基于鲁棒学习算法的水下机器人神经网络控制

针对水下机器人神经网络控制系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,结合误差反向传播学习算法,推导出一种新颖的强鲁棒性学习算法,并详细讨论其全局稳定性条件,最后在水下综合探测机器人仿真平台上进行了试验研究.结果表明,控制器对学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.     

水下机器人传感器容错控制技术的研究

在分析水下机器人的解耦控制器及传感器系统的基础上，探讨了传感器出现故障时采用以滑模观测器输出代替传感器输出的容错控制（又叫取代控制）策略．对于传感器出现的无法修复性故障，这种策略最小化了其带给机器人的损伤．对于传感器出现的跳变故障，则在跳变故障的时间内采用取代控制．仿真结果表明了方法的有效性．