模糊神经网络欠驱动AUV L2增益鲁棒跟踪控制策略

"本文主要探讨了一种针对欠驱动水下自主机器人(AUV)的模糊神经网络(L2增益)鲁棒跟踪控制策略。该方法利用模糊神经网络在线学习来逼近动力学模型中的不确定性，旨在解决由于缺乏横向推力导致的跟踪误差问题。在考虑到未知海流干扰的情况下，设计的控制器能够确保系统对模糊神经网络逼近误差的L2增益小于预设阈值𝛾。通过应用Lyapunov稳定性理论，证明了闭环控制系统中误差信号的一致最终有界性。实验结果表明，该控制方法在精确模型参数和参数扰动的仿真环境下，表现出良好的跟踪性能和强鲁棒性，适用于欠驱动AUV的路径跟随控制任务。" 本文的研究焦点在于如何有效地控制欠驱动AUV，即那些无法独立控制所有自由度的水下机器人。在实际操作中，由于缺少横向推力，这类机器人的路径跟踪控制面临挑战。为解决这一问题，研究者提出了一个创新的控制方法，即结合模糊神经网络和L2增益理论来设计鲁棒跟踪控制器。 模糊神经网络是一种融合了模糊逻辑系统和神经网络的智能计算模型，它可以处理不确定性问题，并且具有自学习和自适应能力。在本研究中，模糊神经网络被用来在线学习和逼近AUV动力学模型中的不确定项，从而减小由于模型不确定性带来的影响。此外，控制器的设计还考虑了未知海流干扰，这对于AUV的实际海洋环境操作至关重要。 L2增益是衡量系统对扰动响应的一种指标，控制目标是使系统的L2增益低于某个预设值𝛾，这意味着系统对于模糊神经网络的逼近误差有良好的抑制能力，增强了系统的稳定性。通过应用Lyapunov稳定性理论，可以证明误差信号将最终保持在一个有限范围内，保证了系统的稳定跟踪性能。 为了验证所提出的控制策略的有效性，进行了精确模型参数和参数扰动的仿真实验。实验结果证实了该方法在跟踪效果和鲁棒性方面的优越性，能够在面对参数变化和外部干扰时保持稳定控制，这对于实际的AUV路径跟随任务来说，具有很高的实用价值。