基于自抗扰的双环路UUV航向角控制方法

针对水下无人航行器（UUV）受到海流海浪等外部扰动与内部模型不确定导致航向角控制品质下降的问题,提出一种基于自抗扰（ADRC）的双环路航向角控制方法。首先,建立了 UUV 的六自由度动力学、运动学模型与水平面动力学模型。然后,设计了一种非线性控制器,将自抗扰控制与双控制环路相结合, 针对系统航向控制所受内部与外部等非线性因素的影响,采用扩张状态观测器对“总和”扰动进行观测与补偿。 在采用自抗扰控制的航向角反馈控制回路的基础上,增加航向角速度内环,降低系统对扰动的灵敏度,改造被控对象的传递函数,为外环路提供良好的被控对象模型。最后,通过仿真实验验证了该控制方法的有效性。     

水下机器人-机械臂系统的滑模自抗扰控制

针对水下机器人机械臂系统的强耦合、强非线性、复杂海洋多源干扰等因素影响,提出了滑模自抗扰控制器,将复杂系统模型转变为简单的积分串联系统,将内部参数不确定性、测量误差、建模误差和海洋多源干扰等扰动归结为总扰动,并采用线性扩张观测器对其进行估计并抵消。利用滑模控制器提高系统对参数摄动的不敏感性,增强控制系统的抗干扰性能,通过李雅普诺夫理论分析了控制系统的有界稳定性。仿真结果表明滑模自抗扰与传统滑模控制和自抗扰控制相比,能使水下机器人机械臂实现更好的轨迹跟踪,且系统具有更好的抗干扰能力。     

基于无记忆状态观测器的多时滞不确定非线性系统的自适应控制

针对一类多时滞不确定非线性系统,研究了基于无记忆状态观测器的自适应控制问题.时滞状态扰动的上界未知,在控制中通过自适应律估计未知参数,并利用估计值设计了不依赖于时滞的无记忆状态观测器和控制器,基于Lyapunov-Krasovskii函数证明了观测误差渐近收敛到零.最后仿真结果说明了该方法的有效性.     

基于扰动观测器的非奇异模糊滑模无人船编队控制

针对含有模型参数不确定性、外界干扰与抖振现象的无人船编队问题,提出了一种基于扰动观测器的非奇异模糊终端滑模编队控制方法。首先,将领航者–跟随者与人工势场法相结合,获得无人船的编队构型并保证无碰撞现象;其次,基于Lyapunov能量函数设计出模糊控制规则,消除了控制器中的抖振问题;进而,提出了一种扰动观测器来补偿未知动态和外界干扰,增强了系统的鲁棒性和稳定性。通过理论分析和仿真结果验证了所提控制方法的有效性。基于所设计的编队控制方法,无人船最终可形成期望的编队构型。     

基于改进Super-Twisting滑模与干扰观测器AUV控制方法

以X 舵智能水下机器人(Autonomous Underwater Vehicle,AUV)为研究对象,提出了一种改进 Super-Twisting 滑模与非线性干扰观测器结合的 AUV 控制方法。首先,对 AUV 进行了运动学、动力学以及 X 舵分配进行了建模;之后,按照 Super-Twisting 理论设计了 AUV 控制器;然后,考虑到原算法中符号函数引起的控制输出抖振现象,提出了基于 Sigmoid 函数的改进 Super-Twisting 控制器,考虑到未建模动态以及外部环境干扰,设计了非线性干扰观测器对集总干扰进行补偿;最后,通过仿真验证了所提控制器的有效性。仿真表明,在干扰影响条件下,所提方法能够在大幅降低输出抖振并保证良好的控制精度。     

模糊切换增益调节下非线性系统的滑模控制

本文运用模糊控制和滑模控制相结合的方法对一类不确定非线性系统进行了深入研究。针对动态方程中控制系数与状态变量和时间变量有关的非线性时变系统,设计了带有状态变量和时间变量的新的模糊切换增益调节滑模控制器,给出了新的模糊滑模控制律,并证明了系统的稳定性。考虑到外部干扰是影响所研究系统稳定性的重要因素,本文运用调节模糊切换增益的技术,实现了对不确定外界扰动项的补偿。采用全局滑模面技术设计了滑模控制器,成功地避免了传统变结构控制器在到达阶段对不确定性的敏感性,增强了系统的鲁棒性。通过实例仿真,验证了本文所提出的控制方法不仅能够保证所研究的非线性系统是稳定的,还能够有效消除系统的抖振。     

基于观测器的具外部扰动的离散时间系统的滑模控制

针对一类具有配外部扰动的多输入多输出(MIMO)离散时间系统(DTS),提出了改进的状态观测器的设计方案,使得该观测器不受外部扰动的影响。对外部扰动满足匹配条件的MIMO-DTS,提出了基于状态观测器和扰动估计器的滑模控制器设计方案,该设计方案不要求知道系统的状态和外部扰动的上界。提出的仿真例子说明了本文方法的可行性和有效性。     

UUV编队自适应协同跟踪控制研究

近年来,水下无人航行器(简称 UUV)在海洋资源勘测开发、海洋生态监测以及军事、经济、 社会等领域均有广泛应用,多 UUV 的编队控制成为国内外水下无人航行器研究的热点。首先给出了简化的三自由度 UUV 数学模型,然后通过平面直线的 Serret-Frenet 方程,建立 UUV 路径跟踪误差模型。通过运用领航者–跟随者方法构建 UUV 的编队控制模型,引入滑模控制的方法,对跟随者 UUV 的控制器进行设计,最终稳定地形成预设的编队。     

面向多区域高效搜索的UUV集群任务分配

UUV 集群在执行大范围搜索任务时分配方案的优劣对于提高任务执行效率至关重要。研究解决 UUV 集群同时进行多区域搜索中的任务分配问题,使得全部区域搜索完成时长最小。针对传统匈牙利算法无法高效解决不平衡任务分配的问题,提出一种改进匈牙利多轮分配算法。该算法通过多轮任务分配,实现空闲 UUV 高效利用和目标区域合理分配,通过在代价函数中引入边际代价和保守估计时长,大大减小了全部区域搜索完成时长。仿真实验结果表明：提出的算法相比传统匈牙利算法能够合理分配空闲 UUV,提高分配效率。此外,相较于仅采用搜索时长为代价函数,在代价函数中引入边际代价和保守估计时长能够针对耗时长的区域最大限度缩短搜索时长,保证随着 UUV 数量的增加,全部区域搜索完成时长单调递减。     

基于字典学习的声速剖面重构和反演

声速剖面（Sound Speed Profile,SSP） 是海洋环境观测的重要要素之一,引入遥感参数进行SSP 反演可以实时获取声速数据。反演首先需要依托精确的基函数对声速场进行降维表示,本文提出一种利用非线性基函数-学习字典（Learned Dictionaries,LDs） 提高降维精度的方案,并使用在多源信息融合上表现良好的自组织竞争型神经网络算法（Self-organizing Map,SOM） 对南海海域进行SSP 反演。实验结果使用均方根误差（Root Mean Square Error,RMSE）作为精度评估。实验结果显示：LDs 较传统基函数-经验正交函数（Empirical Orthogonal Functions,EOFs） 的降维精度在使用三阶基函数时提升0.13 m/s,五阶基函数提升0.07 m/s。使用五阶基函数进行反演,LDs 的反演精度为3.01 m/s,低于EOFs 的反演精度2.47 m/s。其原因为反演误差在机器学习训练基函数时被放大,导致所求得反演系数欠优。LDs 基函数较之传统的EOFs 能够有效突破正交性的限制,更精确地表示声速的扰动,达到了更高的降维精度,为声学信号处理任务的基函数学习提供一种方案。