AUV三维空间轨迹跟踪控制方法研究

论文摘要

AUV是典型的高度非线性、强耦合、运动模型不确定以及干扰严重的系统。从而给AUV的运动控制带来了较大难度。在执行海底石油管道、海底电缆检测任务,地形、地貌探测任务,海洋观测、海平面分析,以及军事应用等任务时都需要AUV能够高效、精确的跟踪特定曲线。本文对AUV的轨迹跟踪控制问题进行了研究。首先,根据牛顿力学和刚体动力学以及流体力学理论建立了AUV运动六自由度数学模型。并对AUV在平面中的轨迹跟踪问题进行了研究,将AUV的运动分解为水平面运动和纵平面运动,利用反步法分别设计水平面以及纵平面的轨迹跟踪控制器,并对定常干扰进行了估计补偿,仿真结果显示控制器可以获得较好的控制效果。反步法通过李亚普诺夫控制函数构建反馈控制律,思路简单,设计灵活。其次,介绍了基于状态的黎卡提方程(SDRE)基本原理,解的存在性,稳定性以及设计方法等内容,SDRE是一种非线性的设计方法,无需对模型进行线性化,这种方法将非线性动态系统因式分解成状态向量表示的形式,最终形成基于自身状态的矩阵函数,可在线求解得到次优的控制律。利用SDRE方法设计了AUV在三维空间的轨迹跟踪控制器,并进行了仿真验证,结果显示SDRE控制器可以实现AUV在三维空间的轨迹跟踪控制。在仿真过程中发现,SDRE控制器的权值Q和R对系统性能影响较大,因此,考虑引入粒子群算法寻找更优的权值Q和R。最后,对基本粒子群算法进行了部分改进,提出一种基于种群历史经验的粒子群算法(GHEPSO),粒子在受当前迭代时刻种群最优位置和自身历史最优位置影响的同时,也受前几个迭代时刻种群最优位置的影响,相对于基本粒子群算法对群体经验信息的利用更加充分。通过几个典型的测试函数对算法性能进行了分析,并与基本粒子群算法进行了比较,结果表明GHEPSO算法相对于基本粒子群算法具有更好的优化效果,而将GHEPSO和时变加速系数(TVAC)以及带交叉的粒子群(MPSO)相结合使用可以进一步提高优化效果。利用GHEPSO、TVAC、MPSO相结合的粒子群算法对SDRE控制器的权值Q和R进行寻优,利用寻优得到的Q和R参数重新对SDRE控制器进行了仿真分析,结果显示,系统获得了更好的跟踪效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 水下航行器研究现状
• 1.3 AUV轨迹跟踪控制研究现状
• 1.4 本文的主要研究内容
• 第二章 AUV的运动与建模
• 2.1 引言
• 2.2 研究对象概述
• 2.3 坐标系与运动学变量
• 2.3.1 大地坐标系
• 2.3.2 运动坐标系
• 2.4 运动学方程
• 2.4.1 线速度变换
• 2.4.2 角速度变换
• 2.5 刚体六自由度运动方程
• 2.6 AUV空间运动受力分析
• 2.6.1 附加质量力
• 2.6.2 粘性阻力
• 2.6.3 恢复力和恢复力矩
• 2.6.4 AUV的舵力
• 2.6.5 AUV推进器的推力
• 2.7 AUV空间六自由度运动模型轴向方程
• 2.8 海流干扰模型
• 2.9 本章小结
• 第三章 AUV平面运动轨迹跟踪控制器设计
• 3.1 引言
• 3.2 AUV水平面运动轨迹跟踪控制器设计
• 3.2.1 AUV水平面运动方程
• 3.2.2 视线导引法
• 3.2.3 AUV轨迹跟踪误差方程
• 3.2.4 控制器设计
• 3.2.5 AUV水平面轨迹跟踪控制仿真结果
• 3.3 AUV纵平面运动轨迹跟踪控制器设计
• 3.3.1 AUV纵平面运动方程
• 3.3.2 AUV纵平面轨迹跟踪误差方程
• 3.3.3 控制器设计
• 3.3.4 AUV纵平面轨迹跟踪仿真结果
• 3.4 本章小结
• 第四章 AUV三维空间轨迹跟踪控制器设计
• 4.1 引言
• 4.2 SDRE发展历程
• 4.3 SDRE非线性原理
• 4.3.1 扩展线性化
• 4.3.2 SDRE控制器结构
• 4.3.3 附加自由度
• 4.4 SDRE稳定反馈控制的存在
• 4.5 稳定性分析
• 4.5.1 局部渐进稳定
• 4.5.2 全局渐进稳定
• 4.6 最优性分析
• 4.6.1 局部渐进最优
• 4.6.2 全局最优
• 4.7 SDRE设计的能力和技巧
• 4.8 SDRE控制器求解方法
• 4.8.1 θ-D方法
• 4.8.2 改进的Newton法
• 4.9 AUV三维空间轨迹跟踪控制器设计
• 4.10 AUV三维空间轨迹跟踪控制仿真结果
• 4.11 本章小结
• 第五章 粒子群算法优化SDRE控制器参数
• 5.1 引言
• 5.2 粒子群算法简介
• 5.2.1 粒子群算法基本原理
• 5.2.2 粒子群算法的参数
• 5.2.3 基本粒子群算法分析
• 5.3 基于群体历史经验的粒子群算法
• 5.3.1 基于群体历史经验的粒子群算法概述
• 5.3.2 基于群体历史经验的粒子群算法流程
• 5.4 GHEPSO算法测试
• 5.5 带交叉的粒子群与时变加速度系数（MPSO-TVAC）
• 5.5.1 时变加速系数（TVAC）
• 5.5.2 带交叉的粒子群（MPSO）
• 5.5.3 MPSO、TVAC、GHEPSO性能比较与分析
• 5.6 粒子群算法优化SDRE控制器参数
• 5.7 优化控制器参数后AUV三维空间轨迹跟踪仿真结果
• 5.8 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢