【技术实现步骤摘要】
本专利技术属于水下机器人控制，尤其涉及一种基于数据驱动的uuv模型预测控制方法。
技术介绍
1、无人水下航器(uuv，unmanned underwater vehicle)作为一种先进的水下无人平台，其在军事侦察、科学考察、资源勘探和环境监测等多个领域发挥着至关重要的作用。uuv必须能够在复杂多变的水下环境中进行高精度的定位与导航，确保执行任务的同时保持良好的航行性能，因此精确航迹的控制成为了保障uuv高效安全执行水下任务的基础。随着技术的发展，uuv航迹控制受到了广泛的关注，成为了水下航行器运动控制研究的前沿课题。
2、在uuv的控制策略中，模型预测控制(mpc)因其能够预测并优化未来的控制指令而被广泛应用，它通过一个优化模型来实时更新控制信号，以此确保uuv能够精确完成复杂的海底任务。然而，传统的mpc方法在处理非线性系统时遇到的挑战，特别是在面对复杂、变化无常的海洋环境时，这些非线性特性使得传统mpc难以精确控制uuv的行为，从而影响任务的执行效率和成功率。
技术实现思路
1、针对现有技术存在的不足，本专利技术所要解决的技术问题是，提供一种能够解决传统控制方法中的模型不确定性、复杂环境适应性差和实时性不佳的问题，有效提高控制行为精确度的基于数据驱动的uuv模型预测控制方法。
2、为解决上述技术问题，本专利技术所采取的技术方案是：一种基于数据驱动的uuv模型预测控制方法，其特征在于，包括如下步骤：
3、步骤一：定义描述uuv运动的动力学方程
4、步骤二：定义测量函数用于将系统状态转换为可观测的输出，通过引入测量函数和状态方程，形成状态空间方程；
5、步骤三：利用koopman算法对系统状态方程进行升维处理，构建高维预测模型；
6、步骤四：利用步骤三获得的高维预测模型对uuv系统进行模型预测控制。
7、上述的基于数据驱动的uuv模型预测控制方法，所述步骤一中，定义描述uuv运动的动力学方程的具体过程如下：
8、动力学方程包括六个自由度的位置和速度描述，考虑影响因素，通过使用变换矩阵和转换关系，将位置与速度关联起来并建立uuv六自由度的运动学方程:
9、
10、其中，η＝[x，y，z，φ，θ，ψ]t和v＝[u，vw，p，q，r]t用于描述6dof运动的广义位置和速度，jk是变换矩阵，m是系统惯性矩阵，包括附加质量；c(v)是科里奥利-向心矩阵，包括附加质量；d(v)是阻尼矩阵，g(η)是重力/浮力和力矩向量，g0是用于预修剪的向量，τ是控制输入向量，τwind是风力向量vwave是波浪作用力向量；
11、[xg，yg，zg]是从原点ob到船舶重心的矢量，用船身定体参照系表示，[xb，yb，zb]是从原点(ob)到浮力中心的矢量，用固定参照系表示，两个参照系的速度和位置关系如下：
12、
13、进一步将位置x作为状态，由uuv六自由度的运动学方程可得：
14、
15、上述的基于数据驱动的uuv模型预测控制方法，所述影响因素包括惯性、科里奥利效应、阻尼、重力、控制输入以及外部环境的风力和波浪作用力。
16、上述的基于数据驱动的uuv模型预测控制方法，所述步骤二引入测量函数和状态方程，形成状态空间方程的具体过程如下：
17、所述测量函数为：
18、y＝hx
19、将测量函数设为线性方程，其中y为测量向量，h为测量矩阵，得到：
20、
21、引入测量函数并和状态方程构成状态空间方程，该模型的约束如下：
22、
23、其中umax是推力的最大值，p表示uuv的位置，∈p是位置测量误差的上限。
24、上述的基于数据驱动的uuv模型预测控制方法，所述步骤三构建高维预测模型的具体过程如下：
25、首先选取升维函数：
26、φ＝||x-x0||2log(||x-x0||)
27、进一步对状态升维：
28、[z1，z2，...，zn]＝φ(x)
29、其中x＝[x1，x2，…，xn]，构建高维预测模型：
30、zk+1＝azk+buk
31、
32、其中是对状态的预测，c是输出矩阵，a，b矩阵由edmd来近似获得，首先给出koopman在受控系统中的表达：
33、
34、其中为扩展的状态，将koopmans算子应用到受控系统中，利用满足ξk+1＝f(ξk)的数据集(ξk+1，ξk)，通过求解下式得到最优的
35、
36、其中，令ζ(ξk)＝φ(xk)+uk则：
37、
38、最优矩阵c计算为：
39、
40、上述的基于数据驱动的uuv模型预测控制方法，所述步骤四进行模型预测控制的具体过程如下：
41、首先，定义mpc的优化问题，给定当前时刻的状态zk，目标是通过调整控制输入uk来最小化预测误差，并满足约束条件，优化问题的数学表达如下：
42、
43、其中，np是预测的步数，是控制输入序列，xk+i|k是第i步预测的状态，是对应的模型预测值，yk+i|k是第i步预测的输出，p是期望的位置，∈p是位置测量误差的上限；在每个控制周期内，解决上述优化问题，得到最优的控制输入序列然后，应用第一个控制输入u′k|k到系统中，等待下一个控制周期。
44、本专利技术基于数据驱动的uuv模型预测控制方法的优点是：本专利技术的有益效果为：
45、1.本专利技术所述的基于数据驱动的uuv模型预测控制方法能够完整提取uuv非线性系统的特征信息，通过将状态从原始的非线性空间映射到高维线性空间，使得状态通过线性演变，从而显著提升模型的非线性预测能力，提高了模型对复杂系统动态变化的描述能力。
46、2.本专利技术所述的基于数据驱动的uuv模型预测控制方法相较于传统的泰勒展开对非线性系统线性化的方法，其通过模型升维有效地保留了非线性系统全部特征，特别是在处理高度非线性系统时，通过koopman算子的升维特性，能够更好地逼近系统的动态行为，从而在预测精度上实现了显著提升。
47、3.本专利技术所述的基于数据驱动的uuv模型预测控制方法架构基于数据驱动方案，即使在只有数据而缺乏物理模型的情况下，也能够构建出准确的系统状态方程。这种方法能够高效地完成预测任务，适用于实际工程应用的需要，特别是在复杂系统建模和控制中，能够提供更加精确和可靠的解决方案。
48、4.本专利技术所述的基于数据驱动的uuv模型预测控制方法，通过利用koopman算子对系统动态进行高维线性表示，结合mpc对预测未来状态和优化控制输入的能力，实现了对复杂系统动态的有效控制和预测。
49、5.本专利技术所述的基于数据驱动的uuv模型预测控制方法，可以实现对复本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的UUV模型预测控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于数据驱动的UUV模型预测控制方法，其特征是，所述步骤一中，定义描述UUV运动的动力学方程的具体过程如下：
3.根据权利要求2所述的基于数据驱动的UUV模型预测控制方法，其特征是：所述影响因素包括惯性、科里奥利效应、阻尼、重力、控制输入以及外部环境的风力和波浪作用力。
4.根据权利要求1所述的基于数据驱动的UUV模型预测控制方法，其特征是，所述步骤二引入测量函数和状态方程，形成状态空间方程的具体过程如下：
5.根据权利要求1所述的基于数据驱动的UUV模型预测控制方法，其特征是，所述步骤三构建高维预测模型的具体过程如下：
6.根据权利要求1所述的基于数据驱动的UUV模型预测控制方法，其特征是，所述步骤四进行模型预测控制的具体过程如下：
【技术特征摘要】
1.一种基于数据驱动的uuv模型预测控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于数据驱动的uuv模型预测控制方法，其特征是，所述步骤一中，定义描述uuv运动的动力学方程的具体过程如下：
3.根据权利要求2所述的基于数据驱动的uuv模型预测控制方法，其特征是：所述影响因素包括惯性、科里奥利效应、阻尼、重力、控制输入以及外部环境的风力和波浪作用力。
...
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。