一种海洋机器人姿态控制方法、装置和系统制造方法及图纸

本申请涉及“一种海洋机器人姿态控制方法、装置和系统”。本申请公开了一种海洋机器人姿态控制方法，利用基于细菌觅食优化算法改进的概率神经网络PID控制算法，对采集到的海洋机器人水下实际纵倾角、航向角及深度与预期数值之间的误差进行控制，实现对推进器的控制。该方法将概率神经网络与PID控制相结合，具有良好的自适应性控制和抗干扰能力，并且对概率神经网络进行基于细菌觅食优化算法优化，提高了算法的自学习能力和速度，使海洋机器人能快速获得较高的姿态稳定性。

An attitude control method, device and system for marine robot

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，调整加权系数，降低姿态误差，例如使误差趋于零，优化PID控制器，例如得到最优控制下的PID控制器参数kP，kI，kD；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。优选地或可选地，上述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，优化概率神经网络连接权值，提高概率神经网络全局寻优能力，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，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有相同的结构和网络权值；步骤S34，迁徙操作：以给定概率选择部分细菌个体对应的网络，并重新赋予初始权值，死亡再生后随机分配到寻优空间，这有利于保持网络多样性；步骤S35，重复进行训练、复制和迁徙操作，将整个网络模型中具有最优MSE的网络权值保存，当目标函数值MSE小于给定误差时，算法停止，训练结束。由此，利用基于细菌觅食优化算法改进的概率神经网络PID控制算法，对采集到的海洋机器人水下实际纵倾角、航向角及深度与预期数值之间的误差进行控制，进而实现对推进器的控制。根据本专利技术的实施例，提供了一种用于海洋机器人的姿态控制的控制器，包括：经典PID控制器；以及与所述经典PID控制器耦合的自适应学习模块，用于通过概率神经网络自身的学习，调整加权系数，降低姿态误差，优化所述经典PID控制器。根据本专利技术的实施例，提供了一种用于海洋机器人的姿态控制的系统，包括根据本专利技术的实施例的用于海洋机器人的姿态控制的控制器。相比于现有技术的缺点和不足，本专利技术的实施例具有以下有益效果：将概率神经网络与PID控制相结合，具有良好的自适应性控制和抗干扰能力，并且对概率神经网络进行基于细菌觅食优化算法优化，提高了算法的自学习能力和速度，使海洋机器人能快速获得较高的姿态稳定性，具有良好的自适应调节能力，使海洋机器人在海洋多变环境下执行多种动作。附图说明图1是根据本专利技术的实施例的控制系统示意图；图2是根据本专利技术的实施例的海洋机器人的姿态控制方法的流程图；图3是根据本专利技术的利用细菌觅食优化算法训练概率神经网络的流程图；图4是PNN-PID和BFO-PNN-PID算法控制效果对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本专利技术的实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1是根据本专利技术的实施例的控制系统示意图。如图1所示，用于海洋机器人的姿态控制的系统包括对经典PID控制器进行改进得到的BFO-PNN-PID控制器。其中，通过概率神经网络自身的学习(例如通过自适应学习模块)和/或利用例如细菌觅食优化算法训练概率神经网络(例如通过训练模块)，来对经典PID控制器进行改进，得到优化的PID控制器。优化的PID控制器的输出可通过D/A转换后作用于推进器，进而作用于被控对象。进一步，还可包括反馈回路，该反馈回路包括传感器和A/D转换器，通过传感器来对与被控对象相关联的被控制量进行感测，并通过A/D转换器来转换后，反馈到控制器的输入。由此，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。要理解，图1示出的只是本专利技术的一个实施例，根据实际需要，其它实施例可以包含多于或少于图1所示的部件。图2是根据本专利技术的实施例的海洋机器人的姿态控制方法的流程图。该方法主要是实时采集海洋机器人水下实时纵倾角、航向角及深度信息，与初始设定的工作姿态信息进行对比，得到姿态误差，然后为了保障海洋机器人的姿态稳定，利用PID对姿态误差进行调节，完成对被控对象的控制。但是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，这时要求机器人的控制系统具有自调节能力。如图2所示，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，调整加权系数，使误差趋于零，优化PID控制器，例如得到最优控制下的PID控制器参数kP，kI，kD；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。优选地或可选地，上述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，优化概率神经网络连接权值，提高概率神经网络全局寻优能力，图3是根据本专利技术的利用细菌觅食优化算法训练概率神经网络的流程图。如图3所示，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，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，本文档来自技高网...

【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