轨迹跟踪调研

描述系统,将语言信息和数据信息统一起来，它最大的优势是不 需要系统的精确数学模型,适用于比较复杂的不确定非线性系统。

神经网络控制：能够以任意精度逼近任意非线性函数,对
复杂不确定问题具有自适应和自学习能力,并行处理机制可以解 决大规模实时计算问题,具有很强的信息综合能力等。

遗传算法：不需要系统的精确模型，设计简单，全局搜索
基于Lyapunov能量函数的迭代学习（由全局
Lipschitz连续非线性系统拓宽为局部Lipschitz连续系统）

与其它控制方法结合（基于神经网络的迭代学习控制，
基于模糊技术的迭代习控制，基于小波分析的迭代学习控制等）
பைடு நூலகம்
能力强，收敛速度快，鲁棒性和控制效果好。
混合智能控制方法

生物启发模型的反步滑模混合控制 模糊神经网络直接自适应控制 自适应神经网络模糊滑模遗传算法控制 模糊神经网络滑模变结构控制 自适应神经模糊推理系统
迭代学习

迭代学习控制适合于一类具有重复运行特性的被控对象, 其任务 是寻找理想控制输入, 使得被控系统的实际输出轨迹在有限时间 区间上沿整个期望输出轨迹实现零误差的完全跟踪, 并且整个控 制过程要求快速完成。 迭代学习目前广泛应用于实际控制工程领域, 其中最主要的应用 之一就是在机器人控制方面, 如刚性机器手控制 、机器人视觉 伺服控制；另外， 迭代学习控制还用于许多实时性要求较高的 工业控制过程中
计算简单、系统稳定性可以得到严格证明，缺点是在跟踪误差突 变时,特别是离散轨迹情形，存在机器人跟踪速度跳变问题。

自适应控制：在控制过程中能够不断学习,使系统结构参数
能够调整到它们的实际值，是具有参数不确定非线性系统设计和 分析的基本方法。
智能控制方法

模糊控制：采用一系列模糊if-then规则形式的语言信息来

迭代学习研究现状

线性迭代学习（主要包括P型、D型、PD型）


非线性迭代学习（ Newton 型、割线型）
最优迭代学习（在每次迭代过程中跟踪误差不能特别大, 因此
运用最优化指标的分析方法设计学习算法）

基于2D系统的复合迭代学习（学习是按两个相互独立
的方向进行: 时间轴方向和迭代次数轴方向）

水下机器人轨迹跟踪控制
研究背景

水下机器人具有高度非线性、强耦合特性， 受到各种复杂的水下环境干扰，因此水下机 器人的运动控制有较大难度。 轨迹跟踪控制的目标是通过控制速度和角速 度使水下机器人跟踪上期望路径，最终使期 望状态与实际状态间的误差收敛至零。

研究思路

水下机器人建模 轨迹跟踪控制器的设计 利用李雅普诺夫稳定性理论证明控制系统闭 环稳定性 仿真验证控制方法有效性



传统控制方法

PID控制：控制效果依赖于PID参数，参数整定又依赖于被控
对象的模型，通常需要对动力学模型进行简化，很多情况下无法 满足控制需要。

滑模控制：对控制对象模型不确定性和外界干扰具有很强的
鲁棒性，在轨迹跟踪控制中有较好表现，但是存在控制“抖动”。

反步控制：反步法通过李亚普诺夫控制函数构建反馈控制律，