[发明专利]基于神经网络的自主水下航行器模型预测路径跟踪方法

说明书

本发明涉及一种基于神经网络的自主水下航行器模型预测路径跟踪方法，采用模型预测控制器MPC进行路径跟踪控制的基础上，利用实时测量数据在线训练RBF神经网络，对AUV模型不确定性进行补偿，抑制了模型不确定性对模型预测控制器的干扰，减小了系统的超调量和跟踪误差。MATLAB环境下仿真结果表明，基于RBF‑MPC路径跟踪控制算法与经典的MPC算法相比，具有更好的暂态、稳态性能和更好的节能效果。

技术领域

本发明涉及一种自主水下航行器路径跟踪方法，更具体地是一种基于神经网络的自主水下航行器模型预测路径跟踪方法。

背景技术

自主水下航行器(Autonomous Underwater Vehicles，AUV)因其航程远、作业精准度高、可重复使用等特点，成为了人们认识和探索海洋领域必不可缺的工具，在近些年逐渐被广泛应用。水下回收技术极大地提高了AUV续航能力，路径精确跟踪是实现水下回收的关键。

目前在路径跟踪控制领域应用较为广泛的算法有PID控制算法、滑模控制算法、最优控制算法等，但是这些算法对控制对象的参数和环境的依赖程度比较高，一旦外界稍有变化，便不能在新状态下很好地继续路径跟踪；此外，针对AUV在运动过程中受到的运动学约束和执行机构的约束，上述算法也很难处理。模型预测控制是一种在诸多约束条件下取得最优解的算法，具有参数选择简单、处理约束能力强、可实现多目标优化和计算结果满足最优性等优点。另外，模型预测控制对未来路径的预测能力很突出，这也使得它逐渐成为研究热点。

AUV模型具有多自由度、非线性，强耦合性的特点，且AUV运动数学模型中的部分水动力附加质量、惯性矩和阻尼系数是难以精确确定的。另外，AUV在航行过程中，经常会受到外界比如未知洋流的干扰等，使得AUV路径跟踪又增添了不确定性。径向基(Radial BasisFunction，RBF)神经网络能快速逼近系统动力学模型，结构更简单，与其它神经网络算法相比，RBF神经网络在求解最优值问题上有一定的优势。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于神经网络的自主水下航行器模型预测路径跟踪方法。

技术方案

一种基于神经网络的自主水下航行器模型预测路径跟踪方法，其特征在于步骤如下：

步骤1：建立AUV模型，包括动力学方程式和运动学方程式；

所述的AUV运动学方程式：

所述的AUV动力学方程式：

其中，x表示前向位移、y表示侧向位移、ψ表示航向角、v_x和v_y分别为前向速度和侧向速度、r为AUV的航向角速度， m₁₁＝M₁₁，m₂₂＝M₂₂，m₃₃＝M₃₃，d₁₁＝D₁₁，d₂₂＝D₂₂，d₃₃＝D₃₃，为附加质量的惯性矩阵M、阻尼矩阵D中的元素；N为操纵面产生的操纵力；

步骤2：构建基于MPC的AUV路径跟踪控制器；

根据AUV路径跟踪性能指标要求，采用MPC控制算法，步骤1中的AUV模型为被控对象，在每个采样时刻k，获取AUV最新的测量状态，根据AUV跟踪状态误差最小和控制输入最小的要求，预测时域内的控制序列，最后选取求解得到的控制序列的第1个元素作为AUV模型的输入量，这一时刻结束后在下一个采样时刻重新获取AUV的状态，继续下一周期滚动优化；AUV路径跟踪目标可以表示为以下滚动优化控制问题：