[发明专利]一种自主水下机器人神经网络S面控制方法

摘要

一种自主水下机器人神经网络S面控制方法，涉及一种自主水下机器人的控制方法。为了解决现有的AUV的S面控制方法存在难以获得最优的控制参数或难以适应复杂变化的海洋环境从而影响运动控制效果的问题。本发明针对AUV控制模型，以S面控制方法对AUV进行闭环控制，在每个控制节拍内由S面控制环节输出控制量，控制器内部S面控制环节的控制参数k1与k2由基于神经网络的预测模型实现多步预测环节、反馈校正环节与滚动优化环节确定。本发明适用于自主水下机器人控制。

主权项

1.一种自主水下机器人神经网络S面控制方法，针对AUV控制模型，以S面控制方法对AUV进行闭环控制，其特征在于，在每个控制节拍内由S面控制环节输出控制量，控制器内部S面控制环节的控制参数k₁与k₂由基于神经网络的预测模型实现多步预测环节、反馈校正环节与滚动优化环节确定；具体过程如下：步骤1、神经网络预测模型环节：周期性记录AUV航行过程中的控制量与状态量，获得神经网络模型的训练样本；采用BP学习算法对Elman神经网络进行离线训练，实现对AUV动力学模型的辨识；采用离线训练后的神经网络作为单步预测模型，并采用递推多步预测的方式，将其在时域内进行串联来建立多步预测模型，从而组成控制器的预测模型环节；步骤2、反馈校正环节：反馈校正环节根据上一时刻的模型预测输出与AUV实际输出之间的偏差，对当前参数设置节拍内的预测模型输出进行修正；步骤3、滚动优化环节：滚动优化环节选取改进ITAE准则作为性能指标函数；在ITAE准则基础上，引入超调惩罚系数以提高对超调的敏感度，从而增强控制器对超调的抑制能力，其表达式如下式中，α为超调惩罚函数，非超调状态下取α＝1，超调状态下则α＞1；误差量e_Φ(t)为y_p(t+d/t)与AUV运动控制目标量y_in的差值；将控制参数k₁与k₂作为状态S，将Φ_p(S')‑Φ_p(S)作为增量Δ，通过模拟退火算法进行状态更新，并最终确定最优的状态，从而确定控制参数k₁与k₂；其中，Φ_p(S)表示状态S对应的Φ_p；S'为更新的状态。