基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

被引：25

作者：

杨超

郭佳

张铭钧

机构：

[1] 哈尔滨工程大学机电工程学院

来源：

机器人 | 2018年 / 40卷 / 03期

关键词：

作业型AUV; RBF神经网络; 模型不确定性; 滑模控制; 轨迹跟踪控制; 抖振降低;

D O I：

10.13973/j.cnki.robot.170426

中图分类号：

TP183 [人工神经网络与计算]; TP242 [机器人];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 1111 ;

摘要：

研究了作业型AUV(自主水下机器人)的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF(径向基函数)神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.

引用

页码：336 / 345

页数：10

共 14 条

[1] 基于干扰观测器的非线性不确定系统自适应滑模控制 [J].

于靖 ;

陈谋 ;

姜长生 .

控制理论与应用, 2014, 31 (08) :993-999

[2] 水下机器人发展趋势 [J].

徐玉如 ;

李彭超 .

自然杂志, 2011, 33 (03) :125-132+2

[3] 基于模糊神经网络水下机器人直接自适应控制 [J].

俞建成 ;

张艾群 ;

王晓辉 ;

苏立娟 .

自动化学报, 2007, (08) :840-846

[4] AUV自主导航航位推算算法的研究 [J].

冯子龙 ;

刘健 ;

刘开周 .

机器人, 2005, (02) :168-172

[5] Adaptive terminal sliding mode based thruster fault tolerant control for underwater vehicle in time-varying ocean currents [J].

Zhang, Mingjun ;

Liu, Xing ;

Yin, Baoji ;

Liu, Weixin .

JOURNAL OF THE FRANKLIN INSTITUTE-ENGINEERING AND APPLIED MATHEMATICS, 2015, 352 (11) :4935-4961

[6]

Coordinated motion control in task space of an autonomous underwater vehicle–manipulator system[J] . Santhakumar Mohan,Jinwhan Kim.Ocean Engineering . 2015

[7]

Adaptive neural network-based backstepping fault tolerant control for underwater vehicles with thruster fault[J] . Yujia Wang,Mingjun‘ Zhang,Philip A. Wilson,Xing Liu.Ocean Engineering . 2015

[8]

Adaptive second order terminal sliding mode controller for robotic manipulators[J] . Sanjoy Mondal,Chitralekha Mahanta.Journal of the Franklin Institute . 2013

[9]

Experimental model identification of open-frame underwater vehicles[J] . Juan P.J. Avila,Décio C. Donha,Julio C. Adamowski.Ocean Engineering . 2013

[10]

Adaptive sliding mode control based on local recurrent neural networks for underwater robot[J] . Ming-jun Zhang,Zhen-zhong Chu.Ocean Engineering . 2012

← 1 2 →