[發明專利]基于神經網絡的自主水下航行器模型預測路徑跟蹤方法

在審

• 申請號: 202210522084.X
• 申請日: 2022-05-13
• 公開（公告）號: CN115167484A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 高劍;郭琳鈺;宋允軒;陳依民;張福斌;潘光;宋保維
• 申請（專利權）人: 西北工業大學
• 主分類號: G05D1/06
• 分類號: G05D1/06
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

本發明涉及一種基于神經網絡的自主水下航行器模型預測路徑跟蹤方法，采用模型預測控制器MPC進行路徑跟蹤控制的基礎上，利用實時測量數據在線訓練RBF神經網絡，對AUV模型不確定性進行補償，抑制了模型不確定性對模型預測控制器的干擾，減小了系統的超調量和跟蹤誤差。MATLAB環境下仿真結果表明，基于RBF?MPC路徑跟蹤控制算法與經典的MPC算法相比，具有更好的暫態、穩態性能和更好的節能效果。

技術領域

本發明涉及一種自主水下航行器路徑跟蹤方法，更具體地是一種基于神經網絡的自主水下航行器模型預測路徑跟蹤方法。

背景技術

自主水下航行器(Autonomous Underwater Vehicles，AUV)因其航程遠、作業精準度高、可重復使用等特點，成為了人們認識和探索海洋領域必不可缺的工具，在近些年逐漸被廣泛應用。水下回收技術極大地提高了AUV續航能力，路徑精確跟蹤是實現水下回收的關鍵。

目前在路徑跟蹤控制領域應用較為廣泛的算法有PID控制算法、滑模控制算法、最優控制算法等，但是這些算法對控制對象的參數和環境的依賴程度比較高，一旦外界稍有變化，便不能在新狀態下很好地繼續路徑跟蹤；此外，針對AUV在運動過程中受到的運動學約束和執行機構的約束，上述算法也很難處理。模型預測控制是一種在諸多約束條件下取得最優解的算法，具有參數選擇簡單、處理約束能力強、可實現多目標優化和計算結果滿足最優性等優點。另外，模型預測控制對未來路徑的預測能力很突出，這也使得它逐漸成為研究熱點。

AUV模型具有多自由度、非線性，強耦合性的特點，且AUV運動數學模型中的部分水動力附加質量、慣性矩和阻尼系數是難以精確確定的。另外，AUV在航行過程中，經常會受到外界比如未知洋流的干擾等，使得AUV路徑跟蹤又增添了不確定性。徑向基(Radial BasisFunction，RBF)神經網絡能快速逼近系統動力學模型，結構更簡單，與其它神經網絡算法相比，RBF神經網絡在求解最優值問題上有一定的優勢。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，本發明提出一種基于神經網絡的自主水下航行器模型預測路徑跟蹤方法。

技術方案

一種基于神經網絡的自主水下航行器模型預測路徑跟蹤方法，其特征在于步驟如下：

步驟1：建立AUV模型，包括動力學方程式和運動學方程式；

所述的AUV運動學方程式：

所述的AUV動力學方程式：

其中，x表示前向位移、y表示側向位移、ψ表示航向角、v_x和v_y分別為前向速度和側向速度、r為AUV的航向角速度， m₁₁＝M₁₁，m₂₂＝M₂₂，m₃₃＝M₃₃，d₁₁＝D₁₁，d₂₂＝D₂₂，d₃₃＝D₃₃，為附加質量的慣性矩陣M、阻尼矩陣D中的元素；N為操縱面產生的操縱力；

步驟2：構建基于MPC的AUV路徑跟蹤控制器；

根據AUV路徑跟蹤性能指標要求，采用MPC控制算法，步驟1中的AUV模型為被控對象，在每個采樣時刻k，獲取AUV最新的測量狀態，根據AUV跟蹤狀態誤差最小和控制輸入最小的要求，預測時域內的控制序列，最后選取求解得到的控制序列的第1個元素作為AUV模型的輸入量，這一時刻結束后在下一個采樣時刻重新獲取AUV的狀態，繼續下一周期滾動優化；AUV路徑跟蹤目標可以表示為以下滾動優化控制問題：