,并探讨实际控制输出与理论控制输出的一致性问题以实现运动过程消耗的操作能量较小。水下机器人“Twin-Burger“航向角控制的游泳池实验结果验证了本文所提出方法的有效性和可行性。     

基于水下目标抓取的UVMS抗扰控制方法研究

水下机器人-机械臂系统（UVMS）在水下作业过程中存在自身结构不确定性干扰、系统动力学耦合干扰以及海流干扰的问题,这对水下机器人的运动控制提出了更高的要求。本文以某欠驱动水下机器人系统作为研究对象,提出了一种误差受限的抗干扰控制方法。基于视线法和设定性能函数得到UVMS的误差动力学模型,再基于此模型设计水下机器人（AUV）抗扰控制器。通过牛顿-欧拉方程估算机械臂对于AUV本体的耦合干扰并进行实时补偿。采用神经网络控制补偿AUV系统的结构性不确定性,并利用自适应控制来补偿神经网络估计误差、非结构性不确定性误差和机械臂耦合干扰的补偿误差。通过机械臂静止和定点作业两组工况下的仿真实验发现,运动控制任务符合设定预期时间和跟踪精度,同时也验证了分离式UVMS运动控制方案在水下定点作业任务中的可行性和有效性。本文方法具有很强的鲁棒性,且能够通过此抗扰控制方法来抑制这些不确定性干扰的影响。     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

水下机器人-机械手系统非奇异终端滑模控制

针对复杂集总干扰下水下机器人-机械手系统的轨迹跟踪控制难题, 提出基于时延估计的非奇异终端滑模控制方法. 该方法以时延估计为基础架构,利用非奇异终端滑模控制的强鲁棒性, 实现复杂集总干扰下系统高性能的轨迹跟踪控制. 受益于时延估计无需动力学模型的特性和非奇异终端滑模控制的强鲁棒性, 所提算法具有优异的控制性能、良好的鲁棒性和工程易用性. 以实验室搭建的一型水下机器人-机械手系统为研究对象, 展开9自由度数值仿真和7自由度水池试验研究, 结果表明：在未知复杂集总干扰下, 利用相同的控制增益, 所提控制方法相对传统时延估计控制可以保证更优的综合控制性能, 前者系统末端定位精度为0.038 m, 而后者仅为0.067 m.     

基于自适应区域跟踪的自主式水下机器人容错控制

研究自主式水下机器人(autonomous underwater vehicle, AUV)的推进器自适应区域跟踪容错控制方法。 与传统的自主式水下机器人容错控制方法不同,采用区域跟踪控制思想,将控制目标设定为以期望轨迹为中心的空间区域。 针对系统中存在的不确定性及推进器故障问题,采用神经网络进行在线辨识。 考虑到推进器故障时存在推力饱和而导致神经网络学习发散的问题,提出一种包含饱和因子的神经网络权值调整方法。 通过仿真,对所提方法的有效性进行验证。