神经网络驱动的水下机器人动力学建模与辨识研究

随着海洋资源的日益开发和军事需求的增强，自主式水下机器人(AUV)技术在全球范围内得到了迅猛发展，成为执行各种复杂水下任务的核心设备。针对这一领域的研究和开发，精确地建模水下机器人的运动特性至关重要，因为这直接影响到其控制性能、预测能力以及故障诊断的准确性。本文以哈尔滨工程大学水下运载器智能控制技术实验室自主研发的“Beaver”水下机器人为例，深入探讨了如何通过神经网络这一工具来构建水下机器人的前向动力学模型、预测模型以及实时模型调整的方法。 神经网络在非线性系统辨识中展现出了强大的潜力，特别是动态回归神经网络，如复合输入动态回归神经网络(CIDRNN)。本文首先介绍了神经网络辨识的基本原理，比较了CIDRNN与多层前向神经网络和改进的Elman网络在处理非线性系统模型识别方面的优缺点。通过理论分析和仿真实验，CIDRNN在函数逼近和复杂系统的非线性模型识别中表现出了更高的精度和适应性。 作者提出了将CIDRNN应用于水下机器人动力学模型在线学习的简化随时间进化反传播(SBPTT)算法，该算法能够实现实时模型的自我更新，提高了模型的动态适应性。通过在哈尔滨工程大学船模水池的实际操作中，“Beaver”水下机器人展示了CIDRNN在动力学模型辨识上的显著效果，证明了所提出的动力学多步预测模型和神经广义预测控制器的有效性。 本文的研究不仅提升了水下机器人动力学模型的精度，还为实际应用提供了实用的在线调整策略。关键词包括水下机器人、动力学模型、预测模型、系统辨识以及神经网络，这些都是当前水下机器人技术发展的重要方向。这项工作对于推动水下机器人技术的进一步发展和实际应用具有重要意义。