基于神经网络的水下机器人运动预测控制方法-读后总结

 文章概述：

将神经网络和模糊控制理论应用于水下机器人的运动规划和控制中，提出了能够实现自学习、自调整的规划算法，基于预测模糊控制进行水下机器人控制的方法。

 

正文：

  水下机器人的运动控制系统，必须要考虑非线性流体动力学和以潮汐为代表的环境的变化。由于水下环境复杂，传统的PID控制一是参数的确定比较困难，二是当环境发生变化是，很难仍旧保持良好的控制性能。

将神经网络应用于水下机器人的运动控制，Yuh提出了强化学习法，基本思想是基于控制误差直接进行控制器网络的结合权重调整 ，其优点为对控制对象的动特性不需要详细了解 ,不足之处为学习时间、学习收敛性等方面尚需探讨。藤井提出了 SONCS的方法，主要内容为构造一个表现系统动特性的前向模型 ，控制器神经网络结合权重的调整量不是由控制结果直接算出 ,而是通过前向模型间接地算出。  它的不足之处为：每一次控制器的调整都需要一次实际航行的运动数据 ,为得到精度较高的控制器 ,就需要多次的实验和
多次的调整。 Ishii提出了 I TNN法用于控制器的调整，核心为用神经网络构造一个可以自循环的前向运动模型 ,并用这个模型进行控制器的假想训练。但是这个前向模型存在的问题
是结构复杂学习效率较低 ,收敛精度较差。

      

预测控制的基本原理：

核心思想是先预测系统未来的输出状态，然后再确定当前的控制动作。首先检测实际输出信息，然后利用其对预测进行修正，进行新的优化，最终通过引入误差预测或模型辨识对未来作出较准确的预测。利用实际信息对模型预测的修正 ,是克服系统存在不确定性的有效手段。