[发明专利]一种基于数据驱动的自主水下航行器轨迹跟踪控制方法

说明书

本发明公开了一种基于数据驱动的自主水下航行器轨迹跟踪控制方法，所述方法采用双闭环控制架构，包括：基于运动学模型设计外环控制器，得到自主水下航行器在本体坐标系下的期望速度，用于内环控制器的设计；对本体坐标系下动力学模型进行离散化处理、转化，并给出AUV的动态线性化数据模型，得到离散化动力学模型与动态线性化数据模型的对应关系；基于改进投影算法设计PJM估计器，实时估计动态线性化数据模型中的PJMΦ_c(k)，并给出PJM估计初值的直观设计方法；设计离散扩张状态观测器，观测动态线性化数据模型中的总扰动增量项f(k)；设计基于MFAC与PD控制算法相结合，实时补偿ESO所观测的系统模型估计误差的内环控制器，实现对机器人本体坐标系下期望速度的跟踪。

技术领域

本发明涉及自主水下航行器跟踪控制技术领域，尤其涉及一种数据驱动的基于模型估计误差补偿的自主水下航行器轨迹跟踪自适应控制方法。

背景技术

自主水下航行器(Autonomous Underwater Vehicle,AUV)作为执行海洋任务不可或缺的工具之一，因其无人无缆，能够自主完成任务，相比载人潜水器和遥控水下机器人，具有安全灵活、作业范围广、不依赖于外部平台等优点，广泛应用于海洋资源勘探、海底地貌观测、海洋环境监测、海油及天然气管道检测、水下救援、雷区搜索等领域。AUV应用研究的不断深入，对AUV的精确轨迹跟踪能力提出了更高的要求。

AUV的轨迹跟踪属于AUV跟踪控制研究的重要方面，要求AUV跟踪一条以时间为参数的轨迹，具有时间条件约束，即AUV必须在指定时刻运动到指定位置。目前AUV轨迹跟踪控制研究仍有很多难点问题亟待解决。首先，AUV是一种具有强不确定性、强耦合特征的复杂非线性系统，难以建立用于控制器设计的精确机理模型。此外，由于海洋环境复杂多变，海流、风浪对AUV运动产生不确定性干扰作用，并且加剧了AUV水动力学参数等模型参数的不确定性，使AUV精确轨迹跟踪控制面临很大困难。

目前国内外对AUV轨迹跟踪控制的研究多集中于基于模型的控制。为解决上述不确定性和外扰问题，自适应控制、鲁棒控制、基于观测器的控制等方案在AUV领域得以广泛应用。Sarhadi等人采用自适应的方案实现了AUV在外部干扰下的跟踪控制^[1]；Guo-chengZhang等人针对AUV系统的不确定性和时变外扰问题，基于自适应二阶滑模控制器实现了AUV的跟踪控制^[2]；杨泽文等人研究了高增益观测器结合反步控制的方法，实现了欠驱动AUV水平面轨迹跟踪控制，并通过数值仿真验证了该方法的控制效果^[3]。

然而，上述基于模型的控制方案在实际应用中存在局限性，即必须已知AUV的水动力学参数等模型信息。众所周知，AUV水动力学参数的辨识过程是非常复杂、高成本、耗时的，并且由于水动力学参数会随着水环境密度、温度梯度等实时变化，因而水动力学参数还需要实时修正，加剧了基于模型控制的困难程度。基于此，国内外少数学者开始研究AUV的基于数据驱动的无模型轨迹跟踪控制方案。Jian Gao等人采用自适应神经网络方法实现了全驱动水下机器人的视觉伺服控制^[4]；哈尔滨工程大学汤莉利用BP神经网络，提高了AUV控制系统抑制海流等环境干扰的能力^[5]。

但是，基于神经网络的非线性自适应控制方案在实际应用中是存在困难的，算法需要大量的训练过程和丰富的离线输入输出数据，尤其对于AUV系统而言，这是不现实的；并且，为保证神经网络算法的实时性，AUV系统硬件也需要达到很高的要求，这些都使得基于神经网络的自适应控制方案难以实用化。另一方面，传统的无模型自适应控制(Model-Free Adaptive Control,MFAC)架构首先基于动态线性化方法建立动态数据模型，然后利用在线输入输出数据实时估计数据模型的伪雅克比矩阵(Pseudo Jacobian Matrix,PJM)，以实现对实际系统模型的实时估计。不同于基于神经网络的控制方法，该方法具有计算量小、鲁棒性较强、易于实现等优势，仅依赖于被控系统的实时量测数据，不需要任何外在测试信号或训练过程，更适于在AUV实际系统中应用^[6]。