一种水下机器人运动的过程神经元控制

过程神经网络是传统神经网络的拓展, 增加了一个对于时间的聚合算子, 从而更好地模拟了生物神经元的信息处理机制. 这是由于水下机器人运动控制系统的输入、输出均是随时间连续变化的过程量. 结合S函数和预先规划思想, 建立水下机器人过程神经元的运动控制模型. 仿真试验证明,该新型控制模型, 对于水下机器人的运动非线性控制器具有设计简单、响应速度快、超调小、鲁棒性好等优点.     

基于混沌过程神经元的水下机器人运动控制方法

考虑水下机器人运动控制系统的输入输出均为随时间连续变换的过程量,在过程神经元模型的基础上,结合S函数和预先规划的思想,提出一种过程神经元运动控制模型.在参数学习过程中,引入遍历性的渐变混沌噪声,以增强控制全局的优化能力.海浪和海流外界干扰下机器人仿真实验验证了该方法的有效性,取得了满意的结果.     

基于单神经元的水下机器人S面自适应运动控制

从模糊逻辑控制方式出发,借鉴PID控制结构而形成的S面控制自身不具有自调整能力。为了加强机器人运动控制的自主性,改善控制的动态响应特性,探讨了基于单神经元的S面自适应控制学习算法,实现了控制参数的自动调整,增加的积分项改善了机器人的动态响应特性。实验结果和实际应用表明,基于单神经元的S面自适应控制器对于水下机器人的运动非线性控制具有响应速度快、超调小、自学习能力强、设计简单等多种优点。     

带翼水下机器人的非线性拟合分段控制方法

S面控制方法可较好地解决水下机器人的运动控制问题,但由于其参数是固定的,无法达到全局最优．不同航渡速度段,采取不同的控制参数值,可保证水动力不同阶段控制输出的最优;但在速度变化的分界点,控制器输出有跳变,不利于系统的全局稳定性．利用T-S模糊系统逼近非线性连续函数的能力,采用非线性的S面函数作为模糊系统的后件,设计了基于T—S模型的S面控制器．通过T-S模型的引入,避免了控制器输出的跳变,增强了系统稳定性．将该方法应用于带翼水下机器人的深度控制,水池试验和湖中实验均证明了算法的有效性．     

舵桨联合操纵水下机器人运动控制研究

水下机器人空间运动具有耦合性和非线性等特点,具有良好品质的运动控制器是水下机器人完成各种作业的前提.针对某舵桨联合操纵小型自主式水下机器人运动控制问题进行了研究.对速度,深度和艏向控制系统进行了介绍,根据控制需求,建立了水下机器人动力学模型,对执行机构进行了描述,设计了水下机器人滑模控制方案,采用变速趋近项代替一般指数...     

改进人工免疫算法在水下机器人运动控制中的应用研究

基于生物免疫系统的生理特性,以免疫系统T细胞、B细胞与免疫应答为基础,引入了免疫算法,其结构简单,易于实现,但是由于忽略了免疫系统的记忆、自适应、细胞繁殖和自然死亡等复杂的机理行为,也不具有实时自调整的能力。结合梯度搜索方法和希尔函数,提出了一种基于Sigmoid非线性模型的自学习免疫控制算法。将该方法应用于水下机器人的运动控制系统进行仿真研究,结果表明了改进人工免疫算法的有效性。     

基于视觉感知的海生物吸纳式水下机器人目标捕获控制

针对近海水产养殖环境下海生物目标的机器捕捞,设计了一款海生物吸纳式水下机器人.该水下机器人可以采取手动遥控吸取和视觉伺服控制吸取方式完成对海生物目标的机器捕捞.为了实现基于视觉感知的目标捕获控制,在摄像机平面坐标系上建立了水下机器人和目标之间的运动学关系,并在此基础上提出了自适应递归神经网络控制器.通过设计递归神经网络估计和补偿外界环境干扰,利用S面函数使水下机器人快速到达期望位置并保持稳定,结合递归神经网络和系统动力学模型设计鲁棒函数进一步提高非线性系统在视觉控制中的可靠性和稳定性.最后,在近海自然养殖条件下对海生物进行视觉跟踪控制实验,实现了对海生物目标的主动吸取控制,验证了该控制器的功能.     

基于模糊技术的水下机器人运动控制

发展水下机器人有着重大而深远的意义,水下机器人的运动控制是实现其智能化的关键,是国内外研究的热点。本文将模糊技术应用于水下机器人,根据水下机器人的六自由度运动模型,设计了水下机器人模糊控制器与PID控制器,并进行了仿真环境下的试验比较。试验结果表明,基于模糊技术的方法显然有较大优势,更有利于控制水下机器人的运动。     

水下机器人神经网络自适应逆控制

水下环境的复杂性以及自身模型的不确定性，给水下机器人的控制带来很大困难。针对水下机器人的特点和控制方面所存在的问题，提出了基于预测—校正控制策略的水下机器人神经网络自适应逆控制结构及训练算法。通过在线辨识系统的前向模型，估计出系统的Jacobian矩阵，然后采用预报误差法实现控制器的自适应。同时，为了提高系统对于外扰的鲁棒性，在伪线性回归算法的基础上，在评价函数中引入微分项。理论分析和仿真结果表明，与原来的算法相比，微分项的引入改善了系统对于外扰的鲁棒性和动态性能。     

基于SVM算法的碟形水下机器人姿态预测方法研究

碟形水下机器人的运动控制过程是非常复杂的,涉及到很多影响因素,并且是一个非线性控制过程,其姿态控制过程的系统模型的辨识对于实现机器人精确的控制和不同水文环境的自适应预测控制有着重要意义。因支持向量机(SVM)算法经过严格的数学推导,且在非线性等方面的良好表现,提出了将SVM算法用于碟形水下机器人模型的辨识,并设计了一组基于SVM的多输入多输出系统辨识器,可针对控制量进行姿态变化预测。通过在水池中测试的实验数据进行辨识和预测。实验验证预测的均方差不超过0.004,实验结果验证了该算法对碟形潜水器的姿态运动控制系统的辨识与预测有着良好的效果。     

基于PNDSC 的欠驱动AUV编队控制器设计

针对含有模型不确定与未知海洋环境扰动下的欠驱动自主水下航行器(AUV)的编队控制问题, 提出一种基于预估器的神经网络动态面(PNDSC) 控制算法. 将动态面法引入控制器的设计中, 采用神经网络逼近AUV模型中的不确定项与海洋环境的扰动, 并结合预估器设计了神经网络权值的离散迭代更新率. Lyapunov 稳定性分析表明, 闭环系统所有信号是一致最终有界的. 仿真结果验证了所提出方法的有效性.

     

Design and Control of Autonomous Underwater Robots: A Survey

During the 1990s, numerous worldwide research and development activities have occurred in underwater robotics, especially in the area of autonomous underwater vehicles (AUVs). As the ocean attracts great attention on environmental issues and resources as well as scientific and military tasks, the need for and use of underwater robotic systems has become more apparent. Great efforts have been made in developing AUVs to overcome challenging scientific and engineering problems caused by the unstructured and hazardous ocean environment. In the 1990s, about 30 new AUVs have been built worldwide. With the development of new materials, advanced computing and sensory technology, as well as theoretical advancements, R&D activities in the AUV community have increased. However, this is just the beginning for more advanced, yet practical and reliable AUVs. This paper surveys some key areas in current state-of-the-art underwater robotic technologies. It is by no means a complete survey but provides key references for future development. The new millennium will bring advancements in technology that will enable the development of more practical, reliable AUVs.     

A two‐step control approach for docking of autonomous underwater vehicles

This paper presents a novel integrated guidance and control strategy for docking of autonomous underwater vehicles. The approach to the base, and hence the control design, is divided in two steps: (i) in the first, at higher speed, the vehicle dynamics is assumed to be underactuated, and an appropriate control law is derived to steer the vehicle towards the final docking path, achieving convergence to zero of the appropriate error variables for almost all initial conditions; (ii) in the second stage, at low speed, the vehicle is assumed to be fully actuated, and a robust control law is designed that achieves convergence to zero of the appropriate error variables for all initial conditions, in the presence of parametric model uncertainty. Simulations are presented illustrating the performance of the proposed controllers, including model uncertainty and sensor noise. Copyright © 2014 John Wiley & Sons, Ltd.     

基于神经网络的欠驱动水下机器人三维同步跟踪和镇定控制

研究了欠驱动水下机器人的三维同步跟踪和镇定控制问题,并考虑了模型参数不确定性、未知外界干扰和输入饱和限制的影响.针对不同类型期望轨迹的特性,构造了新的辅助虚拟信号以实现对欠驱动方向的控制.基于反步法和Lyapunov直接法,设计了一种饱和自适应统一动力学控制律,使得AUV的状态误差最终收敛至零点附近的有界区域内,其中未...     

AUV深度的神经网络辨识和学习控制仿真研究

将自主水下航行器（AUV）的深度控制问题转换为对非线性严格反馈系统的分析,提出了一种结合反步法和确定学习理论的自适应学习控制方法。通过反步法设计了一种输入状态稳定（ISS）神经网络控制器,其中引入小增益定理,避免了控制器设计中存在的奇异值问题,并在满足持续激励（PE）条件下,利用神经网络辨识实现了对系统未知动态的局部准确逼近和部分神经网络权值的收敛,保证了闭环系统的稳定。将从动态模式中学到的知识静态保存,提取动态特征设计学习控制器,仿真结果表明,该控制器避免了执行同样任务时的重复训练,改善了系统控制性能,验证了所提控制方法的有效性。     

Depth control of autonomous underwater vehicles using indirect robust control method

In this article, we propose a robust depth control design scheme for autonomous underwater vehicles (AUVs) in the presence of hydrodynamic parameter uncertainties and disturbances. The controller is designed via a new indirect robust control method that handles the uncertainties by formulating the uncertainty bounds into the cost functional and then transforming the robust control problem into an equivalent optimal control problem. Both robust asymptotic stability and optimality can be achieved and proved with this new formulation. The θ-D method is utilised to solve the resultant nonlinear optimal control problem such that an approximate closed-form feedback controller can be obtained and thus is easy to implement onboard without intensive computation load. Simulation results demonstrate that robust depth control is accomplished under the system parameter uncertainties and disturbances with small control fin deflection requirement.     

水下机器人的神经网络自适应控制

研究了水下机器人神经网络直接自适应控制方法,采用Lyapunov稳定性理论,证明了存在有界外界干扰和有界神经网络逼近误差条件下,水下机器人控制系统的跟踪误差一致稳定有界.为了进一步验证该水控制方法的正确性和稳定性,利用水下机器人实验平台进行了动力定位实验、单自由度跟踪实验和水平面跟踪实验等验证实验.     

基于自适应神经网络的AUVs路径跟踪控制

为解决由于随时间变化水动力阻尼引起的参数变化和不确定性的问题,提出了基于径向基函数神经网络的未知评估算法,引入自适应算法以保证神经网络权值的最优评估.基于Lyapunov稳定性理论,设计一种自适应神经网络控制器以保证路径跟踪系统中所有误差状态都趋于稳定.为了验证该控制器的可行性,对系统施加如位置误差、方向误差等虚拟干扰,证明该控制器可将误差消减为零.另一方面,机器人在以恒定的速度行驶时,每个航点被指定一个适合半径的圆弧可以保证其有较高的精度.为了评估路径跟踪控制器的性能,提出直线型和直线加圆弧型路径方案.仿真结果表明,该控制器可以有效地消除机器人非线性和模型不确定性造成的干扰.