关键词： 无人水面船   路径跟踪   自适应神经网络控制   周期事件触发协议   有限时间积分视线(FT-ILOS)制导方法  

摘要： 为解决四自由度(4 degree-of-freedom,4-DOF)无人水面船在动态不确定性和外部扰动下的路径跟踪问题,提出一种基于有限时间积分视线(finite-time integral line-of-sight,FT-ILOS)制导的自适应神经网络路径跟踪控制方法。在视线(line-of-sight,LOS)制导框架下,利用有限时间理论,引入积分机制和新的制导机制,实现船舶位置跟踪误差的有限时间收敛,且避免制导积分项引起的饱和风险。基于反步控制法设计框架,结合FT-ILOS制导方法,利用自适应神经网络逼近复合扰动项,利用虚拟参数学习技术解决“维数灾难”问题,同时利用动态面控制技术降低计算复杂度。为减少执行器响应频率和磨损,在控制律与执行器之间建立周期事件触发协议。通过李雅普诺夫稳定性分析证明闭环控制系统中所有信号均有界,通过MATLAB仿真对比实验验证所提控制方法的有效性和鲁棒性。

关键词： 无人船   路径跟踪   强化学习   自专家克隆   视线算法  

摘要： 无人船路径跟踪对海上自主作业至关重要，然而，风、浪、流以及无人船自身的控制误差等因素会影响路径跟踪的性能。强化学习算法凭借在线交互与实时反馈的特点，能够主动适应动态环境，在无人船路径跟踪任务中展现出良好的应用前景，然而其试错训练模式在实际应用中存在安全风险，且理想仿真场景与现实复杂环境之间的差距也进一步制约了强化学习在实际应用中的效果。针对这些挑战，本文提出了一种视线引导与自专家克隆融合强化学习的无人船路径跟踪算法LECUP。LECUP算法首先在静水环境中训练专家策略，随后通过自专家克隆将智能体迁移至更复杂的环境中。为了确保知识能够有效传递，LECUP算法引入数据填充机制，将自专家在静水环境中积累的经验数据进行升维填充并存储，并以此初始化复杂环境中的智能体。之后，运用强化学习算法对智能体在复杂环境中进行微调，从而进一步适应复杂环境。此外，LECUP算法结合视线算法计算目标航向，将路径跟踪控制与路径几何形状解耦，增强了无人船对不同路径形状的适应能力。该方法不仅能够在复杂环境中持续优化策略，还能缓解随机初始化带来的安全风险。大量实验结果表明，相较于基线方法，LECUP算法能够更好地完成无人船路径跟踪任务。

关键词： 速变视线导航法   无人船   航行轨迹   轨迹跟踪   自适应跟踪控制  

摘要： 由于无人船在航行过程会受到来自风浪的干扰，对无人船的航行状态产生影响，导致难以根据无人船的实时状态和环境变化，自动调整控制指令，实现自适应控制。因此，为了保证无人船能够按照既定规划路线航行，提高无人船的航行安全，利用速变视线导航法优化设计无人船航行轨迹自适应跟踪控制方法。根据无人船的航行目标，规划无人船航行轨迹，将其作为无人船的控制目标轨迹。利用无人船中内置的传感器，获取无人船初始位姿数据，通过航行位置的预测与调整，得出无人船实时航行轨迹位置的自适应跟踪结果。基于无人船的控制目标轨迹，考虑环境干扰，在速变视线导航法支持下，根据无人船的速度和环境条件动态调整视线角度，生成并调整无人船航行轨迹控制指令，通过控制指令的执行，实现无人船航行轨迹的自适应控制。通过性能测试实验得出结论：与两种对比方法相比，优化设计方法的跟踪误差明显降低，无人船航行轨迹控制方法的误差减小4.7km，且在抗干扰性能方面具有明显优势。

关键词： 视野检查   视线跟踪技术   眼动仪   全自动反馈   大学生  

摘要： 目的:观察基于视线跟踪技术的全自动反馈视野计在大学生的初步应用并验证其测试效能。方法:利用眼动仪与家用计算机、显示器搭建完成新型全自动反馈视野计平台后,基于注视和跳动两种特征眼动,通过分析参与者是否感知到刺激视标,视线扫描路径及向刺激视标注视点,从而判断参与者该部分视野是否存在异常。结果:共采集63名119眼有效眼动数据,所有参与者完成测试平均时间为82.46±14.68 s,右眼平均测试时间为88.21±15.30 s,左眼平均测试时间为76.42±11.29 s,左、右眼测试时长有差异(P<0.05)。结论:基于视线跟踪技术的全自动反馈视野计能够实现人机自动交互,使视野检查过程简单易行,缩短了检查时间,提高了参与者体验。

关键词： 欠驱动无人船   有限时间正切漂角视线制导   指令滤波   路径跟踪控制   神经网络  

摘要： 海洋环境复杂多变,为提升欠驱动无人船(underactuated marine vehicle,UMV)的自主航行与故障应对能力,提出基于有限时间正切漂角视线制导的指令滤波路径跟踪控制策略.在包括内部动力学未知、时变大漂角和执行器故障的复杂情况下,该策略可使UMV在有限时间内遵循所需的路径.首先,构建有限时间漂角观测器,用于快速精准地估计时变大漂角;随后,引入有限时间正切漂角视线制导律,不仅能提升制导性能,还能有效避免因非光滑制导指令产生高频震荡导致UMV失稳;此外,通过采用有限时间指令滤波控制技术降低计算负担,并提出滤波补偿方案减少滤波误差;最后,基于径向基函数神经网络和有限时间理论,设计自适应有限时间容错路径跟踪控制器,使得UMV的纵向速度和艏向角跟踪误差在有限时间内能够收敛到原点附近的小邻域.仿真实验验证了所提出方案的有效性和优越性.

关键词： 遥操作系统   示教学习   高斯混合模型   力反馈   意图识别  

摘要： 针对传统的机器人遥操作系统缺乏对任务的认知和操作者主观性判断的问题,课题组提出了一种基于示教学习与视线追踪的遥操作系统设计策略。首先运用高斯混合模型(Gaussian mixture model,GMM)和高斯混合回归(Gaussian mixture regression,GMR)对机器人的技能进行学习,实现人机技能转移;然后基于示教学习设计了一种人工势场法的虚拟夹具(virtual fixtures,VF),并设计了力反馈算法;最后使用网络摄像头对操作者的视觉意图进行判别,将意图识别结果和人工势场法应用于虚拟夹具力反馈算法中,并进行实验。研究结果表明:基于视觉意图判别的虚拟夹具力反馈遥操作系统能够对操作者的意图进行判别,有效解决了操作者的主观意图受传统虚拟夹具产生的反馈力限制的问题,增强了操作者在遥操作过程中的主观性,是遥操作控制系统中一种有效且实用的力反馈控制方案。研究结果可为高危场景下具有力觉临场感的机器人遥操作系统的实际应用提供参考。

关键词： 高速无人艇   路径跟踪   视线法   扩张状态观测器   输入饱和  

摘要： 路径跟踪控制是水面无人艇进行水面作业的关键技术,针对高速无人艇在路径跟踪过程中存在过弯偏差大、收敛速度慢、抗干扰能力弱等问题,提出基于降阶扩张状态观测器的动态前视距离视线法(ESODFLOS),通过融合前视距离和跟踪误差加快收敛速度,利用动态面技术避免反步法的“微分爆炸”,引入辅助观测系统补偿推力输入受限,设计了自适应航速航向鲁棒控制器。仿真与湖试实验结果表明,提出的方法能有效减小水面无人艇高航速过弯时的最大横侧偏差(42.6%)和平均横向误差(38.4%),降低航速振荡幅度(24%),加快误差收敛速度(33%),提升了高速无人艇路径跟踪精度和控制系统鲁棒性。

关键词： 轮式移动机器人   目标跟踪   双曲正切视线制导策略   扩张状态观测器   自抗扰控制  

摘要： 为提高轮式移动机器人(WMR)在复杂环境中应对侧滑和打滑干扰的目标跟踪能力,提出了一种基于双曲正切视线制导策略的自抗扰控制方法。首先,通过分析WMR的侧滑和打滑现象建立了扰动下WMR的运动学和动力学模型;其次,给出了一种基于分区切换机制的双曲正切视线制导策略以提高跟踪的动态响应能力;随后,基于WMR的动力学模型设计自抗扰控制算法,利用扩张状态观测器估计侧滑和打滑等未知干扰,实现目标跟踪任务。仿真和实车实验结果表明,本文方法在复杂环境中具有更高的跟踪精度和更强的抗干扰能力。实际测试中WMR在遭受模拟打滑试验后可快速地恢复到目标跟踪行进轨迹,且跟踪误差稳定于0.025 m以内,验证了所提方法的有效性。

关键词： 机器学习   眼位测定仪   视线跟踪   误差补偿   BP神经网络  

摘要： 眼球具有高速、高精度的运动能力,不同的眼球运动模式会导致视线轨迹和注视位置的变化,这会改变眼球相对于测量仪器的位置和角度,在面对迅速变化或遮挡等特殊情况时,传统方法缺乏对眼动规律的全面把握,无法准确测定角膜中心与瞳孔间的真实连接方向,这导致了补偿效果的准确性和稳定性受限。为此,提出基于机器学习的视线跟踪误差自动复合补偿方法。基于眼位测定仪结构,建立眼部视线的方向映射模块;基于眼动规律,测定角膜中心与瞳孔间真实连接方向,在3D空间体系内完成眼位测定仪视线中心跟踪定位。利用三维空间体系建立测量坐标,通过三维视线方向,计算眼位测定仪视线跟踪误差。将误差输入BP神经网络,在机器学习导向下根据各层感知器的反馈输出,建立激活函数计算输出层总误差,通过损失函数实现视觉跟踪误差自动复合补偿。经实验证明,所提方法能有效补偿不同视线移动条件和眨眼情况下的眼位测定仪产生的视线跟踪误差,具备一定的实用性。

关键词： 视线跟踪   校正   曲面屏   眼动数据  

摘要： 曲面屏不同于平面屏,其曲度会造成基于模型法得到的眼动估计数据与用户实际数据存在差异,这影响了眼动设备的跟踪精度。针对以上问题,文章提出了基于屏幕误差模型的眼动数据校正方法。该方法借助眼动设备的视线标定流程,通过分析用户眼动数据与视线估计数据间的几何关系,推断曲面屏与平面屏在视线估计中的系统误差,将该偏差用于眼动数据校正。计算机仿真结果显示,校正后的眼动数据误差小于15.51 pixels,比校正前降低了48.89%。