基于CPG和模糊控制的機器魚定向游動精確控制方法

和巖輝, 胡 橋,2,3, 王朝暉,2,3, 余 雷 , 陳振漢, 李怡昕

基于CPG和模糊控制的機器魚定向游動精確控制方法

和巖輝1, 胡 橋1,2,3, 王朝暉1,2,3, 余 雷1, 陳振漢1, 李怡昕1

(1. 西安交通大學(xué) 機械工程學(xué)院, 陜西 西安, 710049; 2. 西安交通大學(xué) 機械制造系統(tǒng)工程國家重點試驗室, 陜西 西安, 710049; 3. 西安交通大學(xué) 陜西省智能機器人重點試驗室, 陜西 西安, 710049)

機器魚在水下執(zhí)行探測等作業(yè)任務(wù)時, 其游動方向的精準(zhǔn)性會受到波浪、漩渦等因素的影響, 致使其無法完成相應(yīng)任務(wù)。為解決機器魚游動方向的精準(zhǔn)性問題, 文中基于中樞模式發(fā)生器(CPG)理論結(jié)合模糊控制器提出了一種可以實現(xiàn)仿鲹科機器魚定向游動的精確控制方法。首先利用Hopf振蕩器構(gòu)建基于極限環(huán)的機器魚CPG模型, 在機器魚游動前期, 采用小擺幅高頻率的CPG控制信號以獲得較大推進力, 后期則采取大擺幅低頻率的CPG信號實現(xiàn)穩(wěn)定游動; 然后, 根據(jù)姿態(tài)傳感器獲取機器魚的航姿角度信息, 利用模糊控制器實時修正機器魚與目標(biāo)方向的偏差。通過機器魚的定向游動及抗干擾試驗, 驗證了該方法的可行性和有效性, 表明其在機器魚進行復(fù)雜環(huán)境下精準(zhǔn)方向游動中具有廣闊的應(yīng)用前景。

機器魚; 中樞模式發(fā)生器; 模糊控制; 定向游動; 精確控制

0 引言

可執(zhí)行多種水下任務(wù)的仿生機器魚在海洋開發(fā)與探索中具有不可估量的應(yīng)用價值, 隨著成本的降低和技術(shù)的成熟, 將會有更廣闊的應(yīng)用前景[1-4]。機器魚在水下的工作環(huán)境復(fù)雜難測, 波浪、旋渦等都會影響其游動方向的精準(zhǔn)性。為保證機器魚在水下執(zhí)行任務(wù)過程中可以準(zhǔn)確、高效地完成任務(wù), 根據(jù)其位姿信息實現(xiàn)對機器魚游動方向的精準(zhǔn)控制迫在眉睫[5]。在機器魚的運動控制方面, 各國學(xué)者均開展了諸多研究。Shi 等[6]提出了一種基于中樞模式發(fā)生器(central pattern generator,)的運動控制模型, 并利用MATLAB對機器魚的多模態(tài)運動進行動力學(xué)仿真, 實現(xiàn)了機器魚不同模態(tài)的切換。Yang等[7]通過對自推進仿生機器魚的可操縱性進行研究, 提出了反饋控制器和前饋補償器, 使得機器魚在對抗外部干擾時具有更強的魯棒性。Hu等[8]設(shè)計了一種模仿鱸行式魚類的高機動性機器魚, 整個控制系統(tǒng)由2個單向耦合的Hopf振蕩器構(gòu)成, 試驗顯示當(dāng)尾鰭擺動頻率達(dá)到2.8 Hz時, 直線游動速度可達(dá)2.0 m/s, 且機動性較好, 易進行機動轉(zhuǎn)彎控制。Tangorra等[9]以藍(lán)鰓太陽魚為仿生對象, 設(shè)計了多鰭機器魚, 可用來感知水動力流場, 并且含有模仿魚類前庭系統(tǒng)的姿態(tài)傳感器。中科院自動化研究所研究團隊[10]基于Hopf神經(jīng)元振蕩器提出了一種改進CPG模型, 各關(guān)節(jié)采用最近相鄰耦合方式, 利用仿鲹科魚以及花斑狗魚進行了控制算法驗證。北京航空航天大學(xué)研究團隊[11]研制出仿生機器魚樣機SPC-II, 成功參與鄭成功古船遺址考察工作, 同時也對兩關(guān)節(jié)機器魚SPC-Ⅲ的推進與機動性展開研究。北京大學(xué)研究團隊[12]以仿生箱鲀魚為研究基礎(chǔ), 對機器魚的側(cè)線控制系統(tǒng)展開研究。除此以外, 國內(nèi)的哈爾濱工程大學(xué)、北京理工大學(xué)、哈爾濱工業(yè)大學(xué)以及南京航空航天大學(xué)均針對機器魚的運動控制展開過相關(guān)研究。已有研究針對機器魚的運動控制方法基本都是開環(huán)控制, 無法保證機器魚在執(zhí)行任務(wù)過程中方向的準(zhǔn)確性。

圍繞現(xiàn)有方法中機器魚在干擾條件下易偏離目標(biāo)方向的問題, 以機器魚的精確定向游動為研究目標(biāo), 基于CPG理論結(jié)合模糊控制器提出了一種可以實現(xiàn)仿鲹科機器魚定向游動的控制方法, 該方法通過采集機器魚的角度信息并實時修正與目標(biāo)角度的偏差, 從而保證機器魚游動方向的精準(zhǔn)性, 最后通過試驗平臺驗證了該方法的可行性和有效性。

1 機器魚本體設(shè)計

圖1為文中所采用的仿鲹科機器魚設(shè)計圖。機器魚頭部是其游動過程中阻力的主要承受部分, 主要用來安裝攝像模塊以及激光傳感器; 魚體軀干用來實現(xiàn)頭部與尾部舵機的連接, 并為電池能源和控制硬件部分等提供安裝空間; 其尾部采用三關(guān)節(jié)的舵機驅(qū)動方式。機器魚設(shè)計參數(shù)如表1所示。

圖1 機器魚設(shè)計圖

表1 機器魚設(shè)計參數(shù)

2 機器魚CPG模型與運動控制

2.1 模型建立

綜合考慮各個神經(jīng)元模型的數(shù)學(xué)方程以及仿鲹科魚類的運動特點, 利用Hopf振蕩器構(gòu)建基于極限環(huán)的CPG模型[13-14], 通過構(gòu)造雙邊擾動信號, 引入振蕩單元的相位耦合因子, 實現(xiàn)基于Hopf振蕩器的相位自由控制, 得到改進后的CPG模型為

圖2 CPG網(wǎng)絡(luò)拓?fù)鋱D

2.2 運動仿真

圖3為向前直游時各CPG單元的輸出信號仿真圖。通過圖3可以發(fā)現(xiàn), 當(dāng)機器魚向前游動時,幅值依次增大, 相位依次滯后, 機器魚實現(xiàn)前游。

圖3 向前直游CPG信號輸出圖

2.3 定向游動算法設(shè)計

圖4 左轉(zhuǎn)彎CPG信號輸出圖

為了提高算法的運算效率, 隸屬度函數(shù)選擇為三角函數(shù)和函數(shù), 如圖6~圖8所示。

圖5 機器魚模糊控制結(jié)構(gòu)框圖

圖6 的隸屬度函數(shù)

圖7 的隸屬度函數(shù)

圖8 的隸屬度函數(shù)

模糊控制器的輸入和輸出論域控制在[–1,1]內(nèi), 通過輸入及輸出的比例因子實現(xiàn)變換, 其中

表2 模糊控制器規(guī)則庫

在解模糊時, 推理方式采用Mamdani類型, 輸出量的去模糊選擇重心法, 即

2.4 定向游動算法仿真驗證

定向轉(zhuǎn)彎試驗中當(dāng)目標(biāo)角度為45°和60°時, 對應(yīng)的階躍響應(yīng)上升時間分別為1.83 s和3.42 s, 調(diào)整時間為3.57 s和6.83 s, 超調(diào)量為11.23%和16.65%, 之所以出現(xiàn)差異是因為目標(biāo)角度的增加需要更長的上升時間和調(diào)整時間。當(dāng)目標(biāo)角度受到干擾力矩的作用后, 會偏離當(dāng)前角度, 但由于算法的穩(wěn)定性, 會不斷減小角度偏差與變化率, 當(dāng)目標(biāo)角度分別為45°和60°時, 對應(yīng)的波動范圍分別為44.01°~53.49°以及58.73°~66.97°。

圖9 定向轉(zhuǎn)彎仿真

圖10 抗干擾仿真

表3 定向轉(zhuǎn)彎仿真數(shù)據(jù)匯總

綜上所述, 在設(shè)計的定向轉(zhuǎn)彎閉環(huán)控制器作用下, 目標(biāo)角度值具有較小的波動, 受到干擾后能夠快速恢復(fù)到目標(biāo)角度, 從而保證轉(zhuǎn)彎的精確性和抗干擾性能。

3 試驗分析與算法驗證

機器魚的定向游動試驗主要用于驗證其是否可以根據(jù)當(dāng)前傳感器返回的位姿信息來實時調(diào)整運動狀態(tài), 主要包括定向轉(zhuǎn)彎試驗以及抗干擾試驗兩部分。機器魚水下探測系統(tǒng)由機器魚本體、上位機、控制手柄、數(shù)據(jù)接收器及無線收發(fā)裝置等組成, 完整的探測系統(tǒng)如圖11所示。為了驗證定向游動算法的有效性, 仿生機器魚試驗水池的長×寬×高為1.8 m×1.2 m×0.8 m, 機器魚在試驗水池中的游動情形如圖12所示。

圖11 機器魚水下探測系統(tǒng)

圖12 機器魚游動圖

3.1 定向轉(zhuǎn)彎試驗

定向轉(zhuǎn)彎試驗的目的是為了驗證機器魚閉環(huán)算法的有效性。在定向轉(zhuǎn)彎試驗中, 首先將機器魚當(dāng)前位置的角度設(shè)為0°, 然后完成固定角度的轉(zhuǎn)彎運動, 其中轉(zhuǎn)向角度分別為45°、60°和90°, 所用姿態(tài)傳感器的最小精度為0.01°, 每隔0.01 s采集一次角度數(shù)據(jù)。定向轉(zhuǎn)彎試驗的角度變化情況如圖13所示。定向轉(zhuǎn)彎中的航向角具體數(shù)據(jù)信息見表4。

表4 航向角數(shù)據(jù)

通過對上圖進行分析可以發(fā)現(xiàn), 當(dāng)目標(biāo)角度為45°時, 穩(wěn)定后的航向角主要在±1.61°范圍內(nèi)波動; 當(dāng)目標(biāo)角度為60°時, 穩(wěn)定后的航向角主要在±2.09°范圍內(nèi)波動; 當(dāng)目標(biāo)角度為90°時, 穩(wěn)定后的航向角主要在±2.53°范圍內(nèi)波動。機器魚游動穩(wěn)定后最終角度在一定范圍內(nèi)波動的原因是由于仿生機器魚受到游動過程中水池壁反射水波和魚尾擺動產(chǎn)生卡門渦街(旋渦)的相互作用。

圖13 定向轉(zhuǎn)彎試驗的角度變化

定向轉(zhuǎn)彎試驗的角速度變化情況如圖14所示。角速度具體數(shù)據(jù)信息見表5。當(dāng)目標(biāo)角度分別為45°、60°和90°時, 機器魚轉(zhuǎn)彎的最大角速度為80(°)/s, 遠(yuǎn)低于真實魚類轉(zhuǎn)彎過程中的角速度, 這主要是由于機器魚本身機械結(jié)構(gòu)的剛體限制以及機器魚游動過程中CPG控制參數(shù)選取的不是最優(yōu)值, 再次表明后續(xù)研究中需對轉(zhuǎn)彎過程機器魚的角速度進行優(yōu)化的必要性。

表5 角速度數(shù)據(jù)

圖14 定向轉(zhuǎn)彎試驗的角速度變化

3.2 抗干擾試驗

抗干擾試驗的目的是為了驗證機器魚閉環(huán)算法的穩(wěn)定性, 當(dāng)機器魚的轉(zhuǎn)向角達(dá)到目標(biāo)角度后, 若此時給機器魚施加一個干擾力, 觀察機器魚是否可以快速根據(jù)當(dāng)前位姿信息調(diào)整轉(zhuǎn)角, 回到目標(biāo)角度。抗干擾試驗的具體實施過程主要分為3組, 當(dāng)機器魚的轉(zhuǎn)向角達(dá)到期望角度45°、60°和90°后, 在6 s時給仿生機器魚一個干擾力, 利用位姿傳感器記錄機器魚的航向數(shù)據(jù), 總采樣時間為12 s, 機器魚定向轉(zhuǎn)彎過程中的抗干擾試驗如圖15所示, 抗干擾試驗數(shù)據(jù)如表6所示。

在3組抗干擾試驗中, 當(dāng)機器魚受到外力干擾后, 航向角偏離目標(biāo)角度, 隨后機器魚可以迅速通過尾部的擺動調(diào)整當(dāng)前位姿, 快速回到目標(biāo)角度, 驗證了閉環(huán)轉(zhuǎn)向算法的穩(wěn)定性。在45°、60°和90°定向轉(zhuǎn)彎抗干擾試驗中, 受到干擾后機器魚的最大航向角分別為60.03°、71.71°和117.34°, 從受到干擾到恢復(fù)目標(biāo)角度所用的時間分別為1.48 s、1.93 s和2.37 s, 偏差角越大, 恢復(fù)目標(biāo)角度所用的時間越長。

表6 抗干擾數(shù)據(jù)

圖15 定向轉(zhuǎn)彎過程中的抗干擾試驗

4 結(jié)束語

為解決機器魚游動方向的精準(zhǔn)性問題, 基于CPG理論結(jié)合模糊控制器提出了一種實現(xiàn)仿鲹科機器魚定向游動的控制方法, 并進行了試驗驗證。試驗結(jié)果表明: 當(dāng)目標(biāo)角度分別為45°、60°和90°時, 穩(wěn)定后的航向角在±1.61°、±2.09°和±2.53°范圍內(nèi)波動, 驗證了該算法的可行性和有效性; 當(dāng)機器魚受到外力干擾后, 從受到干擾到恢復(fù)目標(biāo)角度所用的時間分別為1.48 s、1.93 s和2.37 s, 驗證了該算法的穩(wěn)定性。文中所提方法在機器魚進行復(fù)雜環(huán)境下精準(zhǔn)游動中具有廣闊的應(yīng)用前景。

[1] 范增, 王揚威, 劉凱. 仿生機器魚胸鰭波動與擺動融合推進機制建模及實驗研究[J]. 水下無人系統(tǒng)學(xué)報, 2019, 27(2): 166-173.

Fan Zeng, Wang Yang-wei, Liu Kai. Modeling and Experimental Research of Integrating Propulsion Mechanism of Pectoral Fin’s Fluctuation and Swing for the Biomimetic Robotic Fish[J]. Journal of Unmanned Undersea Systems, 2019, 27(2): 166-173.

[2] Yu J, Li X, Pang L, et al. Design and Attitude Control of a Novel Robotic Jellyfish Capable of 3D Motion[J]. Science China Information Sciences, 2019, 62(9): 182-184.

[3] Yu J, Wu Z, Wang M, et al. CPG Network Optimization for a Biomimetic Robotic Fish via PSO[J]. Neural Networks and Learning Systems, IEEE Transactions on, 2016, 27(9): 1962-1968.

[4] Cao Y, Lu Y, Cai Y, et al. CPG-fuzzy-based Control of a Cownose-ray-like Fish Robot[J]. Industrial Robot: An International Journal, 2019, 46(6): 779-791.

[5] Yu J, Tan M. Leaping Control of Self-propelled Robotic Dolphin[M]//Motion Control of Biomimetic Swimming Robots. New York: Springer, 2020.

[6] Shi R, Zhang X, Tian Y, et al. A CPG-based Control Method for the Rolling Locomotion of a Desert Spider[C]//Advanced Robotics & Its Social Impacts. Shanghai, China: IEEE, 2016.

[7] Yang Y, Wang J, Wu Z, et al. Fault-Tolerant Control of a CPG-Governed Robotic Fish[J]. Engineering: English, 2018, 4(6): 861-868.

[8] Hu Y, Zhang S, Liang J, et al. Development and CPG-based Control of a Biomimetic Robotic Fish with Advanced Underwater Mobility[C]//IEEE International Conference on Robotics and Automation. Hong Kong, China: IEEE, 2014: 813-818.

[9] Tangorra J L, Mignano A P, Carryon G N, et al. Biologically Derived Models of the Sunfish for Experimental Investigations of Multi-fin Swimming[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, USA: IEEE, 2011: 580-587.

[10] Yu J, Wang M, Dong H, et al. Motion Control and Motion Coordination of Bionic Robotic Fish: A Review[J]. Journal of Bionic Engineering, 2018, 15(4): 579-598.

[11] Huang J, Gong X, Wang Z, et al. The Kinematics Analysis of Webbed Feet during Cormorants’ Swimming[C]//2018 IEEE International Conference on Robotics and Biomimetics (ROBIO). Qingdao, China: IEEE, 2018: 256-263.

[12] Zheng X, Wang C, Fan R, et al. Artificial Lateral Line Based Local Sensing between Two Adjacent Robotic Fish[J]. Bioinspiration & Biomimetics, 2017, 13(1): 326-334.

[13] Prasad M P R, Aminur A M R B. Development of Controller for Robotic Fish[M]//Lecture Notes in Civil Engineering. New York: Springer, 2019.

[14] Bonnet F, Mondada F. FishBot, the Fast Miniature Wheeled Mobile Robot[M]//Springer Tracts in Advanced Robotics. New York: Springer, 2019.

[15] Xia X, Li T. A Fuzzy Control Model Based on BP Neural Network Arithmetic for Optimal Control of Smart CityFacilities[J]. Personal and Ubiquitous Computing, 2019, 23(3-4): 453-463.

[16] Dourado A D P, Lobato F S, Cavalini A A, et al. Fuzzy Reliability-Based Optimization for Engineering System Design[J]. International Journal of Fuzzy Systems, 2019, 21: 33-34.

[17] Zhou Z J, Wang X S, Wang Y. Spacecraft Attitude Control Based on Fuzzy Adaptive Algorithm[J]. Dianji Yu Kongzhi Xuebao/Electric Machines & Control, 2019, 23(2): 123-128.

Precise Control Method for Directional Swimming of a Robotic Fish Based on CPG and Fuzzy Control

HE Yan-hui1, HU Qiao1,2,3, WANG Chao-hui1,2,3, YU Lei1, CHEN Zhen-han1, LI Yi-xin1

(1. School of Mechanical Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 2. State Key Laboratory of Manufacturing Systems Engineering, Xi’an Jiao Tong University, Xi’an 710049, China; 3. Shaanxi Key Laboratory of Intelligent Robots, Xi’an Jiao Tong University, Xi’an 710049, China)

Robotic fish detection under water, waves, vortices, etc. can affect the accuracy of the swimming direction of a robotic fish, making it virtually for corresponding tasks to be completed. To solve the problem of ensuring the accuracy of the swimming direction of robotic fish, this study proposes an accurate control method based on the central pattern generator(CPG) theory and fuzzy controller. The proposed method can realize the directional swimming of a robotic fish of the genus Plover. In this method, a Hopf oscillator is used to build a CPG model of a robotic fish based on a limit cycle. In the early stage of robotic fish swimming, a small swing high-frequency CPG control signal is used to obtain a large propulsion force, and a large swing low-frequency CPG signal realizes stable swimming. Then, the attitude angle information of the robotic fish is obtained based on an attitude sensor, and the deviation of the robotic fish from the target direction is corrected in real time using the fuzzy controller. Finally, directional swimming and anti-interference experiments of the robotic fish are conducted to verify the feasibility and effectiveness of the precise directional swimming method. Results show that the proposed method has broad application prospects for precise directional swimming of robotic fish in complex environments.

robotic fish; central pattern generator; fuzzy control; directional swimming; precise control

TP242; TP273.4

A

2096-3920(2021)02-0039-09

10.11993/j.issn.2096-3920.2021.01.006

和巖輝, 胡橋, 王朝暉, 等. 基于CPG和模糊控制的機器魚定向游動精確控制方法[J]. 水下無人系統(tǒng)學(xué)報, 2021, 29(1): 39-47.

2020-03-31;

2020-05-18.

國家自然科學(xué)基金重大項目(61890961); 裝備預(yù)研領(lǐng)域基金項目(61404160503, 61402070304); 陜西省重點研發(fā)計劃重點項目資助(2018ZDXM-GY-111).

和巖輝(1995-), 男, 在讀碩士, 研究方向為水下仿生機器人控制技術(shù).

(責(zé)任編輯: 許 妍)