水下机器人系统体系结构及避障控制技术研究

摘要

近年来,随着海洋研究和开发的不断深入以及国防发展的需要,水下机器人所担负的任务也更加多样化,对水下机器人的智能化也提出了更高的要求。水下机器人作为具有人工智能的系统,要能够自主适应外界环境的变化,并自主决策完成操作人员下达的任务。水下机器人系统体系结构是水下机器人研究中非常基础和关键的部分,在水下机器人技术中有着重要的现实意义和实际应用价值。论文研究的目的是建立具有良好通用性的水下机器人系统体系结构,该体系结构适应于完成不同任务的水下机器人。
　　 论文以本实验室开发的某型智能水下机器人为研究对象,对水下机器人系统体系结构及动态障碍物感知、避障规划与控制,路径规划及运动控制等相关技术进行了研究。
　　 提出了模块化的设计水下机器人混合系统体系结构,明确了各个模块的功能以及模块间的相互关系。采用singer运动模型的Sage-Husa自适应卡尔曼滤波算法的动态障碍物感知方法,在满足感知精度和实时性的同时,而不会给水下机器人系统带来过大的资源消耗。在水下机器人动态避障行为规划方法研究中,提出了在速度矢量坐标下求解期望速度的避障规划方法。通过综合水下机器人运动能力、自身的速度、艏向、动态障碍物的速度、航向以及碰撞时间等多种因素,求解出实现避障的期望速度解集,从而按照最小艏向原则确定期望速度,使水下机器人能够对动态障碍物快速安全避障。对于避障行为的控制,提出了模糊参数自适应有限时间PD控制,该控制器能够根据避障的紧迫程度动态调整系统响应速度,并加入了协调器,减小了艏向和纵向控制的耦合效应,该控制器通过与避障行为规划紧密结合,构成避障规划控制一体化设计。对于复杂海洋环境全局路径规划问题,着重研究粒子群算法在复杂海流环境下的全局路径规划应用中粒子群维度、编码设计、参数选择、拓扑结构的设计方法。对于密集障碍物海流环境全局路径规划问题,提出了采用主干线二叉树搜索算法与粒子群相结合的方法,从而在实现了全局路径基础上,降低了路程花费。对于水下机器人的巡航行为控制,设计了神经网络并行自学习控制器,并成功的进行了海上试验。
　　 试验结果表明本文提出的水下机器人系统体系结构可以适应于不同任务需求的水下机器人,各个模块技术实用可靠。本文的研究成果对于各种水下机器人体系结构的建立及相关技术的研究具有一定的现实意义。

目录

文摘

英文文摘

第1章 绪论

1.1 概述

1.2 水下机器人的发展概况和研究趋势

1.3 水下机器人体系结构研究概述

1.4 论文研究背景及意义

1.5 论文的主要工作

第2章 水下机器人混合体系结构设计

2.1 引言

2.2 体系结构研究概述

2.2.1 分层递阶体系结构

2.2.2 反应式体系结构

2.2.3 混合体系结构

2.3 水下机器人混合体系结构设计

2.3.1 任务管理器

2.3.2 感知器

2.3.3 行为管理器

2.4 仿真试验研究

2.5 本章小结

第3章 水下机器人动态障碍物感知技术

3.1 引言

3.2 目标运动模型

3.2.1 CV模型

3.2.2 CA模型

3.2.3 Singer模型

3.3 卡尔曼滤波

3.3.1 离散型卡尔曼滤波

3.3.2 自适应卡尔曼滤波

3.4 仿真试验研究

3.5 本章小结

第4章 水下机器人避障行为规划及控制

4.1 引言

4.2 水下机器人避障规划算法

4.2.1 问题描述

4.2.2 大地坐标系与运动坐标系

4.2.3 声呐数据与障碍物描述

4.2.4 碰撞预测模型

4.2.5 速度矢量坐标系内AUV期望速度求解

4.2.6 避障策略

4.2.7 仿真研究

4.3 基于避障行为的水下机器人有限时间模糊PD控制

4.3.1 有限时间控制基本概念

4.3.2 有限时间PD控制器在水下机器人控制中的应用

4.3.3 仿真试验结果分析

4.4 模糊参数自适应有限时间PD控制器

4.4.1 模糊自适应有限时间PD控制器设计

4.4.2 纵向与艏向控制协调器设计

4.4.3 仿真试验结果

4.5 本章小结

第5章 水下机器人全局路径规划技术

5.1 引言

5.2 水下机器人全局路径规划概述

5.3 粒子群算法

5.3.1 粒子群算法概述

5.3.2 基本PSO算法

5.3.3 PSO算法的改进

5.4 粒子群算法在水下机器人全局路径规划的应用

5.4.1 海洋环境表达

5.4.2 PSO算法路径规划的实现

5.4.3 仿真试验结果与分析

5.5 多障碍物海洋环境中粒子群优化全局路径规划

5.5.1 主干线二叉树法

5.5.2 A*算法路径搜索

5.5.3 PSO算法路径优化的实现

5.5.4 仿真实验及结果分析

5.6 本章小结

第6章 水下机器人基础运动控制器

6.1 引言

6.2 控制问题描述

6.3 神经网络并行自学习跟踪控制器设计

6.3.1 控制器结构及工作原理

6.3.2 自适应神经网络模型(ANNM)及其训练

6.3.3 神经网络控制器(NNC)及其训练

6.3.4 运行监控器

6.3.5 鲁棒控制器

6.4 神经网络并行自学习控制器的水下机器人控制应用

6.4.1 水下机器人的动力学辨识

6.4.2 目标规划器

6.4.3 水下机器人的运动控制

6.5 海上试验结果

6.6 本章小结

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢