【技术实现步骤摘要】
本专利技术涉及水下航行器运动控制，尤其涉及一种基于卷积神经网络的水下航行器定位控制方法及系统。
技术介绍
1、水下航行器在航行时，一般依靠舵和辅助推进器实现航向和位置控制。当航速较低时，航行器舵力显著下降，尤其是在零航速时，舵效消失，无法通过操舵实现对航行器状态的控制，此时需要通过辅助推进器实现对航行器位置和航向的控制。当水下航行器通过辅助推进器进行航向和位置控制时，首先需要通过控制器解算位置控制所需要的横向力和纵向力，以及航向控制所需的转艏力矩，然后再根据控制器解算的横向力、纵向力以及转艏力矩指令进行辅助推进器推力分配，得到辅助推进器的方向角和转速指令，从而驱动辅助推进器运行，实现航行器的定位控制。
2、目前通常采用序列二次规划（sqp）算法来对辅助推进器的转速和方向角进行分配，此方法中运动控制器和辅助推进器推力分配算法需要单独设计，协同性较差，可能导致sqp算法分配失败。并且，sqp算法在进行推力分配时，需要实时遍历所有情况得到最优解，计算量巨大，运算困难，导致算法实时性较差，且消耗大量的存储空间，在实际应用较为不便。
技术实现思路
1、本专利技术旨在解决辅助推进器推力分配算法实际应用较为不便的问题。为此，本专利技术提供一种基于卷积神经网络的水下航行器定位控制方法及系统，采用卷积神经网络，将控制指令解算环节与推力分配环节融合为一个模型，提高了控制指令解算与推力分配过程的协同性，同时可以避免推力分配算法在实际应用中进行大量的实时遍历运算，在保证分配准确率的同时提高了算
2、本专利技术提供一种基于卷积神经网络的水下航行器定位控制方法，采用的技术方案如下：包括：
3、设定航行器定位的目标航向和目标位置；
4、获取航行器的实际航向、实际位置和状态参数；
5、将所述目标航向、目标位置、实际航向、实际位置和状态参数输入训练好的卷积神经网络模型，所述卷积神经网络模型输出辅助推进器的转速指令和方向角指令；
6、根据所述转速指令和方向角指令，控制辅助推进器工作，实现水下航行器定位控制。
7、进一步的，所述目标位置包括目标北向位置和目标东向位置；
8、所述实际位置包括实际北向位置和实际东向位置；
9、所述状态参数包括纵向速度、横向速度、转艏角速度，以及辅助推进器的实际转速和实际方向角。
10、进一步的，所述卷积神经网络模型的结构包括依次连接的3个卷积层和1个全连接层。
11、进一步的，3个所述卷积层分别为第一卷积层、第二卷积层和第三卷积层，所述第一卷积层的卷积核为，所述第二卷积层的卷积核为，所述第三卷积层的卷积核为，所述卷积层和全连接层后均设置有relu激活函数。
12、进一步的，所述卷积神经网络模型的损失函数为加权最小均方差。
13、进一步的，所述卷积神经网络模型的训练数据的训练样本包括目标航向、目标北向位置、目标东向位置、实际航向、实际北向位置、实际东向位置、纵向速度、横向速度、转艏角速度，以及辅助推进器的实际转速和实际方向角，训练数据的训练标签包括辅助推进器的转速指令和方向角指令；
14、所述训练数据的制作过程为：
15、将目标航向、目标北向位置、目标东向位置输入无人航行器水平面运动控制系统，计算得到实际航向、实际北向位置、实际东向位置、纵向速度、横向速度、转艏角速度，以及辅助推进器的实际转速、实际方向角转速指令和方向角指令；
16、将所述目标航向、目标北向位置、目标东向位置、实际航向、实际北向位置、实际东向位置、纵向速度、横向速度、转艏角速度，以及辅助推进器的实际转速、实际方向角转速指令和方向角指令组成所述训练数据。
17、进一步的，无人航行器水平面运动控制系统为通过水下航行器水平面运动方程、航行器水平面运动控制器、辅助推进器推力和方向角分配算法、数字辅助推进器系统建立的闭环控制系统。
18、进一步的，所述航行器水平面运动控制器采用pid控制器，所述辅助推进器推力和方向角分配算法采用序列二次规划方法。
19、进一步的，所述辅助推进器的数量为1个或多个。
20、本专利技术还提供一种基于卷积神经网络的水下航行器定位控制系统，采用的技术方案如下：包括：定位模块、数据采集模块、计算模块和控制模块，所述计算模块分别与所述定位模块、数据采集模块、控制模块连接，
21、所述定位模块，用于设定航行器定位的目标航向和目标位置；
22、所述数据采集模块，用于获取所述航行器的实际航向、实际位置和状态参数；
23、所述计算模块，用于将所述目标航向、目标位置、实际航向、实际位置和状态参数输入训练好的卷积神经网络模型，所述卷积神经网络模型输出辅助推进器的转速指令和方向角指令；
24、所述控制模块，用于根据所述转速指令和方向角指令，控制辅助推进器工作，实现水下航行器定位控制。
25、本专利技术实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
26、1.本专利技术采用卷积神经网络，将控制指令解算环节与推力分配环节融合为一个模型，提高了控制指令解算与推力分配过程的协同性，避免分配失败的情况发生。
27、2.本专利技术设计了水下航行器运动控制系统，通过输入目标航向、目标北向位置和目标东向位置，获得实际航向、实际北向位置、实际东向位置等数据，将水下航行器运动控制系统的输入和输出组成训练数据，从而制作训练集，对网络模型进行预先训练，可以避免算法在实际应用中进行大量的实时遍历运算，在保证分配准确率的同时提高了算法实时性。
28、3.本专利技术的卷积神经网络模型的参数是基于数据自适应学习所得，避免了人工选取过程的局限性，从而进一步提高了水下航行器的定位控制精度。
29、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的水下航行器定位控制方法，其特征在于，包括：
2.如权利要求1所述的一种基于卷积神经网络的水下航行器定位控制方法，其特征在于，所述目标位置包括目标北向位置和目标东向位置；
3.如权利要求1或2所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的结构包括依次连接的3个卷积层和1个全连接层。
4.如权利要求3所述的一种基于卷积神经网络的水下航行器定位控制方法，3个所述卷积层分别为第一卷积层、第二卷积层和第三卷积层，所述第一卷积层的卷积核为，所述第二卷积层的卷积核为，所述第三卷积层的卷积核为，所述卷积层和全连接层后均设置有ReLU激活函数。
5.如权利要求3所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的损失函数为加权最小均方差。
6.如权利要求2所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的训练数据的训练样本包括目标航向、目标北向位置、目标东向位置、实际航向、实际北向位置、实际东向位置、纵向速度、横向速度、转艏角速度，以及辅助
7.如权利要求6所述的一种基于卷积神经网络的水下航行器定位控制方法，无人航行器水平面运动控制系统为通过水下航行器水平面运动方程、航行器水平面运动控制器、辅助推进器推力和方向角分配算法、数字辅助推进器系统建立的闭环控制系统。
8.如权利要求7所述的一种基于卷积神经网络的水下航行器定位控制方法，所述航行器水平面运动控制器采用PID控制器，所述辅助推进器推力和方向角分配算法采用序列二次规划方法。
9.如权利要求1所述的一种基于卷积神经网络的水下航行器定位控制方法，所述辅助推进器的数量为1个或多个。
10.一种基于卷积神经网络的水下航行器定位控制系统，其特征在于，用以执行如权利要求1至9任一项所述的一种基于卷积神经网络的水下航行器定位控制方法，包括：定位模块、数据采集模块、计算模块和控制模块，所述计算模块分别与所述定位模块、数据采集模块、控制模块连接，
...【技术特征摘要】
1.一种基于卷积神经网络的水下航行器定位控制方法，其特征在于，包括：
2.如权利要求1所述的一种基于卷积神经网络的水下航行器定位控制方法，其特征在于，所述目标位置包括目标北向位置和目标东向位置；
3.如权利要求1或2所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的结构包括依次连接的3个卷积层和1个全连接层。
4.如权利要求3所述的一种基于卷积神经网络的水下航行器定位控制方法，3个所述卷积层分别为第一卷积层、第二卷积层和第三卷积层，所述第一卷积层的卷积核为，所述第二卷积层的卷积核为，所述第三卷积层的卷积核为，所述卷积层和全连接层后均设置有relu激活函数。
5.如权利要求3所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的损失函数为加权最小均方差。
6.如权利要求2所述的一种基于卷积神经网络的水下航行器定位控制方法，所述卷积神经网络模型的训练数据的训练样本包括目标航向、目标北向位置、目标东向位置、实际航向、实际北向位置、实...
【专利技术属性】
技术研发人员：廖益欣，苏畅，李兵军，赵光，彭昊，孙灵远，沈东，王星月，喻绪明，张远博，
申请(专利权)人：中国船舶集团有限公司第七〇七研究所，
类型：发明
国别省市：
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。