基于神经网络PID的AUV控制方法研究

针对水下机器人各自由度之间存在较强的耦合和非线性特征，其精确的数学模型很难获得的问题，建立了水下机器人空间运动的数学模型，并根据实际需要和控制器设计的方便进行了适当简化，得到了水下机器人自由度运动模型．在此基础上，使用了基于神经网络的PID控制方法．结合水下机器人六自由度水动力模型，建立了基于BP网络的PID的水下机器人控制器，并进行了仿真环境下的试验．试验结果表明，以上控制方法较为适合水下机器人的运动控制．     

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.     

基于动态事件触发策略的多AUV一致控制

针对多个自主水下机器人（Autonomous Underwater Vehicles,AUVs）编队问题,为了减少多AUV频繁通信造成的能量消耗,提出一种基于分布式动态事件触发的领导者-跟随者一致控制算法. 设计一个包含广义位置和载体速度的辅助变量简化AUV模型. 同时基于滑模变结构控制、一致性理论及动态事件触发策略,...     

基于领航者模式的多机器人行星式编队运动

根据行星系公转与自转的运行规则,提出了基于领航者模式的行星式多机器人编队方法.在该模型中,领航者机器人相当于行星系中的恒星,而跟随者机器人相当于行星系中的行星,领航者机器人和跟随者机器人之间依靠万有引力实现编队的聚合与稳定前行,实现跟随者机器人围绕领航者机器人运转,编队半径可以随时改变,以适应环境的变化;同时,群体机器...     

多AUV水下协作搜索研究现状与展望

随着各国对海洋研究的不断深入，海上作业越来越频繁，作为探索海洋的重要工具，自治水下机器人（autonomous underwater vehicle，AUV）在海事搜索方面的发展也越来越受到关注。多AUV协作搜索控制作为多AUV研究的主要方向之一，在促进海洋科学与工程技术进步、海洋资源探测与开发、国家海防安全与海洋战略实施等方面有着十分重要的意义。首先，综述了近些年来多AUV协作搜索控制的国内外研究现状；然后，从AUV自身和环境的外界约束，以及海洋探测等方面，分析了多AUV水下协作搜索控制研究所面临的技术难点和存在的问题；最后，通过分析当前多AUV协作搜索控制的进展和实际需要，对多AUV协作搜索系统的发展趋势进行了探讨。     

基于LMS的AUV空间避障模拟方法研究

为了模拟自主式水下航行器（AUV）在复杂海洋环境中对未知环境的感知以及避障过程,设计了AUV空间避障模拟试验系统．介绍了模拟平台的硬件结构和参数设计,应用激光测距系统（LMS）模拟水下声纳,建立了AUV空间避障仿真环境,设计了基于Q—Learning的避障算法,并完成了模拟试验．试验结果表明：AUV空间避障模拟平台可以较真实地反映AUV在水下复杂环境中的空间运动,避障算法可行有效．     

水下多电机协同推进及其动态面反步滑模控制

复杂多变暗流湍急的水下环境会造成水下机器人姿态失衡,严重时会破坏船体稳定造成偏航.针对大幅度转弯工况与应对外部随机扰动等问题,提出一种归一化的比例同步系数分配方法,构造虚拟主轴多电机协同控制系统的输入,实时调配各个从动轴推进电机的参考转速;针对该方法中异速差异大、动态响应高的需求,设计有限时间动态面反步滑模控制器,提升...     

多变量滑模积分控制在AUV艏向控制中的应用

在多变量滑模控制中引入积分变量来设计AuV的艏向控制器．仿真结果表明，该系统保留了滑模控制的鲁棒性，放宽了对滑模控制中非线性控制增益K值的要求，从而可以克服存在海流干扰时艏向控制的静差问题．有利于AUV长距离航行中的精确艏向保持。     

基于PSO的多机器人编队控制

提出了一种新的编队算法。该算法针对不同的编队形状,根据机器人的位置信息,构造不同的函数,利用群体智能优化算法中的微粒群算法进行函数优化,优化过程中的最优解作为机器人的运动方向。最后利用该算法实现了线形、三角形、六边形和圆形编队,仿真结果表明了该算法的有效性。     

船舶直线控制反步自适应神经网络算法

为了解决控制模型完全未知情况下非线性系统的控制问题,该文以船舶航向为控制对象,研究了径向基神经网络(RBFNN)方法.建立参数不确定的船舶运动的三阶非线性模型,针对系统的参数的不确定问题,提出了基于RBFNN估计的控制设计策略.利用神经网络对非线性参数不确定性进行了在线估计,然后利用反步法进行了控制器设计.RBFNN方法对于非线性系统提供了一种有效的解决方法,仿真结果证明了该方法的有效性.     

基于领航跟随法和星系动力学的多机器人编队控制

针对机器人常规编队控制方法编队精度低、机器人易掉队,且当队形进行大角度变换时跟随者不能快速适应的问题,提出了一种基于领航跟随和星系动力学(LF-GD)机器人编队控制方法.该方法结合了领航跟随法控制简单、编队快速和星系动力学法编队稳定和动态均衡的优点.实现了机器人快速编队和动态避障的性能要求,避免了队形大角度变换时机器人相互之间的碰撞和掉队问题,提高了整个编队系统的智能性和环境适应性.通过仿真验证了该方法的可行性和有效性.     

基于Backstepping方法的机器人鲁棒跟踪控制

把基于拉格朗日方程的,l关节包含不确定项的机器人化成两个子系统。用Backstepping方法首先对各个子系统设计李雅普诺夫函数和控制器,然后综合起来形成整个系统的李雅普诺夫函数和控制器,不但满足了稳定性的要求,又满足了一定的L2增益性能指标。     

神经网络广义Backstepping预测控制

提出一种广义Backstepping控制算法和基于广义Backstepping的径向基传输函数(RBF)神经网络控制策略,分析了闭环系统的Lyapunov稳定性和系统跟踪误差的一致有界性.并通过仿真实验验证了所提控制方法的正确性和有效性。     

基于神经网络自适应控制的磁滞类间隙补偿

利用连续时间动态微分方程描述磁滞非线性特性,采用两个神经网络函数分别逼近未知的非线性函数和磁滞模型的扰动误差,结合反步法提出一种自适应控制方案。仿真结果表明,系统具有良好的跟踪性能和全局稳定性。     

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络（Model-Embedding Recurrent Neural Network,MERNN）的损伤识别方法.首先,通过数据驱动的卷积神经网络（Convolutional Neural Network,CNN）建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.     

一种基于神经网络的机器人轨迹跟踪控制方法

对电驱动刚性机器人操作手轨迹跟踪控制问题进行了系统研究.利用径向基函数(RBF)神经网络的逼近学习功能,提出了一类神经网络控制策略.并用非线性系统LYAPUNOV数学理论进行了稳定性分析.所提出的控制方案力求保证控制系统具有较强的稳定性和鲁棒性,得到了机器人操作手轨迹跟踪误差的渐近稳定性.在进行严格理论证明的同时,结合计算机数值仿真实验验证所提出的控制方法是可行和有效的.     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.