Sep, 2022

基于数据驱动的多目标振翅式无人水下机器人控制系统的机器学习模型

PDF
TL;DR利用时间序列神经网络代替推进力学模型，开发搜索式反向模型控制系统，以多个目标为目标，找到一组鳍动力学参数，并演示了如何集成此模型来进行在线控制。
发现论文，激发创造
  • 水下波动鳍推进系统的数据驱动方法研究

    通过机器学习方法，基于鳍状物的几何形状和运动学参数，实现了鳍式水下机器人推力的预测，从而加快了系统的开发速度并提供了准确的数据替代模型。

    Jun, 2024

  • 一种生物启发的神经动力学辅助无人水下航行器的混合跟踪控制策略

    该研究论文提出了一种基于仿生神经动力学模型的新型混合控制策略，以提高无人水下车辆的跟踪控制，将改进后的后向运动学控制策略与新型滑模控制相结合，以实现控制信号的平滑性，这在无人水下车辆的实际应用中尤为重要。

    Sep, 2022

  • 面向控制的域感知神经网络模型用于自主水下车辆

    本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示，评估了不同初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制适用性。

    Aug, 2022

  • 一种基于模糊逻辑的级联控制方法，适用于无人水下车辆轨迹跟踪系统且不受执行机构饱和的影响

    该研究提出了一种智能控制策略，旨在消除无人水下车辆轨迹跟踪过程中存在的执行器饱和问题。

    Oct, 2022

  • 基于交叉熵深度学习的 PID 调参：一种李雅普诺夫稳定性分析

    研究论文提出了一种基于学习的自适应控制系统，使用交叉熵深度学习方法确定自适应参数，并通过实验和指标对其稳定性进行了研究。

    Apr, 2024

  • 基于分布式神经动力学的反步最优控制：鲁棒约束一致性下的非完全驱动水下车队

    该论文采用一种基于共识的优化协调协议和鲁棒控制器，通过引入球面坐标变换和分布式优化运动协调策略解决了非完整约束问题，并设计了基于神经动力学的鲁棒反馈控制器来处理欠驱动问题，确保在存在未知干扰情况下，UUVs 编队系统的稳定性和所有状态的一致有界性。通过广泛的仿真比较，验证了所得到的最优编队跟踪协议的优越性和有效性。

    Aug, 2023

  • 水下航行器外壳的高效可替代设计优化

    本研究探讨了在无人水下器（UUV）的设计过程中，采用计算流体动力学（CFD）与基于深度神经网络（DNN）的代理模型相结合，通过贝叶斯优化（BO）实现高效样本及快速数据驱动的 UUV 设计优化问题，结果表明，BO LCB 算法是最具高效的优化框架，DNN 代理模型可以实现计算的极速提升与相关精度的优化。

    Apr, 2023

  • 面向水下无人机在水流干扰下的自适应控制参数的虚实转换

    利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV 的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高 3 倍。

    Oct, 2023

  • 基于深层模型的强化学习学习飞行

    通过学习无人机动力学的概率模型，我们使用基于模型的强化学习学习了四旋翼的推进姿态控制器，完全使用生成潜在轨迹通过传播随机解析梯度来优化控制器和价值函数。

    Mar, 2020

  • 利用模型预测路径积分控制增强 AUV 自主性

    自主水下航行器（AUV）在测量海洋环境、进行水下检查任务和海洋探索方面发挥着关键作用。本研究探讨了使用模型预测路径积分控制（MPPI）对 AUV 进行控制的可行性，并对主要超参数对 MPPI 控制器性能的影响进行了详细评估。同时，我们将所提出方法与经典的 PID 和级联 PID 方法进行了比较，证明了我们提出的控制器的优越性。最后，我们加入了环境约束并展示了 MPPI 如何通过将这些约束整合在成本函数中来处理它们。

    Aug, 2023