遥控水下机器人模型辨识及预测控制算法研究

针对遥控水下机器人（remotely operated vehicle, ROV）因非对称结构布局、重心和浮心位置变化等因素造成的运动状态耦合和模型非线性问题,文章提出了一种考虑ROV典型非线性特性的在线模型辨识方法,研究并推导了基于所辨识模型的多维预测控制（model predictive control, MPC）算法及其基于算子分割二次规划的快速优化求解方法,搭建了包含ROV非线性数学模型、模型参数辨识算法模块和MPC算法模块的算法仿真系统。通过在辨识模型中分别考虑非线性特性和不考虑非线性特性,改变ROV数学仿真模型的ROV浮心位置参数,对比仿真验证了本文模型辨识算法的有效性和先进性;在上述辨识模型的基础上,对比仿真分析了4种情况下ROV的姿态控制效果,即MPC算法依托的辨识模型是否考虑ROV典型非线性特性,以及基于直接求解MPC算法和本文所提出的基于快速优化近似求解的MPC算法,验证了本文所提控制算法的有效性。     

模型预测控制在自主式水下航行体控制系统中的应用

本文研究模型预测控制理论在自主式水下航行体深度控制上的应用,文中介绍了一种用于控制航行体下潜到指定深度并做定深航行的控制方法,试验结果证明了提出的算法的适应性。     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

海洋工程水下结构检测与清污机器人广义预测控制研究

水下机器人(ROV)的运动具有非线性、多耦合和时变等特点,需要一类数学模型要求低、自适应能力强的非线性控制方法;因此以自主研制的新型的面向海洋工程水下结构检测与清污机器人(MC-ROV)为研究对象,通过水池试验,研究并建立了纵向和艏向动力学模型;最后设计了一种新颖的结合PID控制的约束输入输出的直接广义预测控制算法,对MC-ROV纵向、艏向运动展开研究;仿真结果表明,该算法具有计算量小、震荡低、自适应强等优点,具有良好的控制效果.     

状态约束自主水下机器人的自适应有限时间跟踪控制

针对状态约束情况下自主水下机器人(autonomous underwater vehicle, AUV)的跟踪控制问题,提出了一种自适应命令滤波有限时间控制方案。该控制方案在保证系统有限时间收敛的前提下,不仅使用命令滤波器规避了虚拟控制信号高阶导数的使用,解决了计算复杂性问题,而且构建了有限时间误差补偿信号来避免由于使用滤波器而产生的滤波误差对控制性能的影响,同时利用径向基函数神经网络逼近技术处理系统中的未知非线性动态。最后,证明了所提出的控制器可以保证位置跟踪误差在有限时间内收敛到期望邻域内,同时不超过预先定义的状态约束。通过仿真实验验证了所提控制方案的合理性与可行性。     

水下机器人广义预测控制算法及能耗问题研究

对水下机器人,本文把输出量的变化作为系统优化目标,提出了一种广义预测控制算法,使其能够抑制各种噪声引起的输出波动,从而减少了系统的能量消耗.水下机器人艏向速度在线控制水池实验的结果验证了在满足设定控制指标的条件下能够抑制水下机器人艏向速度波动和减少能量消耗.     

基于分布式观测器的多自主水下机器人确定学习控制

针对多自主水下机器人的一致性跟踪问题,提出一种基于新型分布式观测器的一致性跟踪策略.对于具有未知非线性动态的引导者,首先利用确定学习理论将引导者的未知动态表示为具有常数权值的径向基函数神经网络;然后,设计一种新型的分布式观测器,并证明其观测误差能够指数收敛到零的小邻域内;接着,利用观测到的引导者状态信息,通过反步法和动态面技术为每个跟随者设计分布式跟踪控制器,通过Lyapunov稳定性分析,证明闭环系统中所有信号都是最终一致有界的,且跟随者的跟踪误差能够收敛到原点的小邻域内;最后,通过仿真验证所提出方案的有效性.     

水下机器人操纵系统优化控制研究北大核心CSCD

水下机器人(ROV)在水中运动时会受到波浪、海流等干扰,造成系统稳定性差。因此需要一种高效的运动控制方法。常规运动控制方法存在动态响应差、自适应能力不足等缺点,难以有效抑制环境干扰,为提高系统的稳定性,提出了一种结合PID的广义预测优化算法。根据ROV动力学模型,优化广义预测控制算法,结合PID对上述算法进行平滑处理,并以水下机器人的艏向和纵向运动为例验证控制效果。仿真结果表明,控制算法响应速度快、震荡低,且具有良好的抗干扰能力,为系统稳定性优化提供了科学依据。     

自治式水下机器人回收系统的研究与设计

本文介绍了我们承担研制的国家“８６３”计划１０００ｍ及６０００ｍ无缆水下机器人的回收系统，回收系统在４级海况下不用专用母船能够成功地回收水下机器人，依据母船、海况水下机器人及其他具体情况，介绍了两种不同的回收方案和回收器，经海上试验证明是有效和可行的。     

自主水下航行器的回坞导引和入坞控制算法

针对军事侦察和海洋环境监测领域中对自主水下航行器（AUV）水下自主回收能力的需求,研究了AUV自主回收过程中回坞和入坞的导引和控制问题。将水下自主回收过程分为回坞导引和入坞控制两个连续的阶段,其中回坞阶段采用经典的视线（LOS）导引法,使AUV到达回收器正前方的回坞航路点;入坞阶段则采用非线性横向跟踪控制方法,使AUV精确跟踪沿回收器中轴线的入坞直线航路航行并最终进入回收器。采用REMUS AUV的模型参数对水下回收进行了仿真研究,结果表明该方法是有效的,具有良好的工程应用前景。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制.以机器人为控制对象进行仿真,取得了较好的控制效果.     

“探索者”号无缆水下机器人水下回收系统的设计与应用

本文详细介绍了“探索者”号无缆水下机器人在收系统设计思想及电控系统的实现方法，本系统分为水上水下两部分，ＲＯＶ式潜水平台型回收器，可在水下灵活运动，并可定向，定深，依靠电视跟踪技术和声纳定位技术实现回收器与水下机器人的对接。     

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.     

四足机器人整机非线性模型预测控制

四足机器人运动控制的研究对于推动机器人技术的发展具有重要意义。提出了一种以非线性模型预测控制（NMPC）和整机控制（WBC）结合的四足机器人运动控制算法。为了提高计算效率,将四足机器人的本体假设为一个单刚体模型(SRBD),为了使四足机器人的运动控制更为稳定和精准,使用实时迭代的方案,让NMPC以25 Hz的频率进行在线规划,WBC以500 Hz的频率实时控制机器人运动状态。通过在仿真环境中的机器人全向行走,验证了NMPC和WBC结合的四足机器人运动控制算法的有效性和优越性。     

UUV水下模型预测滑模跟踪控制算法

水下机器人(UUV)工作时常伴有海流状况,UUV控制的不稳定性可能导致其无法工作或出现安全问题。针对水下机器人受海流频繁干扰的问题,设计了一种含海流因素的模型预测与自适应滑模级联的控制方法(OCMPC-ASMC),在高精度跟踪轨迹的同时,能提高水下机器人在持续海流或者突发海流扰动时跟踪控制的鲁棒性。首先,设计基于模型预测控制方法的运动学控制器,将海流速度合成到UUV的参考速度中,构建含海流因素的预测模型;然后,设计一种自适应滑模动力学控制器,通过速度、位置的反馈使得水下机器人能够实现对海流干扰的自适应;最后,在MATLAB上进行三维空间仿真并与传统MPC-SMC和反步控制比较,验证了所提方法应对波动海流有很强的鲁棒性与自适应能力。