基于自适应反步法的自主水下机器人变深控制

为实现自主水下机器人(AUV)的高精度变深控制,基于AUV垂直面的运动学和非线性动力学模型,提出了神经网络自适应迭代反步控制方法,设计了运动学和动力学控制器.文中首先考虑AUV非线性模型的攻角和水动力阻尼系数的不确定性,设计神经网络控制器来对纵倾运动中的非线性水动力阻尼项和外界海流干扰作用进行在线估计,并基于Lyapunov稳定性理论设计神经网络权值的自适应律,保证系统闭环信号的一致最终有界.最后通过两组仿真实验,比较了所设计的控制器在设定控制器增益参数下的系统响应和在扰动作用下的变深控制性能,结果表明,所设计的控制器具有较小的稳态误差和较高的跟踪精度.     

船舶航向非线性系统自适应模糊补偿控制

摘要： 研究了船舶直航和谐波航向控制问题.基于Lyapunov稳定性理论,将自适应模糊补偿技术应用到船舶航向非线性响应模型中,利用万能逼近定理构造模糊系统逼近系统中的未知非线性,提出了一种基于自适应模糊补偿且带有物理约束二阶滤波器的鲁棒跟踪控制器.运动响应模型考虑了建模误差和外界干扰,模糊系统能有效地逼近非线性系统,控制器能够准确地跟踪预设航向和转首角速度.舵角控制结合舵机伺服系统模型,操舵情况符合物理现实. 数值仿真在相同控制参数下与传统比例 微分(PD)控制作比较,结果验证了自适应模糊控制器的有效性和优越性.     

不同轴距车辆路径跟踪研究

针对不同轴距车辆路径跟踪鲁棒性,提出了基于滑模自抗扰控制的平行泊车路径跟踪算法.该算法利用线性滑模控制设计自抗扰控制律中的误差反馈环节,改善了自抗扰控制器的结构,能适用于不同轴距车辆.线性自抗扰控制器能够观测和补偿由于不同车辆轴距引起的不确定性和车辆受到的外界干扰.在假定低车速和小侧偏角情况下,控制器的设计考虑非线性运动学模型及运动学约束.仿真结果表明,基于滑模自抗扰控制的路径跟踪控制算法能够将不确定性部分观测出来并且补偿掉,保证了不同轴距车辆很好地跟踪规划的理想泊车轨迹.     

欠驱动AUV自适应神经网络反步滑模跟踪控制

针对存在参数不确定性和外界未知干扰的欠驱动自主水下航行器(AUV)三维路径跟踪问题,提出一种基于神经网络的反步滑模控制策略.首先,利用虚拟向导的方法建立了欠驱动AUV三维路径跟踪误差模型;其次,基于李雅普诺夫稳定性理论,利用反步法和滑模控制方法设计一种自适应鲁棒控制器,并设计一种在线调节增益切换函数以降低系统抖振,同时采用径向基函数(RBF)神经网络控制技术对AUV系统中不确定参数以及外界非线性干扰进行自适应补偿估计,而后利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性;最后,针对一种新型飞翼式欠驱动AUV进行数值仿真实验,结果表明所设计控制器可以实现对三维路径的精确跟踪,并对外界非线性干扰具有良好的鲁棒性.     

基于预设性能的自适应神经网络船舶轨迹跟踪

针对存在模型参数摄动与外界未知海洋环境干扰的船舶轨迹跟踪问题,提出一种具有规定性能要求约束的船舶轨迹跟踪控制策略.该控制策略通过引入具有约束作用的性能函数进行控制器的设计.先将有不等式约束的船舶轨迹跟踪误差转换为等价的无约束的误差,然后将转换得到的误差与滑模控制相结合设计控制器,保证船舶轨迹跟踪控制的快速性与高精度,同...     

基于改进LuGre摩擦模型的机器人关节模糊自适应反步控制

为实现机器人关节在非线性摩擦和外界未知干扰力矩等因素影响下的精确和稳定控制,通过改进LuGre摩擦模型来描述系统的非线性摩擦特性,采用自适应算法进行摩擦补偿来逼近摩擦力的变化,并采用模糊神经网络逼近外界未知干扰力矩对系统的影响.引入正切障碍李雅普诺夫（Lyapunov）函数对输出信号进行约束,使误差被限制在给定范围之内.利用双曲正弦函数跟踪微分器解决了虚拟输入微分引起的“微分爆炸”和一阶滤波器精度差问题,将自适应控制方法与反步控制理论相结合,提出了一种带摩擦补偿的模糊自适应反步控制方法.利用Lyapunov判据证明了闭环系统的所有误差最终一致有界,并通过仿真得出本文所提出的控制方法相比于传统PID与神经网络动态面控制（Radial Basis Function Dynamic Surface Control,RBFDSC）,位置跟踪误差分别提高了近7.5%和3%;当LuGre模型参数变化时,自适应算法也可以精确对摩擦力进行跟踪补偿,从而验证了本文所提出的控制策略的有效性和鲁棒性.     

一种机器人系统的鲁棒轨迹跟踪方法

文章基于标称模型，在反馈力矩补偿控制的基础上，考虑在实际机器人系统存在不确定性(外部扰动及摩擦力)时，基于终值有界定理，运用连续状态反馈的方法设计出一个新的机器人轨迹跟踪控制器．数值仿真表明，在初始误差较大的情况下，该轨迹跟踪控制器能够保证跟踪误差的终值有界性。     

基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。     

基于神经网络的欠驱动水下机器人地形跟踪控制

为实现欠驱动自治水下机器人(AUV)的精确地形跟踪控制,设计了一种自适应神经网络控制器.采用径向基神经网络估计时变水动力阻尼引起的AUV模型不确定部分和外界海流干扰,设计自适应学习律来实现神经网络权值的最优估计.基于李雅普诺夫稳定性理论分析了跟踪控制系统的稳定性,设计的控制器可以使闭环误差系统渐近稳定且系统状态有界.仿真实验中选择实际测量得到的期望随机真实地形进行跟踪实验,并且要求AUV相对地形保持一个恒定的高度偏差.结果表明,该控制方法可以有效地降低模型非线性和不确定性引起的扰动,具有较高的跟踪精度,满足实际工程需求.     

欠驱动水面船舶的轨迹跟踪模型预测控制器

针对在风、浪、流时变干扰下欠驱动水面船舶的轨迹跟踪控制问题,设计了一种基于模型预测控制的轨迹跟踪控制器.考虑到欠驱动船舶在没有横向驱动力情况下控制船舶纵向、横向和艏摇角3个自由度的运动,建立了仅有2个控制输入量且存在风、浪、流干扰下的非线性状态空间模型,在对模型近似线性化后应用线性模型预测控制方法设计出了一种考虑控制量极限约束、控制增量约束以及输出量约束的轨迹跟踪控制器.最后,在仿真环境下测试了系统对圆形轨迹的跟踪性能,并对约束进行了误差分析.结果表明,所设计的控制器能较好地满足跟踪性能,并能抵抗一定程度的环境干扰.