英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
无人艇的智能舵控制
摘要
由于系统存在很强的非线性以及不确定性和环境变化的存在，无人艇（USV）的轨迹跟踪控制非常复杂。面对这些问题，本文采用智能和常规策略作为USV舵角的主要控制框架。引导律计算所需的角度，并根据自动船的动态模型估计轨迹，该动力学模型是通过使用比例原型实验获得的实际数据产生的。该模型说明了舵和船舶推进系统的物理限制。首先提出了适用于任何不同轨迹的自适应控制律，并且可以应对变化的路径形状。这个增益调度方法利用PID控制器，其调谐参数已经通过遗传算法（GA）针对不同的操作点（GS-PID-GA）进行了优化。此外，模糊逻辑控制器（FLC）旨在处理动态的不确定性，并包括操作员的专业知识。模拟验证了与常规控制相比较的所提出的控制方法的有效性。
关键词：智能控制，增益调度、模糊逻辑、遗传算法、轨迹跟踪、无人艇（USV）
- 介绍
自动控制系统目前是海洋应用中的一个有趣的问题（Martin，2013）。近年来，研究从载人船控制扩大到无人船。 自动表面船（ASV）或无人地面车辆（USV）在各种应用中越来越受欢迎。不断增长的运输服务需求以及安全水平需求一直是海上船舶系统跟踪控制的总体趋势的驱动力（Roberts，2008）。有几个可以使用自主船舶的情况：搜索和救援，溢油收集，监视，放置网，测深图创建，运输，勘探任务，环境监测，海洋勘测，沿海和内陆监测等（Cruz de la，Aranda，＆Giroacute;n，2012）。
由于在减少危险环境中的人为干预方面感兴趣，以及实现更准确和更有效的控制，船舶控制器已经经历了从经典的比例积分微分（PID）控制器到更复杂的鲁棒性和适应性控制，在这里人工智能技术发挥重要作用（桑托斯，2011）。
然而，对水面舰艇的控制仍然是一个非常具有挑战性的问题。表面海洋船可能变得不稳定，很难控制。一般处理水面船只时，必须考虑不确定的非线性流体动力学和外部干扰。其复杂性部分是动态非线性和多个状态变量之间的强耦合（Fossen，2002）。这些方面使获得数学模型变得相当复杂，它代表了使用分析方法的动力学。这就是为什么传统的控制系统可能不具备这些多输入多输出的复杂的非线性系统所具有的良好性能的原因。甚至复杂的常规控制解决方案通常基于线性分析模型，这不是这种真实海洋船的最佳的呈现（Sharma，Sutton，Motwani，＆Annamalai，2014）。更重要的是，有必要应对来自系统本身和不同环境条件的不确定性（Sonnenburg＆Woolsey，2013）。
然而，人工智能对于船舶自动驾驶和航向指导可能非常有用。 智能控制器已被证明非常有效地处理出现在海洋应用中的非线性和不确定性（Santos，2014）。
一方面，基于模糊逻辑的系统已经被证明是非线性系统的一个很好的替代方案，比如用在USV场合。模糊逻辑控制器（FLC）是非线性控制器，也包含操作员的专长。 对于USV，这种直观的知识是可用的。
另一方面，海洋系统正处于不断变化的环境中，其自身的动力因环境条件而异。如果这些系统不够健壮，则一般的控制方法可能不是最佳的。在这种情况下，自适应控制法，特别是增益调度策略，是解决这些系统的不错选择，这些系统根据工作点而改变其行为。
因此，在本文中，我们实施了这些先进的无人船控制方法，展现了其效率。我们的工作重点是通过执行器输入控制船舶动力，以完成某些任务（路径跟随）。
第一个轨迹追踪方案是模糊逻辑控制器的设计，该模糊逻辑控制器根据所需的航向角计算船的方向舵角度。众所周知，模糊逻辑为非线性控制器的生成提供了启发式（不一定基于模型）的方法，并处理来自环境的不确定性。此外，FLC设计简单。 它可以结合专家的知识，在轨迹跟踪的情况下非常直观。此外，作为非线性控制，它具有可以处理诸如执行器饱和使得系统非线性的现实特性。
建议的第二种方法是适应性控制，通过遗传算法优化的增益调度PID控制器（GS-PID-GA）。所提出的GS-PID-GA控制依赖于几点。一方面，海上船舶领域运用传统控制理论已经有很长时间了，为控制提供了鲁棒性。这使得用户可以轻松使用PID调节器，其中有很丰富的经验控制。的确，对于作为典型的单输入单输出情况的自动转向系统常规控制器仍然是一个很好的解决方案，但是对于诸如USV的复杂和强耦合非线性多输入多输出系统来说却是不够的（ZhengNegenborn，＆Lodewijks，2014）。另一方面，增益调度将控制规则适应于变化的系统运行状况。我们选择的调度变量—轨迹一般足以应用于不同的环境中：在湖泊和海洋，不同的浪涌速度，不同的船舶尺寸和形状等。我们认为，这个调度变量的选择使得跟踪比其他论文提出的解决方案更为有效（Liu，Yuan，＆Zhang，2015 ; Zhixiang et al。，2015）。最后在这个提案中我们应用了遗传算法调整控制器。遗传算法的执行基于进化的随机搜索，在找到适用于实际的复杂优化问题的良好解决方案中有用，可以用于我们自适应控制的调整。因此，我们正在优化不同操作条件的控制。
因此，本文的主要贡献有两个：（i）在传统控制结构中引入智能控制器，（ii）提出一种协同作用，使其对无人表面船的轨迹跟踪更有效。对于USV路径，智能和先进的方法已经被证明是有趣的，这不仅体现在单独应用中，而且结合常规控制策略时也是这样。
USV轨迹跟踪控制策略在海洋系统响应特性方面进行了比较，如超调，稳态误差和稳定时间。先进的智能控制器比传统的控制器展现更好的效果。这是非常方便的，因为准确的轨迹跟踪避免了障碍和预防事故。另一方面，它们需要较少的控制力，从而更好地保持执行器和具有更长的使用寿命。
用于实验测试的USV是操作自主船的1/15尺度模型。 这些实验从实际数据中提供了一个模型，并允许我们测试其上的不同控制器。
本文的其余部分安排如下。 以下部分总结了文献中关于这一主题的相关作品。 第3节中描述船舶系统，介绍了船舶仿真的建模和特点。 第4节开发了基于遗传算法调优的增益调度PID控制策略。基于模糊逻辑的智能控制被设计并应用于第5节中的船舶。在第6节中给出了仿真结果，并对控制规律进行了比较。 以结论结束本文。
- 相关作品
在本节中，我们介绍了无人表面船（USV）的航线控制相关的一些作品，和我们对这些作品的主要贡献。
伴随着海洋系统的悠久历史，船舶自动驾驶仪的设计采用不同的控制策略。 Sperry和Minorski于1922年开发了第一个自动驾驶仪，并引入了用于控制自动船舶转向的比例积分微分（PID）控制器。从那时起，简单的常规调节器和更复杂的控制器已经应用于海洋工艺品。 从Amerongen，Udink和Cate（1975）引入的第一个适应性自动驾驶仪，应用于保证与参考轨迹相关的方向和位置趋同的反推技术（Do，2010; Dong，Wan，Li，Liu， ＆Zhang，2015），或利用滑动模式控制（Conte，Capua和Scaradozzi，2016）。 但是这些复杂的控制算法中的大多数都具有需要大的计算量的缺点（Pan，Lai，Yang，Wu，2015）。
虽然已知海上船舶本质上具有非线性动力特性，但现代海洋自动驾驶仪系统的设计仍然是基于分析线性和非线性模型而开发的。Fossen（2011）的书籍收集了海上工艺品的控制成果。它主要集中在PID控制器等反馈控制方法和基于最优控制理论的更先进的运动控制策略上。单输入单输出和多输入多输出PID控制应用于船用车辆的非线性3自由度（DOF）和6自由度模型。本书引起的关注显示，传统的控制措施仍然广泛应用于海洋水面船舶。也就是说，古典控制是不可或缺的参考。这就是为什么在我们的工作中，我们将控制方案与PID控制器进行了比较。此外，为了进行比较，我们优化了调谐参数常规控制器通过应用遗传算法来达到其最佳性能。
更重要的是，PID控制仍然适用于USV。在郭，王和邓（2015）提出的论文中，主控系统由内外循环PID控制器组成，无人船进行了湖泊试验，效果满意。 Xu（2014）声称，PID控制器用于无人驾驶表面车辆的大部分保持闭环控制.Xu和Soares（2015年，2016年）提出了一种优化的二维路径跟踪算法，用于表面船的路-点跟踪。在两篇论文中，PID标题自动驾驶仪用于船舶控制。
但是，PID调节器的参数可能难以调谐。 在文献中，可以发现遗传算法（GA）和其他演化技术在传统控制器调谐参数优化中的应用。 以下作品可以作为例子。 俞，刘，刘，王（2015）采用多目标遗传算法优化了翅片/方向舵辊稳定的自整定PID控制器。本文的优化性能指标包括能量。他们还建议与传统控制进行比较，以显示如何提高滚动稳定和偏航控制精度的效率。 Xu（2014）采用分布式算法的精英估算优化了用于控制USV过程的PID系统。它利用概率模型来估计最优解分布。最后，Rathore和Kumar（2015）显示了由GA调整的自主水下航行器的鲁棒PID转向控制，以保证系统的稳定性。在我们的工作中，我们还应用了这种演化算法来调整PID增益。在我们的情况下，GA使轨迹误差最小化。
最近关于USV控制的一些文章主要关注适应性控制法来应对海洋系统的动态变化。其中，增益调度方法使我们能够将控制优化到不同的运行条件。增益调度通过根据影响系统行为的变量改变控制参数来提高控制器性能。例如，Liu等人（2015年）的论文以质量变化为调度变量。合成具有自适应参数估计的线性参数变化控制器，以在总体质量变化下操作USV。虽然对于自主水下航行器，Gonzaacute;lez，Gomaacute;riz和Batlle（2015）在不同条件下对浪涌速度和偏航参考值的变化都应用PID增益调度。车辆的流体动力学模型在不同的操作速度下线性化，并且在某些情况下为其执行器设计了几个线性控制器。志祥，Youmin，Chi和Jun（2015）的论文还提出了一种应用于无人地面车辆转向控制的自适应线性参数变化容错控制方法。基线控制器旨在保证USV在时变运行状态下可接受的跟踪性能和稳定性（明显的浪涌速度）。
Eske，Sorensen和Breivik（2015）提出了适用不同自适应控制方案的其他类似作品。在本文中，作者仅提出了沿着直线和圆形路径的目标跟踪的数值模拟。 Dong等人也做的这种情况（2015），其中提出了基于状态反馈的后台控制算法来解决水平面中USV的轨迹跟踪问题。 设计的轨迹跟踪控制器可以跟踪曲线轨迹和直线轨迹。
在我们的工作中，我们选择轨迹的特征作为调度变量。我们认为其他论文使用的更普遍。据我们所知，这种方法以前没有适用于USV，因此是新颖的。 此外，关于引用的其他论文，我们使用了更广泛的轨迹，不仅仅是简单的。此外，通过GA调整增益调度控制器可以优化不同工作点的控制律。
另一方面，基于模糊逻辑的智能控制器已被广泛应用于不同领域，包括海洋应用（Santos，2011; Santos，Loacute;pez，＆de la Cruz，2005）。王康康，徐，徐（2016）提出了一个紧密相关的工作，方向舵自动控制是基于总体指导经验总结的245个模糊逻辑规则。它被应用于在湖中的1.5米帆船实验，显示在各种风力条件下模糊控制器之后的轨迹的有效性。王福，刘（2015）试图简化传统
用于船舶航行的模糊控制器在精度与控制规则数之间达成平衡。他们提出了一种变量宇宙模糊控制器，其有效性和鲁棒性优于常规控制。在Gonzaacute;lez等人的论文中（2015），还提出了一种用于自主水下航行器的偏航跟踪的模糊控制设计。模糊控制在全球范围内比已经应用于同一模型的增益调度方法更好。与之相比，我们的模糊建议是非常简单的（少数规则），但在结果准确性方面效率很高。 Azzeri，Adnan和Zain（2015）对研究进行了回顾，为无人驾驶地面车辆的控制系统方法的各个方面做了大量工作，以改善航向性能。虽然综述显示，自适应逆步控制系统是这些非线性系统的强大工具，但模糊逻辑控制也被认为是诸如USV等复杂系统的良好替代方法。
最后，我们的工作的主要贡献之一是表明智能技术结合常规控制器是处理复杂系统的一个很好的替代方案，如在海运车辆的情况下，传统上用经典控制理论，但表现不佳。这些技术的协同作用改善了控制动作。在我们的例子中，我们已经将GA应用于基于常规控制器的增益调度控制的自适应调谐。虽然这个方案是新的，但在文献中可以找到已经应用于USV的航线控制系统中。发展了PID控制与模糊逻辑的结合的云生，小洁，国风，陈（2015）也只提到了几点。模拟结果表明，模糊自适应PID在 USV航线控制上与常规PID控制相比，控制具有良好的动态响应。 Liu，Xing和Zhu（2015）提出了一种模糊PID融合船舶航向控制器，连续更新其输出比例因子。Trybus，Swider和Stec（2015）提出了常规自动驾驶仪的PID控制器和先进的PI或状态空间控制的调节规则。
- 系统行为描述
一艘用于描述6自由度的非常复杂的微分方程式给出了船舶运动的刚体和流体动力学方程。水平面中的运动被称为浪涌（纵向运动），摇摆（横向运动）和偏航（围绕垂直轴线的旋转）用于三个垂直坐标轴中的平移（位置）。其他三个DOF是滚动（围绕纵向轴线的旋转），俯仰（围绕横向轴线的旋转）和起伏（垂直运动），用于旋转（取向），如图1所示（Perez＆Blanke，2002）。然而，用于表示现实世界物理学的模型随着基础控制目标的变化而变化。
图1 船的旋转和平移轴
作为刚体的船舶运动方程可以通过牛顿第二定律得到。对于以几乎恒定的浪涌速度进行巡航并且仅考虑粘性阻尼的一阶近似，可以使用转向动力学的线性参数近似（Fossen，2002）， （1）。其中是惯性矩阵（包括附加质量），是离心和科里奥利矩阵，是刚体的线性和角速度矢量，， 是力和动量向量，即控制向量。
假设船舶纵向和横向稳定，振幅小，可以放弃滚动和俯仰的动力学。同样，由于船在水平面上浮动，所以可以抛弃起伏动力学。用于在X-Y平面
全文共16437字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142653]，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。
