[发明专利]基于随机模型预测控制技术的自主水下机器人路径跟踪方法

说明书

基于随机模型预测控制技术的自主水下机器人路径跟踪方法，本发明涉及自主水下机器人路径跟踪方法。本发明的目的是为了解决现有现有建立的AUV模型存在参数摄动的情况，导致AUV路径跟踪误差大的问题。过程为：一、测量初始时刻AUV的状态测量值，设置AUV的期望路径、AUV模型中不确定参数的概率分布函数、多项式展开的基函数和控制输入序列的初始值；二、得到AUV的路径跟踪误差；三、使二获得的路径跟踪误差收敛，得到AUV的控制输入；四、判断AUV是否走完跟踪路径，若走完跟踪路径，得到AUV的控制输入；若没有走完跟踪路径，重新执行二到四，直至AUV走完跟踪路径。本发明用于自主水下机器人路径跟踪领域。

技术领域

本发明涉及自主水下机器人路径跟踪方法。

背景技术

自主水下机器人(Autonomous underwater vehicle,AUV)是新一代水下机器人，具有活动范围大、机动性好、安全、智能化等优点，成为完成各种水下任务的重要工具。路径跟踪问题是AUV运动控制的一类基础问题，即通过控制前进速度收敛到一个期望的值(在路径跟踪问题中通常是常数)，并作用于机器人的运动方向上，使其保持在期望路径上。由于任务需求的复杂化，将会进一步提高对AUV控制精度的要求，因此需要精确的控制方法来满足复杂的控制要求。

模型预测控制(Model Predictive Control,MPC)是一种基于模型的控制方法，也可以看作一种基于未来输出响应的最优控制器。对于AUV这种复杂动力系统，模型参数不确定性和摄动是普遍存在的，从而导致输出响应具有随机性，这种随机性会对建模带来很大的困难，从而影响控制器的控制性能。对参数不确定性下的控制问题研究已经有了很长时间的历史，最初的相关成果都集中于鲁棒MPC(Robust MPC,RMPC)^[1](Bemporad A,MorariM.Robust model predictive control:A survey[J].Robustness in Identification&Control,1999,245(1):207-226.)。RMPC一般假设不确定性都是有界的，在此基础上分析系统的稳定性以及控制性能，以应对最坏情况下的干扰，然而，在实际操作中，最坏情况下的扰动发生的可能性较小，导致基于最坏情况下的鲁棒控制设计会过于保守，甚至导致没有可行解的情况。此外，对于复杂动力学系统，精确的指定不确定性的界也是很不实用的，如果实际的不确定性大于预先假设的界，同样也会导致鲁棒稳定性和性能的降低。而近年来，随机MPC(Stochastic MPC,SMPC)受到越来越多的关注，与RMPC处理不确定性的方式不同，SMPC利用不确定性的概率描述，在有限的预测范围内以某种最优的方式取得性能指标函数的期望的最优值，即对于一个特定系统而言，参数的不确定性会导致系统的输出也遵循一定的概率分布，而SMPC的求解问题则是找到最优控制律，使性能指标的期望最优。

综上，导致现有建立的AUV模型存在参数摄动的情况，导致AUV路径跟踪误差大。

发明内容

本发明的目的是为了解决现有现有建立的AUV模型存在参数摄动的情况，导致AUV路径跟踪误差大的问题，而提出基于随机模型预测控制技术的自主水下机器人路径跟踪方法。

基于随机模型预测控制技术的自主水下机器人路径跟踪方法具体过程为：

步骤一、测量初始时刻AUV的状态测量值，设置AUV的期望路径p(σ)；设置AUV模型中不确定参数的概率分布函数f_θ、多项式展开的基函数和控制输入序列的初始值；

步骤二、测量当前AUV的状态测量值，根据当前AUV的状态测量值和AUV的期望路径p(σ)得到AUV的路径跟踪误差；

步骤三、使步骤二获得的路径跟踪误差e_p(t)收敛，得到AUV的控制输入，AUV的控制输入包括AUV的力矩和力；