碟形水下机器人动力学建模研究

文章以某碟形水下机器人样机为研究对象,为提高其动力学模型的输出精度,提出了一种将解析模型和神经网络相结合的建模方法。该方法通过改进Elman神经网络模型拟合水下机器人动力学解析模型纵向速度、向角速度输出与水下机器人实际输出之间的偏差,根据神经网络模型输出的偏差修正解析模型的输出,减小解析动力学模型由于模型简化和外界干扰等原因引起的建模误差。仿真结果表明,文章提出的碟形水下机器人建模方法的精度高于单独的动力学解析模型。

基于SVM算法的碟形水下机器人姿态预测方法研究

碟形水下机器人的运动控制过程是非常复杂的,涉及到很多影响因素,并且是一个非线性控制过程,其姿态控制过程的系统模型的辨识对于实现机器人精确的控制和不同水文环境的自适应预测控制有着重要意义。因支持向量机(SVM)算法经过严格的数学推导,且在非线性等方面的良好表现,提出了将SVM算法用于碟形水下机器人模型的辨识,并设计了一组基于SVM的多输入多输出系统辨识器,可针对控制量进行姿态变化预测。通过在水池中测试的实验数据进行辨识和预测。实验验证预测的均方差不超过0.004,实验结果验证了该算法对碟形潜水器的姿态运动控制系统的辨识与预测有着良好的效果。