本技术涉及水下机器人驱动，具体而言，涉及一种基于ai的水下推进控制方法。
背景技术：
1、水下推进系统作为水下机器人的核心组件，其主要功能在于提供必要的推力，以确保水下机器人能够按照预设的轨迹和速度在水中稳定运行。水下推进系统通常由多个推进器组成，每个推进器均具备独立控制推力大小和方向的能力。通过协同调整各推进器的输出，系统能够实现水下机器人的全方位运动控制。
2、由于水下环境的复杂性和动态性，推进系统需要采用高效且稳定的控制策略。现有的水下推进器控制策略一般包括pid控制(较简单，不是很适合复杂的水下环境，简单的静水环境倒还适用)、自适应控制和滑模控制等控制策略。但在复杂的水下环境中，信号传输误差是影响推进系统控制性能的重要因素，而水下通信受限于环境的复杂性，因此通常采用控制终端(位于陆上)控制推进系统的目标(例如运动的状态、运动的目的地等)，由水下推进系统根据自身实时状态生成驱动信号，实现目标。
3、滑模控制很适合在复杂的水下环境实现水下机器人的控制，但由于水下机器人的类型不同，其控制的侧重点也有所不同。有的水下机器人更侧重于稳定性，需要极尽可能地避免突发情况对水下机器人的影响(需要更复杂的水下驱动控制策略，水下机器人的整体控制效率则会较低一些)，这种水下机器人更适合执行更精密的水下任务。而对于不需要执行精密水下任务的水下机器人，在保证控制效率的条件下，进一步提升控制稳定性，是需要考虑的优化方向。因此，如何提供一种更合适的水下驱动控制方案，保证水下机器人执行常规任务(如清洁水下装置、设备的外表面)的控制效率的同时，提升控制的稳定性，是本领域需要解决的问题。
技术实现思路
1、本技术实施例的目的在于提供一种基于ai的水下推进控制方法，以通过人工智能优化水下驱动控制策略，提高水下驱动控制的稳定性。
2、为了实现上述目的，本技术的实施例通过如下方式实现：
3、第一方面，本技术实施例提供一种基于ai的水下推进控制方法，应用于水下机器人的水下推进系统，水下推进系统包含k个推进器，所述方法包括：获取水下机器人的实时状态和期望状态；基于水下机器人的实时状态，确定出水下推进系统的动态方程和动力学模型；基于水下机器人的实时状态和期望状态，以及水下推进系统的动态方程和动力学模型，通过基于神经网络的控制律，确定出水下推进系统的驱动信号，以通过驱动信号驱动水下推进系统中每个推进器的运行。
4、结合第一方面，在第一方面的第一种可能的实现方式中，获取水下机器人的实时状态和期望状态，包括：获取水下机器人的实时状态，包括水下机器人在惯性坐标系中的参数和在推进系统坐标系中的参数，其中，惯性坐标系中的参数x,y,z分别是水下机器人在惯性坐标系中的x坐标、y坐标、z坐标，θ,μ分别是水下机器人在惯性坐标系中的滚转角俯仰角θ和偏航角μ，推进系统坐标系中的参数v＝[a b c α β γ]t∈r6×1，a,b,c分别是水下机器人在推进系统坐标系中各轴上的线速度分量，α,β,γ分别是水下机器人在推进系统坐标系中各轴上的角速度分量；获取水下机器人的期望状态，包括下一时间节点水下机器人在惯性坐标系中的目标参数，在惯性坐标系中的目标参数xd,yd,zd分别是下一时间节点水下机器人在惯性坐标系中的目标x坐标、目标y坐标、目标z坐标，θ,μ分别是下一时间节点水下机器人在惯性坐标系中的目标滚转角、目标俯仰角和目标偏航角。
5、结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，基于水下机器人的实时状态，确定出水下推进系统的动态方程和动力学模型，包括：基于水下机器人的实时状态，确定出水下推进系统的动态方程：
6、
7、其中，为φ(t)的导数，φ(t)为参数φ关于时间t的函数，j∈r6×6表示旋转矩阵，用于实现惯性坐标系与推进系统坐标系的转换，v(t)为参数v关于时间t的函数；以及，基于水下机器人的实时状态，确定出水下推进系统的动力学模型：
8、
9、其中，为v(t)的导数，f＝-m-1[c+d]，f∈r6×6是一个系统参数矩阵，m∈r6×6为反映质量和惯性的矩阵，c∈r6×6为科氏向心力矩阵，d＝m-1d，d∈r6×1为反映系统阻尼和外部扰动的矩阵，d∈r6×1为外部扰动，g∈r6×1为反映重力和浮力及其力矩的矩阵，e∈r6×k为推进器配置矩阵，u(t)＝[u1,u2,...,uk]t∈rk×1，为驱动信号。
10、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，基于水下机器人的实时状态和期望状态，以及水下推进系统的动态模型，通过基于神经网络的控制律，确定出水下推进系统的驱动信号，包括：基于水下机器人的实时状态和期望状态，确定出当前时间节点下的误差向量；基于当前时间节点下的误差向量、水下推进系统的动态模型，通过基于神经网络的控制律计算出水下推进系统的驱动信号。
11、结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，基于水下机器人的实时状态和期望状态，确定出当前时间节点下的误差向量，包括：基于水下机器人的期望状态φd，利用水下推进系统的动态方程确定出水下机器人在推进系统坐标系中的目标参数vd，vd＝[αd bd cd αd βd γd]t∈r6×1，ad,bd,cd分别是水下机器人在推进系统坐标系中各轴上的目标线速度分量，αd,βd,γd分别是水下机器人在推进系统坐标系中各轴上的目标角速度分量；基于水下机器人的实时状态和期望状态，确定当前时间节点下的误差向量e(t)：
12、e(t)＝vd(t)-v(t)，
13、其中，e(t)∈r6×1为误差向量，e(t)、vd(t)、v(t)均是相应参数写为关于时间t的函数形式。
14、结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，基于神经网络的控制律的构建过程如下：构建积分型滑模面：
15、
16、其中，s(t)为积分型滑模面，λ为正数，用于调节积分项的影响；基于积分型滑模面，确定出等效控制项ueq(t)和切换控制项usw(t)；基于水下机器人的实时状态和期望状态、误差向量e(t)，通过神经网络确定出补偿项unn(t)；据此，设计控制律为：
17、u(t)＝ueq(t)+usw(t)+unn(t)，
18、其中，u(t)∈rk×1为驱动信号，ueq(t)∈rk×1为等效控制项，usw(t)∈rk×1为切换控制项，unn(t)∈rk×1为补偿项。
19、结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于积分型滑模面，确定出等效控制项ueq(t)的方式为：
20、对s(t)求导，得到：
21、
22、令并将动态方程和动力学模型代入中，得到：
23、
24、其中，此处的0是零向量；
25、计算求解，得到：
26、
27、其中，ueq(t)为等效控制项。
28、结合第一方面的第五种可能的实现方式，在第一方面的第七种可能的实现方式中，基于积分型滑模面，确定出切换控制项usw(t)的方式为：
29、设计切换控制项usw(t)为符号函数，满足：
30、usw(t)＝-κsgn(s(t))，
31、
32、其中，usw(t)为切换控制项，κ∈rk×1为设计参数，用于调整切换控制的强度，sgn(s(t))为符号函数，0是零向量。
33、结合第一方面的第七种可能的实现方式，在第一方面的第八种可能的实现方式中，设计参数κ采用神经网络模型确定，其中，神经网络模型为多层感知机。
34、结合第一方面的第八种可能的实现方式，在第一方面的第九种可能的实现方式中，基于水下机器人的实时状态和期望状态、误差向量e(t)，通过神经网络确定出补偿项unn(t)，包括：将实时状态和期望状态、误差向量e(t)和设计参数κ，输入至神经网络模型，通过神经网络模型进行非线性映射，最终确定出补偿项unn(t)并输出。
35、有益效果：
36、1.本方案通过获取水下机器人的实时状态和期望状态，进一步确定出水下推进系统的动态方程和动力学模型；再基于水下机器人的实时状态和期望状态，以及水下推进系统的动态方程和动力学模型，通过基于神经网络的控制律，确定出水下推进系统的驱动信号，以通过驱动信号驱动水下推进系统中每个推进器的运行。通过实时获取的状态参数，利用水下推进系统的动态方程和动力学模型，可以精确地描述水下推进系统(表征水下机器人)的动态行为，包括质量、惯性、科氏向心力、阻尼及外部扰动等因素，从而提高控制精度。而引入神经网络，使控制策略能够自动学习和适应复杂多变的水下环境，在保证控制效率的基础上，进一步优化控制的稳定性。
37、2.利用当前时间节点下的误差向量，并基于该误差向量通过神经网络控制律生成驱动信号，有利于对目标状态的快速跟踪和准确控制。基于水下机器人在多个维度(位置、姿态、速度等)上的状态参数，以及推进系统的详细动力学特性，构建的动力学模型有利于使控制策略更加全面和细致。并且本方案具有较强的灵活性，可以灵活地应用于不同类型的水下机器人，只需根据具体机器人的特性和任务需求调整相关参数和模型即可。而通过神经网络优化的控制律能够实现精确且高效的控制。并且，动力学模型中考虑了系统阻尼和外部扰动，使得系统在面对复杂水下环境时能够保持较好的稳定性和抗干扰能力。本方法可以与现有的水下机器人平台无缝集成，便于对现有系统的升级和改造。
38、3.采用滑模控制为基础(具有高效控制的优势)，引入积分项到滑模面中，使得系统能够累积过去的误差信息，有助于消除静态误差并提高系统的稳态精度，增加系统对外部干扰和参数变化的鲁棒性。而基于积分型滑模面推导出的等效控制项，可以将系统状态驱动至滑模面上，直接依赖于系统设计的动态方程和动力学模型，能够提供精确的控制。切换控制项采用符号函数形式，能够根据误差的符号快速调整控制力的大小和方向，从而加快系统状态的收敛速度，减少到达滑模面的时间。同时，通过设计参数κ的调整，可以灵活地控制切换控制的强度，以适应不同的控制需求。与此同时，利用神经网络对实时状态、期望状态、误差向量以及设计参数κ进行非线性映射，生成补偿项，最终构建出完整的控制律。神经网络(如多层感知机)能够学习并适应系统动态中的不确定性和非线性因素，跟随设计参数κ的变化而产生一定的调整，从而提供更加精确和灵活的补偿控制，不仅能够进一步提高控制精度和动态性能，还能够有效减缓甚至消除因切换控制而产生的抖动问题，进一步提升控制的稳定性。
39、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于ai的水下推进控制方法，其特征在于，应用于水下机器人的水下推进系统，水下推进系统包含k个推进器，所述方法包括：
2.根据权利要求1所述的基于ai的水下推进控制方法，其特征在于，获取水下机器人的实时状态和期望状态，包括：
3.根据权利要求2所述的基于ai的水下推进控制方法，其特征在于，基于水下机器人的实时状态，确定出水下推进系统的动态方程和动力学模型，包括：
4.根据权利要求3所述的基于ai的水下推进控制方法，其特征在于，基于水下机器人的实时状态和期望状态，以及水下推进系统的动态模型，通过基于神经网络的控制律，确定出水下推进系统的驱动信号，包括：
5.根据权利要求4所述的基于ai的水下推进控制方法，其特征在于，基于水下机器人的实时状态和期望状态，确定出当前时间节点下的误差向量，包括：
6.根据权利要求5所述的基于ai的水下推进控制方法，其特征在于，基于神经网络的控制律的构建过程如下：
7.根据权利要求6所述的基于ai的水下推进控制方法，其特征在于，基于积分型滑模面，确定出等效控制项ueq(t)的方式为：
8.根据权利要求6所述的基于ai的水下推进控制方法，其特征在于，基于积分型滑模面，确定出切换控制项usw(t)的方式为：
9.根据权利要求8所述的基于ai的水下推进控制方法，其特征在于，设计参数κ采用神经网络模型确定，其中，神经网络模型为多层感知机。
10.根据权利要求9所述的基于ai的水下推进控制方法，其特征在于，基于水下机器人的实时状态和期望状态、误差向量e(t)，通过神经网络确定出补偿项unn(t)，包括：
