一种自适应边界层水面无人艇控制导引方法与流程
本发明属于控制领域，具体涉及一种自适应边界层水面无人艇控制导引方法。
背景技术：
水面无人艇将传统船舶技术与无人技术相结合，具有无人自主、机动性强、隐身性能好、成本较低等优点。水面无人艇大多在恶劣海况下执行任务，因此高精度，强适应能力的跟踪控制方法是实现自主的基本。如何实现水面无人艇高精度控制，强适应能力，同时兼顾最优速度已成为现在的研究热点。视线法(line-of-sight,los)作为工程中常见的跟踪控制方法，在已有的文献中，许多学者针对该方法进行了改进从而提高其自适应能力。但是这些方法大多基于艇体数学模型，忽略速度耦合，同时敏感度过高，故其鲁棒性和普适性较差。
挪威科技大学的fosseni等首先将los跟踪算法引入到欠驱动水面无人艇中，将横向距离，纵向距离，艏向角度这三个自由度的跟踪问题转化为艏向角度，前进速度的二自由度跟踪问题，其缺点是收敛半径为常数，故不具备自适应能力，且为只能实现局部收敛。
哈尔滨工程大学的廖煜雷等人，通过改进los算法，在视线角中引入积分项，增强其抗扰动能力，同时通过线性反馈设计自适应的收敛半径使得算法能够实现全局收敛。但其算法参数过多，且敏感度高，调节困难。
海军工程大学的陈宵等人，将在los中的积分项中引入一种漂角观测器，以减小定积分增益选择不当带来的积分饱和以及超调等不利影响，在此基础上，在前视距离中引入比例增益使其变为时间变量，从而使得无人艇操纵更加灵活。通过级联系统理论证明了该闭环系统为全局k-指数稳定，但同样具有敏感度高的问题，同时忽略了速度耦合的影响。
武汉理工大学的陈俊等人，考虑到速度耦合的影响，提出基于los的变速循迹控制，通过状态反馈和反步法分别计算艇体加速度，再利用最小二乘法对其进行估计，使得水面无人艇能够根据横向偏差以及变化率调整速度，更快速地达到预设路径，但该算法基于模型设计，且只考虑直线跟踪，普适性较差。
技术实现要素：
本发明的目的在于提供一种基于无模型的、高精度的、高鲁棒性且具备一定自适应能力的自适应边界层水面无人艇控制导引方法。
一种自适应边界层水面无人艇控制导引方法，具体包括如下步骤：
步骤1、收集对当前速度制动长度有影响的参数，包括航速、海风的风速与风向、海流的流速和流向、波浪的波高与波长及波向，制动长度五个体系指标，并对这五个体系指标进行识别与处理以及无量纲化；
步骤2、采用水面无人艇制动长度神经网络对所述的五个体系指标进行训练，然后对其进行泛化验证；
步骤3、初始化双曲正切修正器，需要初始化的控制参数为tanh系数，增益系数，收敛半径；
其中，δ表示横侧偏差，ktanh表示tanh系数，ξ表示增益系数，
步骤4、通过传感器获取水面无人艇当前位姿势，包括航速v，航向角χ，经度lat，纬度lon，以及海洋环境信息，通过规划系统获取规划路径p(p1,p2,......,pn)；
步骤5、根据当前给出的规划点，判断跟踪直线还是圆，如果是直线跳至步骤七，如果是圆跳至步骤八；
步骤6、根据当前目标点p1和上一个目标点p0，求解期望艏向：
其中，χp为期望路径与正北坐标系的夹角，
步骤7、根据当前目标点p1即圆心，跟踪方向ζ以及跟踪半径r，求解期望艏向：
其中，kc为控制参数，kc越大，越能抑制超调，同时抑制振荡，当过大会令横侧偏差存在静态误差；χorbit为舰体和圆心的连线与正北坐标系的夹角，ζ为跟踪方向，若ζ＝1则顺时针跟踪，反之亦然；
步骤8、根据航速v，以及传感器得到的环境信息，通过水面无人艇制动神经网络预测其制动距离，得到当前规划路径的边界层，然后结合当前边界层和制动距离得到期望速度：
其中，umax为最大航速，u*为最优航速；
步骤9、根据当前水面无人艇至目标点距离，对比安全阈值ε，判断是否达到目标点，若为圆，则为已完成的跟踪角度；如果到达目标点则删除上一个目标点，并跳至步骤5；否则，输出期望航速和航向。
所述一种自适应边界层水面无人艇控制导引方法，步骤2中神经网络模型具备一个输入层，两个全连接层，一个输出层，返回一个单一且连续的数值，其中两层全连接层的神经元数均为64个，激活函数采用relu，采用rms进行优化，学习律设定为0.001，损失函数采用交叉熵，具体过程如下所示：
式中，a为当前神经网络输出值，y为目标值，x为样本，m为该批量样本数量；
式中，g为反向梯度，θ为该神经元权重，▽θ表示对权重进行求偏导；
式中，r为累计平方梯度，初始值为0；为衰减速率，ρ给定常值0.9；
式中，ε为学习律，给定常值0.001，δ为常数10-10。
θ←θ+δθ
所述一种自适应边界层水面无人艇控制导引方法，步骤6中χp，δ由下式确定：
χp＝atan2(p0，p1)δ＝(nt-nk)sinχp+(et-ek)cosχp
其中，atan2表示四象限反正切函数，χp的方向为p0指向p1，(nt,yt)为水面无人艇经纬度转坐标，为目标点经纬度转xy坐标。
所述一种自适应边界层水面无人艇控制导引方法，步骤8中所述边界层的含义为当艇体在远离跟踪路线的时候，加快速度使其尽快在路径周围，当艇体在路线周围时，采用最优的速度去跟踪路径，加速横侧偏差的收敛，当艇体稳定在路线上时，采用最大速度尽快完成本次路径跟踪，
u2target＝u*，dtotarget＜ldecelerate
其中，ldecelerate为当前航速v的制动距离，dtotarget为水面无人艇至目标点距离，最终的期望速度优先级为u1target＜u2target。
本发明的有益效果在于：
本发明通过自适应边界层在los算法中引入航速的考虑，提高其跟踪响应速度，利用双曲正切修正器优化los算法的跟踪控制精度。同时本算法采取模块化设计，不论是自适应边界层中的水面无人艇制动长度神经网络，速度优化层还是基于向量场改进的圆弧导引策略，都能够运用在其他算法中。
附图说明
图1为自适应边界层的欠驱动水面无人艇控制导引方法；
图2为自适应边界层流程图；
图3为安全阈值观测器流程图；
图4为基于自适应边界层水面无人舰控制导引方法概念图。
具体实施方式
下面结合附图对本发明作进一步描述。
如附图1所示，为自适应边界层的欠驱动水面无人艇控制导引方法；如附图2所示，为自适应边界层流程图；如附图3所示，为安全阈值观测器流程图；如附图4所示，为基于自适应边界层水面无人舰控制导引方法概念图。
一种自适应边界层水面无人艇控制导引方法，具体包括如下步骤：
步骤1、收集对当前速度制动长度有影响的参数，包括航速、海风的风速与风向、海流的流速和流向、波浪的波高与波长及波向，制动长度五个体系指标，并对这五个体系指标进行识别与处理以及无量纲化；
步骤2、采用水面无人艇制动长度神经网络对所述的五个体系指标进行训练，然后对其进行泛化验证；
步骤3、初始化双曲正切修正器，需要初始化的控制参数为tanh系数，增益系数，收敛半径；
其中，δ表示横侧偏差，ktanh表示tanh系数，ξ表示增益系数，
步骤4、通过传感器获取水面无人艇当前位姿势，包括航速v，航向角χ，经度lat，纬度lon，以及海洋环境信息，通过规划系统获取规划路径p(p1,p2,......,pn)；
步骤5、根据当前给出的规划点，判断跟踪直线还是圆，如果是直线跳至步骤七，如果是圆跳至步骤八；
步骤6、根据当前目标点p1和上一个目标点p0，求解期望艏向：
其中，χp为期望路径与正北坐标系的夹角，
步骤7、根据当前目标点p1即圆心，跟踪方向ζ以及跟踪半径r，求解期望艏向：
其中，kc为控制参数，kc越大，越能抑制超调，同时抑制振荡，当过大会令横侧偏差存在静态误差；χorbit为舰体和圆心的连线与正北坐标系的夹角，ζ为跟踪方向，若ζ＝1则顺时针跟踪，反之亦然；
步骤8、根据航速v，以及传感器得到的环境信息，通过水面无人艇制动神经网络预测其制动距离，得到当前规划路径的边界层，然后结合当前边界层和制动距离得到期望速度：
其中，umax为最大航速，u*为最优航速；
步骤9、根据当前水面无人艇至目标点距离，对比安全阈值ε，判断是否达到目标点，若为圆，则为已完成的跟踪角度；如果到达目标点则删除上一个目标点，并跳至步骤5；否则，输出期望航速和航向。
所述一种自适应边界层水面无人艇控制导引方法，步骤2中神经网络模型具备一个输入层，两个全连接层，一个输出层，返回一个单一且连续的数值，其中两层全连接层的神经元数均为64个，激活函数采用relu，采用rms进行优化，学习律设定为0.001，损失函数采用交叉熵，具体过程如下所示：
式中，a为当前神经网络输出值，y为目标值，x为样本，m为该批量样本数量；
式中，g为反向梯度，θ为该神经元权重，▽θ表示对权重进行求偏导；
式中，r为累计平方梯度，初始值为0；为衰减速率，ρ给定常值0.9；
式中，ε为学习律，给定常值0.001，δ为常数10-10。
θ←θ+δθ
所述一种自适应边界层水面无人艇控制导引方法，步骤6中χp，δ由下式确定：
χp＝atan2(p0，p1)δ＝(nt-nk)sinχp+(et-ek)cosχp
其中，atan2表示四象限反正切函数，χp的方向为p0指向p1，(nt,yt)为水面无人艇经纬度转坐标，为目标点经纬度转xy坐标。
所述一种自适应边界层水面无人艇控制导引方法，步骤8中所述边界层的含义为当艇体在远离跟踪路线的时候，加快速度使其尽快在路径周围，当艇体在路线周围时，采用最优的速度去跟踪路径，加速横侧偏差的收敛，当艇体稳定在路线上时，采用最大速度尽快完成本次路径跟踪，
u2target＝u*，dtotarget＜ldecelerate
其中，ldecelerate为当前航速v的制动距离，dtotarget为水面无人艇至目标点距离，最终的期望速度优先级为
- 还没有人留言评论。精彩留言会获得点赞！