1．目的及意义

1. 目的

随着21世纪的到来，世界经济进入全球化发展，各国之间展开了激烈的竞争，随之而来的就是资源的需求日趋庞大，并且由于陆地资源的稀缺以及世界人口的增多，各国需要更多的资源。海洋占据着地球的三分之二，但是仅有一小部分被人们充分利用，这就使人们将目标转向了海洋，人类迫切需要对海洋进行开发。然而由于气候变化，环境异常，人员需求和国家安全等因素，很多情况下无法对海洋进行充分开发，于是人们将目光转向无人艇。尽管如此，全自主无人艇仍然由于其自动化和可靠性方面的不足而得不到广泛运用。随着无人艇的发展，对其GNC(Guidance,Navigation and Control)系统的要求也越来越高。GNC解决自主控制或远程控制的水下，水上或空中航行器的系统设计问题。通过本课题的研究，找出并验证有效的船舶自主循迹的控制方法，并通过对控制模型参数的修改达到优化的效果，对智能船舶自主循迹控制及优化方法进行仿真和评价，为智能船舶自主循迹控制提供有效的手段。

2. 国内外现状分析

GNC系统是欠驱无人艇航行系统中的核心部分，目前是作为USV控制系统中的主要系统。GNC系统分为引导(Guidance)，导航(Navigation)和控制(Control)三部分：

2.1 引导

自主循迹系统早期的一个版本是由Elmer Sperry(1860-1930)提出的自动驾驶系统，其可以控制航行器在没有连续的人为干预下航行。最早期的自动驾驶系统只能保持一个设定好的航向行驶，高级的版本可以执行复杂的操作，例如转向和停靠。Minorsky(1922)[1]对定位反馈控制系统给出了细致的分析，他在其中建立了三方面的控制律，即今天为人们所知的PID控制。随着基于PID的自动驾驶系统和局部定位系统的巨大成功，PID控制器得以在水平运动控制上有所作用，其后来被称为动力定位(DynamicPositioning)系统。动力定位系统的成功以及全球定位系统的发展，航点跟踪和循迹控制系统现在得到了广泛的关注。在上世纪70年代，基于PID的自动驾驶系统的成功又衍生出了动力定位系统。动力定位系统的成功以及全球定位系统的发展，航点跟踪和路径跟踪控制系统现在得到了广泛的关注[2]。Breivik和FOSSEN[3]提出的line-of-Sight(LOS)引导律目前被广泛用于路径跟踪控制中。然而尽管LOS引导律有着简洁高效等特点，但是当船受到环境影响的时候会有着诸多限制。因为欠驱艇通常没有横荡方向的直接控制力，所以当船受到横荡方向的环境干扰时会产生首向偏角，这对自主循迹是一个挑战。在二维平面的循迹控制中，分为直线路径下的控制和曲线路径下的控制，典型的引导方法有line-of-Sight(LOS)引导律，pure pursuit引导律，以及constant bearing引导律，其中视距(Line Of Sight)引导律大部分被广泛采用。为了克服这一缺点，又出现了integral LOS(ILOS)引导律[4]，其通过在传统的LOS引导律中加入积分项来减轻侧滑角的影响。另一个adaptive LOS(ALOS)引导律[5]将侧滑角看作是一个未知的固定参数来估计，实际上ALOS也是一种ILOS。但是ILOS和ALOS都有局限性，它们都只能处理定值侧滑角，然而在实际中船舶循迹时由于环境载荷是变化的。最新的成果是基于EOS(extended state observer)的LOS引导律[6]，其可以处理随时间变化的侧滑角，并且可以在侧滑对循迹产生影响之前通过估计主动消除侧滑的影响，学习过程极短。

2.2 导航

在导航系统中，传感器系统主要用于测量船舶的运动状态信息及各种环境信息，状态估计滤波器通过这些信息估计出船舶的实际运动状态。信息的获得需要借助一系列传感器来实现，因此传感器的精确性、稳定性是动力定位系统正常运行的前提，也是整个系统可靠性和安全性的有力保证。此处主要关注状态估计部分，较早期的方法是采用传统的PID控制器串联低通滤波器的方法，实现对船舶低频运动的控制，常用的低通滤波器包括巴特沃斯滤波器和切比雪夫滤波器[7]。然而在对小型船舶进行运动控制时，其运动频率的带宽可能接近波浪谱的频率范围，这将导致低通滤波器失效或达不到所需要的高频抑制效果。为解决这个问题，可将低通滤波和陷波滤波器联合起来使用[2]。随着工程实践及控制理论的发展，最优控制理论和卡尔曼滤波器在1976年被Balchen等人成功地引入到导航系统中，从而克服了传统PID控制器和低通滤波器的不足[8]。卡尔曼滤波算法为目前主要使用的方法，其在各行业的应用已经有30多年的历史了，实践证明卡尔曼滤波器在解决相关问题时是最优甚至是效率最高最可行的解决方案[9]。由于传统单一线性或非线性滤波方法往往难以获得最优线性/非线性混合动态系统状态估计，为了解决这一问题，结合卡尔曼滤波算法计算量小、可获得线性状态估计等优势，赵曦晶等[10]提出了基于卡尔曼滤波和扩展容积卡尔曼滤波的组合方法，使得其能在保证滤波精度的前提下，使得计算成本有效降低。由于扩展卡尔曼滤波对于建模过于理想化，所以其在估计船舶低频运动信息时必定会产生一定的误差，针对扩展卡尔曼滤波的缺陷，一些基于卡尔曼滤波的改进算法被相继提出，如渐消记忆滤波、 滤波[11]、基于Sigma点的卡尔曼滤波[12]等。

2.3 控制

现阶段船舶运动数学模型的准确度和各种船用测量仪器的精度都还存在一定的误差及不确定因素，因此优良的控制算法应该具有较大的冗余度。在控制领域中有诸多算法，其中使用较多的主要是PID控制、LQ控制、反步积分控制和模糊控制等。在控制系统中，PID控制系统是最为常用的，其将设定值与实际输出值的模拟偏差量作为输入量，然后将偏差的比例(P)、积分(I)和微分(D)分量通过线性组合构成控制量，并作用于被控对象，故称为PID控制器。从船舶运动控制系统的稳定性、响应速度、超调量和稳态精度等各方面来考虑，比例分量可以加快系统的响应速度，提高系统的调节灵敏度，积分分量可以消除系统的静态误差，微分分量可以改善系统的动态特性[7]。随着控制技术的不断发展，人们对控制技术的要求越来越高，不仅需要提高控制精度，还需要对推力大小、推力变化率等方面进行优化，逐渐从以往的单指标优化问题演变成多指标优化问题。LQ最优控制因其性能指标采用具有物理意义的线性二次型，以及最优控制律可表示为确定的解析表达式等优点，在工程上得到了广泛的应用[13]。反步积分设计方法是一个比较新颖的设计方法，现在已经被推广到了自适应控制、滑模变结构控制及鲁棒控制等多个领域。反步积分是针对具有严格反馈控制结构的系统而言，即系统具有下三角形结构，其基本思想是将复杂的非线性系统分解成不超过系统阶数的子系统，视某些变量为虚拟控制然后为每个子系统设计部分Lyapunov函数和中间虚拟控制量，一直后推到整个系统直到真正的控制量出现，通过逐步修改最后使系统达到期望的性能指标[7]。与传统的PID控制算法相比，模糊控制利用近似自然语言的模糊数学语言，将复杂的人类专家控制经验表达为一系列定性的不精确的模糊条件语句，完成对被控对象的控制。模糊控制不需要依赖被控对象的精确模型，模糊控制相对于非线性复杂对象的控制鲁棒性更好并且控制性能更高[14]。将模糊的思想引入到传统的PID控制也是现在应用广泛的一种方法，运用模糊思维可以完成三个参数的实时调整，在不同航行情况下偏差以及变化率是动态变化的，PID参数的实时修改可以使用二者值的变化。将神经网络与PID控制系统结合的控制方法是现在比较有效的方法，BP网络是基于误差反向传播算法的前馈神经网络，是神经网络模型中最著名的一种，也是当前应用最为普遍的模型之一。考虑把BP网络与经典控制理论结合起来，利用其自学习能力与PID控制有效结合，根据一定的最优条件，实时调整PID参数，以实现具有最佳参数组合的PID控制，使控制系统能更好地适应系统内部及外部各种因素的变化[15]。基于神经网络的PID控制分为离线的学习过程和在线的学习过程，对于离线的学习过程，一般采用批处理的方法来修正权值，对于在线的学习过程，可采用增量的方式进行权值修正。由于神经网络的离线学习需要大量的数据进行学习，在线学习需要比较复杂的数学推导，而模糊PID控制原理简单且控制效果好，目前在船舶循迹领域得到了极其广泛的运用。{title}

2. 研究的基本内容与方案

{title}

1. 基本内容

(1)学习船舶智能航行系统功能、系统构成及工作原理，学习船舶运动数学模型建立方法，环境载荷计算方法，船舶自主循迹控制方法，综述智能船舶自主循迹控制方法。

(2)采用LOS引导律根据预先给出的路径并考虑侧滑角来计算船舶的航向。

(3)根据期望航速、引导律中计算的航向、环境力模型中的风浪流模型通过基于PID控制方法对推进器进行控制。

(4)利用Matlab仿真平台的Simulink插件模拟控制船舶，模拟船舶航行过程，根据模拟结果与预给出的路径轨迹相比较，对船舶路径跟踪控制方法性能做出评价。

(5)运用模糊控制对PID控制方法进行参数整定，对控制方法进行优化，并对优化后的控制方法进行模拟，比较模拟结果。

(6)对性能影响的成因进行分析。