一、小脑模型神经网络控制器在水下机器人中的应用(论文文献综述)
梁斌[1](2021)在《基于多信息融合的ROV高精度控制方法研究》文中研究说明
赵伟[2](2021)在《水下机械臂控制方法与系统集成研究》文中提出水下机械臂是广泛使用的水下装置,但水下环境复杂,水流的冲击与干扰增加了水下机械臂的控制难度,因此研究高性能的运动控制系统对水下机械臂的设计研究有着重要意义。本文基于R5M水下机械臂,开展了关于水下机械臂运动学与动力学建模、运动控制方法与控制系统集成的研究。使用D-H表示法建立了水下机械臂的正运动学方程,在此基础上运用代数求解法进行了逆运动学求解与分析。在Matlab仿真环境中,结合运动学方程与蒙特卡洛法求解出水下机械臂的运动空间。对水下机械臂在水环境中的受力情况进行了分析,求解了水下机械臂在水环境中受到的水作用力,在Lagrange动力学方程的基础上,建立了水下机械臂在水环境中的动力学模型。通过动力学仿真实验,分析了水作用力对水下机械臂运动的影响。针对水下机械臂的运动控制,提出了一种基于动力学模型分块逼近的RBF(Radial Basis Function)神经网络滑模控制方法。该方法在滑模控制的基础上,使用了五个RBF神经网络逼近水下机械臂的名义模型参数,并将控制律中的符号函数替换为饱和函数。经仿真实验验证,该方法可以快速补偿计算模型与实际模型的误差,并减弱了控制系统的抖振效应,从而提升水下机械臂控制的响应速度与稳态精度。利用ROS的分布式特性,设计了远程PC与嵌入式系统协同工作的水下机械臂控制系统。在Zynq-7020硬件平台中完成了硬件接口电路的设计与ROS操作系统的部署;在ROS软件框架下完成运动控制、运动规划功能模块的设计。搭建了实验平台,进行了 R5M水下机械臂控制实验。
欧阳文娟[3](2021)在《面向机器人应用的仿生控制方法研究》文中研究指明经过亿万年的自然选择,动物进化出了非凡的运动能力以适应环境的变化,满足其自身捕食、脱逃、繁衍和迁徙的需要。与传统的人工机械运动系统如车辆、飞机和船舶等相比,动物的运动表现出了更强的环境适应性和运动稳定性。通过在机械系统上模仿动物的运动方式,构建具有类似动物灵活性的仿生机器人来满足在军事侦查、环境勘测、抗险救灾、航空航天以及医疗手术等诸多领域的应用需求,已经成为目前机器人领域研究的热点和重点。本论文重点研究仿生机器人的运动控制问题,通过模仿动物运动控制的生物机理,实现仿生机器人的精确运动控制。论文的研究工作分为两个层次:仿生机器人的模态控制和仿生机器人的整体控制。前者研究如何控制驱动装置使仿生机器人与环境相互作用进而产生期望的运动模态;后者在前者的研究基础上,研究如何控制具有多自由度的仿生机器人产生期望的整体运动。本文的主要研究内容与主要贡献有:1.针对仿生机器人与仿生动物对象在外观神态和运动形态上的相似性,提出了一种基于通用内部模型(GIM)的运动模态控制方法来实现机器人对动物运动模态的模仿学习。通过模仿动物运动模态的控制机理,GIM使用中枢模式发生器(CPG)作为激励,确保了仿生机器人运动模态的协调性和稳定性。同时,通过证明GIM具有时空可伸缩特性和相移特性,所提出的运动模态控制方法可以仅通过两个调整参数来实现运动模态从动物向仿生机器人的有效迁移。最后,在蛇形机器人样机上的仿真和实验证明了基于GIM的仿生学习框架在模态发生上的有效性。2.针对仿生机器人模态控制中存在的CPG参数难以确定等问题,提出了 一种基于强化学习的模态控制器自整定方法。以具有空间连杆结构的六足机器人为研究对象,首先设计了一个具有两层拓扑结构的CPG网络,并利用机器人耦合参数的对称性,缩小了 CPG网络参数的搜索空间。同时,通过分析机器人的机械和运动约束,针对性地设计了 一种带约束条件的奖励函数,并采用基于深度确定性策略梯度的强化学习方法来在线搜索机器人的最佳运动模态。通过机器人在四种不同环境中的实验,验证了所提出的CPG参数自整定方法的可行性。3.针对仿生机器人在已知环境中的精确整体运动控制问题,模仿动物运动系统的整体控制机理和动物小脑对脊柱CPG的调节控制机理,提出了 一种基于类小脑控制器的仿生分层控制框架。在低层的模态控制中,机器人利用CPG来产生期望的运动模态;在高层的整体控制中,构建了一个具有在线学习能力的类小脑控制器来实时补偿动力学模型的不确定性,保证了整体运动控制器具有一定的环境自适应性和鲁棒性。在动态环境下,进行了多关节蛇形机器人轨迹跟踪仿真和实验,结果表明所提出的整体运动控制器较传统控制器具有更好的控制性能。4.针对仿生机器人在未知环境中的整体运动控制问题,模仿动物运动规划过程中的迭代学习机制,提出了一种变轨迹自适应迭代学习控制(ILC)方案。通过重复迭代和轨迹调整的循环过程,机器人在每一次迭代过程中首先进行边界阈值条件检测,然后按照预定的轨迹调整规则将调整后的位置点加入到期望轨迹的可行解空间。经过足够次数的迭代,机器人能够找到一个从起点到终点的可行解空间并分段拟合出期望轨迹,最后迭代学习运动控制器可以完成精确的位置跟踪。通过蛇形机器人的穿管实验,证明了所提出的控制方案能够有效实现机器人在非结构化环境下的自主规划。
李岳泰[4](2021)在《基于矢量推进器的水下蛇形机器人动力学建模及其运动控制研究》文中认为随着科技的进步与社会的发展,对于海洋能源的开发逐步受到世人的关注。然而,由于水下环境的复杂性和不确定性,水下探测和操作难度大,成本高,而且很多时候需要潜水员进行水下操作,具有很高的风险。作为仿生机器人,蛇机器人具有很高的灵活性,可以在狭窄的空间或复杂的工作条件下进行检测和操作。蛇形机器人具有的问题是模型复杂,难以控制,特别是在水下环境中,各种流体力和难以预测的因素增加了水下蛇形机器人,在动力学方程的建立和控制系统设计时的困难。为了使水下蛇形机器人在水下有效完成任务,需要建立正确有效的水下蛇形机器人在三维空间中的动力学模型,以及设计相应快速、稳定的控制器。本文的研究内容如下:(1)通过对水下蛇形机器人的驱动系统采用模块化设计,将其分成含有矢量推进器的主推进系统、提供横纵向推力的辅助推进系统和含有正交关节的连接系统。通过对水下蛇形机器人的各驱动进行分配布置,实现水下蛇形机器人过驱动系统。随后对主推进系统中的矢量推进器进行结构设计,包括采用软轴作为主传动轴的螺旋桨的设计,电机的匹配与选型,齿轮设计以及密封方式的选择。(2)对水下蛇形机器人进行包含有运动学方程、水动力方程以及动力学方程的数学模型的建立。根据D-H坐标法列水下蛇形机器人的在三维空间中的运动学方程,根据Morrison公式列写蛇形机器人在水下航行时的水动力模型,最终根据牛顿-欧拉公式列写蛇形机器人在水下三维空间运动的动力学方程,并将建立好的动力学方程在Matlab中仿真,通过分析仿真结果,证明了水下蛇形机器人动力学模型的正确性。(3)根据所建立的模型构建RBF神经网络变结构控制器,并设定一条期望的蛇形机器人运动轨迹,根据所建立的运动学方程,解算蛇形机器人每一节的质心运期望跟踪的轨迹与关节角度期望的变化曲线。根据所构建的控制器在Matlab与Simulink中搭建仿真平台,并通过所设计的控制器对水下蛇形机器人在其中进行轨迹跟踪仿真,结果收敛到期望的轨迹,证明了所设计控制器的稳定性与有效性。
罗瑞智[5](2021)在《水下机器人控制方法及其参数优化》文中研究表明水下机器人由于具有携带方便,操作简单的特点,被广泛应用于水下资源勘探与开采,因此,对其控制系统的研究,实现水下机器人稳定、快速、准确的运动控制,具有重要的工程意义。针对水下机器人受水流影响大,受力情况复杂,难以实现高效的运动控制等问题,本文采用串级LADRC控制方法对水下机器人的艏向与深度进行控制;利用粒子群算法对串级LADRC控制器的参数进行优化,具体研究如下:首先,利用solidworks建立水下机器人三维模型,并对水下机器人进行了动力学与运动学分析,推导了水下机器人动力学方程,通过拉氏变换得到水下机器人转艏运动和深度运动的传递函数,并通过CFD计算得到水下机器人平移运动和旋转运动受到的阻力与阻力矩,通过二阶拟合的方法得到水下机器人相应的水动力系数。针对传统PID控制方法存在超调量偏大,稳定性差等问题,采用串级LADRC方法进行水下机器人的运动控制。通过内环进行角速度控制,外环进行角度控制的方式实现水下机器人艏向控制;通过内环进行加速度控制,外环进行位移控制的方式实现水下机器人深度控制,并在MATLAB的simulink模块中建立模型,分别使用串级PID控制方法与串级LADRC控制方法对水下机器人的艏向和深度进行仿真。仿真结果表明,串级LADRC控制方法相比串级PID控制方法,在艏向控制时调节时间下降了约14.38%,超调量减少了约40.1%;在深度控制时超调量减少了37%,调节时间减少了6.25%;在受到外力干扰时,串级LADRC受到的影响更小,表明串级LADRC控制效率更高,稳定性更好。针对串级LADRC控制器的调参问题,采用遗传算法与粒子群算法进行自动参数整定并优化参数。在MATLAB的simulink模块中分别使用遗传算法与粒子群算法进行串级LADRC控制器的参数整定,每种算法各运行十次,选取最优适应值最小的一次进行水下机器人控制仿真,并对能控制效果图进行对比分析,结果表明粒子群算法在参数优化中效果更好;利用粒子群算法调参的串级LADRC控制方法对水下机器人的艏向及深度进行控制,结果表明粒子群算法自动调参的串级LADRC控制方法相比经验法调参的串级LADRC控制方法更好,在艏向控制中调节时间减少了约23.63%,超调量减少了约24.19%,在深度控制仿真中超调量减少了60%,从而大大的提高了控制系统的精度。为了验证水下机器人的控制效果,搭建了由八推进器、Pixhawk开源飞控、MEMS传感器、摄像头和浮力块组成的水下机器人实验平台进行控制实验。通过在飞控中写入串级PID与串级LADRC程序,测得水下机器人传感器中的角度和深度数据,经过对比分析得出:串级LADRC的总体控制效果优于串级PID的控制效果。
颜子开[6](2020)在《基于强化学习的仿人机器人步行稳定控制方法》文中进行了进一步梳理优良的步行控制策略能够帮助仿人机器人适应多样化的工作场景,而步行过程中的稳定性控制更是步态规划研究的难点和重点问题。本文针对仿人机器人的步行稳定性问题,设计了基于强化学习的自适应在线稳定性控制策略,实现了仿人机器人步行过程中的实时稳定性控制,并开发了机器人联合仿真系统进行实验验证。主要工作如下:(1)针对仿人机器人在非水平环境中行走时容易受路面影响而导致步行不稳定的问题,提出了一种结合离线步态规划与在线关节角度补偿的双足行走控制方法。该方法基于Actor Critic(AC)强化学习算法建立仿人机器人的自适应控制模型,以BP神经网络拟合控制策略,通过接收连续状态信息,实现了输入信号到输出关节角度补偿值的端到端控制,并使用三次样条插值法实现了动作之间的平滑过渡。此外,设计了连续立即回报函数,提高了学习过程的收敛速度。(2)针对仿人机器人的仿生特性和小脑在步行中的平衡控制作用,本文基于强化学习理论建立了仿小脑的控制模型。该小脑模型的建模以小脑的解剖学结构和神经电信号在小脑中的传递过程为基础,以模块化的设计方式将小脑模型分为状态编码模块、小脑功能模块、运动映射模块以及下橄榄反馈模块四个部分。结合时间差分(TD)强化学习算法获得环境反馈的评价性信息来调整行为策略和相关突触的权值,使小脑模型具备了学习能力。最后,基于TD强化学习小脑模型建立了在线稳定控制器,其能够在离线步态规划的基础上,自适应地对仿人机器人的下肢关节进行调整,提高步行稳定性。(3)为了提高研究效率,使开发过程更加方便快捷,搭建了跨平台、跨语言的机器人联合仿真系统。通过相关的库函数和应用程序接口,实现了C++程序对Python脚本的调用以及双向信息传递,并且使用MATLAB Engine实现了MATLAB与Webots的实时通信。研究与开发实践表明该仿真系统可以同时利用Python、MATLAB和C++语言的优点进行机器人控制程序的开发,为后续控制算法的研发与验证提供了平台。(4)在机器人联合仿真系统中对本文提出的AC强化学习仿人机器人控制方法与TD强化学习小脑模型控制方法进行了仿真实验,以坡度变化的斜坡作为实验环境进行测试,结果表明,两种控制方法都能实时调整机器人的姿态,增强其在行走中的稳定性。本文深入研究了仿人机器人步态规划、强化学习、小脑模型,开发了仿人机器人的稳定步行控制策略,并基于此策略构建了步行控制系统,对强化学习和小脑模型的应用以及仿人机器人控制策略的发展起到了促进作用。
哈振骞[7](2020)在《作业型水下机器人运动控制研究》文中提出当前陆地资源日益匮乏,海洋资源逐渐成为人类关注重点,作为开发海洋资源的重要装备之一,水下机器人-机械臂系统(UVMS)具有独特的自身结构和执行任务的多样性等特点,逐渐成为海洋开发研究中的热点。UVMS主要由水下机器人系统和水下机械臂系统组成,两系统均具有强耦合、时变性等特点,因此两系统的协调控制尤为关键,也是UVMS完成水下作业控制任务的重点和难点。本文首先构建UVMS对应坐标系,将水下机器人系统和水下机械臂系统在相应坐标系下,依据相关原理分别推导两个分系统的运动学和动力学模型,在此基础上,通过牛顿-欧拉动力学分析法得到UVMS整体动力学模型,为之后分析奠定数学基础。其次依据已构建水下机械臂系统动力学模型,设计基于HJI理论的RBF神经网络自适应控制器,以二自由度水下机械臂为控制对象,分别基于水动力作用、基于模型不确定性和未知干扰作用,对水下机械臂轨迹跟踪控制进行仿真,通过仿真结果分析,验证所设计控制器具有良好的控制性能和较强的鲁棒性,该控制器具有一定可行性。再次依据已构建水下机器人系统动力学模型,通过动力学解耦方法得到水下机器人系统垂直面动力学模型;依据垂直面动力学模型,设计带非线性干扰观测器(NDO)补偿的反演滑模自适应控制器,对系统模型不确定性和外界干扰进行观测,并对系统进行补偿,从而实现控制系统的稳定,并通过Lyapunov函数证明系统稳定性。采用不带NDO的反演滑模自适应控制器与设计控制器做仿真对比验证,仿真结果证明所设计控制能够较好对模型不确定性和未知干扰进行观测,并对系统实时补偿达到良好的控制效果,具有较好的控制性能。最后,依据已构建水下机器人系统动力学模型,设计基于局部模型逼近的自适应滑模控制器对六自由度水下机器人运动进行控制,通过静水环境下仿真验证该控制器能够完成对水下机器人的运动控制,并且得到水下机器人名义模型参数,然后根据牛顿-欧拉迭代法将水下机械臂运动过程中产生的力和力矩,以外界干扰形式输入到水下机器人系统中,设计基于RBF补偿项的自适应鲁棒协调控制器,分别在静水环境和海水干扰环境下进行仿真分析,验证了该协调控制器在协调控制方面具有良好的控制性能,能够完成水下机器人系统和水下机械臂系统的协调控制任务。
张欢欢[8](2019)在《水下机器人运动控制方法研究》文中研究说明水下机器人工作时水流的干扰对其运动影响较大,其平稳运动和精确定位是影响机器人水下作业的难点,而精确的控制模型和高可靠性的控制算法是提高水下机器人运动性能的基础和前提。因此本文主要针对水下机器人运动控制方法展开研究,表明模糊PID复合控制方法对水下机器人运动有较好的控制效果。首先,本文以实验室自主设计的小型有缆水下机器人为研究对象,根据水下运动规律推导出水下机器人空间运动方程;结合水下机器人的外部结构特点,分析其工作时受到的外力,建立了水下机器人动力学方程;针对水下机器人的动力学情况,推导出其进退运动控制、艏向控制和定深控制的控制模型。其次,根据水下机器人的具体特征参数求得了进退运动控制、艏向控制与定深控制的具体传递函数,并用传统的PID控制器、模糊PID控制器及并联型模糊PID复合控制器针对进退距离、艏向角及深度值分别建立了 ROV各种运动情况下的仿真控制模型,其响应结果表明了并联型模糊PID复合控制算法对水下机器人有较好的控制效果。考虑到水下机器人的实际结构及水下实际运动情况,引入一维滑台作为机器人重心调节装置对机器人受到绕纵轴的重心扰动所引起的纵倾进行补偿,采用干扰观测器对干扰进行预估,用离散滑模变结构控制对纵倾角进行控制,其仿真结果表明干扰观测器对于滑模控制切换时所引起的抖振有削弱效果。最后,本文针对水下机器人的设计指标选择并调试了实验所需的元器件,并将元器件进行电器连接封装于机器人电子舱中,由于水下机器人的难以拆装性导致算法难以验证,所以搭建了模拟运动实验平台,对其进行了角度控制PID算法与并联型模糊PID算法的可行性验证,实验结果表明相较于PID控制算法,并联型模糊PID复合控制算法可靠性更高。
陈东军[9](2019)在《多机构操纵下带缆遥控水下机器人控制与水动力问题研究》文中指出随着带缆遥控水下机器人系统在科学研究、海洋观测与作业以及水下工程施工作业中得到越来越多的应用,其在多机构操纵下水动力与控制特性问题的研究目前已经引起了越来越多研究者与工程设计人员的关注。带缆遥控水下机器人系统由于其自身所表现出的很强的非线性、强耦合性以及时变的特点,很难建立准确的解析解数学模型。为此,本文首先在已有脐带缆运动控制方程和水下机器人运动方程的基础上,考虑导管螺旋桨、机器人主体与脐带缆三者之间的耦合关系,结合边界条件建立带缆遥控水下机器人系统水动力数学模型。在模型中,对“水下机器人+控制螺旋桨”所组成的组合体的运动采用多重滑移网格技术,来分析水下机器人主体与控制螺旋桨在运动过程中的水动力特征。其次,在水下机器人控制设计中,采用前馈调节和前馈-反馈算法确定脐带缆收放控制动作,同时应用增量式PID控制方法,根据机器人轨迹跟踪控制要求,调节各螺旋桨转速的输出,以计算每一控制时刻所需要的螺旋桨操纵力。将这两种控制算法耦合到带缆遥控水下机器人系统水动力数学模型中,构建出完整的带缆遥控水下机器人系统水动力与控制模型。最后,根据所提出的水动力与控制模型,对带缆遥控水下机器人系统在预先给定的轨迹命令下,进行运动轨迹跟踪控制的数值仿真模拟计算,观察在这样一种水下机器人组合体中,螺旋桨推进力与其转速的关系、两种控制手段对水下机器人运动速度的影响、以及前馈调节与前馈-反馈控制算法对收放缆动作的操纵效果等,并对在这些操纵动作下水下机器人系统的水动力响应进行了观察分析。水下机器人在水中的运动是三维六自由度的,由于机器人主体、控制螺旋桨与脐带缆之间的动力关系具有很强的耦合特征,使得整个机器人系统的动力关系相当复杂。由于研究者专业背景和研究兴趣的差异,过去在带缆遥控水下机器人升沉运动的数值模拟中,大多对脐带缆系统做了一定程度的简化,通常只考虑长度维持不变的脐带缆的张力,同时假设水下机器人在整个运动过程中脐带缆始终处于绷紧状态;这就导致脐带缆在低张力或零张力的情况下应用有限差分计算方法时会使脐带缆控制方程出现奇异点,从而引起数值仿真模拟计算过程的中断。在实际海上作业中,由于机器人的升沉运动,可以通过调节脐带缆的水下长度来避免张力超过其破坏强度而导致无法正常作业的问题。针对这种常见的作业工况,本文在数值模拟中,根据水下机器人主体的实时运动状态,对脐带缆系统分别应用前馈以及前馈-反馈控制方法来调节脐带缆的实时长度,同时为了避免脐带缆张力这一控制矢量的不连续性引起的抖振效应,对脐带缆张力的变化采用限幅滤波法和平均值滤波的数值方法来限制脐带缆张力的变化范围,以满足数值仿真模拟计算过程的连续性与系统稳定性。为满足水下机器人沿指定轨迹精确运动控制的要求,本文在采用对脐带缆进行收放调节的同时,应用增量式PID控制算法调节水下机器人组合体中各个螺旋桨转速的变化,以使各个螺旋桨根据水下机器人实时运动位移与指定运动轨迹的偏差发出期望的推进力,从而达到精确控制水下机器人沿指定轨迹运动的目的。数值仿真模拟计算的结果表明,水下机器人深度运动主要由脐带缆收放动作来控制,螺旋桨推进起到协同控制的作用;水平运动主要由布置在机器人主体两侧的一对导管螺旋桨推进作用控制,脐带缆收放作用影响较小;对于水下机器人深度运动控制,单独的前馈控制调节脐带缆长度,控制效果稳定,无超调现象,但对于机器人沿纵垂方向的运动位移量具有一定的限制,脐带缆前馈调节的相对误差不超过15%;而前馈-反馈收放缆方法对于机器人沿纵垂方向的运动位移限制较小,同时控制精度更高,机器人实时运动位移最大相对误差不超过10%;限幅滤波法和平均值滤波法用于限制脐带缆系统张力的剧烈变化是可行有效的,在数值仿真模拟计算过程中保证了控制系统的稳定性和计算的连续性;水下机器人主体在运动控制过程中受到的水动力响应,主要由水下机器人运动速度变化而引起流场的变化、以及螺旋桨转速的变化所引起的旋转流场变化二者共同作用的结果。
张伟杰[10](2019)在《海洋管道管外检测机器人设计与分析》文中指出海洋管道是海上油气田的生命线,海洋管道管外检测机器人可代替潜水员完成海洋管道状态的实时监控和数据反馈,有助于工作人员对海洋管道运行情况的掌握。本文主要进行了海洋管道管外检测机器人的总体方案设计、主要零件的设计与校核、机器人的运动学和力学分析、主要结构的有限元分析以及控制系统的设计与研究,从而完成了对海洋管道管外检测机器人的自主研发工作。本文对海洋管道管外检测机器人的总体方案进行了设计。给出了机器人的总体结构形式和设计参数,并对机器人的水下推进器和电机进行了选型,最后对机器人的越障和过弯管方案进行了阐述。本文完成了海洋管道管外检测机器人主要零件的详细设计与校核。完成了越障装置的弹簧设计与校核,确定了弹簧的材料与结构参数,并进行了疲劳强度校核,静力强度校核。完成越障装置推杆的设计与校核,确定了推杆材料与结构参数,进行了危险截面强度校核、刚度校核以及压杆稳定性校核。完成了蜗轮蜗杆的设计与校核,确定了蜗轮蜗杆的材料与尺结构参数,对蜗轮齿根弯曲疲劳强度进行了校核,并计算了蜗轮蜗杆的传动效率。完成了蜗轮轴的设计与校核,确定了蜗轮轴的材料与结构参数,按弯扭合成应力对轴的强度进行了校核,并对轴的疲劳强度进行了精确校核。完成了蜗杆轴的设计与校核,确定了蜗轮轴的材料与结构参数,按弯扭合成应力校核轴的强度,并进行了刚度校核。完成了越障装置密封舱静密封、越障装置推杆动密封以及涡轮蜗杆轴动密封的设计。本文完成了海洋管道管外检测机器人的运动学和力学分析。论证了本文设计的机器人通过弯管的可行性。对机器人受到的浮力、阻力、摩擦力进行了分析,从而对机器人水下推进器和电机的选型进行了验证,保证了机器人能满足运行要求。本文完成了对海洋管道管外检测机器人主要结构进行了基于Ansys的有限元分析。主要包括:抱爪板地上和水下的静力学分析、减速器与机架壳体水下静力学分析、连接架水下静力学分析、连接架水下静力学分析、电子密封仓水下静力学分析以及机器人整体框架的模态分析。通过静力学分析得到了一系列等效应力云图和总应变云图,验证了各结构件在200m水下深度的可靠性。通过模态分析得到了各阶固有频率和振型图,为避免发生共振提供数据参考。本文完成了海洋管道管外检测机器人控制系统设计与算法研究。选用了 CAN总线作为其分布式控制系统的通讯总线,并对其分布式控制系统进行了总体设计。完成了海洋管道管外检测机器人各子系统的设计与实现。选用自整定PID控制算法作为机器人的运动控制算法,并对相关算法进行了研究。
二、小脑模型神经网络控制器在水下机器人中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小脑模型神经网络控制器在水下机器人中的应用(论文提纲范文)
(2)水下机械臂控制方法与系统集成研究(论文提纲范文)
摘要 |
英文摘要 |
1 绪论 |
1.1 课题的研究背景与意义 |
1.2 水下机械臂研究现状 |
1.2.1 国外水下机械臂研究 |
1.2.2 国内水下机械臂研究 |
1.3 水下机械臂控制技术国内外研究现状 |
1.3.1 水下机械臂动力学建模研究现状 |
1.3.2 水下机械臂运动控制方法研究现状 |
1.4 本文主要研究内容 |
2 水下机械臂运动学分析 |
2.1 引言 |
2.2 D-H表示法 |
2.3 水下机械臂运动学分析 |
2.3.1 R5M水下机械臂 |
2.3.2 水下机械臂正运动学分析 |
2.3.3 水下机械臂逆运动学分析 |
2.4 水下机械臂运动学仿真 |
2.5 本章小结 |
3 水下机械臂动力学分析 |
3.1 引言 |
3.2 水下机械臂动力学分析 |
3.2.1 水下机械臂动力学参数求解 |
3.2.2 Lagrange动力学建模 |
3.2.3 水下机械臂动力学建模 |
3.3 水下机械臂动力学仿真 |
3.4 本章小结 |
4 水下机械臂运动控制方法研究 |
4.1 引言 |
4.2 控制方法原理简述 |
4.2.1 滑模变结构控制方法 |
4.2.2 RBF神经网络控制方法 |
4.3 控制器设计 |
4.3.1 控制律设计 |
4.3.2 稳定性分析 |
4.4 水下机械臂仿真控制实验及分析 |
4.4.1 仿真实验参数设置 |
4.4.2 仿真结果分析 |
4.5 本章小结 |
5 水下机械臂控制系统研究 |
5.1 引言 |
5.2 控制系统软硬件平台简介 |
5.2.1 ROS机器人操作系统简介 |
5.2.2 Zynq-7020硬件平台简介 |
5.3 水下机械臂控制系统总体设计方案 |
5.4 水下机械臂控制系统硬件功能设计 |
5.4.1 水下机械臂控制器硬件结构 |
5.4.2 串口通信IP核设计 |
5.4.3 图像采集IP核设计 |
5.4.4 嵌入式系统部署 |
5.5 水下机械臂控制系统软件功能设计 |
5.5.1 水下机械臂URDF模型设计 |
5.5.2 水下机械臂MoveIt!功能包配置 |
5.5.3 水下机械臂ROS控制器配置 |
5.6 水下机械臂控制实验 |
5.7 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(3)面向机器人应用的仿生控制方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写 |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 仿生机器人的控制方法研究现状 |
1.2.1 模态运动控制的研究现状 |
1.2.2 整体运动控制的研究现状 |
1.2.3 研究挑战总结 |
1.3 本文研究内容及组织结构 |
1.3.1 研究内容 |
1.3.2 主要贡献 |
1.3.3 组织结构 |
2 基于通用内部模型的模态发生控制 |
2.1 引言 |
2.2 基于GIM的模态学习 |
2.2.1 GIM结构 |
2.2.2 协调的复杂运动 |
2.3 GIM特性 |
2.3.1 理论证明 |
2.3.2 数值仿真 |
2.4 GIM应用 |
2.4.1 多关节连杆结构模型 |
2.4.2 运动模态学习 |
2.4.3 仿真和实验 |
2.5 本章小结 |
3 基于强化学习的模态优化控制 |
3.1 引言 |
3.2 六足机器人建模 |
3.2.1 六足机器人样机 |
3.2.2 数学模型 |
3.3 基于CPG的模态控制 |
3.3.1 两层CPG模型 |
3.3.2 模态产生的数值仿真 |
3.4 基于强化学习的模态优化控制 |
3.4.1 问题表示 |
3.4.2 深度确定性策略梯度(DDPG)算法 |
3.4.3 观测空间 |
3.4.4 动作空间 |
3.4.5 网络结构 |
3.4.6 奖励函数 |
3.4.7 引导约束条件 |
3.5 仿真与实验 |
3.5.1 仿真 |
3.5.2 实验 |
3.6 本章小结 |
4 基于小脑学习的已知轨迹整体控制 |
4.1 引言 |
4.2 多关节连杆蛇形机器人 |
4.3 转弯运动控制方案 |
4.3.1 关节控制器 |
4.3.2 基于CPG的模态发生器 |
4.3.3 高层运动控制器 |
4.3.4 运动控制器设计 |
4.4 数值仿真 |
4.5 实验结果 |
4.6 本章小结 |
5 基于迭代学习的未知轨迹整体控制 |
5.1 引言 |
5.2 系统描述 |
5.2.1 机器人动力学特性 |
5.2.2 问题表示 |
5.3 基于ILC的变轨迹自适应运动控制方案设计 |
5.3.1 轨迹调整 |
5.3.2 ILC运动控制器 |
5.4 蛇形机器人应用 |
5.4.1 蛇形机器人平台 |
5.4.2 轨迹跟踪仿真 |
5.4.3 未知管道实验 |
5.5 本章小结 |
6 总结与展望 |
6.1 本文总结 |
6.2 研究展望 |
参考文献 |
附录A 六足机器人动力学模型推导 |
发表文章目录 |
(4)基于矢量推进器的水下蛇形机器人动力学建模及其运动控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1水下蛇形机器人的研究意义 |
1.2 蛇形机器人的内外研究现状 |
1.2.1 蛇形机器人及推进器研究现状 |
1.2.2 蛇形机器人建模研究现状 |
1.2.3 蛇形机器人运动控制研究现状 |
1.3 本文主要的研究内容 |
第2章 基于矢量推进器的水下蛇形机器人推进系统研究 |
2.1 引言 |
2.2 水下蛇形机器人推进系统设计 |
2.2.1 蛇形机器人推进系统模块化设计 |
2.2.2 水下机器人驱动系统的选择与推进器布置方式确定 |
2.2.3 水下机器人阻力计算 |
2.3 矢量推进器设计 |
2.3.1 机构运动简图设计与分析 |
2.3.2 螺旋桨设计 |
2.3.3 矢量推进器软轴选型 |
2.3.4 电机匹配与选型 |
2.3.5 传动齿轮设计 |
2.3.6 密封 |
2.4 本章小结 |
第3章 矢量蛇形机器人三维动力学建模 |
3.1 引言 |
3.2 水下蛇形机器人运动学建模 |
3.2.1 位置、姿态与坐标系的描述 |
3.2.2 空间齐次变换矩阵 |
3.2.3 机器人D-H法连杆连接的描述 |
3.2.4 蛇形机器人的速度变换 |
3.2.5 蛇形机器人加速度变换 |
3.3 水下蛇形机器人动力学建模 |
3.4 动力学模型仿真 |
3.5 本章小结 |
第4章 蛇形机器人运动控制 |
4.1 引言 |
4.2 RBF神经网络滑模控制原理 |
4.3 RBF神经网络滑模运动控制器设计 |
4.4 蛇形机器人轨迹与姿态解算 |
4.5 RBF神经网络运动控制仿真 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
攻读硕士学位期间参与项目和研究成果 |
致谢 |
学位论文评阅及答辩情况表 |
(5)水下机器人控制方法及其参数优化(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 水下机器人的分类 |
1.3 水下机器人国内外研究现状 |
1.3.1 水下机器人国外研究现状 |
1.3.2 水下机器人国内研究现状 |
1.4 水下机器人控制方法研究现状 |
1.5 控制算法参数优化方法 |
1.6 主要研究内容 |
第二章 水下机器人运动建模 |
2.1 引言 |
2.2 坐标系的建立与参数定义 |
2.2.1 坐标系的建立 |
2.2.2 运动参数定义 |
2.2.3 坐标系之间矩阵转换 |
2.3 空间运动受力分析 |
2.3.1 重力与浮力 |
2.3.2 推进器推力 |
2.3.3 水动力分析 |
2.4 空间运动方程及运动模型 |
2.4.1 刚体动力学方程 |
2.4.2 水平面动力学模型 |
2.4.3 垂直面动力学模型 |
2.4.4 推进器数学模型 |
2.5 基于CFD水动力参数计算 |
2.5.1 CFD仿真模型的建立 |
2.5.2 湍流模型和求解方法的选择 |
2.5.3 边界条件设置与计算 |
2.6 参数获取 |
2.7 本章小结 |
第三章 水下机器人控制方法 |
3.1 引言 |
3.2 PID控制 |
3.3 自抗扰控制技术 |
3.3.1 跟踪微分器 |
3.3.2 扩张状态观测器 |
3.3.3 非线性状态反馈率 |
3.4 线性自抗扰控制 |
3.5 水下机器人串级自抗扰控制 |
3.5.1 水下机器人艏向控制 |
3.5.2 水下机器人深度控制 |
3.6 仿真分析 |
3.6.1 艏向控制仿真 |
3.6.2 深度控制仿真 |
3.7 本章小结 |
第四章 串级LADRC参数优化 |
4.1 引言 |
4.2 基于遗传算法的参数优化 |
4.2.1 遗传算法原理 |
4.2.2 遗传算法运算流程 |
4.2.3 遗传算法参数设置分析 |
4.3 基于粒子群算法的参数优化 |
4.3.1 粒子群算法原理 |
4.3.2 粒子群算法运算流程 |
4.3.3 粒子群算法参数设置分析 |
4.4 优化评价指标 |
4.5 仿真验证 |
4.5.1 艏向控制仿真 |
4.5.2 深度控制仿真 |
4.6 本章小结 |
第五章 水下机器人控制实验 |
5.1 引言 |
5.2 实验测试平台 |
5.3 水下机器人艏向控制测试 |
5.4 水下机器人深度控制测试 |
5.5 实验总结与分析 |
第六章 结论与展望 |
6.1 主要工作及结论 |
6.2 创新点 |
6.3 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(6)基于强化学习的仿人机器人步行稳定控制方法(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题的研究背景及意义 |
1.2 仿人机器人研究现状 |
1.3 仿人机器人的步行控制研究现状 |
1.3.1 仿人机器人的离线步态生成方法 |
1.3.2 仿人机器人的在线步行稳定控制方法 |
1.4 本文的主要内容 |
2 强化学习方法 |
2.1 强化学习概述 |
2.2 强化学习的基本概念 |
2.2.1 马尔可夫决策过程 |
2.2.2 贝尔曼方程和值函数 |
2.3 基于值函数的强化学习方法 |
2.3.1 动态规划方法 |
2.3.2 时间差分算法 |
2.3.3 Q-Learning与 SARSA算法 |
2.3.4 DQN算法 |
2.4 基于策略搜索的强化学习方法 |
2.4.1 Policy Gradient算法 |
2.4.2 Actor Critic算法 |
2.5 本章小结 |
3 基于Actor Critic强化学习算法的仿人机器人在线步行稳定控制方法 |
3.1 仿人机器人的离线步态规划 |
3.1.1 步态规划理论 |
3.1.2 仿人机器人的运动学模型 |
3.1.3 步态周期划分与ZMP轨迹 |
3.1.4 踝关节与髋关节轨迹规划 |
3.1.5 生成仿人机器人离线步态 |
3.2 基于强化学习的在线步行稳定控制器 |
3.2.1 基于BP神经网络的AC算法 |
3.2.2 强化学习关键要素的设定 |
3.2.3 学习流程 |
3.3 本章小结 |
4 基于强化学习小脑模型的在线步行稳定控制方法 |
4.1 引言 |
4.2 基于强化学习理论建模的小脑模型 |
4.2.1 小脑的解剖学和生理学概述 |
4.2.2 小脑模型结构 |
4.2.3 小脑模型功能 |
4.3 基于强化学习小脑模型的在线步行稳定控制器 |
4.4 本章小结 |
5 实验与结果分析 |
5.1 机器人平台与仿真实验环境 |
5.1.1 ROBOTIS-OP2 仿人机器人 |
5.1.2 机器人仿真软件Webots |
5.1.3 机器人联合仿真系统的搭建 |
5.2 实验环境 |
5.2.1 稳定性训练平台 |
5.2.2 斜坡环境 |
5.3 实验与结果 |
5.3.1 基于强化学习的在线步行稳定控制实验 |
5.3.2 强化学习小脑模型的在线步行稳定控制实验 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(7)作业型水下机器人运动控制研究(论文提纲范文)
摘要 |
abstract |
符号说明 |
1 绪论 |
1.1 研究背景及意义 |
1.2 UVMS发展与研究现状 |
1.2.1 国外发展与研究现状 |
1.2.2 国内发展与研究现状 |
1.3 UVMS控制方法研究现状 |
1.3.1 ROV运动控制方法研究现状 |
1.3.2 水下机械臂运动控制方法研究现状 |
1.3.3 UVMS协调控制方法研究现状 |
1.4 本文主要研究内容 |
2 UVMS系统建模 |
2.1 水下机器人系统 |
2.1.1 水下机器人本体坐标系建立 |
2.1.2 水下机器人运动学研究 |
2.1.3 水下机器人动力学研究 |
2.2 水下机械臂系统 |
2.2.1 水下机械臂运动学研究 |
2.2.2 水下机械臂动力学分析 |
2.3 UVMS整体模型 |
2.4 本章小结 |
3 水下机械臂运动控制研究 |
3.1 RBF神经网络算法基本理论, |
3.2 基于RBF神经网络控制器设计 |
3.2.1 基于RBF神经网络自适应控制器设计 |
3.2.2 Lyapunov函数稳定性分析 |
3.3 水下机械臂运动轨迹跟踪控制 |
3.3.1 基于水动力作用下轨迹跟踪控制 |
3.3.2 基于模型不确定性以及未知干扰下的轨迹跟踪控制 |
3.4 本章小结 |
4 水下机器人定深控制研究 |
4.1 垂直面内ROV动力学模型 |
4.2 非线性观测器的反演滑模自适应控制理论基础 |
4.2.1 反演控制理论基础 |
4.2.2 滑模控制理论基础 |
4.2.3 自适应控制理论基础 |
4.2.4 非线性干扰观测器理论基础 |
4.3 带NDO的反演滑模自适应控制的水下机器人定深控制 |
4.3.1 非线性干扰观测器设计 |
4.3.2 带NDO的自适应反演滑模控制器设计 |
4.3.3 控制器稳定性分析 |
4.3.4 仿真分析 |
4.4 本章小结 |
5 UVMS协调控制研究 |
5.1 水下运载器运动控制 |
5.1.1 基于局部模型估计的RBF自适应滑模控制器设计 |
5.1.2 控制器稳定性分析 |
5.1.3 运动控制仿真分析 |
5.2 UVMS协调控制器设计 |
5.2.1 基于RBF补偿项的自适应鲁棒控制器设计 |
5.2.2 控制器稳定性分析 |
5.3 UVMS协调控制仿真分析 |
5.3.1 基于静水环境下UVMS协调控制仿真分析 |
5.3.2 基于海水干扰环境下UVMS协调控制仿真分析 |
5.4 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文目录 |
(8)水下机器人运动控制方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究的背景和意义 |
1.2 水下机器人分类及发展应用 |
1.3 水下机器人控制技术的发展历史及现状 |
1.4 本文研究的主要内容 |
1.5 论文章节安排 |
2 水下机器人运动模型建立 |
2.1 水下机器人运动控制模型建立及性能分析 |
2.1.1 空间坐标系及运动参数的选取 |
2.1.2 定系和动系的转换 |
2.1.3 空间运动方程 |
2.2 水下机器人运动受力分析 |
2.2.1 水动力 |
2.2.2 驱动力与静力 |
2.2.3 外部干扰力 |
2.3 水下机器人控制模型 |
2.3.1 水下机器人动力学方程 |
2.3.2 各运动控制模型 |
2.4 本章小结 |
3 水下机器人控制算法仿真 |
3.1 引言 |
3.2 PID控制 |
3.2.1 模拟PID控制 |
3.2.2 数字PID控制 |
3.3 模糊PID控制 |
3.3.1 模糊PID控制器原理 |
3.3.2 模糊PID控制器结构 |
3.3.3 模糊PID控制器设计 |
3.4 模糊PID控制仿真 |
3.4.1 各运动传递函数 |
3.4.2 进退运动控制模型及仿真 |
3.4.3 艏向控制模型及仿真 |
3.4.4 定深控制模型及仿真 |
3.5 并联型模糊PID复合控制 |
3.5.1 并联型模糊PID复合控制器原理 |
3.5.2 并联型模糊PID复合控制器设计 |
3.6 并联型模糊PID控制仿真 |
3.6.1 进退运动控制模型与仿真 |
3.6.2 艏向运动控制模型与仿真 |
3.6.3 定深运动控制模型与仿真 |
3.7 三种控制器性能比较仿真实验 |
3.7.1 控制器性能比较(无扰动) |
3.7.2 控制器性能比较(有扰动) |
3.7.3 控制器性能比较(定常水流) |
3.8 水下机器人重心调节算法 |
3.8.1 重心调节装置运动建模 |
3.8.2 基于干扰观测器的离散滑模控制 |
3.8.3 仿真和分析 |
3.9 本章小结 |
4 水下机器人运动控制系统及算法可行性验证 |
4.1 引言 |
4.2 运动控制系统总体方案设计 |
4.3 水下运动控制系统各部件选型 |
4.3.1 控制系统控制板 |
4.3.2 控制系统各元器件 |
4.4 水下运动控制系统各部件的调试 |
4.4.1 推进器相关测试 |
4.4.2 6轴姿态传感器的调试 |
4.4.3 压力水温传感器的调试 |
4.5 水下机器人外围设备调试 |
4.6 模拟实验平台的搭建及算法验证 |
4.6.1 模拟实验平台的搭建 |
4.6.2 模拟实验平台算法验证 |
4.6.3 模拟实验平台结果比较 |
4.7 本章小结 |
5 结论 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(9)多机构操纵下带缆遥控水下机器人控制与水动力问题研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 带缆遥控水下机器人水动力研究现状 |
1.4 水下机器人控制技术研究进展 |
1.4.1 PID控制 |
1.4.2 模糊控制 |
1.4.3 神经网络控制[82] |
1.4.4 滑模变结构控制 |
1.4.5 其他控制方法[99] |
1.5 本文主要研究内容 |
第二章 带缆遥控水下机器人系统水动力数学模型 |
2.1 脐带缆运动控制方程 |
2.2 耦合关系与边界条件 |
2.3 水下机器人运动方程 |
2.4 作用于水下机器人主体上的合外力与合外力矩 |
2.4.1 静水回复力 |
2.4.2 脐带缆张力与力矩 |
2.4.3 机器人主体水动力与力矩和螺旋桨推进力与力矩 |
2.4.4 螺旋桨所发出的合推力与合推力矩 |
2.5 带缆遥控水下机器人系统水动力数学模型的数值求解 |
2.6 小结 |
第三章 控制策略与计算流程 |
3.1 控制策略 |
3.1.1 收放缆前馈调节 |
3.1.2 收放缆前馈-反馈控制方法 |
3.1.3 调节螺旋桨转速的增量式PID算法 |
3.2 螺旋桨推力与转速分配原则 |
3.3 脐带缆张力的数值滤波方法 |
3.4 程序混编计算 |
3.4.1 Fortran主程序计算 |
3.4.2 控制程序计算 |
3.4.3 Fluent水动力计算 |
3.5 小结 |
第四章 水动力与控制模型仿真和物理实验可靠性对比验证 |
4.1 水动力特性预报的可靠性验证 |
4.1.1 水下拖曳体样机概况 |
4.1.2 水下拖曳体样机实验室物理实验概述 |
4.1.3 拖曳体样机在仿真实验中几何模型的构建 |
4.1.4 深度轨迹控制物理实验概述与相应仿真实验计算域划分 |
4.1.5 将拖曳体物理实验结果用于本文水动力模型可靠性验证的合理说明 |
4.1.6 仿真实验结果和物理实验结果对比与讨论 |
4.2 控制算法可靠性验证 |
4.2.1 实验简述 |
4.2.2 仿真实验模型与计算流程 |
4.2.3 结果对比分析 |
4.3 本章小结 |
第五章 收放缆前馈调节下机器人轨迹跟踪与水动力响应 |
5.1 几何模型与参数 |
5.2 边界条件指定与计算域划分 |
5.3 收放缆前馈调节仿真计算流程 |
5.4 “前馈调节+PID算法”轨迹跟踪数值模拟与结果分析 |
5.4.1 轨迹跟踪与误差分析 |
5.4.2 脐带缆前馈调节控制效果与张力特性 |
5.4.3 螺旋桨推力特性与机器人主体水动力响应 |
5.5 本章小结 |
第六章 前馈-反馈收放缆轨迹跟踪与水动力分析 |
6.1 仿真模型与计算条件 |
6.2 运动方式组合I的轨迹跟踪仿真计算 |
6.3 运动方式组合II的轨迹跟踪与水动力计算 |
6.4 运动方式组合III的轨迹跟踪与水动力分析 |
6.5 运动控制仿真模拟总结 |
6.6 本章小结 |
第七章 结论与展望 |
7.1 论文主要结论 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
(10)海洋管道管外检测机器人设计与分析(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究背景及意义 |
1.2 海洋管道检测技术 |
1.2.1 海洋管道检测技术分类 |
1.2.2 海洋管道管外检测机器人分类 |
1.3 海底管道管外检测机器人研究现状 |
1.3.1 Oceaneering公司Magna海底管道检测机器人 |
1.3.2 Tracerco公司Discovery海底管道检测机器人 |
1.4 海洋立管管外检测机器人研究现状 |
1.5 海洋管道管外检测机器人运动控制研究现状 |
第2章 海洋管道管外检测机器人总体设计方案 |
2.1 总体方案设计创新点 |
2.2 总体结构 |
2.3 总体设计参数与指标 |
2.3.1 适用法兰管道尺寸 |
2.3.2 总体设计技术指标 |
2.4 推进器装置结构方案与水下推进器选型 |
2.4.1 推进器装置结构方案 |
2.4.2 水下推进器选型 |
2.5 抱爪机构结构方案与电机选型 |
2.5.1 抱爪机构机构方案 |
2.5.2 水下电机选型 |
2.6 越障装置结构方案与电机选型 |
2.6.1 越障装置机构方案 |
2.6.2 电机选型 |
2.7 过障与过弯管运动方案 |
2.7.1 越障运动方案 |
2.7.2 过海洋悬空弯管运动方案 |
2.8 本章小结 |
第3章 海洋管道管外检测机器人主要零部件设计与校核 |
3.1 越障装置设计与校核 |
3.1.1 弹簧设计与校核 |
3.1.2 推杆设计与校核 |
3.1.3 密封舱体密封选型 |
3.2 蜗轮蜗杆减速器的设计与校核 |
3.2.1 蜗轮蜗杆的设计与校核 |
3.2.2 蜗轮轴的设计与校核 |
3.2.3 蜗杆轴的设计与校核 |
3.2.4 蜗轮蜗杆轴的动密封选型 |
3.3 本章小结 |
第4章 海洋管道管外检测机器人运动与力学特性分析 |
4.1 海洋管道管外检测机器人过弯能力分析 |
4.1.1 转弯几何约束 |
4.1.2 转弯运动约束 |
4.2 海洋管道管外检测机器人力学分析 |
4.2.1 浮力分析 |
4.2.2 摩擦力分析 |
4.2.3 阻力分析 |
4.3 本章小结 |
第5章 海洋管道管外检测机器人主要结构的有限元分析 |
5.1 有限元理论及仿真软件分析 |
5.1.1 有限元的基本思想 |
5.1.2 有限元法的工程应用 |
5.1.3 Ansys Workbench软件简介 |
5.2 主要结构件的静力学分析 |
5.2.1 抱爪板静力学分析 |
5.2.2 减速器与机架壳体静力学分析 |
5.2.3 连接架静力学分析 |
5.2.4 越障装置密封仓静力学分析 |
5.2.5 电子密封仓静力学分析 |
5.3 整体框架的模态分析 |
5.4 本章小结 |
第6章 海洋管道管外检测机器人控制系统设计与研究 |
6.1 海洋管道管外检测机器人分布式控制系统总体构成 |
6.1.1 计算机分布式控制系统 |
6.1.2 分布式控制系统的通讯总线 |
6.1.3 基于分布式的海洋管道管外检测机器人控制系统的总体设计 |
6.2 海洋管道管外检测机器人各子系统的设计与实现 |
6.2.1 主控计算机系统 |
6.2.2 推进器与电机控制系统 |
6.2.3 安全系统与电源管理系统 |
6.2.4 传感器信息采集系统 |
6.3 海洋管道管外检测机器人控制算法研究 |
6.3.1 PID控制算法 |
6.3.2 模糊控制理论 |
6.3.3 自适应控制 |
6.3.4 参数自适应PID |
6.4 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及获奖情况 |
四、小脑模型神经网络控制器在水下机器人中的应用(论文参考文献)
- [1]基于多信息融合的ROV高精度控制方法研究[D]. 梁斌. 东北石油大学, 2021
- [2]水下机械臂控制方法与系统集成研究[D]. 赵伟. 西安理工大学, 2021(01)
- [3]面向机器人应用的仿生控制方法研究[D]. 欧阳文娟. 浙江大学, 2021(01)
- [4]基于矢量推进器的水下蛇形机器人动力学建模及其运动控制研究[D]. 李岳泰. 山东大学, 2021(12)
- [5]水下机器人控制方法及其参数优化[D]. 罗瑞智. 江西理工大学, 2021(01)
- [6]基于强化学习的仿人机器人步行稳定控制方法[D]. 颜子开. 大连理工大学, 2020
- [7]作业型水下机器人运动控制研究[D]. 哈振骞. 青岛科技大学, 2020(01)
- [8]水下机器人运动控制方法研究[D]. 张欢欢. 西安工业大学, 2019(07)
- [9]多机构操纵下带缆遥控水下机器人控制与水动力问题研究[D]. 陈东军. 华南理工大学, 2019(06)
- [10]海洋管道管外检测机器人设计与分析[D]. 张伟杰. 西南石油大学, 2019(06)