Adaptive trajectory control system auv based on a direct propagation neural network

Cover Page

Cite item

Full Text

Abstract

The paper is devoted to the development and study of an intelligent system of adaptive automatic control with a given target based on the use of artificial neural network of forward propagation. The control object is an autonomous unmanned underwater vehicle (AUV). In this paper, it is proposed to feed the signals received from the systems of the AUV to the input of the neural network, and use the output signal of the neural network for control to keep the vehicle on a given trajectory. As a result of this work, a model and a learning method are proposed that lead to holding the ANPA on a given trajectory under an external influence with a natural constraint for the considered mobile robot. Given a continuous preset trajectory and discrete signals from the ANPA systems, this allows following the preset trajectory with a simple intelligent control system that does not require large computational power. The proposed method of control system training allows pre-training on a numerical model of vehicle motion with random external influences, but does not require such pre-training under certain conditions. It is shown, in particular, that in the case of a sufficiently large learning rate, the model has time to rearrange itself and reacts to changed circumstances. The proposed intelligent system of adaptive automatic control can find application in those cases when the characteristic time of changes in the system is of the order of the training time, and the trajectory of motion satisfies the requirements stated in the paper.

About the authors

Valeria Romanovna Romanova

V.I. Vernadsky Crimean Federal University

Email: lero4ka2004ro@gmail.com
Simferopol

Sergei Valentinovich Zuev

Belgorod State Technological University named after V.G. Shukhov

Email: sergey.zuev@bk.ru
Belgorod

References

  1. БОРЕЙКО А.А., ИНЗАРЦЕВ А.В., МАШОШИН А.И., ПАВИН А.М. и др. Система управления АНПА большой автономности на базе мультиагентного подхода // Под-водные исследования и робототехника. – 2019. – Т. 28, №2 – С. 23–31.
  2. РАШИД Т. Создаем нейронную сеть. – СПб. : ООО «Диалектика», 2019. – 272 с.
  3. ЦЫПКИН Я.З. Адаптация и обучение в автоматических системах. – М.: Гл. ред. физ.-мат. лит-ры изд-ва «Наука», 1968. – 400 с.
  4. ABOUSSALAH A.M., LEE C. Continuous control with Stacked Deep Dynamic Recurrent Reinforcement Learning for portfolio optimization // Expert Systems with Applica-tions. – 2020. – Vol. 140. – P. 1–11.
  5. CARLUCHO I., PAULA M.D., ACOSTA G.G. Double Q-PID algorithm for mobile robot control // Expert Systems with Applications. – 2019. – Vol. 137. – P. 292–307.
  6. CHE G., YU Z. Neural-network estimators based fault-tolerant tracking control for AUV via ADP with rudders faults and ocean current disturbance // Neurocomputing. – 2020. – Vol. 411. – P. 442–454.
  7. Deep Neural Evolution / Eds.: H. Iba, N. Noman // Springer Singapore. – 2020. – 438 p. – ISBN 978-981-15-3685-4 (electronic).
  8. DEPTULA P., BELL Z.I., DOUCETTE E.A., CURTIS J.W. et al. Data-based reinforcement learning approximate optimal control for an uncertain nonlinear system with control effec-tiveness faults // Automatica. – 2020. – Vol. 116. – P. 1–10.
  9. ELHAKI O., SHOJAEI K. A robust neural network approxi-mation-based prescribed performance output-feedback con-troller for autonomous underwater vehicles with actuators saturation // Engineering Applications of Artificial Intelli-gence – 2020. – Vol. 88. – P. 1–16.
  10. ELHAKI O., SHOJAEI K. Neural network-based target tracking control of underactuated autonomous underwater vehicles with a prescribed performance // Ocean Engineer-ing. – 2018. – Vol. 167. – P. 239–256.
  11. GLATT R., SILVA F.L., BIANCHI R.A., COSTA A.H. DE-CAF: Deep Case-based Policy Inference for knowledge transfer in Reinforcement Learning // Expert Systems with Applications. – 2020. – Vol. 156. – P. 1–13.
  12. HAN H., WEI Y., YE X., LIU W. Modeling and fuzzy de-coupling control of an underwater vehicle-manipulator sys-tem // IEEE Access. – 2020. – Vol. 8. – P. 18962–18983.
  13. HUANG Z, BAI W., LI T., LONG Y. et al. Adaptive rein-forcement learning optimal tracking control for strict-feedback nonlinear systems with prescribed performance // Information Sciences. – 2023. – Vol. 621. – P. 407–423.
  14. JAIN A., THOKE A.S., PATEL R.N. Fault classification of double circuit transmission line using artificial neural net-work // Int. Journal of Electrical Systems Science and Engi-neering. – 2008. – Vol. 1. – P. 230–235.
  15. LEI M. Nonlinear diving stability and control for an AUV via singular perturbation // Ocean Engineering. – 2020. – Vol. 197. – P. 1–11.
  16. LEWIS F.L., VRABIE D.L. Reinforcement learning and adaptive dynamic programming for feedback control // IEEE Circuits and Systems magazine. – 2009. – Vol. 9. – P. 32–50.
  17. MAHANTY R.N., DUTTA GUPTA P.B. Comparison of Fault Classification Methods Based on Wavelet Analysis and ANN // Electric Power Components and Systems. – 2006. – Vol. 34 – P. 47–60.
  18. MONTGOMERY D.C. Design and Analysis of Experiments. – John Wiley & Sons, Inc, 1997. – P. 757.
  19. NEVES G., RUIZ M., FONTINELE J., OLIVEIRA L. Rotated object detection with forward-looking sonar in underwater applications // Expert Systems with Applications. – 2020. – Vol. 140. – P. 1–18.
  20. PENG Z., ZHAO Y., HU J., GHOSH B.K. Data-driven opti-mal tracking control of discrete-time multi-agent systems with two-stage policy iteration algorithm // Information Sci-ences. – 2020. – Vol. 481. – P. 189–202.
  21. RASHIDI A.J., KARIMI B., KHODAPARAST A. A con-strained predictive controller for AUV and computational optimization using Laguerre functions in unknown environ-ments // Int. J. Control Autom. Syst. – 2020. – Vol. 18. – P. 753–767.
  22. RODRÍGUEZ J., CASTAÑEDA H., GORDILLO J.L. La-grange modeling and navigation based on quaternion for controlling a micro AUV under perturbations // Robotics and Autonomous Systems. – 2020. – Vol. 124. – P. 1–12.
  23. SHEN C., SHI Y. Distributed implementation of nonlinear model predictive control for AUV trajectory tracking // Au-tomatica. – 2020. – Vol. 115. – P. 1–9.
  24. SU H., ZHANG H., SUN S., CAI Y. Integral reinforcement learning-based online adaptive event-triggered control for non-zero-sum games of partially unknown nonlinear systems // Neurocomputing. – 2020. – Vol. 377. – P. 243–255.
  25. SUN Y., XIANGRUI R., ZHANG G., XIANGBIN W., XU H. AUV path following controlled by modified Deep Deter-ministic Policy Gradient // Ocean Engineering. – 2020. – Vol. 210. – P. 1–14.
  26. SURYENDU C., SUBUDHI B. Formation control of multiple autonomous underwater vehicles under communication de-lays // IEEE Trans. on circuits and systems II: Express briefs. – 2020. – Vol. 67, No. 12. – P. 3182–3186.
  27. TENG M., YE L., YUXIN Z., YANQING J. et al. An AUV localization and path planning algorithm for terrain-aided navigation // ISA Transactions. – 2020. – Vol. 103. – P. 215–227.
  28. VAMVOUDAKIS K.G., LEWIS F.L. Online actor–critic al-gorithm to solve the continuous-time infinite horizon optimal control problem // Automatica. – 2010. – Vol. 46. – P. 878–888.
  29. WANG X., ZERR B., THOMAS H., CLEMENT B. et al. Pat-tern formation of multi-AUV systems with the optical sensor based on displacement-based formation control // Int. Jour-nal of Systems Science. – 2020. – Vol.51:2. – P. 348–367.
  30. WEN G., CHEN C.L., LI W.N. Simplified optimized control using reinforcement learning algorithm for a class of sto-chastic nonlinear systems // Information Sciences. – 2020. – Vol. 517. – P. 230–243.
  31. What’s New in Artificial Intelligence from the 2022 Gartner Hype Cycle [Электронный ресурс] // Gartner. – URL: https://tinyurl.com/4z4vrhcy (дата обращения: 26.06.2023).
  32. XIA Y., XU K., WANG W., XU G. et al. Optimal robust tra-jectory tracking control of a X-rudder AUV with velocity sen-sor failures and uncertainties // Ocean Engineering. – 2020. – Vol. 198. – P. 1–16.
  33. YAN X-P., WANG S-W., MA F., LIU Y-C. et al. A novel path planning approach for smart cargo ships based on ani-sotropic fast marching // Expert Systems with Applications. – 2020. – Vol. 159. – P. 1–16.
  34. YUAN H, SHUAI C., MA J., FANG Y. An efficient control allocation algorithm for over-actuated AUVs trajectory tracking with fault-tolerant control // Ocean Engineering. – 2023. – Vol. 273. – P. 113976.
  35. ZHENG Z., RUAN L., ZHU M., GUO X. Reinforcement learning control for underactuated surface vessel with out-put error constraints and uncertainties // Neurocomputing. – 2020. – Vol. 399. – P. 479–490.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».