This application involves \an attitude control method, a device and a system for a marine robot\. The invention discloses a marine robot attitude control method, the probabilistic neural network PID improved bacterial foraging optimization algorithm control algorithm based on the control error of the water collected under the ocean robot actual pitch angle, heading angle and depth and between the expected values, to achieve control of the propeller. The method of probabilistic neural network and PID control combined with adaptive control and good anti-interference ability, and the probabilistic neural network optimization based on bacterial foraging optimization algorithm, improve the self-learning ability and the speed of the algorithm, the marine robots can have higher stability for attitude.
【技术实现步骤摘要】
一种海洋机器人姿态控制方法、装置和系统
本专利技术的实施例总体上涉及自动控制
,具体涉及一种海洋机器人姿态控制。
技术介绍
在海洋开发热的环境下,海洋机器人逐渐成为航海中的新的前沿和热点的问题。由于在海洋中运行存在诸多外部干扰因素,海洋机器人在执行任务的过程中,不但要求其在环境扰动下能够按照预定的轨迹运动,而且在许多情况下需要利用海洋机器人对目标物进行更细致的观察和操作,这就需要海洋机器人相对于目标物的位置保持不变,即要求海洋机器人具有能够抵抗环境扰动的较高的姿态稳定性,当海洋机器人因其力学性能变化和所处的环境发生改变而引起控制性能下降时,海洋机器人的控制器参数会改变,这时为了实现对机器人的精确、快速控制,需要控制系统具有良好的自适应调节能力,能根据海洋环境下的时变特性,自适应调整控制器的参数,以满足控制需求。但是目前,许多海洋机器人在水下姿态自动调整方面存在不足,由于水下干扰的复杂性,海洋机器人控制系统要保持较好的稳定性、快速性和准确性具有一定的难度。
技术实现思路
本专利技术的实施例的目的在于克服上述现有技术的至少一个缺点和不足。根据本专利技术的实施例,提供了一种海洋机器人姿态控制方法,使得PID控制器具有良好的自适应性控制和抗干扰能力,海洋机器人能快速获得较高的姿态稳定性。根据本专利技术的实施例的海洋机器人姿态控制方法,该方法包括以下具体步骤:步骤S1,实时采集海洋机器人的姿态信息,所述姿态信息包括水下实时纵倾角、航向角及深度信息;步骤S2,将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比,得到姿态误差;步骤S4,通过概率神经网络自身的学习, ...
【技术保护点】
一种海洋机器人的姿态控制的方法,包括以下步骤:步骤S1,实时采集海洋机器人的姿态信息;步骤S2,将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比,得到姿态误差;步骤S4,通过概率神经网络PNN自身的学习,调整加权系数,降低姿态误差,优化PID控制器;步骤S5,通过优化后的PID控制器对海洋机器人姿态进行修正,使之稳定在设定的工作姿态。
【技术特征摘要】
1.一种海洋机器人的姿态控制的方法,包括以下步骤:步骤S1,实时采集海洋机器人的姿态信息;步骤S2,将实时采集的姿态信息与海洋机器人设定的工作姿态进行对比,得到姿态误差;步骤S4,通过概率神经网络PNN自身的学习,调整加权系数,降低姿态误差,优化PID控制器;步骤S5,通过优化后的PID控制器对海洋机器人姿态进行修正,使之稳定在设定的工作姿态。2.如权利要求1所述的方法,其中,所述姿态信息包括水下实时纵倾角、航向角及深度信息,降低姿态误差包括误差趋于零,以及通过优化PID控制器得到最优控制下的PID控制器参数。3.如权利要求1或2所述的方法,进一步包括步骤S3,利用细菌觅食优化算法训练概率神经网络,从而构建BFO-PNN网络。4.如权利要求3所述的方法,其中,在步骤S3中,利用细菌觅食优化算法训练概率神经网络包括将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中,其中,将BFO算法的复制和迁徙操作作为学习策略添加到概率神经网络训练过程中进一步包括以下步骤:步骤S31,建立初始PNN模型和完成菌群初始化,不同细菌个体代表神经网络中不同的连接权值;步骤S32,利用PNN通过反复迭代运算,计算每个网络的均方误差(MSE)作为网络的适应值,完成对每一个细菌体连接权值的优化;步骤S33,复制操作:淘汰MSE过大的细菌个体对应的网络,MSE较小的网络进行繁殖且繁殖的子代网络与母代网络具...
【专利技术属性】
技术研发人员:陶彦博,刘厚德,王松涛,
申请(专利权)人:深圳华清精密科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。