2. 上海交通大学 海洋工程国家重点实验室,上海 200240
2. State Key Laboratory of Ocean Engineering, Shanghai Jiaotong University, Shanghai 200240, China
近年来,无人航行器被广泛应用于海洋科学与工程任务,建立高精度操纵模型是航行器设计、优化与控制的基础。目前常用的Abkowitz整体模型和MMG分离模型中水动力参数较多,相应的辨识系统输入矩阵维度增加,辨识计算量较大[1];而Notomo提出的操纵响应方程参数较少、计算简捷且可直接从约定试验中获得,这有利于提高运动控制、性能预测等的实时性,在无人航行器研究领域得到广泛应用。
精确辨识方程中各水动力系数是优化建模的关键一环。传统系统辨识方法包括最小二乘法(least square, LS)[2-3]、极大似然法(maximum likelihood, ML)[4]、卡尔曼滤波法(Kalman filter, KF)及其拓展[5-6]等,基于现代人工智能技术又发展出了人工神经网络(artificial neural network, ANN)[7]和支持向量机(support vector machine, SVM)[8]等方法。孙功武等[3]优化最小二乘法,提出了一种基于模糊控制的动态遗忘因子迭代最小二乘 (recursive least square, RLS)算法,实现了遗忘因子针对误差的动态调整,有优越的辨识精度与收敛速度。褚式新等[4]根据辨识原理与前向差分法设计了一种极大似然辨识方法,较传统卡尔曼滤波算法预报更为精准。秦操[6]采用无迹卡尔曼滤波(unscented Kalman filter, UKF)算法,设计分步辨识,有效提高了辨识精度。以上研究侧重于在现有试验数据的基础上,改进算法以提高收敛速度以及辨识精度。
但在系统辨识算法已较为成熟的情况下,用于计算的航向数据质量对精度影响可能更为显著。动态试验中,航向传感器的数据采集频率与精度相互制约[9-10],不足以支持高精度的模型辨识。当前技术水平限制下,对稀疏数据进行插值重构是高效提高辨识精度的重要途径。常用的插值方法有拉格朗日插值、分段线性插值、三次样条插值等,但三者重构的光滑程度不完全符合无人航行器航向随时间光滑连续变化的实际情境[11-12]。
阿基米德螺旋(Archimedes spiral, AS)在变量光滑连续变化方面具有较大优势。现有研究中,AS结构多用于平面天线的设计与实现[13-14]。此外,在对非圆二次曲线与样条曲线轮廓机械加工时,应用AS拟合离散点,较一系列折线、圆弧等,实现了确保精度前提下的计算量减少[15]。本文尝试将AS应用于初始航向数据的插值重构,探索该方法在操纵辨识数据预处理方面的更大潜力,对于优化原始稀疏数据以得到更为精准的操纵模型有重要意义。
本文首先引入无人航行器一阶线性响应模型,使用采样频率不同的数据集进行参数辨识,揭示航向预测精度与采样频率的关系;之后,使用AS插值重构数据,改善最小二乘算法在初始采样数据稀疏时的辨识精度。最后,通过与初始稀疏数据集、基于三次样条插值的加密集辨识结果对比,证明AS插值方法的优越性。
1 无人航行器操纵运动数学模型为实现对无人航行器航向的精准预测与控制,需建立其航向角与垂直舵角之间的响应方程。假定前向速度恒定,忽略横摇、纵倾和浮潜自由度耦合的影响,无人航行器的水平面动力学方程可简化为[16]:
$ \left\{ \begin{array}{l} (m + {m_{22}})\dot v = - (m + {m_{11}})ur + {Y_r}r + {Y_v}v + {Y_{r|r|}}r|r| +\\ {Y_{v|v|}}v|v| + {Y_{v|r|}}v|r| + Y, \\ ({I_z} + {m_{66}})\dot r = ({m_{11}} - {m_{22}})uv + {N_r}r + {N_v}v + \\ {N_{r|r|}}r|r| + {N_{v|v|}}v|v| + {N_{v|r|}}v|r| + N 。\end{array} \right. $ | (1) |
式中:
假设仅小舵角操纵无人航行器,则式(1)可进一步简化为:
$ \left\{ \begin{gathered} (m + {m_{22}})\dot v = - (m + {m_{11}})ur + {Y_r}r + {Y_v}v + {Y_\delta }\delta, \\ ({I_z} + {m_{66}})\dot r = ({m_{11}} - {m_{22}})uv + {N_r}r + {N_v}v + {N_\delta }\delta 。\\ \end{gathered} \right. $ | (2) |
式(2)经变换,得到:
$ {T_1}{T_2}\ddot r + ({T_1} + {T_2}\;)\;\dot r + r = K\delta + K{T_3}\dot \delta 。$ | (3) |
式中:
$ {T_1}{T_2} = \frac{{(m + {m_{22}})({I_z} + {m_{66}})}}{{[(m + {m_{11}})u - {Y_r}][{N_v} - ({m_{22}} - {m_{11}})u] + {Y_v}{N_r}}}, $ | (4) |
$ {T_1} + {T_2} = \frac{{ - [(m + {m_{22}})\;{N_r} + ({I_z} + {m_{66}}){Y_v}]}}{{[(m + {m_{11}})u - {Y_r}][{N_v} - ({m_{22}} - {m_{11}})u] + {Y_v}{N_r}}}, $ | (5) |
$ {T_3} = \frac{{(m + {m_{22}}){N_\delta }}}{{{Y_\delta }\;[{N_v} - ({m_{22}} - {m_{11}})u] - {N_\delta }{Y_v}}}, $ | (6) |
$ K = \frac{{{Y_\delta }\;[{N_v} - ({m_{22}} - {m_{11}}\;)u] - {N_\delta }{Y_v}}}{{[(m + {m_{11}})u - {Y_r}][{N_v} - ({m_{22}} - {m_{11}})u] + {Y_v}{N_r}}}, $ | (7) |
式(3)即为日本Notomo教授提出的一般性首摇响应线性方程,通常称作二阶线性KT方程。本文侧重于探究响应方程参数辨识过程中由于输入数据“航向-舵角”稀疏产生的问题及相应优化方法。为此,在操舵不很频繁的前提下,参数辨识与设计优化阶段选取进一步简化的一阶线性KT模型:
$ T\dot r + r = K\delta , $ | (8) |
也可用航向角
$ T\ddot \varphi + \dot \varphi = K\delta 。$ | (9) |
式中:
$ T = {T_1}{\text{ + }}{T_2} 。$ | (10) |
对一阶线性KT模型进行参数辨识时,首先将式(9)作离散化处理,即用向前差分代替原本微分形式。整理得:
$ \begin{aligned} \frac{{K{{(\Delta t)}^2}}}{T}\delta (t) - \frac{{\Delta t}}{T}[\varphi (t + \Delta t) - \varphi (t)] =\\ \varphi (t + 2\Delta t) - 2\varphi (t + \Delta t) + \varphi (t) 。\end{aligned}$ | (11) |
式中:
将式(11)表达为矩阵形式,即可得到最小二乘法的标准辨识模型
输出矩阵
$ {\boldsymbol{b}} = [\varphi (t + 2\Delta t) - 2\varphi (t + \Delta t) + \varphi (t)] ,$ | (12) |
输入矩阵
$ {\boldsymbol{A}} = [\begin{array}{*{20}{c}} {\delta (t)}&{\varphi (t + \Delta t) + \varphi (t)} \end{array}], $ | (13) |
参数矩阵
$ {\boldsymbol{X}} = \left[ {\begin{array}{*{20}{c}} {\dfrac{{K{{(\Delta t)}^2}}}{T}}&{ - \dfrac{{\Delta t}}{T}} \end{array}} \right] ,$ | (14) |
此参数矩阵
$ {\boldsymbol{X}} = {({{\boldsymbol{A}}^{\rm{T}}}{\boldsymbol{A}})^{ - 1}}{{\boldsymbol{A}}^{\rm{T}}}{\boldsymbol{b}}。$ | (15) |
因此,将操纵试验中航向/舵角传感器采集的数据依次代入输入矩阵和输出矩阵,即可解得式(9)中一阶线性响应模型的
为确定
$\begin{split} \varphi (t) = &\left(1 - \frac{{\Delta t}}{T}\right)[\varphi (t - \Delta t) - \varphi (t - 2\Delta t)] +\\ & \varphi (t - \Delta t) - \frac{K}{T}{(\Delta t)^2}\delta (t - \Delta t)。\end{split}$ | (16) |
代入初始采样数据集
Z形操纵试验于1943年由Kempt提出,用于衡量船舶操纵性能,目前被广泛应用于无人航行器性能分析,是确定参数
![]() |
图 1 15°Z形仿真试验数据 Fig. 1 Data in 15° zigzag simulation |
基于图1中的仿真数据,建立初始采样数据集S0。从S0中取时间间隔放大为0.5 s和0.2 s的数据,即分别取
![]() |
图 2 不同采样频率数据集S0、S1和S1′对比图 Fig. 2 Comparison of data sets (S0, S1 and S1′) with different acquisition frequencies |
对各数据集开展KT参数辨识,辨识结果如表1所示。
![]() |
表 1 S0,S1和S1′辨识结果对比 Tab.1 Comparison of identification results using S0, S1 and S1′ |
利用上述3个数据集辨识得到的KT数据,辅以式(16)得到无人航行器的航向预测对比结果,如图3所示。
![]() |
图 3 S0、S1和S1′所得KT模型对应的航向预测结果对比 Fig. 3 Comparison of heading results derived from three data sets (S0, S1 and S1′) |
不同密度数据辨识的航向结果均与实测数据存在一定误差。S0模型预测的绝对误差在0.02 rad以内,精度较高,能够满足无人航行器响应建模与路径预测的实际需求。然而,随着数据采集频率降低,数据集稀疏程度加深,相应的辨识误差增大,说明有必要保持一定的数据采集密度。在航向/舵角传感器数据采集频率固定的情况下,应用合适的数据插值加密方法对参数辨识输入矩阵预先进行优化处理,有利于得到高精度无人航行器KT响应模型。
4 基于阿基米德螺旋(AS)重构加密的改进辨识 4.1 稀疏数据集AS插值重构阿基米德螺旋(AS)的极坐标表达形式如下:
$ r = k\theta 。$ | (17) |
式中:
选取采样间隔为0.5 s的数据集S1进行重构,以
$ {\boldsymbol{A}}{{\boldsymbol{S}}_{\boldsymbol{i}}} = \left[ {\begin{array}{*{20}{c}} {{t_i} + k\theta \;\cos (\rho \theta + \sigma )} \\ {{\varphi _i} + k\theta \;\sin (\rho \theta + \sigma )} \end{array}} \right]。$ | (18) |
式中:
$ \rho = - {\text{sign}}({t_{i + 1}}{\varphi _i} - {t_i}{\varphi _{i + 1}}), $ | (19) |
$ \sigma = \arctan ({v_{{2_\varphi }}},{v_{{2_t}}}), $ | (20) |
$ {{\boldsymbol{v}}_{\boldsymbol{i}}} = {\left( {{v_{{2_t}}},{v_{{2_\varphi }}}} \right)^{\rm{T}}} = \frac{{{A_2} - {A_1}}}{{\left\| {{A_2} - {A_1}} \right\|}}。$ | (21) |
为尽可能缩小时间维度响应不足对
$ \sigma = \arctan ({v_{{i_\varphi }}},{v_{{i_t}}}), $ | (22) |
$ {{\boldsymbol{v}}_{\boldsymbol{i}}} = {\left( {{v_{{i_t}}},{v_{{i_\varphi }}}} \right)^{\rm{T}}} = \frac{{{A_i} - {B_{(i - 1){i_{{\text{last}}}}}}}}{{\left\| {{A_2} - {B_{(i - 1){i_{{\text{last}}}}}}} \right\|}}。$ | (23) |
每段AS重构终止于点
![]() |
图 4 AS插值重构方法示意图 Fig. 4 The schematic diagram of AS interpolation method |
为了进一步体现AS重构加密的优越性,除将其模型参数辨识精度与原稀疏数据集S1对比外,还选取S1基于三次样条插值的加密集S3作为对照。S0,S1,S2和S3参数辨识结果如表2所示,航向预测精度对比分别如图5和图6所示。
![]() |
表 2 S0,S1,S2和S3辨识结果对比 Tab.2 Comparison of identified results of S0, S1, S2 and S3 |
![]() |
图 5 S0,S1和S2所得KT模型预测结果对比 Fig. 5 Comparison of heading results derived from three data sets (S0, S1 and S2) |
![]() |
图 6 S0,S2和S3所得KT模型预测结果对比 Fig. 6 Comparison of heading results derived from three data sets (S0, S2 and S3) |
由表2、图5和图6可以看出,重构加密后的数据集S2和S3较原稀疏数据模型辨识效果有明显改善,KT参数辨识精度显著提高,其中K的相对误差缩小至不到1%;基于KT模型的航向角预测结果绝对误差缩小了一个数量级。此外,AS弥补了三次样条插值光滑性不足的缺陷,更加符合Z形操纵试验中航向角光滑连续变化的实际情景。图6表明,AS较三次样条重构加密精度提高了20%,展现了AS的卓越性。图5和图6表明,S2,数据集辨识已较为接近S0所得结果,很大程度上减小了传感器采样频率较低时对无人航行器响应模型辨识的影响。
5 结 语本文将阿基米德螺旋加密重构算法应用于Z形操纵试验数据的插值优化中,并基于重构数据集进行一阶线性操纵响应方程的参数辨识。该方法优化了系统辨识算法在稀疏数据集上的表现,并且有效弥补了三次样条插值光滑程度有限的不足。本文从AS插值优化算法的引入必要性、数据预处理与辨识过程、辨识结果分析与对比等三方面展开研究,得到以下结论:
1)航向数据采集间隔由0.1 s下降至0.5 s时,KT参数辨识平均误差增大了33.5%,说明数据采集频率对参数辨识精度有很大影响。
2)在数据采集频率受限的情况下,AS加密预处理的数据集与高精度高频率采样数据集的参数辨识平均误差仅相差2.4%。同时依据辨识所得模型预测航向,与实际仿真试验结果对比,均方根误差仅为0.0258 rad。表明AS插值优化算法提高稀疏数据集辨识精度的有效性。
3)与基于三次样条插值算法加密数据的效果对比表明,KT辨识与预测结果误差均有所下降,验证了AS在变量光滑连续变化方面具有较大优势,更适合航向数据优化的实际情境。
[1] |
WANG Z H, ZOU Z J, GUEDES SOARES C. Identification of ship manoeuvring motion based on nu-support vector machine[J]. Ocean Engineering, 2019, 183: 270-281. DOI:10.1016/j.oceaneng.2019.04.085 |
[2] |
周怡, 王俊雄. 自适应粒子群算法在AUV水动力参数辨识中的应用[J]. 舰船科学技术, 2021, 43(21): 90-95. ZHOU Y, WANG J X. Application of adaptive particle swarm optimization algorithm in AUV hydrodynamic parameter identification[J]. Ship Science and Technology, 2021, 43(21): 90-95. |
[3] |
孙功武, 谢基榕, 王俊轩. 基于动态遗忘因子递推最小二乘算法的船舶航向模型辨识[J]. 计算机应用, 2018, 38(3): 900-904. SUN G W, XIE J R, WANG J X. Ship course identification model based on recursive least squares algorithm with dynamic forgetting factor[J]. Journal of Computer Applications, 2018, 38(3): 900-904. DOI:10.11772/j.issn.1001-9081.2017082041 |
[4] |
褚式新, 茅云生, 董早鹏, 等. 基于极大似然法的高速无人艇操纵响应模型参数辨识[J]. 兵工学报, 2020, 41(1): 127-134. CHU S X, MAO Y S, DONG Z P, et al. Parameter identification of high-speed USV maneuvering response model based on maximum likelihood algorithm[J]. Acta Armamentar II, 2020, 41(1): 127-134. DOI:10.3969/j.issn.1000-1093.2020.01.015 |
[5] |
PERERA L P, OLIVEIRA P, GUEDES SOARES C, et al. System identification of vessel steering with unstructured uncertainties by persistent excitation maneuvers[J]. Journal of Oceanic Engineering, 2016, 41(3): 515-528. |
[6] |
秦操. 基于无迹卡尔曼滤波的船舶运动数学模型辨识[J]. 舰船科学技术, 2021, 43(1): 89-94. QIN C. Parameter identification for ship mathematical model based on unscented Kalman filter[J]. Ship Science and Technology, 2021, 43(1): 89-94. |
[7] |
RAJESH G, BHATTACHARYYA S K. System identification for nonlinear maneuvering of large tankers using artificial neural network[J]. Applied Ocean Research, 2008, 30(4): 256-263. DOI:10.1016/j.apor.2008.10.003 |
[8] |
WANG X G, ZOU Z J, HOU X R, et al. System identification modelling of ship manoeuvring motion based on support vector regression[J]. Journal of Hydrodynamics, Ser. B, 2015, 27(4): 502-512. DOI:10.1016/S1001-6058(15)60510-8 |
[9] |
支祖伟. 面向水下小型航行器的航姿传感器研究[D]. 合肥: 中国科学技术大学, 2020.
|
[10] |
蒋窍, 李杰, 刘俊, 等. 基于单片机的GPS/MEMS陀螺仪航向角实时测量系统[J]. 传感技术学报, 2011, 24(6): 919-922. JIANG Q, LI J, LIU J, et al. GPS and MEMS gyroscope real-time heading angle measurement system based on SCM[J]. Chinese Journal of Sensors and Actuators, 2011, 24(6): 919-922. DOI:10.3969/j.issn.1004-1699.2011.06.028 |
[11] |
张丽娟. 三种插值方法的应用与比较[J]. 赤峰学院学报(自然科学版), 2010, 26(3): 1-3. DOI:10.13398/j.cnki.issn1673-260x.2010.03.001 |
[12] |
郭小乐. 基于matlab的常见插值法及其应用[J]. 赤峰学院学报(自然科学版), 2017, 33(7): 5-7. DOI:10.13398/j.cnki.issn1673-260x.2017.07.002 |
[13] |
陈小娟, 袁乃昌. 平面螺旋天线的设计与实现[J]. 雷达与对抗, 2004, 4(4): 31-33. CHEN X J, YUAN N C. Design and implement of a planar spiral antenna[J]. Radar and Countermine, 2004, 4(4): 31-33. DOI:10.19341/j.cnki.issn.1009-0401.2004.04.008 |
[14] |
张国治, 张硕, 张晓星, 等. 新型GIS局部放电柔性内置阿基米德螺旋天线研究[J/OL]. 高压电器: 1–10, 2022-01-30/2022-05-11.
|
[15] |
尤中桐, 王太勇, 刘清建, 等. 一种基于最小二乘法的离散点螺旋线式拟合算法[J]. 中国机械工程, 2018, 29(20): 2502-2506+2514. YOU Z T, WANG T Y, LIU Q J, et al. A fitting algorithm based on least square method and spiral for discrete points[J]. China Mechanical Engineering, 2018, 29(20): 2502-2506+2514. DOI:10.3969/j.issn.1004-132X.2018.20.017 |
[16] |
吴恭兴. 无人艇操纵性与智能控制技术研究[D]. 哈尔滨: 哈尔滨工程大学, 2011.
|
[17] |
PRESTERO T. Verification of a six-degree of freedom simulation model for the REMUS autonomous underwater vehicle[D]. Cambridge: Massachusetts Institute of Technology, 2001.
|