缆控采样器的水动力学模型及其运动控制

This project is on the hydrodynamic modeling and motion control of an electro-optical cable tethered deep-sea sampler. Such a modular sampler not only possesses some intelligence of a ROV but also the large sample capacity of a TV-grab, and has received a huge success in the marine environment monitoring, marine resource investigation, the seafloor instrument recovery and deployment, and etc. However, its motion control is extremely challenging due to the strong nonlinear coupling between the cable force and the rigid-body attitude and position, and the ocean currents. By using a finite difference scheme for solving the complete dynamic problem of the cable, this project provides a new method to evaluate the cable force under the sampler's equilibrium state, and establishes a hydrodynamic model of the sampler by the Newton–Euler equations. Combining both the tow-tank field tests and the computational fluid dynamics method, we develop a robust parameter estimation algorithm to identify the hydrodynamic model. Under a given sampling trajectory, we finally design a robust nonlinear controller by using the Lyapunov and backstepping technique, which guarantees the autonomous navigation and the in situ sampling of the sampler. Moreover, it is expected that our design method can be extended to control a ROV and thus improve its work capacity.

本项目研究在光电复合缆拖曳下的深海采样器的水动力学模型及其运动控制。此类模块化设计的采样器同时具备了 ROV 的部分机动性能和电视抓斗的大容量采样功能，在海洋环境监测、海洋资源调查、海底设备投放与找回等方面获得了巨大成功。但由于光电复合缆作用在采样器上的缆力与采样器的姿态、位置、海洋流体等具有很强的非线性耦合关系，采样器的运动控制深具挑战。为此，本项目首先提出一种差分格式求解光电复合缆的完全动态问题，给出了采样器在平衡状态下的缆力计算方法，并建立采样器基于牛顿－欧拉方程的水动力学模型。其次，综合利用拖曳水池试验法和计算流体力学法的优势，设计了稳健的模型参数辨识算法。最后，对于给定的采样路径，基于李雅普诺夫和反推控制技术，设计出推进器的鲁棒非线性控制方案。从而，实现采样器在一定范围内的自主导航与原位采样。同时，研究方法可推广至ROV的控制，进一步提高ROV的作业能力。

本项目研究了一类具有复杂动力学的水下机器人（如缆控采样器）动力学模型及其基于模型预测控制的鲁棒非线性运动控制方法。进一步，针对水下信息场的寻源问题，提出了分布式场源估计与路径规划方法；基于此，项目研究了深度跟踪控制问题，分别提出了基于欧拉-拉格朗日模型和无模型的运动控制方法。特别地，基于水下机器人的 欧拉-拉格朗日模型6自由度的动力学模型，提出一种基于模型预测控制的鲁棒非线性控制方法。因缆控采样器的工作环境复杂，动力学模型与外部环境高度耦合，非线性程度高，很难获取准确可靠的动力学模型。本项目提出了基于深度强化学习的水下机器人运动跟踪控制方法，实现了在动力学模型未知情况下，通过航行数据与强化学习方法计算出最优控制器。根据实际问题中目标深度的形式以及水下机器人观测信息的完整程度，研究了基于强化学习的水下机器人的3种深度控制问题，即固定深度控制、曲线深度追踪及海床追踪，并在南海海底地形进行了仿真验证。..在本项目的支持下，项目团队在国际权威期刊上发表与录用SCI论文12篇，其中系统控制领域两大顶级期刊《Automatica》和《IEEE Transactions on Automatic Control》共7篇等，EI会议论文共9篇，申请中国发明专利5项。项目负责人获国家自然科学基金优秀青年基金资助，获亚洲控制协会淡马锡青年教育学者奖（ACA Temasek Young Educator Award），为该奖中国首位获得者，及2019年晋升为清华大学长聘副教授。项目部分成果获2019年北京市科学技术奖初审推荐自然科学一等奖（已公示，项目负责人排名为3/6）。毕业博士生3名，硕士生3名；在读博士生2名，硕士生1名，博士后出站1名。

内容获取失败，请点击重试