基于反作用轮的仿生机器鱼横滚稳定控制方法及系统

摘要

本发明属于水下机器人控制领域，具体涉及一种基于反作用轮的仿生机器鱼横滚稳定控制方法、系统、装置，旨在解决现有技术中仿生机器鱼在横滚运动时姿态不稳定的问题。本方法包括沿现有仿生机器鱼中轴线平行设置反作用轮，基于获取的仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号，根据所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。本发明能够最大程度地减小运动扰动、环境扰动，大幅度提高仿生机器鱼的横滚稳定性。同时依据本方法的原理不仅能够对仿生机器鱼的横滚姿态进行稳定控制，还能用于仿生机器鱼的俯仰、偏航等姿态进行控制，实用性强。

权利要求

1.一种基于反作用轮的仿生机器鱼横滚稳定控制方法，所述方法应用于仿生机器鱼，其特征在于，所述仿生机器鱼安装有轴线沿头尾轴平行设置的反作用轮，所述方法包括如下步骤：

S100，获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

S200，基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；所述反作用轮控制信号获取方法为：S210，基于所述尾部关节角速度，通过前馈补偿器得到所述仿生机器鱼的运动扰动补偿量；

S220，基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量由经过辨识的神经网络计算得到，该神经网络的输入为关节的角速度，输出为运动扰动补偿量，通过滑模控制器得到反作用轮控制信号；

S300，根据所述反作用轮控制信号控制所述反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

2.根据权利要求1所述的基于反作用轮的仿生机器鱼横滚稳定控制方法，其特征在于，所述前馈补偿器为预训练的神经网络前馈补偿器；

所述预训练的神经网络前馈补偿器基于三层反向传播神经网络构建；所述网络的输入层节点数与所述仿生机器鱼的尾部关节数量相等，输出层节点数为1，激活函数为Sigmoid函数。

3.根据权利要求2所述的基于反作用轮的仿生机器鱼横滚稳定控制方法，其特征在于，所述神经网络前馈补偿器通过离线训练获取，其训练方法为：A100，通过系统辨识方法获取所述仿生机器鱼在静止状态下的系统参数；所述系统辨识方法为基于冲激响应构建的方法；

A200，采集所述仿生机器鱼在游动过程的横滚角、横滚角速度及尾部关节角速度，作为采集数据；

A300，基于所述系统参数、所述采集数据，通过线性跟踪微分器计算横滚角加速度；并基于所述横滚角加速度、所述系统参数、所述采集数据得到所述仿生机器鱼的运动扰动补偿量；

A400，根据所述运动扰动补偿量，利用反向传播算法对所述神经网络前馈补偿器进行训练。

4.根据权利要求3所述的基于反作用轮的仿生机器鱼横滚稳定控制方法，其特征在于，步骤S210中“通过预训练的神经网络前馈补偿器得到所述仿生机器鱼的运动扰动补偿量”，其方法为：

其中，为运动扰动补偿量；f(·)为Sigmoid函数，其公式为， 代表由第i个输入层节点数到第k个隐含层节点数的权重； 代表了第k个隐含层节点数到输出层节点数的权重； 代表第k个隐含层节点数的偏置；bo代表输出层节点数的偏置；m为输入层节点数的数量；n为隐含层节点数数量； 为第i号关节的角速度。

5.根据权利要求1所述的基于反作用轮的仿生机器鱼横滚稳定控制方法，其特征在于，所述滑模控制器通过获取的仿生机器鱼的运动状态来调节其自身的系统参数，并将sign函数替换为饱和函数。

6.根据权利要求4所述的基于反作用轮的仿生机器鱼横滚稳定控制方法，其特征在于，步骤S220中“基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量通过滑模控制器得到反作用轮控制信号”其方法为，其中，u为反作用轮控制信号；K3代表输入系数；x1为横滚角，x2为横滚角速度；C1、C2和β为滑模控制器参数；代表运动扰动补偿量；sat()为饱和函数，s为线性滑模面，βsat(s)代表环境扰动补偿量。

7.一种基于反作用轮的仿生机器鱼横滚稳定控制系统，所述系统应用于仿生机器鱼，其特征在于，所述仿生机器鱼安装有轴线沿头尾轴平行设置的反作用轮；所述系统包括：获取模块、计算模块、执行模块；

所述获取模块，配置为获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

所述计算模块，配置为基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；

所述执行模块，配置为基于所述反作用轮控制信号控制所述反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制，所述反作用轮控制信号获取方法为：基于所述尾部关节角速度，通过前馈补偿器得到所述仿生机器鱼的运动扰动补偿量，基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量由经过辨识的神经网络计算得到，该神经网络的输入是关节的角速度，输出是运动扰动补偿量，通过滑模控制器得到反作用轮控制信号。

8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用于由处理器加载并执行以实现权利要求1‑6任一项所述的基于反作用轮的仿生机器鱼横滚稳定控制方法。

9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1‑6任一项所述的基于反作用轮的仿生机器鱼横滚稳定控制方法。

说明书

基于反作用轮的仿生机器鱼横滚稳定控制方法及系统

技术领域

[0001] 本发明属于水下机器人控制领域，具体涉及一种基于反作用轮的仿生机器鱼横滚稳定控制方法、系统、装置。

背景技术

[0002] 近年来，仿生机器鱼因其高机动、高效率以及低噪声等优势，在水下机器人领域引起了广泛关注。但是，仿生机器鱼依靠尾部摆动或拍动的推进方式为其实际应用带来了很
大困难。具体而言，由于鱼尾的往复摆动，仿生机器鱼体在反作用力下呈现姿态振荡的现
象，使得机载传感器难以获取稳定可靠的数据，增加了仿生机器鱼环境感知与自主作业的
难度。

[0003] 为了解决仿生机器鱼姿态不稳定的问题，常见方案有基于反作用轮的主动稳定方式与基于鱼鳍的被动稳定方式两类。其中，被动稳定方法依赖大尺寸鱼鳍，增加鱼体阻力
矩，进而提高仿生机器鱼稳定性。主动稳定方法则通过反作用轮对仿生机器鱼施加控制力
矩，从而达到姿态稳定的效果。相较于被动方法，主动方法对于仿生机器鱼的运动性能损害
更小，因而具有更好的应用前景。

[0004] 目前，反作用轮在仿生机器鱼姿态控制中的成果相对较少，但是在其他机器人领域中已有广泛的研究。常见基于反作用轮的姿态控制方法包括：线性二次型调节器、滑模控
制、反馈线性化控制等，这些控制方法在地面以及太空机器人上得到了很好的应用。然而，
对于仿生机器鱼而言，传统的控制方法仍然面临着巨大挑战。一方面水下环境复杂，难以建
模；另一方面，其运动过程遭受剧烈扰动，其中不仅包括自身运动扰动，还包括洋流、波浪等
环境扰动。

[0005] 仿生机器鱼的姿态一般可描述为横滚角、偏航角、俯仰角，其中横滚角代表仿生机器鱼沿头尾轴(沿鱼体头部到尾部的轴)旋转的角度。本发明以仿生机器鱼的横滚稳定为目
标，提出一种基于反作用轮的仿生机器鱼横滚稳定控制方法，实现仿生机器鱼在横滚方向
上的姿态稳定性。

发明内容

[0006] 为了解决现有技术中的上述问题，即为了解决现有技术中仿生机器鱼在横滚运动时姿态不稳定的问题，本发明第一方面，提出了一种基于反作用轮的仿生机器鱼横滚稳定
控制方法，所述方法应用于仿生机器鱼，其中，所述仿生机器鱼安装有轴线沿头尾轴平行设
置的反作用轮，所述方法包括如下步骤：

[0007] S100，获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

[0008] S200，基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；

[0009] S300，根据所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

[0010] 在一些优选技术方案中，所述反作用轮控制信号获取方法为：

[0011] S210，基于所述尾部关节角速度，通过前馈补偿器得到所述仿生机器鱼的运动扰动补偿量；

[0012] S220，基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量通过滑模控制器得到反作用轮控制信号。

[0013] 在一些优选技术方案中，所述前馈补偿器为预训练的神经网络前馈补偿器；

[0014] 所述预训练的神经网络前馈补偿器基于三层反向传播神经网络构建；所述网络的输入层节点数与所述仿生机器鱼的尾部关节数量相等，输出层节点数为1，激活函数为
Sigmoid函数。

[0015] 在一些优选技术方案中，所述神经网络前馈补偿器通过离线训练获取，其训练方法为：

[0016] A100，通过系统辨识方法获取所述仿生机器鱼在静止状态下的系统参数；所述系统辨识方法为基于冲激响应构建的方法；

[0017] A200，采集所述仿生机器鱼在游动过程的横滚角、横滚角速度及尾部关节角速度，作为采集数据；

[0018] A300，基于所述系统参数、所述采集数据，通过线性跟踪微分器计算横滚角加速度；并基于所述横滚角加速度、所述系统参数、所述采集数据得到所述仿生机器鱼的运动扰
动补偿量；

[0019] A400，根据所述运动扰动补偿量，利用反向传播算法对所述神经网络前馈补偿器进行训练。

[0020] 在一些优选技术方案中，f步骤S210中“通过预训练的神经网络前馈补偿器得到所述仿生机器鱼的运动扰动补偿量”，其方法为：

[0021]

[0022] 其中， 为运动扰动补偿量； f(·)为Sigmoid 函数； 代表由第i个输入层节点数到第k个隐含层节点数的权重； 代表了第k个隐含层节点数到输
出层节点数的权重； 代表第k个隐含层节点数的偏置；bo代表输出层节点数的偏置；m为
输入层节点数的数量； n为隐含层节点数数量。

[0023] 在一些优选技术方案中，所述滑模控制器通过获取的仿生机器鱼的运动状态以调节其自身的系统参数，并将sign函数替换为饱和函数。

[0024] 在一些优选技术方案中，步骤S220中“基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量通过滑模控制器得到反作用轮控制信号”其方
法为，

[0025]

[0026] 其中，u为反作用轮控制信号；K3代表输入系数；x1为横滚角，x2为横滚角速度；C1、C2和β为滑模控制器参数； 代表运动扰动补偿量；sat()为饱和函数，s为线性滑模面，βsat
(s)代表环境扰动补偿量。

[0027] 本发明的第二方面，提出了一种基于反作用轮的仿生机器鱼横滚稳定控制系统，所述系统应用于仿生机器鱼，其中，所述仿生机器鱼安装有轴线沿头尾轴平行设置的反作
用轮；所述系统包括：获取模块、计算模块、执行模块；

[0028] 所述获取模块，配置为获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

[0029] 所述计算模块，配置为基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；

[0030] 所述执行模块，配置为基于所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

[0031] 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，其中，所述程序应用于由处理器加载并执行以实现上述技术方案中所述的基于反作用轮的仿生机器鱼横
滚稳定控制方法。

[0032] 本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其中，所述程序适用于由处理器加载并执
行以实现上述技术方案中所述的基于反作用轮的仿生机器鱼横滚稳定控制方法。

[0033] 本发明的有益效果：

[0034] 本发明通过在现有仿生机器鱼中安装反作用轮，并针对仿生机器鱼在运动过程中所受的运动扰动和环境扰动，分别采用改进的滑模控制器以及神经网络前馈补偿器进行针
对性补偿，在不影响原仿生机器鱼运动的前提下，能够最大程度地减小外界环境形成的扰
动、以及仿生机器鱼本体运动产生的运动扰动对仿生机器鱼横滚角的影响。

[0035] 同时，本发明通过设计改进的滑模控制器的控制律，实现任意配置原始系统的参数，从而满足实际应用中不同的系统动态性能要求。能够大幅度提高现有仿生机器鱼的实
用性以及横滚稳定性，为仿生机器鱼获取低噪声、稳定的传感数据，进而实现复杂的环境感
知和作业任务提供了稳定的平台基础。

[0036] 依据本发明的仿生机器鱼姿态控制方法原理，不仅能够对现有仿生机器鱼横滚姿态进行稳定控制，同理还能够完成对仿生机器鱼的俯仰姿态、偏航姿态进行稳定控制，本发
明具有广泛的应用前景。

附图说明

[0037] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

[0038] 图1为本发明一种实施例的基于反作用轮的仿生机器鱼横滚角稳定控制方法的流程示意图；

[0039] 图2是本发明一种实施例的安装有反作用轮的仿生机器鱼结构示意图；

[0040] 图3是本发明一种实施例的仿生机器鱼横滚稳定控制示意图；

[0041] 图4是本发明一种实施例的离线训练神经网络前馈补偿器的流程示意图；

[0042] 图5是本发明一种实施例的基于反作用轮的仿生机器鱼横滚稳定控制系统的框架示意图；

[0043] 图6是本发明一种实施例的横滚稳定控制详细流程示意图。

具体实施方式

[0044] 为使本发明的实施例、技术方案和优点更加明显，下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所述的实施例是本发明的一部分实施例，而不是全部
实施例。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并
非旨在限制本发明的保护范围。

[0045] 下面结合附图和实施例对本方发明一种优选实施例进行展开详述。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需说明的
是，为了便于描述，附图中仅示出了与本发明相关的部分。

[0046] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。

[0047] 本发明的基于反作用轮的仿生机器鱼横滚稳定控制方法，如图1所示，包括以下步骤：

[0048] 步骤S100，获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

[0049] 步骤S200，基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；

[0050] 步骤S300，根据所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

[0051] 为了更清晰地对本发明基于反作用轮的仿生机器鱼横滚稳定控制方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。

[0052] 作为本发明的一个优选实施例，本发明的仿生机器鱼在游动过程中，由于受到尾部拍动或摆动的运动扰动，以及外部水流的环境扰动，其横滚角会出现周期性振荡。通过本
发明的横滚稳定控制方法控制仿生机器鱼，能够使得仿生机器鱼横滚角的波动范围得到有
效抑制。

[0053] 本发明的横滚角稳定控制方法首先需要在现有仿生机器鱼上安装反作用轮及用于驱动所述反作用轮的扭矩电机。优选地，将反作用轮的旋转轴沿仿生机器鱼的头尾轴(沿
鱼体头部到尾部的轴)平行设置。扭矩电机优选大扭矩直流电机。具体可参阅图2，在现有仿
生机器鱼身中部安装一大扭矩直流电机以及反作用轮，其电机旋转轴方向与仿生机器鱼头
尾轴平行。反作用轮在大扭矩直流电机的控制下能够进行加速或减速旋转，产生反作用力
矩，实现对机器鱼横滚角的控制。

[0054] 在一些优选实施例中，在完成反作用轮与大扭矩直流电机的安装后，设计横滚稳定控制器。首先需对机器鱼横滚角的变化进行建模。仿生机器鱼横滚方向上的运动主要受
到重力矩、水动力矩、反作用力矩、尾部产生的运动扰动以及外部流体带来的环境扰动等五
部分影响。若假设机器鱼净浮力为零，平面运动，以及水动力矩与横滚角速度成正比，那么
可以得到仿生机器鱼横滚通道的模型如下：

[0055]

[0056] 其中，x1代表横滚角；x2代表横滚角速度；u代表反作用力矩即反作用轮控制信号；h(t)代表由仿生机器鱼尾部摆动或拍动带来的运动扰动；d(t)代表由外部流体带来的环境
扰动；K1代表重力矩系数，该系数大小取决于机器鱼质量以及重心和浮心的分布，一般小于
0；K2代表水动力矩系数，该系数大小取决于液体性质，机器鱼外形等要素，一般小于0。上述
均为K1和K2在物理意义上的含义，其在数学上可通过控制器设计对系统参数进行配置。K3代
表输入系数，在控制器设计阶段该参数的取值可以自行设置。

[0057] 由横滚通道的动力学模型可知，当h(t)＝0，d(t)＝0时，无需对反作用轮施加任何控制(即令u为0)，系统仍然是稳定的。因此，所述控制器的主要任务为抑制运动扰动和环境
扰动，同时通过反作用轮的控制作用，配置系统参数K1，K2，以达到更优的稳定效果。为实现
这一目的，本发明提出了一种横滚稳定控制器，包括改进的滑模控制器和前馈补偿器。优选
地，作为本发明的优选实施例，本发明的前馈补偿器采用神经网络前馈补偿器。本领域技术
人员可也采用其他前馈补偿器进行计算，在此不再一一列举。如图6所示。详细的控制流程
可描述如下： 1)由传感器获取当前时刻的机器鱼横滚角、横滚角速度以及尾部关节角速
度；2)尾部关节角速度输入神经网络前馈补偿器，计算运动扰动补偿量；3)横滚角和横滚角
速度输入改进滑模控制器，计算控制输出；4) 将(2)和(3)的输出值累加，得到反作用轮的
控制信号，并输出至反作用轮；5)反作用轮在给定控制信号下，产生反作用力矩，输出到机
器鱼本体；6)机器鱼本体在反作用力矩、运动扰动和环境扰动的三重影响下，产生横滚角变
化。

[0058] 下面，详述在一些优选实施例中，改进滑模控制器与神经网络前馈补偿器的设计过程。

[0059] 所述改进滑模控制器的设计过程如下：

[0060] 第一步：定义线性滑模面：

[0061] s＝x1+Cx2

[0062] 其中，S代表线性滑模面，C代表滑模面系数，其属于控制器参数，可自行配置。

[0063] 第二步：令 求解滑模等效控制律：

[0064]

[0065] 第三步：改进控制律。由于运动扰动h(t)以及环境扰动d(t) 未知，等效控制律在实际应用中无法实现。因此，本发明通过神经网络前馈补偿器估计运动扰动h(t)，通过滑模
切换项估计环境扰动d(t)，通过反作用轮的控制来调节系统参数，改进控制律如下：

[0066]

[0067] 其中，

[0068]

[0069] 其中，C1、C2和β为滑模控制器参数，用于调节系统参数； 为神经网络前馈补偿器所估计的运动扰动，即运动补偿量；βsign(s)为切换控制项，控制过程中实时计算出的用于
估计环境扰动d(t)，其代表环境扰动补偿量。假设环境扰动和运动扰动被较好的抑制，应用
此控制律，系统的参数将被重新配置为： 此时原系统参数
* *
的主要改进项由K1、K2转化为K1、K2，即通过更改配置C1和C2以完成系统的参数更改。

[0070] 第四步：为减轻传统滑模控制器的抖震现象，本发明对滑模控制器进行改进，使用饱和函数sat(s)代替原控制律中的sign(s)：

[0071]

[0072] 其中：u为反作用轮控制信号；K3代表输入系数；x1为横滚角，x2为横滚角速度；C1、C2和β为滑模控制器参数； 代表运动扰动补偿量；sat()为饱和函数，s为线性滑模面，βsat
(s)代表环境扰动补偿量。

[0073]

[0074] 进一步地，在本实施例中，所述神经网络前馈补偿器的设计及训练过程如下：

[0075] 第一步：确定神经网络的输入输出。运动扰动主要与仿生机器鱼运动状态(包括速度、角速度、加速度、角加速度)以及尾部关节运动状态(关节位置、关节角速度、关节角加速
度)有关。由于机器鱼运动状态在实际应用中难以测量，不适合作为补偿器的输入。同时，机
器鱼运动状态与尾部关节运动状态关系密切，并且尾部关节状态容易测量。因此，本发明采
用尾部关节速度作为神经网络前馈补偿器的输入，将运动扰动作为神经网络前馈补偿器输
出。

[0076] 第二步：确定神经网络结构。为了保证计算的实时性，本发明采用三层反向传播神经网络，其包括输入层、隐含层和输出层。其中，输入层节点数与尾部关节数量相等，隐含层
节点数可自由定义，输出层节点数为1。激活函数定义为Sigmoid函数。网络结构如下：

[0077]

[0078] 其中：

[0079]

[0080] 其中， 为运动扰动的估计；f(·)为Sigmoid函数； 代表由第i个输入层节点数到第k个隐含层节点数的权重； 代表了第k个隐含层节点数到输出层节点数的权重；
代表第k个隐含层节点数的偏置；bo代表输出层节点数的偏置；m为输入层节点数的数
量；n为隐含层节点数数量。

[0081] 第三步：离线训练神经网络。由于运动扰动h(t)无法直接测量，如图4所示，本发明采用离线训练神经网络，其训练方法为：

[0082] 步骤A100，通过系统辨识方法获取所述仿生机器鱼在静止状态下的系统参数；所述系统辨识方法为基于冲激响应构建的方法；

[0083] 在本实施例中，所述利用系统冲激响应，辨识系统参数K1， K2的方法。具体操作如下：令仿生机器鱼尾部静止，在平静的水池(环境扰动近似为0)，将机器鱼以一定的横滚角
释放，采集横滚角以及横滚角速度数据，运用系统辨识方法，辨识系统参数。

[0084] 步骤A200，采集所述仿生机器鱼在游动过程的横滚角、横滚角速度及尾部关节角速度，作为采集数据；具体地，采集游动过程的尾部关节角速度、横滚角x1以及横滚角速度
x2。

[0085] 步骤A300，基于所述系统参数、所述采集数据，通过线性跟踪微分器计算横滚角加速度；并基于所述横滚角加速度、所述系统参数、所述采集数据得到所述仿生机器鱼的运动
扰动补偿量；

[0086] 在本实施例中，通过线性跟踪微分器计算角加速度 具体公式如下：

[0087]

[0088] 其中，Z为中间变量，K代表第K时刻Ts为采样间隔，T为微分器时间常数

[0089] 进一步，计算运动扰动h(t)：

[0090]

[0091] 其中，h为运动扰动补偿量， 为横滚角加速度，K1、K2为系统参数，K1为上述的重力矩系数，K2为上述的水动力矩系数，x1为横滚角，x2为横滚角速度。

[0092] 步骤A400，根据所述运动扰动补偿量，利用反向传播算法对所述神经网络前馈补偿器进行训练。具体过程如下：

[0093] 设一共采集到p组数据样本，其中每组样本包括：输入 输出ht，其中上t
标t代表组号， 分别代表在第t组的 1号、2号、3号关节的角速度，h代表在第t组
的运动扰动。

[0094] 步骤A410，给定最大循环次数N，学习率η，中止条件ε，以及初始参数bo。

[0095] 步骤A420，开始循环：

[0096] 步骤A430，计算

[0097] 步骤A440，计算误差函数：

[0098] 步骤A450，更新参数：

[0099] 所述执行模块300，配置为基于所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

[0100]

[0101]

[0102]

[0103]

[0104] 步骤A460，判断E是否小于ε，如果小于，则结束循环，进入步骤A470；如果大于，则判断循环次数是否大于最大循环次数N，如果大于，则结束循环，进入步骤A470；如果小于，
则返回步骤A430，继续执行循环。

[0105] 步骤A470，输出 bo。

[0106] 将上述第三步离线训练神经网络得到的输出数据 bo带入到第二步神经网络结构的公式中，即可得到运动扰动补偿量。

[0107] 综上，本领域技术人员可以理解的是，本发明对仿生机器鱼的横滚稳定控制原理。如图3所示，通过计算获取反作用轮控制信号，进而控制反作用轮旋转以产生反作用力矩，
使所述反作用力矩能够与仿生机器鱼自身在横滚时的力矩进行抵消，进而实现对横滚姿态
的稳定控制。这里的反作用轮控制信号获取方法为：

[0108] 步骤S210，基于所述尾部关节角速度，通过前馈补偿器得到所述仿生机器鱼的运动扰动补偿量；

[0109] 步骤S220，基于预获取的环境扰动补偿量结合所述横滚角、所述横滚角速度、所述运动扰动补偿量得到反作用轮控制信号。

[0110] 需要说明的是，本发明优选采用神经网络前馈补偿器通过预训练计算得到运动扰动补偿量，本领域技术人员也可采用其他前馈补偿器，进而通过其他训练方式得到运动扰
动补偿量，在此不再过多说明。

[0111] 所述预训练的神经网络前馈补偿器为上述的基于三层反向传播神经网络构建并通过离线训练法训练得到的。具体地，基于预获取的环境扰动补偿量结合所述横滚角、所述
横滚角速度、所述运动扰动补偿量得到反作用轮控制信号亦在上述优选实施例中进行了详
述。参阅图3 左下方，应用本发明的横滚稳定控制方法前的效果图，和右下方应用本发明的
横滚稳定控制方法后的效果图，可以看出本发明能够大幅度提升现有仿生机器鱼的横滚稳
定性。

[0112] 至此，本发明所提出的一种基于反作用轮的仿生机器鱼横滚稳定控制方法描述完毕。需要说明的是，本发明的改进滑模控制器和神经网络前馈补偿器之间的输入量和输出
量在具体实施方式描述时采用先描述改进滑模控制器，后撰写神经网络前馈补偿器的方
式，实际应用时，应先利用前馈补偿器计算运动扰动补偿量，而后将运动扰动补偿量结合环
境扰动补偿量、横滚角、横滚角角速度输入滑模控制器得到反作用轮的控制信号。本领域技
术人员只要能够保证最终输出反作用轮控制信号，即反作用轮控制力矩即可，在此不再过
多赘述。另外需要说明的是，所述反作用轮控制信号输入至控制反作用轮的扭矩电机中，通
过扭矩电机控制反作用轮正向加速旋转或反向加速旋转，以产生反作用力矩。

[0113] 本发明第二实施例的一种基于反作用轮的仿生机器鱼横滚稳定控制系统，同样应用于仿生机器鱼，并在所述仿生机器鱼安装轴线沿头尾轴平行设置的反作用轮；如图5所
示，包括获取模块100、计算模块200、执行模块300；

[0114] 所述获取模块100，配置为获取仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度；

[0115] 所述计算模块200，配置为基于所述仿生机器鱼的横滚角、横滚角速度以及尾部关节角速度计算获取反作用轮控制信号；

[0116] 所述执行模块300，配置为基于所述反作用轮控制信号控制反作用轮旋转，以产生反作用力矩，用于对仿生机器鱼横滚角的控制。

[0117] 所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘
述。需要说明的是，上述实施例提供的基于反作用轮的仿生机器鱼横滚稳定控制系统，仅以
上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由
不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述
实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的
全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模
块或者步骤，不视为对本发明的不当限定。

[0118] 本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于反作用轮的仿生机器鱼横滚稳定控制方法。

[0119] 本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基
于反作用轮的仿生机器鱼横滚稳定控制方法。

[0120] 所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在
此不再赘述。

[0121] 本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对
应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编
程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领域内所公知的任意其它形式的存储介
质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地
描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术
方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法
来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0122] 上述本申请实施例中的技术方案中，至少具有如下的技术效果及优点：

[0123] 本发明通过在现有仿生机器鱼中安装反作用轮，并针对仿生机器鱼在运动过程中所受的运动扰动和环境扰动，分别采用改进的滑模控制器以及神经网络前馈补偿器进行针
对性补偿，在不影响原仿生机器鱼运动的前提下，能够最大程度地减小外界环境形成的扰
动、以及仿生机器鱼本体运动产生的运动扰动对仿生机器鱼横滚角的影响。

[0124] 同时，本发明通过设计改进的滑模控制器的控制律，实现任意配置原始系统的参数，从而满足实际应用中不同的系统动态性能要求。能够大幅度提高现有仿生机器鱼的实
用性以及横滚稳定性，为仿生机器鱼获取低噪声、稳定的传感数据，进而实现复杂的环境感
知和作业任务提供了稳定的平台基础。

[0125] 依据本发明的仿生机器鱼姿态控制方法原理，不仅能够对现有仿生机器鱼横滚姿态进行稳定控制，同理还能够完成对仿生机器鱼的俯仰姿态、偏航姿态进行稳定控制，本发
明具有广泛的应用前景。

[0126] 需要说明的是，在本发明的描述中，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示方向或位置关系的术语是基于附图所示的方向或位置关系，这仅
仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方
位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于
描述目的，而不能理解为指示或暗示相对重要性。

[0127] 此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地
连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，
可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在
本发明中的具体含义。

[0128] 术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要
素，或者还包括这些过程、物品或者设备/装置所固有的要素。

[0129] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本
发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些
更改或替换之后的技术方案都将落入本发明的保护范围之内。