小型觀測級ROV四自由度運動控制系統研究

楊 淼，盛智彬，王海文，殷 歌

(1.江蘇海洋大學電子工程學院，江蘇連云港222002；2.江蘇海洋大學機械與海洋工程學院，江蘇連云港222002；3.江蘇科技大學海洋裝備研究院，江蘇鎮江212000)

0 引言

水下機器人（Underwater Vehicle）主要分為有纜水下機器人（Remotely Operated Vehicle，ROV）和自治水下機器人（Autonomous Underwater Vehicle，AUV）。作為一種探索海洋的智能工具，水下機器人在水產養殖、水下石油勘探、大巴檢測以及軍事等領域扮演著重要的角色[1–2]。但由于外部水流的干擾，以及自身各剛體間的耦合，水下機器人難以穩定地在水下進行運動，因此，對于水下機器人控制系統的研究至關重要[3–5]。

為有效控制水下機器人的運動，目前許多控制方法被使用，如自適應控制[6–8]、滑模控制[9–11]、模糊控制[12–13]、欠驅動控制[14]等。其中，欠驅動控制可以有效地控制水下機器人的運動，同時減少推進器的數量，降低能耗，但這種控制方法極為復雜，一般都是通過消除非線性項來解決，這會嚴重降低系統的魯棒性[15]。

作為一種非線性控制方法，滑模控制具有結構簡單、響應快速、魯棒性強以及對外界干擾不靈敏等特點[16]，備受廣大研究人員青睞。但經典滑模控制方法存在嚴重抖動問題，對于水下機器人而言，這會導致推進器能量消耗過大，甚至損壞推進器[17]。因此，如何解決抖動問題成為近幾年滑模控制研究的焦點。

經典滑模控制中的抖動，主要是由于控制規律中不連續的切換控制項引起的。針對這一問題，Soylu等[18]提出一種無抖動滑模控制方法，其方法主要是設計自適應控制項代替不連續的切換控制項，自適應控制項可以持續補償系統模型不確定影響，從而消除抖動。但這種方法較為復雜，控制參數設置較多，在實際中難以實現；Liu等[19]提出了一種全局滑模控制方法，采用飽和函數替代了常用的符號函數。這種方法簡單有效，但設計時并未考慮水下機器人模型不確定因素的影響；Huang等[20]采用了雙閉環滑模控制方法，用以提高ROV運動時地抗干擾能力，在減小滑模控制抖動問題方面，則是通過設計一種連續的函數作為切換控制項。但此方法同樣未考慮ROV模型不確定因素的影響。

為了解決經典滑模控制中的抖動問題以及ROV運動時地模型參數不確定性問題，本文針對一類小型觀測級ROV的四自由度運動，提出一種基于徑向基函數神經網絡（Radial Basis Function Neural Network，RBFNN）自適應滑模控制方法。針對ROV運動時模型不確定因素的干擾問題，采用RBF神經網絡算法，實現對ROV模型的補償；用反正切函數替換符號函數，減小了經典滑模控制的抖動。

1 ROV模型數學描述

1.1 ROV運動學模型

本文針對一類小型觀測級ROV進行設計，這類ROV一般配備4個推進器，主要實現前后、平移、深沉和轉首四自由度的運動，如圖1所示。

在ROV中，通常采用慣性坐標系（Inertial frame）和體坐標系（body-fixed frame）來描述ROV的運動。相對于體坐標系的速度向量可以表示為νT=[ν1ν2]，其中，ν1T=[uvw]代表ROV的線速度向量，u，v，w分別為前進、平移、深沉3個方向的速度；v2T=[pqr]為ROV角速度向量，p，q，r分別代表橫傾、俯仰、轉首3個方向的速度。相對慣性坐標系的位姿向量表示為ηT=[η1η2]，其中，η1T=[xyz]表示ROV在慣性坐標系中的運動位置向量，x，y，z分別為前進、平移、深沉3個方向的位置；η2T=[φθψ]表示ROV在慣性坐標系中的運動姿態向量，φ，θ，ψ分別代表橫傾、俯仰、轉首3個方向的姿態。速度向量與位姿向量的轉換可以寫為如下形式：

圖1 小型觀測級ROV模型Fig.1 The model of small monitoring ROV

其中，J（η）為雅可比矩陣，定義為：

式中，J1（η）和J2（η）分別定義為：

因為本文只討論ROV前后、平移、深沉和轉首4個自由度的運動，所以橫傾角φ和俯仰角θ的變化都為0。因此，式（1）可以寫為：

1.2 ROV動力學模型

針對四自由度的ROV，其動力學模型表示為[21]：

式中，M∈R4×4為慣性矩陣，定義為：

其中：m為ROV質量；Iz為ROV關于Z軸的轉動慣量；分別為ROV的附加質量和附加慣量。

C（v）∈R4×4為科氏力和向心力矩陣，定義為：

D（v）∈R4×4為阻尼系數矩陣，定義為：

其 中：Xu，Yv，Zw，Nr，Xu|u|，Yv|v|，Zw|w|，Nr|r|代 表粘滯水動力參數。

g（η）∈R4為ROV恢復力和力矩向量，定義為：

其中：W，WB分別為ROV的重心和浮心。

τ∈R4和τd∈R4分別為ROV的控制輸入以及外部干擾。

根據式（1）和式（6），ROV的動力學模型可以改寫為：

為了便于后面部分ROV的穩定性分析，假設ROV的動力學模型具有如下性質：

性質1慣性矩陣Mη（η）為正定對角矩陣，即

性質2矩陣為斜對角矩陣，即對于任意向量? ，都有

2 控制器設計

2.1 經典滑模控制器設計

在經典滑模控制器設計中，首先設計一個滑模函數S，然后再設計一個控制規律τ。當系統的狀態軌跡在外部干擾下偏離滑模面時，控制規律會迫使系統的狀態軌跡重新沿著滑模面向平衡點運動。

針對四自由度ROV系統，定義ROV的期望位姿為ηd，實際位姿為η，位姿誤差為則滑模函數定義為[17]：

其中，S∈R4，Λ=diag{k1,k2,k3,k4}，ki>0且ki為常數，i=1,···,4。

一般情況下，滑模控制規律設計為：其中，τeq為等效控制項，τsw為切換控制項。等效控制項用于補償系統模型。切換控制項則是為了提高系統的抗干擾能力，一般設計為τsw=?Ksgn（S），其中K為常數且K>0，sgn（·）代表符號函數。

對滑模函數求1階導數：

結合等式（11）、等式（12）和等式（14）可得：

如果ROV系統動力學模型中各參數都是不變的，則式（15）中控制規律τT可設計為：τT=Mη(¨ηd+Λ˙?η)+Cη(˙ηd+Λ?η)+Dη(˙ηd+Λ?η)+

gη+KdS?Ksgn(S)。(16)其中，Kd為常數。

然而在實際應用中，由于ROV自身的非線性特性以及環境的影響，ROV系統動力學模型中的各參數是變化的，因此經典滑模控制方法并不能有效實現ROV的運動控制。

2.2 RBF神經網絡自適應滑模控制器設計

為解決ROV模型參數不確定性問題，目前神經網絡算法被廣泛使用。然而，傳統的神經網絡算法收斂速度慢，并不適用于實時的在線計算，如BP（Back Propagation）神經網絡算法。RBF神經網絡作為一種前饋式網絡，具有結構簡單，訓練速度快等優點。因此，本文將采用RBF神經網絡算法解決ROV模型不確定性問題。RBF神經網絡算法逼近公式為：

其中：b∈Rj是輸入向量；W*∈Rj是網絡的最優權值向量；μ（b）代表徑向基函數，μ（b）=[μ1（x）μ2（x）···μj（x）]T；ε為逼近誤差。RBF神經網絡的網絡結構如圖 2所示。

圖2 RBF神經網絡結構圖Fig.2 The structure diagram of RBFneural network

根據式（15），定義ROV模型不確定項為：

其中，Cj和Bj分別為高斯函數的中心和寬度。

定義RBF神經網絡對ROV模型不確定項逼近函數為：

在本文中，將RBF神經網絡部分作為等效控制項。此外，用反正切函數arctan（·）替換切換控制項中的符號函數sgn（·），則ROV的控制規律設計為：RBF神經網絡自適應滑模控制的框圖如圖3所示。考慮引入控制規律τT，從而使得ROV系統的位姿誤差和RBF神經網絡的權值誤差鎮定，構造Lyapunov函數如下：

對Lyapunov函數求導，并將式（15）代入得：

將控制規律式（22）代入，則式（24）可寫為：

圖3 RBF神經網絡自適應滑模控制框圖Fig.3 Block diagram of RBFneural network based adaptivesliding mode control

將自適應規律式（21）代入，并根據性質2，等式可以簡化為：

其中，外界干擾∥ε?d∥

3 仿真分析

為驗證本文提出的RBF神經網絡自適應滑模控制器能有效控制四自由度ROV的運動，采用Matlab/Simulink軟件進行仿真實驗，比較RBF神經網絡自適應滑模控制器與切換控制項分別為符號函數sgn（·）、飽和函數sat（·）的滑模控制器的性能。ROV的水動力參數如表1所示。

實驗中，設定仿真時間t=60 s，選擇cos（·）余弦函數作為外部干擾，ROV的初始位姿與期望位姿如表2所示。

仿真結果如圖4~圖8所示。其中，圖4為RBF神經網絡對ROV模型不確定項的逼近，圖中虛線代表目標函數，實線代表逼近函數。可以看出，RBF神經網絡可以有效地逼近ROV模型的不確定項，逼近誤差大約在0.312～0.667，如表3所示。

為了便于比較分析，圖5～圖8使用3條曲線代表各控制方法的仿真結果。其中，曲線1代表本文提出的控制方法，曲線2和曲線3分別代表切換控制項為sgn（·）和sat（·）的滑模控制。

表1 ROV水動力參數表Tab.1 Hydrodynamic parameters of the ROV

表2 ROV初始位姿與期望位姿Tab.2 Initial position and desired position of the ROV

圖4 RBF神經網絡逼近ROV模型不確定項Fig.4 The RBFneural network approximates the ROV model uncertainties

圖5 ROV三維軌跡跟蹤Fig.5 Position tracking results of ROV in xyz plot

圖6 ROV位姿相軌跡圖Fig.6 Phaseportrait of ROV position and attitude

圖5 為ROV在3種控制方法下的三維運動軌跡。可以看出，在3種控制方法下，ROV都可以運動到期望位姿，但采用RBF神經網絡自適應滑模控制的ROV運動效果更好，抗干擾能力更強。ROV的相軌跡圖如圖6所示。可以看出，ROV在采用切換控制項為sgn（·）的滑模控制方法時，相軌跡圖存在著明顯的抖動，在采用切換控制項為sat（·）的滑模控制方法時，在x，y，z軸方向上的相軌跡圖都較為平滑，并最終都趨近于穩定點，但在對轉首角的控制上，卻出現了極限環，這是不允許的，如圖6（d）所示。在采用RBF神經網絡自適應滑模控制方法時，ROV的相軌跡都較為平滑，并且最終都趨近于穩定點。圖7為ROV四自由度的軌跡跟蹤圖。由圖7（a）～圖7（c）可以看出，3種控制方法均可快速的跟蹤到目標軌跡，但在x軸和y軸方向上，RBF神經網絡自適應滑模控制方法的超調量小于其他2種控制方法。在轉首角姿態上，RBF神經網絡自適應滑模控制方法幾乎0誤差跟蹤ROV的運動軌跡，而其他2種方法都存在著誤差，如圖7（d）所示。ROV的軌跡跟蹤誤差如圖8所示。從圖8（d）可以看到，在轉首姿態上，切換控制項為sgn（·）的滑模控制方法的跟蹤誤差在0.03左右，切換控制項為sat（·）的滑模控制方法的跟蹤誤差在0.07左右。因此，綜合上述實驗結果，可以證明本文提出的RBF神經網絡自適應控制方法具有很好的綜合性能，有效地減小了經典滑模控制的抖動問題以及解決了ROV模型不確定性問題，能夠實現控制ROV在外部干擾下穩定地運動。

圖7 ROV位姿運動軌跡跟蹤Fig.7 ROV position and attitude tracking results

4 結語

圖8 ROV位姿軌跡跟蹤誤差Fig.8 Tracking errors of ROV position and attitude

表3 RBF神經網絡逼近誤差Tab.3 Theapproximation errors of RBFneural network

本文針對四自由度ROV，提出一種基于RBF神經網絡的自適應滑模控制方法，主要解決了經典滑模控制中存在的抖動問題，以及ROV模型不確定性問題。首先考慮了ROV在運動時，受自身模型不確定因素的干擾，引入R B F神經網絡算法，用以持續補償ROV模型不確定項。RBF神經網絡中的權值則是通過自適應控制方法給出。其次，為了解決經典滑模控制中存在的抖動問題，采用反正切函數作為切換控制項，這種方法簡單有效，可以最大化減小滑模控制的抖動，使系統的狀態軌跡平滑地沿著滑模面運動到平衡點。最后，根據Lyapunov穩定性定理驗證了被控系統是全局漸進穩定的。通過仿真實驗，將本文提出的控制方法與2種經典滑模控制方法進行了比較，仿真結果證明該控制方法具有更好的控制效果。