水下机器人神经网络运动控制.pdfVIP

第20卷第4期 V01．20，SS 998 1998年8月 机器人ROBOT Aug，l 水下机器人神经网络运动控制+ 边澈施小成夏国清 晴尔演丁样人学lS00f) 箍要PID挡制足一种常见的控制方)℃，被广泛麻用十水下机器人运动挖制中曼柏比较好的挣制 效果．但当对象或、环境发生蹙化时， 一般需重新整定参数；整定过程赞时，丑小一定收剑最住效果．奉 文采用r神经稠络内模挣制实现水下机器人的pq-乍-自n】度的运动控制，通过仿真计算‘分析比较，神鲐喇 络挣制系统0PD拌制系统的摔制效果．仿真结果表明，神经埘络榨制神：模型或卧境，鱼化时，挣制效果优 f-PID，鲁棒性强 关键词 水下机器人，神鲐嗍络，内模控制 1．引言 对丁|PID控制，即使得到一组通过精心整定的比较满意的PID参数，在不同作业任 务时，水r机器人的自身配置就会发生变化，相当r水r机器人的模艰}^构参数发生变化． 这时义需要重新整定PID参数．虽已有许多经验方法和公式，但罄定起来仍费时费力，且 有时也难保证良好的控制效果．本文基于这一点考虑，想探讨一种新的方法，对]二模型结 构参数发生变化的水F机器人，可以不州重新整定象PID参数那样的控制器参数，还期望 这种控制器能获得与PID控制器同样的控制效果，或更优的控制效果．神经网络具有分布 式存储信息平¨对信息进行并行处理的等特点，基丁神经嘲络的这些特点，作者想到了H】神 经网络来实现对水卜机器人运动控制．本文采Hj了神经网络内模控制，从而使控制系统具 有比较好的鲁棒性．在神经网络内模控制系统结构中包括神经网络估计器和神经网络控制 器神经网络估计器刷丁充分逼近被控刘象的动态模型．神经网络控制器不是直接学习被 控对象的逆模删，而是以充当估计器的神经嗍络模掣作为训练对象，间接学习被控对象的 逆动态特性这样就同避了要估计塑!!111而造成的凼难估计器作为被控对象的近似模魁 Ou(k) 与实际对象剪行设置，它们的著值州丁反馈作州，吲期望的给定值之筹，送给神经网络控 {1998一0128收稿 机器人 998年8几 制器，经过多次训练，它将间接的学习剑对象的逆动态特性 2．水下机器人的神经网络估计器 水卜．机器人神经网络控制器I}；|丁航向、深度、纵向、横向运动控制．本文，以航向控 制为例．神经网络估计器设计成8-6—3弛三层前向网络，用BP算法米训练． 其八个输入．分别是： 速；(2)MNyS(k)、MNyS(k一1)命令艉水平槽道推进器转速； (5)EHd(k)、 量艏水平槽道推进器转速； (4)NyS(k)测量艉水平槽道推进器转速； 槽道推进器转述； (3)NyS(k)艉水平槽道推进器转速．网络中各神经元的作用函数为： 1 函数是非线性酌数f(x)=—l+二e-一x。神经网络估计器(止向模型)的训练结构如图l所示t t盘●t冉 图l 神经网络估计器训练结构图 图2神经网络控制器训练结构图 在训练过程中，伪随机二位式序列的幅值设定为150，比例系数选为5．0．实际测鲑 航向偏差EHd，实际测量艏、艉水平槽道推进器转迷NyH、NyS作为训练的教师信号．性能 指标E定义如F： E=；【(E瞰一剥+㈣一硎2+呻一硐1 神经网络各个神经元的初始权值和闽值尽可能适当减小．把它们初始化为±0．1之间的值 笫20卷第4期 边澈等水F批器人神绎叫络运功挖制 5秒采样一次，得刨的数