基于命令濾波技術(shù)的水下機器人位置跟蹤控制

胡亞強 于金鵬 趙林 于海生

摘要：為解決考慮輸入飽和的自治水下機器人的位置跟蹤問題，本文采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)命令濾波控制方法，設(shè)計了對自治水下機器人進行位置跟蹤控制器。利用反步法構(gòu)造考慮輸入飽和的控制器，使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近自治水下機器人系統(tǒng)中的非線性項，同時采用命令濾波技術(shù)解決計算爆炸問題，引入誤差補償機制，降低濾波誤差帶來的影響。通過選取合適的李雅普諾夫函數(shù)求出自適應(yīng)律，證明閉環(huán)系統(tǒng)的所有信號有界。仿真結(jié)果表明，該控制器可以使水下機器人系統(tǒng)中的位置跟蹤誤差收斂到一個足夠小的鄰域內(nèi)。該研究具有一定的實際應(yīng)用價值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò); 命令濾波器; 輸入飽和; 自治水下機器人

中圖分類號： TP242.2文獻標識碼： A

文章編號： 10069798（2019）01009506; DOI： 10.13306/j.10069798.2019.01.017

海洋蘊藏著豐富的資源，隨著全球能源的不斷消耗，各國對于海洋資源的開發(fā)愈演愈烈[1]。目前，自治水下機器人（autonomous underwater vehicles，AUV）由于具有可以自帶能源，與水面母船無線通訊，成本低，隱蔽性能好等優(yōu)點，被大量應(yīng)用在海底作業(yè)中。然而由于AUV的高度非線性和變量多的性質(zhì)，使得在AUV系統(tǒng)中的控制效果不明顯。為了實現(xiàn)良好的控制效果，專家學(xué)者們提出了滑?？刂芠2]、神經(jīng)網(wǎng)絡(luò)控制[3]和反步法控制[4]等控制方法。AUV系統(tǒng)中含有未知量和非線性項，反步法是可有效解決系統(tǒng)中含有未知量問題的控制方法之一。反步法的核心思想是將一個復(fù)雜的高階系統(tǒng)分解為多個子系統(tǒng)，然后將虛擬控制信號引入各子系統(tǒng)，同時選擇適當?shù)睦钛牌罩Z夫函數(shù)對控制輸入進行系統(tǒng)推導(dǎo)，從而簡化控制器的設(shè)計過程。在傳統(tǒng)的反步控制中，對虛擬函數(shù)連續(xù)求導(dǎo)容易導(dǎo)致“計算爆炸”問題[5]。D. Swaroop等人[6]提出動態(tài)面方法來解決計算“爆炸問題”;王世軍等人[7]對AUV系統(tǒng)設(shè)計了基于反步法的動態(tài)面控制，雖然這種方法對AUV系統(tǒng)進行了有效的位置跟蹤控制，但是沒有考慮濾波器帶來的誤差和AUV系統(tǒng)中輸入飽和的問題。命令濾波[89]能夠在解決“計算爆炸”問題的同時，引入誤差補償機制以降低濾波誤差帶來的影響[1011]，可以作為動態(tài)面技術(shù)的一種替代。在實際控制系統(tǒng)中，常常會遇到的非線性問題之一就是輸入飽和問題，發(fā)生該問題的原因是實際控制系統(tǒng)中的輸入信號往往是有界的，它會對控制系統(tǒng)的控制效果乃至穩(wěn)定性產(chǎn)生影響[12]。因此，本文針對二階的AUV系統(tǒng)，提出一種考慮輸入飽和的自適應(yīng)神經(jīng)網(wǎng)絡(luò)命令濾波位置跟蹤控制方法。與傳統(tǒng)的動態(tài)面方法相比，本文提出的方法可以利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近系統(tǒng)中的非線性項，引入誤差補償機制降低濾波誤差帶來的影響，而且考慮了AUV系統(tǒng)中的輸入飽和問題。本文提出的控制方法使水下機器人系統(tǒng)中的位置跟蹤誤差收斂到一個足夠小的鄰域內(nèi)，為位置跟蹤問題提供了研究依據(jù)。

4結(jié)束語

針對自治水下機器人系統(tǒng)，本文設(shè)計了一種考慮輸入飽和的自適應(yīng)神經(jīng)網(wǎng)絡(luò)命令濾波位置跟蹤控制器。首先，利用反步法構(gòu)造考慮輸入飽和的控制率并使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近自治水下機器人系統(tǒng)中的非線性項。隨后，采用命令濾波技術(shù)以解決計算爆炸問題，同時引入誤差補償機制降低濾波誤差帶來的影響，最后構(gòu)造自適應(yīng)律并證明系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明通過以上步驟構(gòu)造的控制器在考慮輸入飽和的情況下可以使水下機器人系統(tǒng)中的位置跟蹤誤差收斂到一個小鄰域內(nèi)，驗證了所設(shè)計控制器的有效性。

參考文獻：

[1]Zhang M J， Zheng J X， Zhang J. Selection method of multiobjective problems using genetic algorithm in motion plan of AUV[J]. Journal of Marine Science & Application， 2002， 1（1）： 8186.

[2]Song F J， Smith S M. Design of sliding mode fuzzy controllers for an autonomous underwater vehicle without system model[C]∥Oceans 2000MTS/IEEE Conference and Exhibition， RI， USA： IEEE， 2000.

[3]Zhao L， Jia Y M. Neural networkbased adaptive consensus tracking control for multiagent systems under actuator faults[J]. International Journal of Systems Science， 2016， 47（8）： 19311942.

[4]劉宇. 基于自適應(yīng)反演方法的自主水下航行器控制[J]. 系統(tǒng)工程與電子技術(shù)， 2011， 33（3）： 638642.

[5]Yip P， Hedrick J. Adaptive dynamic surface control： a simplified algorithm for adaptive backstepping control of nonlinear systems[J]. International Journal of Control， 2010， 71（5）： 959979.

[6]Swaroop D， Gerdes J C， Yip P P， et al. Gerdes， Dynamic surface control for a class of nonlinear systems[J]. IEEE Transaction on American Control， 2000， 45（10）： 18931899.

[7]Wang S J， Yu H S， Zhao L， et al. Adaptive fuzzy dynamic surface control for AUVs via backstepping[C]∥ Proceedings of 2017 Chinese Intelligent Automation Conference. Yangzhou， China： CIAC， 2017： 143152.

[8]Farrell J A， Polycarpou M， Sharma M， et al. Command filtered backstepping[J]. IEEE Transactions on Automatic Control， 2009， 54（6）： 13911395.

[9]Dong W J， Farrell J A， Polycarpou M， et al. Command fitered adaptive backstepping[J]. IEEE Transactions on Control Systems Technology， 2012， 20（3）： 566580.

[10]Yu J P， Shi P， Dong W J， et al. Observer and command filterbased adaptive fuzzy output feedback control of uncertain nonlinear systems[J]. IEEE Transactions on Industrial Electronics， 2015， 62（9）： 59625970.

[11]Yu J P， Shi P， Dong W J， et al. Adaptive fuzzy control of nonlinear systems with unknown dead zones based on command filtering[J]. IEEE Transactions on Fuzzy Systems， 2018， 26（1）： 4655.

[12]Yu J P， Shi P， Dong W J， et al. Command filtering based fuzzy control for nonlinear systems with saturation input[J]. IEEE Transactions on Cybernetics， 2017， 47（9）： 24722479.

[13]Fossen T I. Marine control systems： guidance， navigation，and control of ships， rigs and underwater vehicles[M]. Germany： Springer， 2002： 348351.

[14]Chen P， Qin H， Sun M， et al. Global adaptive neural network control for a class of uncertain nonlinear systems[J]. IET Control Theory and Application， 2011， 5（5）： 655662.

[15]Mathiyalagan K， Park J H， Sakthivel R. Synchronization for delayed memristive BAM neural networks using impulsive control with random nonlinearities[J]. Applied Mathematics and Computation， 2015， 259： 967979.