شناسایی مدل غیرخطی یک ربات زیرآبی کابلی (rov) با استفاده از فیلتر کالمن توسعه یافته دوگانه

مدل دینامیکی ربات زیرآبی به صورت یک سیستم غیرخطی با ضرایب هیدرودینامیک متعدد توصیف می‌شود که این ضرایب تاثیر بسزایی بر عملکرد ربات، قابلیت مانور و کنترل‌پذیری آن دارند. از طرفی مقدار این ضرایب به مرور زمان متاثر از عوامل فیزیکی تغییر میکنند، که این در کنترل ربات تاثیر بسزایی دارد. در این پژوهش مسئله شناسایی ضرایب هیدرودینامیک ربات زیر آبی در مود حرکت افقی با استفاده از رویتگر فیلتر کالمن توسعه یافته دوگانه(dekf) مطرح شده است که در آن برای همگرایی بهتر تخمین از دو فیلتر که بصورت همزمان اجرا می‌شوند استفاده می‌شود. یک فیلتر متغیرهای حالت سیستم را تخمین میزند و یک فیلتر برای تخمین پارامترهای سیستم که ضرایب هیدرودینامیک ربات را شامل می‌شوند استفاده می‌شود. تخمین پارامترها براساس داده‌های ورودی- خروجی ربات که با ایجاد یک مانور حرکتی مناسب تولیدشده‌اند و اعمال آن به الگوریتم پیشنهادی به دست آمده‌اند. در ضمن برای بهبود عملکرد تخمین فیلتر، ماتریس کوواریانس نویز را با استفاده از یک روش بازگشتی بصورت تطبیقی بهبود داده‌ایم. عملکرد الگوریتم پیشنهادی روی سه مدل ربات مختلف با ضرایب هیدرودینامیک مشخص به صورت شبیه‌سازی تست شده است.نتایج شبیه سازی نشان می دهد میانگین خطای تخمینپارامترها برای داده های گردآوری شده در مانورهای سرعت پایین ربات حدود 3.5 % و برای مانورهای سرعت بالا دقت تخمین ضرایب افزایش پیدا کرده و میانگین خطای تخمین تا 0.26 % کاهش پیدا کرده است.

identification of the nonlinear model of a remotely operated vehicle (rov) using dual extended kalman filter

the dynamic model of the underwater vehicle is a non-linear system with multiple hydrodynamic coefficients, which greatly impacts the maneuverability and controllability of the vehicle’s performance. on the other hand, the value of these coefficients changes over time due to physical factors, which have a significant impact on robot control. in this research, the problem of identifying the hydrodynamic coefficients of the underwater robot in the horizontal motion mode has been raised using the dual extended kalman filter (dekf) observer, in which two filters are used that are executed simultaneously for better convergence of the estimation. one filter estimates the state variables of the system and one filter is used to estimate the system parameters that include the robot hydrodynamic coefficients. the parameter estimation is based on the input-output data of the robot, which is generated by creating a suitable maneuver. then this data is applied to the proposed algorithm. meanwhile, to improve the estimation performance of the filter, we adaptively improve the noise covariance matrix using a recursive method. the performance of the proposed algorithm has been tested by simulation on three different robot models with specific hydrodynamic coefficients.