摘要：考虑到海洋环境的复杂性、不确定性及水下机器人机械臂系统(UVMS)的强非线性、强耦合性等特点,提出一种基于扩张状态观测器(ESO)的鲁棒模型预测控制(RMPC)方法。首先基于UVMS的动力学特性,建立其动力学模型,并忽略不确定项和干扰给出其名义模型系统。然后,基于名义系统设计了RMPC算法。将原系统的不确定项、干扰以及建模误差等影响因素集总为扩张状态,设计了ESO对其进行估计,并在名义模型的RMPC基础上进行了补偿,以得到应用于UVMS系统的RMPC方法。最后通过仿真实验证明,基于ESO的RMPC具有很好的轨迹跟踪性能和抗扰动能力。

摘要：针对自主水下航行器机械臂系统(AUVMS)的非线性、高耦合性和工作环境的复杂性,文中设计了基于线性扩张观测器(LESO)的控制方案。以带双连杆机械臂的自主水下航行器(AUV)为例,将系统分为5个子系统,将外部扰动(洋流、浪涌和涡流等干扰)与内部不确定性(建模不精确、耦合影响和测量误差等)视作总扰动,并设计LESO和线性反馈控制律进行估计与补偿。对LESO的收敛性与估计误差动力学进行了分析。考虑到AUV动力装置所产生的动力和力矩是有限的,在实际控制中需要对控制输入量针对动力装置的物理特性来设置上限,并且少有文献对带机械臂系统的AUV饱和控制进行研究,文中设计了具有输入饱和限制的非线性比例-微分(PD)控制器,并对控制器的稳定性进行了分析。利用LESO的总扰动思想来处理AUV机械臂系统的非线性、高耦合性和复杂扰动的控制难点,并以输入饱和控制器确保了控制方案的工业适用性。最后通过与传统PID与滑模控制器的对比分析及仿真验证了所提方案的有效性。

摘要：水下机器人机械臂系统(UVMS)往往面临高度非线性、模型不确定、复杂海洋干扰及执行器死区非线性等因素,严重影响控制精度。首先将UVMS水动力学模型与死区非线性特性变换为模型已知和未知两部分,其中未知部分与其他干扰归结为总干扰。接下来利用基于径向基函数(RBF)的自适应神经网络逼近未知非线性函数,并构造神经网络性能估计器,利用其估计误差设计了一种新颖的神经网络干扰观测器来估计总干扰。在此基础上提出了一种基于神经网络干扰观测器、性能估计器以及多补偿器的自适应神经网络抗扰控制算法,并利用李雅普诺夫方法分析了闭环系统的稳定性。最后将所提的算法运用到6自由度UVMS进行仿真实验,并通过对比验证了本文所提控制算法的有效性。

摘要：将无模型自适应控制方法应用于遥控潜水器(ROV)定深控制当中。该控制方案的设计仅利用ROV的垂向推力输入数据和深度输出数据,用动态线性化时变模型替代ROV非线性系统模型,算法中不包含ROV模型及水动力参数信息。因此,解决了ROV因系统复杂、水动力参数难以确定,所导致的控制器设计复杂度高、控制效果不理想的问题。为了便于仿真,文章建立含有补偿参数的ROV简化模型,模型仅用于产生系统的I/O数据,不参与控制器的设计。仿真结果表明,在ROV定深控制当中,无模型自适应控制(MFAC)比PID控制具有更强的抗扰能力。此外,在欠阻尼ROV系统中,基于偏格式动态线性化的无模型自适应控制(PFDL-MFAC)方案相比于基于紧格式动态线性化的无模型自适应控制(CFDL-MFAC)方案具有更好的控制效果。

摘要：随着水下机器人-机械手系统(UVMS)向轻量化、敏捷化方向发展,对高精度水下姿态控制的需求日益突出。传统方法多使用欧拉角表示姿态,其在特殊姿态下求运动学逆解会产生奇异,不能满足特殊姿态作业的要求。因此,文中采用四元数表示水下机器人本体姿态,建立基于四元数的运动学模型,避免了欧拉角的万向锁问题。同时,进一步构建了UVMS的动力学模型,构造基于四元数误差的滑模面,设计了位置、姿态滑模控制器,并通过广义Lyapunov理论分析了系统的稳定性。为了实现更好的控制效果,利用时间误差绝对值函数设计适应度函数,采用遗传算法优化了控制器参数。仿真结果验证了控制器的有效性。