水下机器人智能控制技术研究综述.docVIP

水下机器人智能控制技术研究综述 　　【摘要】水下机器人的运动控制是当今世界水下机器人研究领域的一个研究热点，目前主要采用的智能控制方法有：模糊控制、神经网络控制、专家控制、自适应控制、PID调节器、滑模控制等。本文比较全面地查阅了水下机器人运动控制理论相关的文献，阐述了几种主要控制方法的基本原理，给出了控制器结构的设计方法，对水下机器人运行控制方法的选取、控制器的设计具有较好的参考意义。 　　【关键词】水下机器人；控制技术；神经网络控制；模糊控制；自适应控制 　　1.引言 　　水下机器人的运动控制是其完成特定任务的前提和保障，是水下机器人关键技术之一。随着水下机器人应用范围的扩大，对其自主性，运动控制的精度和稳定性的要求都随之增加，如何提高其运动控制性能就成了研究的一个重要课题。导致AUV难于控制的主要因素包括：①水下机器人高度的非线性和时变的水动力学性能；②负载的变化引起重心和浮心的改变；③附加质量较大，运动惯性较大，不能产生急剧的运动变化；④难于获得精确的水动力系数；⑤海流的干扰。这些因素使得AUV的动力学模型难以准确，而且具有强耦合和非线性的特点[1]。目前已被采用的控制方法有：模糊控制、神经网络控制、专家控制、PID控制、自适应控制、S面控制等[2]。 　　2.模糊控制 　　模糊控制是一种仿人的智能控制方式，它模仿和升华了人的控制经验与策略并将其体现在控制器中[3]。模糊控制器不依赖于被控制对象的精确数学模型，易于对不确定性系统进行控制，模糊控制器抗干扰能力强，响应速度快，并对系统参数的变化有较强的鲁棒性，模糊控制的实质是将基于专家知识的控制策略转换为自动控制策略。它所依据的原理是模糊蕴涵概念和复合推理规则。通常它以被控对象输出变量的偏差和偏差的变化率作为输入变量，而把被控量定为模糊控制器的输出变量，反映输入输出语言变量与语言控制规则的模糊定量关系及其算法结构[4]。实际应用中把采集到的控制信息经语言控制规则进行模糊推理和模糊决策，求得控制量的模糊集合，再经模糊判决得出输出控制的精确量，作用于被控对象，使被控过程达到预期的控制效果。模糊控制器一般由模糊化接口、知识库、模糊推理机、解模糊接口四个部分组成。如图1所示： 　　2.1 模糊自适应PID控制 　　PID控制算法中的比例控制动态响应迅速，不能消除静态误差。积分控制可以消除稳态误差，动态响应速度慢。如果在PID控制系统中加入模糊控制器，组成模糊PID控制，模糊PID控制系统是把PID控制和模糊控制的优点结合起来。既能有很快的响应速度，又能保证很好的稳态。模糊PID控制是首先将工程师长期实践积累的经验知识用控制规则模型化，然后进行模糊推理，得到最佳的PID控制参数。模糊PID控制器输入量是偏差E和偏差变化率Ec，按照设定的模糊规则进行模糊推理演算，查询模糊矩阵表，对PID控制参数Kp、Ki、Kd进行在线修改，从而使被控对象具有良好的动、静态性能，控制系统结构如图2所示。 　　2.2 基于模糊原理的改进S面控制 　　S面控制器在方程的形式上和PD控制很相似，但与PD控制器不同的是，S面控制方法采用非线性函数来拟合具有强非线性特性的控制对象，控制效果好于PD控制器；跟神经网络控制相比，S面控制方法的稳定性明显好于前者；跟模糊控制相比，S面控制方法没有局部调整功能，其局部性能不如模糊控制，但其结构设计和参数调整都更加简单实用，而且S面控制方法体现出来的控制思想和模糊控制是吻合的。因此，S面控制方法具有一定的实用性。S面控制器的控制模型尽管鲁棒性好，但本质上是一种PD控制器，系统稳态精度差。而且参数K1和K2是根据经验和在实际试验中总结得到的，在大部分时间内不改变，显然这对于多变的环境来说适应性不是很好。因次，运用模糊原理对S面控制的两个参数K1和K2进行在线调整，如图3所示。 　　改进的S面控制器很好的处理了在不同的外界输入下，参数K1，K2的在线自我调节问题，使控制结果更快地到达稳态，并且保证最小的超调和稳态误差。试验证明改进的S面控制器具有更好的控制精度，更快的响应速度和较强的抗干扰能力，较之普通的S面控制器改善了水下机器人的工作性能。 　　3.神经网络控制 　　将神经网络引入控制系统是控制学科发展的必然趋势[5]，神经网络的吸引力在于： 　　（1）能够充分逼近任意复杂的非线性系统；（2）能够学习和适应高度不确定系统的动态特性；（3）由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；（4）采用并行分布处理方法，使得快速进行大量运算成为可能。这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力[6]。 　　逆控制方法中最常用的是直接逆控制，它是将受控系统