0 引言
近年来无人作战平台随着新材料、新结构、智能算法、计算机技术的飞速发展,其设计、性能水平和应用范围得到显著提高,但是在实战领域还存在一定的差距。目前,国内外对于高危环境下的无人作战平台(如无人车、无人艇)大多是小型平台,大型平台还在探索阶段[1-2]。但随着时代的飞速发展[3],无人车、无人艇等单纯的运动场景限制其应用领域的拓展,为充分应用无人车的陆上机动越野、无人艇水面的突袭隐蔽扰敌的特性,水面两栖无人艇的研究促使各军事强国纷纷开展具有跨域能力的水陆两栖无人艇的研究。
水陆两栖平台雏形可追溯到第二次世界大战期间,英军在坦克上加装“浮箱”解决渡河,其控制性能较差,之后发展较为缓慢[4]。进入20世纪,发达国家投入了大量人力和物力,将履带式汽车底盘、船舶技术、传感器技术、自动控制、人工智能、视觉技术、导航卫星定位技术、信息技术等相关技术融合一体,促使无人装备取得新的跨越式技术进步。美国麻省理工学院设计研制的ACES水面无人艇作为近海巡防,但是控制系统精度达不到理想功能,仅可对水下可疑目标跟踪。美国海军2010年海试的“水虎鱼”无人艇使用简易的遥控操舵,作为目标靶标;以色列将先进的无人机技术应用于无人艇,其较为出色为“银色马林鱼”,虽然可携带多种传感器和武器,但是控制系统在多传感器融合上还有诸多问题[5-6];意大利设计的“CNR”无人艇,该艇为双体结构,驱动上采用直流无刷电机,在控制系统的能源供给上采用太阳能解决;法国设计的“ROAZ”无人艇,控制系统嵌入机器视觉在内河辅助遥控靠泊[7-8],日本雅马哈设计的“UMV”系列无人艇,在驱动控制上采用控制水喷射力度进行驱动控制;俄罗斯2016年出现的“Vihr”简易水陆两栖无人车,由步兵战车改装,主要进行火力支援,水陆切换控制系统冗余性较差。由于履带式无人车、水面无人艇的各自优势,既可以陆地灵活机动,又可以水面隐蔽高速行驶,推动了水陆两栖水面无人艇的跨域研究的诞生和研究起步,其传统的控制系统大多为降低成本,采用操作简单的PID算法控制。
鉴于以上,提出基于近海两栖登陆作战的水陆两栖无人艇控制系统研究。为解决目前传统两栖无人艇伺服运动控制系统PID算法控制精度低、误差大、需人工调节参数或依赖精确的运动控制模型、参数辨识等缺陷,提出BP-PID神经网络算法,无需精确的运动控制模型,同时融合GWO算法(灰狼算法),利用GWO优越的搜索能力优化BP-PID神经网络的权值和阈值,加快神经网络收敛,提高控制精度。控制系统设计上采用履带式底盘、水上推进系统,可进行陆上机动、水上推进,可承载快速更换的模块化武器装置及红外、光电跟踪多传感器等功能模块组合,代士兵从事两栖登陆作战,兼顾其他也可进行水面侦察、水质检测、搜救支援等,为实现不适合士兵直达近海登陆作战高危未知环境提升作战力,保护士兵安全有很重要现实意义和实用工程价值,为未来武器装备的智能化研究发展提供借鉴。
1 两栖无人艇总体方案
1.1 艇体结构
该水陆两栖无人艇的艇体设计采用的是一种双履带式伺服电机控制的驱动机械结构和双轴水上推进装置组成,如图1所示。
图1 无人艇结构示意图
Fig.1 Schematic diagram of chassis structure
图1中的履带环采用由主动轮(牵引轮)驱动,围绕主动轮、支持轮、诱导轮为柔性橡胶履带环。履带内侧有履齿,与主动轮、支撑车轮、从动轮吻合,主动轮经齿轮和履带相吻合,将减速器上传来的动力直接传给履带而使运动;支撑轮促使每个艇轮所需要承受的载荷比少一些,对地面的应变压力影响也比较均匀,可以大大提高水陆两栖无人艇的陆上行驶安全和通行性能;诱导轮是与地面相互接触的一面,有了防滑齿,提高了履带水陆两栖无人艇在地面上相互接触时的摩擦力和附着力,在艇通过沟渠或者斜坡时,使得这种履带艇都能够与其他地面相互接触良好,平稳运动。
设计水陆两栖无人艇驱动采用直流伺服电机及减速机构组成,当驱动电机的方向驱动力被直接传到电机主动轮上时,主动轮就可能会按照顺或逆时针运动方向上下旋转,通过减速机构驱动履带,接地履带就会和方向接近的移动地面履带产生相互作用力,两侧移动履带进行差动轮驱动的驾驶方式,无人艇的平面运动结构如图2所示,紧靠底盘内侧的两边分别还各设置了2个方向垂直的伺服电机,用来同时推动2个履带轮,同时嵌入式设计了水上推进装置,推进装置和履带轮之间通过耦合结构实现水陆两栖自主驱动切换。
图2 两栖无人艇底盘平面结构图
Fig.2 Chassis structure plan of tracked unmanned vehicle
1.2 伺服运动控制
履带式水陆两栖无人艇的控制系统的伺服运动通过控制伺服电机、减速装置来控制行驶机构、水上推进装置的行驶速度;系统控制两侧履带速度形成差速来控制无人艇的转向。系统控制尾部的水上推进装置转换机构来控制底盘履带和水上推进装置快速切换来实现智能水陆两栖的行驶陆上、水上行驶。
履带式水陆两栖无人艇系统行驶具备水陆的直行、停止、左转、右转、急停等功能。在水陆两栖无人艇前进过程中,通过环境感知传感器对周围环境的检测,将信号传到DSP控制器,控制器对驱动电机进行控制,使得左右2个驱动电机具有不同的速度,形成差速实现水陆两栖无人艇的转弯。
为了实现运动控制的配重,采用承载武器分系统设计,以控制系统的DSP控制器为控制核心,通过对回转机构的控制进行全方向、高低一定角度的上下方向瞄准,用舵机控制瞄准的方向校正,从而全方位多角度地实现全向回转。控制系统通过对行驶、避障功能系统和武器系统功能系统进行整合,在水陆无人艇行驶前进的过程中,没有遇到障碍物时,无人艇就边行驶边瞄准;遇到障碍时,水陆两栖无人艇就会进行避障转弯。
1.3 DSP核心
设计采用的是国产深圳汇芯的LS-T35PQDS,该芯片与美国TI公司的F28335DSP参数等一致的DSP。它是我国深圳汇芯生产的32位的DSP嵌入式芯片。该系列DSP设计需求就是要达到高性能、低功耗,而且价格也低廉的嵌入式芯片,芯片的资源十分丰富,而且支持多种程序烧录方式,支持IAP编程,为多种行业的设备开发提供了方便。
1.4 L298N芯片以及电机控制
选用高电压、大电流的驱动芯片L298N作为运动控制的主要部件驱动两台直流电机。L298N驱动模块的其中一端和DSP连接,接收到DSP的控制信号,另一端则是和直流电机连接。
如图3所示为L298N的微芯片电路驱动控制电路的基本设计工作图及原理电路框图。我们可以明显看出,同一侧的2个晶体管之间功能是不同的可以同时导电接通。运用所学的电力电子技术中的知识可知,当电流VT1和VT4导通,VT2和VT3截止时,电流由正电流经VT1,从电机的驱动正极流入电机,再经由VT4流入,此时电机正向运转。同样当VT2和VT3导通时,电流由负极进入电机,电机反向运转。而当电机VT1与VT3或者VT2与VT4同时被电流导通,电机就可能会继续处于高速制动(刹车)的启动状态。该开关电路设计中的开关二极管主要作用是因为起到了整个续流电压保护的重要作用。若突然把整个电流保护剪开并将其切断,将来就会直接使整个功率管的两端之间产生非常高的直流工作电压,损坏了整个开关器件。
图3 L298N芯片的驱动电路图
Fig.3 Driving circuit diagram of L298N chip
1.5 稳压电路设计
设计所需要采用的基本电流稳压驱动控制电路模块型号为LM2596稳压驱动控制电路模块,如图4所示。LM2596具有很好的电流线性和对交流负载的自动调节控制特性,且由LM2596所组合而成后形成的基本电流稳压驱动控制电路一般只需4个外围控制元件,实现外部电源切断;同时带有自停机保护控制电路。
图4 稳压模块电路图
Fig.4 Diagram of voltage stabilizing module circuit
2 数学模型的建立
设计无人艇为内侧履带型底盘结构,设定履带型水陆两栖无人艇在转弯时内侧的外部履带和外侧的内部履带所直接产生的横向侧滑一致[9-10],且内部轮子和外侧履带之间不存在任何横向位移,结构图5所示的模型来表示。
图5 履带式无人艇的水平面运动图
Fig.5 Horizontal motion diagram of tracked unmanned vehicle
图5中,无人艇在一个水平面上进行运动时,它们分别建立了2个位置的坐标系,一个是地理位置的坐标系{X,Y,O},另一个是位置和移动坐标系{xc0,yco},其中Oc是无人艇的一个平面几何中心,OcXc是纵向,OcYc是横向;vL和vR分别为左侧履带和右侧履带在地理坐标体系中的运行速度和方向,其运行速度和方向始终无人艇的纵向OcXc相一致。θ是指地理坐标系与无人艇的位置和移动坐标系之间的夹角,设定顺时针线型为负,逆时针线型为正,b为履带式水陆两栖无人艇左右两侧之间的位置和距离。
假设在无人艇运动的初始状态下,地理坐标系与移动坐标系重合,则t时刻无人艇的中心Oc在地理坐标系中位置:
(1)
(2)
(3)
在采用履带式水陆两栖无人艇以差速驱动的方式进行驱动时,采用直线运动与圆弧2种运动模型进行分析[11-13]。
直线运动时,设t=0时,无人艇的移动坐标系{Xco,Yco,Oco}与所设定的地理坐标系{X,Y,O}重合。经过时间t后,无人艇运动到新移动坐标系{Xci,Yci,Oci},如图6所示,若在沿直线轨迹运动时,则对于任意时刻t有:
图6 履带式无人艇的直线运动图
Fig.6 Linear motion diagram of tracked unmanned vehicle
(4)
可以得到vL=vR。
圆弧运动中设t=0时,地理中心位置与其坐标的关系{X,Y,O}与无人艇的位置和位移速度坐标系{Xci,Yci,Oci}相互重合,如图7所示。在时间t后,无人艇移动到新的位置,其坐标为{Xci,Yci,Oci}。
图7 履带式无人艇圆弧运动图
Fig.7 Circular motion diagram of tracked unmanned vehicle
设定无人艇左、右2个固定履带轮的固定运动运行方向、速度和推力大小都必须保持一致不变并且固定履带轮之间不存在固定的时刻速度差,现设为假设=速度常数时,则对任意一个固定时刻速度t正则有:
(5)
(6)
3 伺服运动控制系统模型设计
3.1 运动控制模型构架
本文依据水面无人两栖艇的履带式和推进器结构设计,进行MMG的分离结构建模。考虑到水面两栖无人艇在水面行驶中遇到液体的黏性流体动力和物理特性等,结合在陆面行驶路面物理形状和运动状态等约束条件,水面两栖无人艇受重力、体积、水面的惯黏性水动力、水或路面阻力等影响,获得水陆两栖无人艇的伺服运动控制模型如图8所示。
图8 运动控制模型图
Fig.8 Motion model of diagram
3.2 运动控制传递函数设计
伺服电机采用PWM,设定电枢电流连续,则电机动态电压方程:
(7)
电机动力学方程为
(8)
其中:
(9)
式(9)中: J为电机轴总转动惯量;CM为电机转矩电流比;Ce为电机反电动势系数。
电磁时间常数
和电机时间常数
得:
(10)
(11)
(12)
由拉式变换得电压与电流间传函:
(13)
电流与电动势间传函:
(14)
感应电动势与转速n间的传函:
综上,得伺服电机的传函为
(15)
由伺服控制系统减速器的减速比i
则传函为:
其他环节,A/D和D/A根据高速采样定量,可化简为常数为1的环节;霍尔和速度传感器可等效为kh和kc比例环节。
4 神经网络算法设计
系统进行总体设计时,软件的设计与硬件的总体设计都是要统一考虑的[14-15]。从程序模块化和程序流程图来加以考虑。设计思路结合产品功能和硬件连接方法使程序模块化,根据每个硬件的编程设计方法进行软件设计。
4.1 神经网络BP-PID算法设计
目前智能化水平已成为衡量各行各业现代化水平的一个重要标志。控制系统理论从经典到如今智能自动控制理论的发展,而BP神经网络算法为智能控制理论中典型。BP神经网络算法为偏差反向传播且能够对网络的输入/输出关系自我学习,响应被控系统的一种智能控制。
BP神经网络PID算法结构由输入层、隐含层和输出层组成,网络架构为BP和PID参数节点的融合。根据算法模型,设计3层BP-PID神经网络结构,如图9所示,其输入节点为e(k)、e(k-1)、e(k-2),相对应的输出节分别为PID的整定参数KP、KI、KD。
图9 BP神经网络PID控制结构图
Fig.9 Structure diagram of BP neural network PID controller
神经PID网络的输入为
(16)
隐层网络的输入/输出为
(17)
(18)
其中:1、2、3为算法设计的输入、隐含、输出层参数,Wij隐含网络层加权参数,激活函数取
设计输出层的输入推导公式为
(19)
设计输出层的节点推导为
(20)
推导BP-PID的性能指标:
(21)
进行迅速负梯度下降对BP-PID的加权参数添加惯性项:
(22)
其中: η为BP-PID学习网络的效率参数,α为惯性参数;
对
推导如下:
取
结合式推导:
(23)
BP-PID网络输出层加权系数:
(24)
h=0,1,2,修正BP-PID隐含层的加权系数:
(25)
4.2 神经网络BP-PID算法参数优化
由图8可知,BP-PID神经网络算法在进行各层多参数复杂网络学习训练时容易计算慢、易掉进局部最优参数结果。提出利用灰狼算法(GWO)模拟仿生狼群的狼王、决策狼、执行围猎狼的捕食猎物优势对BP-PID神经网络初始权重和惯性参数优化,提升网络收敛对网络学习率和权重参数优化。
设定狼王β、决策狼γ、执行围猎狼λ,t为迭代次数,M和N为灰狼所在的位置向量,Zp和Z为猎物和灰狼的位置,a为收敛参数,r为[0,1]的随机向量,则灰狼对发现的猎物进行围捕算法模型为
(26)
则根据灰狼算法的围捕猎物由包围、逼近、狩猎过程,狼王的位置为最优解,其优化过程为
(27)
其中Q=β、γ、λ,DQ为灰狼之间距离,ZQ灰狼当前位置,CB随机向量,B=1、2、3,当灰狼进行围猎时就是最优参数。
整个BP-PID的算法流程为:
1) 构建合适BP-PID神经网络模型,确定网络3层结构节点及加权系数,有网络特性确定学习速率、惯性参数等值;
2) 网络可取yin(k)、yout(k),计算e(k)=yin(k)-yout(k);
3) 确定BP神经网络的输入
4)确定PID的u(k)和BP神经PID网络各层输入和输出;
5) 由GWO优化和确定网络的隐含和输出层加权参数;
6) 取k=k+1,重新采样和循环,直至达到目的;
将设计的神经网络算法应用到实际工程原理如图10所示。
图10 BP-PID控制算法原理
Fig.10 Principle of BP-PID control algorithm
5 仿真实验与结果分析
在进行了水陆两栖无人艇伺服运动控制系统、数学模型、伺服运动控制系统传递函数设计后,接着进行了BP-PID及GWO优化后的控制算法设计。根据伺服运动控制系统数学模型,对水面两栖无人艇进行行驶航向角的进行单位阶跃响应仿真,验证算法的优势,同时进行传统PID算法、BP神经网络算法和本文提出算法对比,如图11所示。本文提出算法具有响应速度快、误差小、鲁棒性好等优势。
图11 阶跃响应控制图
Fig.11 Step response control of diagram
根据控制系统结构及算法构建了水陆两栖无人艇控制系统的GWO优化的BP-PID控制器进行Matlab仿真,控制目标为水陆两栖无人艇的行驶轨迹控制。
BP-PID参数调节过程为,在速度和姿态闭环控制调节中,主要是通过速度传感器和姿态传感器采集无人艇的诸参数。控制系统通过设计的神经网络算法模型自动在线智能对PID参数进行整定,远程自动在线调节过程的水陆两栖无人艇的运动行驶状态,直行、左转、右转,直到获得满意的参数控制为止。
根据BP-PID控制器的需求,设置关键的初始参数值α1=0.3、α1=0.8、β1=1.6、β2=-0.3、β3=-0.6。为了验证控制系统设计的BP-PID算法的正确性,创建了行驶轨迹的Simulink仿真模型和进行了仿真如图12所示,为了验证算法更大程度地接近实际水陆两栖无人艇工况环境,设定了不规则的行驶轨迹跟踪,从起初的陆地到水面的轨迹进行了跟踪,在BP神经网络算法在由GWO对神经网络PID网络的学习速率和权重阈值进行优化后,对PID参数进行在线自我调节,其参数调节KP、KI、KD如图13所示。
图12 行驶轨迹图
Fig.12 Simulation curve of driving track
图13 算法KP、KI、KD在线整定曲线图
Fig.13 Algorithm KP,KI,KD online tuning curve graph
由图12、图13可知,水陆两栖无人艇在陆地到进入水面的1 s左右,虽然轨迹跟踪实际值接近设定值,但是由于履带式运动控制到水上推进器转换过程,使得误差有小的波动,在经过BP-PID算法和通过GWO对神经网络算法的权重和阈值进行优化,算法在线对KP、KI、KD进行自我学习和调节,使得水陆两栖无人艇能够按照预定的行驶轨迹行驶,通过误差曲线可知,水陆两栖无人艇在进行行驶过程中,由于进行了幅度较大的转弯时,误差会增大,在前行过程中,误差会相对较小,在整个行驶过程中误差在3 m以内,达到很好的精度要求。本文设计的算法无需人工干预,行驶轨迹跟踪平稳,响应快速、运行稳定,抗干扰能力强,尤其在生化危险未知环境下,能够很好地完成水陆两栖无人艇的行驶路线。
6 结论
水陆两栖无人艇由控制、行驶避障和智能算法控制器构成,首先对控制系统需求进行分析,根据控制系统的功能需求,设计了总体和控制方案,根据履带车的优势及底盘的结构构建底盘,进行了数学建模、硬软件和算法设计,实现所需的功能,进行仿真验证,验证本研究正确性。研究设计的BP-PID神经网络算法融合GWO算法,解决了传统两栖无人艇伺服运动控制系统PID算法控制精度低、误差大、需人工调节参数等缺陷,利用GWO优越的搜索能力优化BP-PID神经网络的权值和阈值,加快神经网络收敛,提高控制精度。
在现在近海领域,随着救援、侦察、戍防等需要,一些地区的地形环境还是比较复杂,一般的有人无法满足复杂危险环境的行驶的需求,所以尤其是在重要的未知环境,进行水陆两栖无人艇的研究是十分有必要,本研究对于我国近海领域无人岛礁侦察、戍防、油船着火无人救援等具有重要使用意义和应用价值,研究为实现应对不适合士兵直接到达近海海域登陆作战的高危未知作战环境提升作战力,保护士兵安全有很重要的现实意义和实用工程价值,为未来武器装备的智能化研究发展提供借鉴。
[1] YI Zuodong,HU Yaonan,WANG Xinzhi,et al.Neural-network-based robust tracking control for condenser cleaning crawler-type mobile manipulators with delayed uncertainties[J].International Journal of Social Robotics,2020,128(6):26-36.
[2] 朴春日,颜国正,王志武,等.一种履带式机器人设计及其越障分析[J].现代制造工程,2019,29(3):24-27.PIAO Chunri,YAN Guozheng,WANG Zhiwu et al.Design and obstacle surmounting analysis of a crawler robot[J].Modern Manufacturing Engineering,2019,29(3):24-27.
[3] 杨琛,蒋鑫,白波,等.遗传算法优化PID控制器参数的路径跟踪控制[J].制造业自动化,2022,44(5):78-81.YANG Chen,JIANG Xin,BAI Bog,et al.Path following control of PID controller parameters optimized by genetic algorithm[J].Manufacturing Automation,2022,44(5):78-81.
[4] 李岩,杨向东,陈恳.履带式移动机器人动力学模型及其反馈控制[J].清华大学学报(自然科学版),2016(8):1377-1380.LI Yan,YANG Xiangdong,CHEN Ken.Dynamic model and feedback control of tracked mobile robot [J].Journal of Tsinghua University(Science and Technology),2016(8):1377-1380.
[5] RAFAEL VAIDA CASTRO ROSARIO,JOSE PAULO V.S.CUNHA,PAULA B.GARCIA.Stabilizing control of an unmanned surface vehicle pushing a floating load[J].International Journal of Control,Automation and Systems,2020,18(SI):1-10.
[6] RAZCARZ S,VAEGAS-JARILLO C,JAFARI R,et al.Flowcontrol of fluid in pipelines using pid controller[J].IEEE Access,2019,36(7):25673-25680.
[7] 王俊龙,袁伟.船舶推进系统可靠性分析研究[J].兵器装备工程学报,2020,41(7):208-212.WANG Junlong,YUAN Wei.Research on reliability analysis of marine propulsion system[J].Journal of Ordnance Equipment Engineering,2020,41(7):208-212.
[8] 刘福伟.一种水空两栖无人艇的概念设计及其航行稳定性分析[D].镇江:江苏科技大学,2014.LIU Fuwei.Conceptual design and sailing stability study on water air amphibious unmanned ship[D].Zhenjiang:Jiangsu University of Science and Technology,2014.
[9] 刘福伟,徐海通,杨松林.一型两栖无人概念艇的横摇特性初步研究[J].中国舰船研究,2014,9(1):46-51.LIU Fuwei,XU Haitong,YANG Songlin.Preliminary study on the rolling characteristics of an amphibious unmanned vehicle[J].Chinese Journal of Ship Research,2014,9(1):46-51.
[10] 潘镜芙.对21世纪水面舰艇发展的展望[J].中船重工,2003(4):42-45.PAN Jingfu.Prospects for the development of surface ships in the 21st century[J].China Shipbuilding Industry,2003(4):42-45.
[11] 洪向共,钟地长,赵庆敏.基于多传感器融合的陆空两栖机器人移动控制系统设计[J].科学技术与工程,2020,20(8):3103-3108.HONG Xianggong,ZHONG Dichang,ZHAO Qingmin.Design of mobile control system for air-ground amphibious[J].Robot Based on Multi-sensor Fusion Science Technology and Engineering,2020,20(8):3103-3108.
[12] 岳光,潘玉田,张华君.一种多神经元智能算法的GURV伺服控制系统研究[J].兵器装备工程学报,2019,40(2):125-130,173.YUE Guang,PAN Yutian,ZHANG Huajun,Research on servo control system of gurv based on multi neuron intelligent algorithm [J].Journal of Ordnance Equipment Engineering,2019,40(2):125-130,173.
[13] 杨琛,陈继洋,胡庆松,等.基于多目标PSO-ACO融合算法的无人艇路径规划[J].华南农业大学学报,2023,44 (1):65-73.YANG Chen,CHEN Jiyang,HU Qingsong,et al.Path planning of unmanned vehicle based on multi-objective PSO-ACO fusion algorithm[J].Journal of South China Agricultural University,2023,44(1):65-73.
[14] 范易杰,杨少龙,黄金,等.基于USV Sim的无人艇综合仿真平台设计与验证[J].兵器装备工程学报,2022,43(9):21-27.FAN Yijie,YANG Shaolong,HUANG Jin,et al.Design and verification of unmanned surface vehicle integrated simulation platform based on USV Sim[J].Journal of Ordnance Equipment Engineering,2022,43(9):21-27.
[15] 宋吉广,李德隆,林扬,等.水面无人艇环形轨迹跟踪方法研究与实现[J].舰船科学技术,2021,43(17):112-116.SONG Jiguang,LI Delong,LIN Yang,et al.Research and implementation of circular trajectory tracking method for unmanned surface vehicle [J].Ship Science and Technology,2021,43(17):112-116.