[发明专利]一种基于轨迹预测的自主水下航行器目标跟踪控制方法

说明书

本发明公开了一种基于轨迹预测的自主水下航行器目标跟踪控制方法，基于TPENN神经网络进行目标轨迹预测，得到预测的逃逸目标轨迹；根据预测的逃逸目标轨迹，基于深度强化进行动态目标跟踪控制，实现安全避障、水流补偿和轨迹跟踪。本发明将轨迹预测问题转化为时间序列的预测问题，将TPENN神经网络模型引入目标轨迹预测之中，利用TPENN神经网络挖掘轨迹数据的内部相关性，解决轨迹预测难题；在动态逃逸目标轨迹预测的基础上，针对自主水下航行器非线性模型不确定特性和水流影响，借助强化学习方法的非线性、强学习，不依赖模型的特性，同时引入深度学习算法克服强化学习的维度灾难问题，从而实现航行器自主动态目标跟踪控制。

技术领域

本发明属于水下航行器控制技术领域，具体涉及一种基于轨迹预测的自主水下航行器目标跟踪控制方法。

背景技术

深海水下追踪与博弈是未来水下无人战争的重要形式。自主水下航行器自带能源动力、航行范围广而深的特性，使其成为水下无人战争的重要载体，在海洋工程与海防军事领域有着十分广泛的应用前景，发挥着不可代替的作用。特别是基于水下动态目标跟踪控制技术，在国家海防安全领域得到高度关注，是水下逃逸目标追踪控制、敌对目标拦截围捕及各种水下博弈对抗研究的关键与核心技术。

目标跟踪是指自主水下航行器在控制律的激励下持续跟踪轨迹连续变化的目标，强调在指定时间到达指定位置，是一种严格考虑时间约束的动态跟踪。由于自主水下航行器自身非线性和模型不确定性的存在，早期普遍使用的PID控制、反步控制等依赖自主水下航行器模型的控制策略，很难实现精确的水下目标跟踪。近年来，针对自主水下航行器非线性和模型不确定性特性，新型变结构滑模控制、自适应控制、智能控制等得到了广泛关注。

然而，在水下目标跟踪控制研究中，通常将自主水下航行器的性能设置为与目标性能相同，甚至更优，采用跟随的方式能够实现对目标的跟踪。当自主水下航行器的性能比逃逸目标更差时，再采用跟随的方式很难实现目标跟踪。自主水下航行器系统本身的非线性、强耦合、模型不确定特性，水下海流及外界扰动因素影响，使得准确有效的自主水下航行器目标跟踪控制律的设计非常困难。现有控制策略中，要么将自主水下航行器简化为线性系统，要么训练样本难获取，无法满足在线跟踪目标的需求。因此，自主水下航行器在复杂海洋环境下的动态目标跟踪控制仍有很大的提升空间。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于轨迹预测的自主水下航行器目标跟踪控制方法。

为实现上述技术目的，本发明采取的技术方案为：

一种基于轨迹预测的自主水下航行器目标跟踪控制方法，包括

步骤1、基于TPENN神经网络进行目标轨迹预测，得到预测的逃逸目标轨迹；

步骤2、根据预测的逃逸目标轨迹，基于深度强化进行动态目标跟踪控制，实现安全避障、水流补偿和轨迹跟踪。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤1将逃逸目标当前时刻t时间序列轨迹坐标输入已学习的TPENN神经网络，得到逃逸目标未来时刻的预测轨迹坐标。

上述的TPENN神经网络包括输入层、隐含层、输出层和承接层；

其中，承接层的激活函数为恒等函数，用于存储记忆隐含层单元上一时刻的输出，当作一步延时算子；

假设在时刻t,TPENN神经网络的输入是U(t),隐含层的输出为X(t),整个网络的输出为Y(t),ω¹,ω²,ω³分别表示输入层与隐含层、承接层与隐含层、隐含层与输出层之间的连接权值，b和c分别代表隐含层和输出层的偏置，则神经网络的计算过程表示为