[发明专利]一种欠驱动船舶的在线建模与自适应控制方法

说明书

本发明的目的是：实现对船舶操纵运动的黑箱建模，并将得到的黑箱模型用于船舶轨迹跟踪的自适应控制律设计，使得船舶能够跟踪期望轨迹。为了达到上述目的，本发明的技术方案是提供了一种欠驱动船舶的在线建模与自适应控制方法。本发明提出的支持向量机的欠驱动船舶在线建模和轨迹跟踪控制方法，可应用于船舶运动控制领域，可设计自适应的航向控制律，抵抗环境干扰，消除船舶横向稳态偏差，精准地跟踪目标轨迹。

技术领域

本发明涉及一种基于支持向量机的模型参数在线辨识和欠驱动船舶轨迹跟踪自适应控制方法，属于欠驱动船舶的在线建模和运动控制技术领域。

背景技术

船舶的运动控制包括船舶航向控制、路径跟随控制、轨迹跟踪控制、目标跟踪、全局路径规划以及局部避碰等。在船舶运动控制算法的设计中，船舶操纵运动的数学模型几乎是必不可少的，比如在自动舵的设计中需要首摇角速度关于舵角的响应模型，在路径跟随或轨迹跟踪情形下需要精确的多自由度船舶操纵运动模型来实现控制器的设计。

在对船舶操纵运动的数学建模研究中，传统的系统辨识方法如最小二乘估计、扩展卡尔曼滤波、极大似然估计、递推预测误差技术等，被广泛地应用于船舶操纵运动建模研究。但是这些方法存在一定的固有缺陷，比如有对噪声的抵抗能力较弱，需要的学习样本过多，容易过拟合等问题。并且，实际情况下已有的船舶操纵运动数学模型具有一定的建模误差、不能完全反映系统的动态特性。同时，传统辨识算法的收敛性和精度对估计变量的初值的依赖性也很大。这些缺陷使得传统的系统辨识方法无法满足船舶操纵运动模型在现代控制技术中应用的要求。

支持向量机是由苏联数学家Vapnik教授等在统计学习理论的基础上发展出的新一代机器学习方法，其通过寻求最小化结构风险来提高泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。与传统的系统辨识方法相比，支持向量机具有更好的泛化性能、能有效避免维数灾难和求得全局最优解等优点。

发明内容

本发明的目的是：实现对船舶操纵运动的黑箱建模，并将得到的黑箱模型用于船舶轨迹跟踪的自适应控制律设计，使得船舶能够跟踪期望轨迹。

为了达到上述目的，本发明的技术方案是提供了一种欠驱动船舶的在线建模与自适应控制方法，其特征在于，包括以下步骤：

步骤1：将多组船舶首摇角速度关于舵角的时间序列作为训练数据，使用支持向量机系统辨识方法对船舶操纵运动的转首动力学过程进行黑箱建模，获得船舶转首动力学黑箱模型；

步骤2：设计欠驱动船舶轨迹跟踪自适应控制的导航律；

步骤3：使用由步骤1所求得的船舶转首动力学黑箱模型对船舶操纵运动过程中的首摇角速度进行预测，用于航向控制律的设计；

步骤4：设计欠驱动船舶的纵向速度控制律，将船舶的纵向运动解耦出来，考虑非线性阻尼，忽略向心力和科氏力，得到纵向运动方程，然后可采用反馈线性化控制方法对纵向速度进行控制。

优选地，步骤1中，所述支持向量机系统辨识方法为最小二乘支持向量机。

优选地，所述步骤1包括以下步骤：

步骤1.1：收集目标船的样本数据，采用一阶低通滤波器对收集到的样本数据进行滤波处理，过滤掉频率大于截止频率的高频成分；

步骤1.2：根据一阶非线性转首动力学模型，确定用于训练的样本结构，然后，从过滤后的样本数据中得到l个训练样本，构成训练样本集，l个训练样本表示为：

(x₁,y₁),(x₂,y₂),…,(x_i,y_i) (i＝1,2,…,l),x×y∈Rⁿ×R