一种适用于同向实时点位跟踪的双无人船协同控制方法技术

本发明专利技术提供一种适用于同向点位跟踪的双无人船协同控制方法，包括：建立领航

【技术实现步骤摘要】
一种适用于同向实时点位跟踪的双无人船协同控制方法


[0001]本专利技术涉及无人船点位跟踪控制
，具体涉及一种适用于同向实时点位跟踪的双无人船协同控制方法
。

技术介绍

[0002]近年来，随着科技的快速发展和自动化技术的不断创新，无人船的使用规模不断扩大，其在海洋调查
、
监测
、
救援
、
航道疏浚
、
风电场运维以及水上娱乐和旅游等领域发挥着越来越重要的作用
。
在这些场景中，需要根据路径上事先设定好的虚拟目标点进行精确航行的领域越来越多
。
同时，随着通信技术
、
和多智能体控制技术的不断发展，需要多无人船保精确的位置关系协同控制的应用场景或者与无人潜航器配合协同航行的场景也应运而生，因此，无人船点位跟踪控制技术已经成为了新的研究热点
。
但是，目前对于双无人船水面航行协同跟踪控制的研究相对缺乏，在现有技术中，为实现多无人船协同控制，常使用编队控制相关控制算法进行实现，但相关技术多适用于多船航行过程中的队形保持，对于双船协同航行的场景并不适用
。
同时，此类方法多关注队形保持及队形破坏后的重组能力，对于相对位置精确性以及在复杂水面环境下，应对海面各种环境干扰，同时保证跟随船与领航船之间航行的精确位置关系，现有技术存在明显不足
。
[0003]目前现有无人船协同航行控制方法的研究主要有以下不足：
[0004](1)
传统基于编队位置的模型策略，需要精确的模型参数，并且需要较为复杂的计算过程
。
比如论文
《Swarm control of USVs based on adaptive backstepping combined with sliding mode》
对无人船集群建立虚拟结构，并利用反步滑模控制方法消除编队协同控制中的误差，对于双船协同航行场景，无可避免出现计算复杂问题
。
[0005](2)
对于现有的控制方法，当跟随船与领航船之间的协同位置关系由于水面环境等原因受到破坏后，无法依据现有实时环境及与期望位置的距离关系，选择最为合适的动作快速恢复协同位置关系
。
[0006]针对上述问题，本方法在双无人船协同控制模型的基础上，引入障碍李亚普诺夫函数限制纵向速度及艏向角期望幅值设计虚拟控制律，在此基础上，利用虚拟控制律及位置误差设计奖励函数，考虑环境扰动将其作为
Deep Q
‑
Network(DQN)
神经网络的输入，依据实时状态选择训练
DQN
神经网络
。
最后将收敛后的
DQN
决策网络部署到跟随船代替控制器进行跟踪控制
。

技术实现思路

[0007]为解决现有技术中在双无人船协同运动控制存在的问题，本专利技术提出一种基于预先训练
DQN
决策网络的双无人船协同运动控制方法，可使系统达到快速
、
精确
、
稳定的性能要求，并提供相应的控制方法
。
[0008]为实现上述目的，本专利技术通过如下技术方案实现：
[0009]一种适用于同向实时点位跟踪的双无人船协同控制方法，其特征在于，包括以下
步骤：
[0010]S1、
建立跟随船运动学与动力学模型
。
[0011]S2、
基于领航船的实时位置，及跟随船相对领航船位置的期望方向角及相对距离，确定点位跟踪控制协同系统模型
。
[0012]S3、
基于点位跟踪协同控制模型，及实时距离误差与方向角误差，引入障碍李雅普诺夫函数对跟随船设计纵向速度虚拟控制律及艏向角虚拟控制律
。
[0013]S4、
引入非线性扰动观测器观测环境扰动，并将其作为外部环境变量，和跟随船与领航船的实时位置误差，设计并训练主
DQN
决策网络，该决策网络可根据实时输入的状态选择最为合适的动作完成点位跟踪协同控制
。
[0014]S5、
仿真验证所提出方法的有效性
。
[0015]所述的
S1
中，考虑双无人船协同点位跟踪控制系统，对于跟随船，其运动学模型可被描述为：
[0016][0017]式中，
u
f
、v
f
、r
f
分别为跟随船的纵向速度
、
横向速度以及转艏角速度，
(x,y,
ψ
)
为跟随船的纵向位置
、
横向位置及艏向角
。
令
η
f
＝
[x
f
,y
f
,
ψ
f
]T
，则式
(1)
可重写为：
[0018][0019]考虑系统误差及外部扰动，其动力学模型可设计为：
[0020][0021]式中，
m
11f
、m
22f
、m
33f
表示跟随船包含附加质量的惯性矩阵系数，
τ
duf
、
τ
dvf
、
τ
drf
为三个方向上的扰动力矩，
τ
uf
、
τ
rf
为控制力矩输入，
d
11f
、d
22f
、d
33f
为跟随船的附加质量惯性矩阵系数，
u
f
、v
f
、r
f
为跟随船的纵向速度
、
横向速度及艏向角速度
。
令则式
(3)
可重写为：
[0022][0023]式中，为斜对角矩阵
。
[0024]所述的
S2
中，点位跟踪控制协同系统模型领航船与跟随船之间的距离及角度关系为：
[0025][0026][0027]式中，
(x
l
,y
l
)
为领航船的实时位置，
(x
f
,y
f
)
为跟随船的实时位置，
d
i
为实时距离
,
为跟随船相对领航船的方向角
。
[0028]所述的
S3
中，为建立点位跟踪协同控制模型，定义距离误差与方向角误差为：
[0029][0030]式中，
d
resi
、
分别为期望距离与期望方向角
。
[0031]为了使实际距离与实际方向角能跟踪上期望距离与方向角，定义距离与方向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适用于同向实时点位跟踪的双无人船协同控制方法，其特征在于，包括以下步骤：
S1、
建立跟随船运动学与动力学模型；
S2、
基于领航船的实时位置，及跟随船相对领航船位置的期望方向角及相对距离，确定点位跟踪控制协同系统模型；
S3、
基于点位跟踪协同控制模型，及实时距离误差与方向角误差，引入障碍李雅普诺夫函数对跟随船设计纵向速度虚拟控制律及艏向角虚拟控制律；
S4、
引入非线性扰动观测器观测环境扰动，并将其作为外部环境变量，和跟随船与领航船的实时位置误差，设计并训练主
Deep Q
‑
Network(DQN)
决策网络，该决策网络可根据实时输入的状态选择最为合适的动作完成点位跟踪协同控制；所述的
S1
中，考虑双无人船协同点位跟踪控制系统，对于跟随船，其运动学模型可被描述为：式中，
u
f
、v
f
、r
f
分别为跟随船的纵向速度
、
横向速度以及转艏角速度，
(x,y,
ψ
)
为跟随船的纵向位置
、
横向位置及艏向角；令
η
f
＝
[x
f
,y
f
,
ψ
f
]
T
，则式
(1)
可重写为：考虑系统误差及外部扰动，其动力学模型可设计为：式中，
m
11f
、m
22f
、m
33f
表示跟随船包含附加质量的惯性矩阵系数，
τ
duf
、
τ
dvf
、
τ
drf
为三个方向上的扰动力矩，
τ
uf
、
τ
rf
为控制力矩输入，
d
11f
、d
22f
、d
33f
为跟随船的附加质量惯性矩阵系数，
u
f
、v
f
、r
f
为跟随船的纵向速度
、
横向速度及艏向角速度；令则式
(3)
可重写为：式中，为斜对角矩阵；所述的
S2
中，点位跟踪控制协同系统模型领航船与跟随船之间的距离及角度关系为：
式中，
(x
l
,y
l
)
为领航船的实时位置，
(x
f
,y
f
)
为跟随船的实时位置，
d
i
为实时距离
,
为跟随船相对领航船的方向角；所述的
S3
中，为建立点位跟踪协同控制模型，定义距离误差与方位角误差为：式中，
d
resi
、
分别为期望距离与期望方向角；为了使实际距离与实际方向角能跟踪上期望距离与方向角，定义距离与方向角的动态微分方程为：微分方程为：对式
(7)
求导，并结合式
(8)、(9)
得：得：式中，
α
uf
与
α
ψ
f
为跟随船纵向速度与艏向角虚拟控制律；并且设标量为了使实际距离与实际方向角能够跟踪上期望距离及期望方向角，定义：其中，
e
df
、
分别是跟踪距离误差的下界与上界，跟踪方向角误差的下界与上界；为了保证控制输出不违反上述约束，引入障碍李亚普诺夫函数：为了保证控制输出不违反上述约束，引入障碍李亚普诺夫函数：
式中，为求解
α
uf
，对式
(13)
求导得：设并将式
(10)
代入，则式
(16)
可被重写为：因此标量
w
d
可被镇定为：同理，为求解
α
ψ
f
，对式
(14)
求导得：设并将式
(11)
代入，则式
(19)
可被重写为：因此标量可被镇定为：最终，式
(10)
与式
(11)
中的虚拟控制律
α
uf
与
α
ψ
f
可被设计为：可被设计为：
所述的
S4
中，所引入非线性扰动观测器为：式中，为扰动观测器对各方向扰动的估计值，
K0∈R3×3为正定设计矩阵；双
DQN
网络训练的体步骤为：
S4.1
：初始化主
DQN
决策网络
、target
...

【专利技术属性】
技术研发人员：栾添添，吴凯，孙明晓，尤波，姚汉红，徐东昊，刘彩云，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：