英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
一种集成的多传感器数据融合算法和自动驾驶的无人艇实施
摘要
无人海洋艇（USVs）能够在民用与国防上完成困难而且有挑战性的任务并且不会威胁到人类生命安全。它们能够全天不间断工作，这让它们能够很好地适应要求它们立即响应的问题。这些问题远不止煤矿对策、测量石油泄漏程度或者定位化学泄漏的源头。前十年之内已经有大量的USV项目为了以上所述的目的而诞生。Springer USV就是这样一个载入史册的工程。这里的目的是报告从实验上的Springer船只，同时测试其先进的导航，制导与控制（NGC）子系统采集的数据所产生的结果。对于开发的算法这些系统是基于数据融合导航的软计算方法。一个新颖形式算法已开发并用改性最优控制器。实验结果集成介绍和各种场景，包括单个和多个航点跟踪和分析固定的和随时间变化的基准方位。它被证明所提出的NGC系统提供可喜的成果，尽管模型的不确定性和外部干扰的存在。
1介绍
随着全球气候变暖，政府与许多组织正采取措施来降低个人活动对环境的影响。净化身边环境也是一个在生态净化里至关重要的环节。比如石油泄漏：最近在墨西哥湾发生的深水地平线石油钻井平台发生爆炸事件（2010石油），还比如由于不负责的随意倾倒有害废料到江水或者大海里，要求立刻采取行动来应对水污染是至关重要的。以上一些问题已经促进全球社区来思考解决这些问题的办法。本文展示了这样一项工程，它就是无人海洋艇（USV）也被叫做Springer（见表1），由英国工程与物理科学研究会资助，USV被专门设计来应对以上的问题。
通常在过去十年里，自主海洋艇（AMVs）不管是水上还是水下都在海洋研究界里十分流行。它们被应用于一系列的领域比如海底管道检查、监视任务、矿井清理工作、石油勘察等等。举个例子，由Hydroid制作曾经十分受欢迎的REMUS AMV（2008年约旦）在2003年伊拉克冲突时已经一直被用于矿井清理工作。（2008年马里丹）AMV们正被部署到各个不同的任务中例如考古、测绘和避难所保护。关于绘图方面的应用，Delfim艇（2000年帕斯卡）已经升级了。这些水底版本的AMV能适应深海工作和隐秘任务。然而，它们受制于机载航位推算导航系统。因此它们需要定期浮出水面来获得GPS定位的修正。但是，USVs 却不用受这种限制。另外，USV十分适合一些任务例如SCUBA或者必须全体工作成员要被雇佣的特殊船只，这导致运营成本十分高。在一些其它的文章里，USV与水底艇协力工作被报道用作研究海底热泉活动。
图1.Springer无人海上艇在德文郡的雷德福水库中的实验
为了操作这样的海艇，一个强大的和可靠的导航，制导与控制（NGC）系统需要涉及最少或没有人的干预。导航系统提供关于小艇和目标的信息（例如方位、速率等等），而导航系统产生车辆能跟随的合适轨迹。然后不管额外的不稳定和模型误差是否会出现，一个强大的控制系统将使小艇尽可能接近理想轨迹。对于Springer USV，这些要求已经导致了利用模糊多传感器数据融合(MSDF)算法以及集成先进的制导和基于最优控制理论的控制集成的容错导航系统的发展。自动驾驶仪包括了基于线性二次高斯（LQG）控制器和一个基于模式预测控制器的遗传算法（GA-MPC）。2个控制器的控制结果都要与各种任务脚本进行比较。另外，一个标准的LQC控制器被包含进去，并为了大量的控制活动与设定值跟踪而产生比较。大量的作者参考了Springer USV的硬件设计与模拟仿真后发表了文章，见例子纳伊姆等人（2008年）。在Springer上的发展中，本文展示了在英国德文郡的雷德福水库的主要基于NGC系统尝试的实验结果。因此本文的基本目的是报道这项技术的发展，在Springer的指导与控制系统设计下的模糊MSDF导航技术的集成与测试。实验结果表示这种方法是可行的而且能够产生满意的结果。
本文文章结构如下所示：第二节展示了Springer USV的发展，然后第三节将对其物理模型作一个简单的描述。这个制导与控制系统的设计将在第四节展示，接下来第五节将介绍基于模糊控制的MSDF算法。第六节大致描述了实验环境之后实验结果将在第七节展示。最后第八节是讨论与总结。
2 Springer 无人海洋艇
Springer无人海洋艇是主要被用作污染定位于环境监控的低成本研究小艇。它作为进行在例如环境数据采集、传感仪器技术、控制系统工程和新能源的设计等领域科学和学术研究的测试平台也是作用明显的。
双体船型的小艇大概有4米长，2.3米宽，载重量大概有600千克。通过至少2人的可用的滑道，能很方便地进行潜水与上浮操作。无人海洋艇由安装在船身跟另外一些机载传感器及仪表的电池组供电的。从图1中明显看到佩里箱子定位在两个交叉的梁之间的海湾区域。这些覆盖了电脑而且留下船上电器与控制电路。小艇的无线连接包括一个wifi路由和一个GPS单元，它们安装在一个杆上面如图1所示。为了提供额外的命令要求或者仅仅是重置系统，小艇引进了一个增加了有用的远程干预能力的无线网络。
图2 Springer传感器套件
传感器套件由3个电子指南针（TCM2，C100和HMR1000）、一个GPS、一个雷松深度和速率测量单元以及一个YSI环境监测探头组成（见图2）。YSI传感器能测量微量参数比如浑浊度、溶解氧、PH度等。而且它扮演着制导小艇追踪污染物时至关重要的角色。为了控制推进系统，小艇安装了的一个自带一个嵌入PID控制器与泄漏传感器RoboteQ控制器（2010Roboteq）来接收船上PC的一系列要求然后传递给制动器。
显而易见需要一些传感裕度来为MSDF算法提供故障容错能力。这将在第五节进行更详细的介绍。Springer USV的NGC系统设计得十分强大、可靠、适应性强来允许小艇在自动与人工之间无缝切换。为了协调NGC参数，小艇的一种动态模式被发展了使用系统认证（SI）技术通过在纯水湖里传递实验使用测量输入或输出数据。下一节有一个简洁的关于数学模型和Springer无人海洋艇SI的实施回顾。对于感兴趣的读者，在Naeem et al（2008）上有更多的模型实验细节。
3准确的物理建模和系统确定
广义六自由度的（DOF）刚体车辆的运动方程在Fossen（1994）表示为
（1）
这里展示了刚体的线性和旋转运动在体坐标系。是刚体惯性矩阵满足
而且矩阵对应于科里奥利和向心力，可以进行参数设置为反对称矩阵，即
是关于原点表现外力和力矩作为输入到系统的广义矢量。
对于海上艇，深度Z与倾斜角theta;变量是不适用的。此外，发现旋度变量ф在实验过程中是可以忽略的，因此被忽略掉。扩展式（1）参考以上的陈述产生以下四个方程：
(2)
(3)
(4)
(5)
参阅附录B的术语。可以注意到，通过重合重心与原点的中心，上述方程可以进一步简化。然而，目的是模拟车辆的动态，并深入了解系统的行为。通过水池试验评估水动力系数是一个繁琐和耗时的过程。另外，没有能提供进行这些测试的设施。因此，它被认为是适当像SI一样使用黑盒识别技术的车辆模型。为此，主机附着在Springer上，它的另一端连接到一台笔记本电脑上来支持船发送命令和控制信号。事实证明，这是一项有益的工作，因为它允许各种机载系统去除了进行测试，以采集数据建模的目的。下一节将说明小艇的转向动作以及从SI收集到的数据的分析。
3.1转向动作
Springer无人海洋艇具有一个差速的推进系统，其表示该机动使用一组推进器。这招致包括两个输入端和单个参与输出，如图3所示的简单动态模型。
和表示两个螺旋桨的旋转率。需要注意的是和之间的值的差将导致小艇方向的改变。因此，共模信号与差模信号推进速度能如下表示：
从上述公式可得是唯一能被操作来控制一个给定速率的小艇动作的变量。这是通过在小艇里添加可以编程为单模式（图3）或者双模式（公式6）的RoboteQ控制器。注意到当=0且时，小艇走的是一条直线。
图3 USV双输入框图
为了收集SI的数据，无人海洋艇的保持900rpm航行3kn。所需的策略通过主机发送数据得到。其中之一从SI获得的数据如图4所示，它清晰的展示了输入输出模式。该图显示了PRBS输入的部分和相应的输出部分的数据。需要注意的是从数据上看左舷运动偏差很明显，这部分归咎于两个推进器的船体不规则的重量分布和未校准的问题。然后SI技术被应用到处理后的数据，并获得以下线性二阶单输入单输出状态空间模型：
这里(rpm)是差分输入以及（弧度）是无人海洋艇的输出制导角度（被控变量），注意摇摆变量为简化而忽略。状态矩阵由下式给出：
4. 制导与控制
一个集成导航与控制系统在有效驱动小艇向理想的方向前进中起关键作用。制导系统获得合适的轨迹，而自动驾驶仪则维持小艇在期望的路径上并且同时抵制任何干扰。它可能无法避免所有外部影响诸如风和水流。在这样的事件中，导航系统用另外的传感器如在风速计的辅助下，提供了合适的信息给引导系统。那么这将产生最佳的路径到达目标，路径可能或这不会在一条直线上。障碍物检测和避免系统在全自主车辆运行过程中也是必不可少的，并应与轨迹生成模块互相协调。然而，这些系统都还暂时没有安装在车辆上的，因此，将不对此进行进一步的讨论。但是使用了一个没有反馈给NGC系统的手持式风速计被用来在实验过程中记录风速。Springer的制导系统利用简单的LOS和寻迹跟踪策略。对于绘图操作，小艇通过在水中发现的化学信号制导。这在Naeem et al（2007）上的一篇回顾文章里有详细的探索。为了控制小艇，采用了2个修改过的最优控制技术：模糊LQG和一个基于GA
的MPC。下面章节将会有一个简单的介绍。
4.1 模糊LQG控制器
LQG已经是被广泛用于各种应用领域的最佳控制方案。它合并了一个线性二次调节器（LQR）和卡尔曼滤波器，其中卡尔曼滤波器提供不可测状态估计到LQR。通常，LQG需要4个参数来工作。其中两个是过程噪声（W）与测量噪声（V）的协方差矩阵然后另外两个是状态与控制（Q和R）的权重矩阵。Q和R一般通过观察闭环系统的阶跃响应来进行调整，闭环系统应该提供在其余规格中的最小调节时间与零点误差。协方差矩阵在另一你是不易计算的，因为他们需要的环境噪声的特性一般是随时间变化的。因此，即使一个良好调节的控制器也会受一段时间外界调节改变的影响。为了修正这个问题，在Naeem et al（2006）上提出了一个使用模糊逻辑来调节V矩阵同时保持W矩阵的修正LQG控制器。在Shao et al（1994）上，类似的方法被采用来生成LQG控制规律，该控制规律使用模糊逻辑适应机制的状态和控制权矩阵。在其它文献中，模糊逻辑用来调谐卡尔曼滤波器的W和V矩阵（比如模糊隶属函数由探索式方法选择的Loebis et al，2004b）。特别是卡尔曼滤波器被用于海上自卫队技术。这种途径的另一种增强办法也在Loebis et al（2004a）上被提出来，其利用多目表的GA来确定模糊从属函数的参数。本文的意图是应用启发式调谐模糊推理系统调整协方差矩阵，从而确定卡尔曼增益。所得卡尔曼滤波器然后在LQG框架中使用。
图4 在英国德文郡Roadford水库进行的实验的实验数据
这个策略已被证明是产生了可靠的结果而不在乎小艇运行的环境。这个想法的关键是基于一个使用一种叫做协方差匹配自适应创新估计（IAE）方法的概念（Mehra，1970）。这个方案里，确定理论的（）和测量过的协方差（），而且他们量纲的不同被用来转换成协方差矩阵。新的序列由实际测量值之间的差给出，由滤波器和它的测量值，：
(8)
(9)
其中H是移动估计窗口的大小：
(10)
和
(11)lt;
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147722]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
