一种新的AUV路径跟踪控制方法

研究了自主水下航行器(AUV)的路径跟踪问题,将跟踪控制问题分为导引和控制2部分.导引部分基于视线导引(Line of Sight)原理输出AUV的参考航向,针对AUV的参数不确定性及海流干扰等特点,航向控制器采用变结构控制律计算舵角控制输入,在此基础上,将航向控制器与路径跟踪控制器并行结合,构造了文中提出的混合型路径跟踪控制器.文章从理论上证明了控制律的稳定性,仿真结果表明,所设计的控制律可以保证AUV沿期望路径航行,路径跟踪误差快速收敛.     

海流干扰下的欠驱动AUV三维路径跟踪控制

为解决存在海流干扰和模型不确定性情况下欠驱动自主水下航行器(AUV)的三维路径跟踪控制问题,首先在Serret-Frenet坐标系下,基于虚拟向导建立了跟踪误差模型.然后,在运动学控制器中基于李雅普诺夫(Lyapunov)理论和反步法设计具有自适应律的虚拟向导和一种改进的积分视线法(ILOS)导引律,克服了海流的干扰并减少了超调.应用反步自适应滑模控制(BASMC)理论设计动力学控制器,保证了系统的稳定性和鲁棒性.最后,应用非线性级联理论证明了整个控制系统的闭环稳定性.仿真结果表明:基于AUV与流体的相对速度来实现的控制律,便于工程应用.该控制器能够有效克服海流和模型不确定的影响,实现对三维路径的跟踪.     

复杂道路智能汽车运动综合控制策略

针对复杂道路场景，设计出一种集路径跟踪、避障和漂移于一体的智能汽车综合控制器.路径跟踪和避障控制器的设计采用模型预测控制(Model Predictive Control, MPC)原理，漂移控制器采用线性二次型调节器(Linear Quadratic Regulator, LQR)原理.车辆路径跟踪行驶时，若遇到障碍物，启动避障控制器进行局部路径规划，以完成避障，还可以在指定弯道区域进行极限漂移运动，使车辆漂移过弯.基于Matlab对控制器进行仿真验证，结果表明：在满足行驶安全性的前提下，该控制器能在复杂道路场景下实现车辆自主跟踪、局部避障和漂移过弯.     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

AUV的精确航迹跟踪系统的鲁棒控制

为了解决外界海洋环境干扰下水下无人航行器(AUV)的精确航迹跟踪控制问题,针对欠驱动AUV动力学运动模型不确定性,将三维航迹跟踪控制分解为水平面和垂直面跟踪控制问题,分别建立了AUV水平面和垂直面动力学模型,在设计模型时考虑了线性近似产生的误差、不确定性和外界干扰的影响,根据鲁棒H∞控制理论设计了航向控制器和纵倾控制器.仿真结果表明,系统存在外界海流情况下,AUV能够克服外界干扰海流的影响运动到设定航迹上,跟踪误差收敛于0,控制效果良好.文中所设计的鲁棒H∞控制器能够有效克服外界干扰的影响,较精确的实现了航迹跟踪.     

基于PD方法的不确定机器人神经网络变结构控制

针对不确定机器人轨迹跟踪控制,提出基于PD方法自适应神经网络变结构控制律,利用RBF神经网络补偿系统参数不确定性,用滑模变结构控制器消除神经网络的逼近误差.仿真结果表明,该控制律能保证轨迹跟踪误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性.     

封面图片说明

<正>封面图片来自本期论文"海流干扰下的欠驱动AUV三维路径跟踪控制",是欠驱动自主水下航行器(AUV)在三维空间进行路径跟踪时的水平面控制原理图,其在垂直面同理.首先,应用非线性级联理论设计了路径跟踪控制系统,该控制系统分为运动学控制器和动力学控制器两部分.然后,在运动学控制器中基于Serret-Frenet坐标系引入虚拟向导并建立三维路径跟踪误差模型,设计了具有自适应律的     

基于RBF网络Q学习的AUV路径跟踪控制方法

水下回收过程中,AUV航行速度受到多种因素影响而产生变化,艉部操纵舵效随之改变,直接影响了AUV回收路径跟踪控制性能。根据AUV航行状态,采用强化学习方法对AUV控制器进行自主学习优化,能够改善AUV航向及深度响应的性能指标,提高路径跟踪控制性能。建立AUV路径跟踪导引律,设计航向及俯仰运动滑模控制器,保证系统对外扰动的鲁棒性;采用Q学习方法,根据AUV航速、跟踪误差及其变化率,对滑模控制参数进行离线训练优化,搭建RBF网络加快训练过程,避免"维数灾"现象;将训练得到的RBF-Q学习网络应用于在线控制,与传统滑模控制器进行跟踪控制对比。仿真结果验证了算法的有效性。     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。     

一种模型预测控制器的FPGA硬件实现

针对快速动态系统对模型预测控制(MPC)的微型化和高实时性的需求,提出了一种MPC控制器的现场可编程门阵列(FPGA)硬件实现方法。MPC中的二次规划(QP)问题采用粒子群优化(PSO)算法进行求解。通过分析算法的特点,对算法计算步骤进行循环展开、流水线等优化处理,充分利用FPGA的硬件并行计算特性提高MPC的在线计算性能,最终得到MPC控制器的最优实现方案。最后以电子节气门的跟踪控制为例,在实验平台上进行了实时仿真实验,验证了基于FPGA硬件实现方法设计的MPC控制器的有效性和实时性。     

改进模型预测控制的农机轨迹跟踪算法研究

针对无人驾驶农机进行轨迹跟踪时精度与稳定性较差的问题，提出了一种基于模型预测控制(MPC)的轨迹跟踪方法。首先，建立农机车辆的运动学模型，利用粒子滤波对农机状态量进行估计来提高农机的定位精度；其次，在设计MPC控制器时引入了梯度投影算法，该算法相比于传统有效集算法减少了迭代步数，具有更快的收敛速度，提高了农机进行跟踪控制时的计算效率；最后，在淄博市某无人农场进行了农机轨迹跟踪试验。结果表明：该方法可以实现良好的跟踪控制精度，符合精准农业的作业要求。     

基于神经网络的自适应控制器在CSTR中的应用研究

针对工业过程的特点和控制要求，提出一种基于多步预测的神经网络自适应控制算法。该控制器采用改进的RBF神经网络对过程进行建模，利用多步预测误差对神经网络控制器进行训练，从而实现控制器参数的在线自适应寻优。针对CSTR系统的仿真结果表明，该控制器对非线性、时变对象有很好的跟踪控制效果和鲁棒性。     

基于鲁棒Tube-MPC算法的无人车横向控制方法研究

针对自动驾驶汽车路径跟踪横向控制过程中因道路湿滑或道路坎坷不定等外界干扰造成的跟踪不稳、超调问题，提出一种将模型预测控制(MPC)和滑模控制(SMC)相结合的鲁棒Tube-MPC算法。首先，对自动驾驶汽车进行名义运动学建模并线性化推导，利用线性化名义模型求解MPC代价函数得到名义系统控制律，完成对预定轨迹的跟踪；其次，通过建立实际系统与名义系统之间的误差系统，设计SMC的滑模面及趋近律，推导出辅助控制律，完成实际状态对名义状态的贴近，以实现鲁棒性；最后，完成基于Carsim/Simulink的仿真，实验结果表明上述方法能够有效提升自动驾驶汽车在外界不确定干扰影响下的鲁棒性和跟踪精度，优于传统MPC和线性二次型调节器(LQR)为代表的无人车控制方法。     

采用神经网络滑模控制的齿隙摩擦补偿

基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学变结构模型。采用径向基函数(RBF)神经网络和滑模控制构成复合控制器,对系统齿隙、摩擦非线性因素进行了补偿。利用RBF神经网络调节滑模控制器的切换项增益,降低了滑模控制的抖振,提高了补偿效果,仿真结果验证了该方法的可行性。     

基于在线RBF神经网络的BTT导弹控制器设计

针对BTT导弹飞行控制系统的自适应鲁棒控制问题,基于反馈线性化控制和自适应RBF(radical base function)神经网络控制系统设计方法,设计了高精度鲁棒飞行控制器。提出在线权值修正算法,使RBF神经网络能实现对飞行控制系统动态逆误差的在线逼近,进而实现对系统不确定性和外界扰动的实时补偿。通过数值仿真,对所设计的飞行控制器进行了有效性验证。仿真结果表明,相比仅采用反馈线性化控制的飞行控制器,文中提出的飞行控制器能较好地跟踪期望的指令角度信息,鲁棒性能更优。     

基于非线性反步法的欠驱动AUV地形跟踪控制

为实现欠驱动水下机器人(autonomous underwater vehicle,AUV)的精确地形跟踪控制,设计了一种基于Lyapunov稳定性理论的非线性反步(backstepping)法控制器.基于虚拟向导的方法,结合AUV艇体的动力学特性,建立AUV垂直面地形跟踪误差方程,采用backstepping法设计地形跟踪控制器,利用Lyapunov稳定性理论分析了整个系统的稳定性.仿真实验中选择海底斜坡地形进行跟踪实验,且要求AUV相对地形保持一个恒定的高度偏差,结果表明该控制方法可实现对斜坡地形的精确跟踪.     

欠驱动AUV的鲁棒位置跟踪控制

为了实现具有参数不确定性和外界干扰的欠驱动AUV的水平面鲁棒位置跟踪,基于李雅普诺夫理论,使用反步法设计了一个非线性控制器,并利用滑模控制方法提高控制系统的鲁棒性;为了检验该控制器的性能,选择有时变参考速度的正弦曲线作为参考轨迹,在控制输入受限的情况下,对具有参数不确定性和外界干扰的欠驱动AUV系统进行了数值仿真,结果表明本文设计的控制器能很好地实现欠驱动AUV的水平面位置跟踪控制,具有很强的鲁棒性。     

基于模糊神经网络的自主车导向控制器

为了实现自主车跟踪固定路径的精确控制,建立了自主车路径偏差控制系统的数学模型。设计了基于神经网络的自主车导向控制器,建立了模糊神经网络控制器的结构,并由实验数据产生训练样本。该控制器通过精确控制两个驱动轮的差动转速实现路径跟踪。实验结果表明采用模糊神经网络的导向控制器能够稳定地实现跟踪导向路径的控制功能。