Структурный и параметрический синтез нейросетевого эмулятора динамики автономного необитаемого подводного аппарата

В настоящее время перед разработчиками информационно-управляющих систем морской подводной техники открываются новые возможности применения современных высокопроизводительных технологий для повышения качества процессов управления и точности выполнения операций. Так, например, для обеспечения синтеза алгоритмов управления движением активно исследуются подходы на основе прогнозирующих моделей (ПМ). При этом для синтеза ПМ могут применяться современные методы машинного обучения, в том числе — искусственные нейронные сети (ИНС). Предложен способ построения ПМ в составе алгоритмического обеспечения информационно-управляющих систем автономного необитаемого подводного аппарата с использованием нейросетевого эмулятора динамики. Проанализированы основные недостатки традиционного подхода к синтезу ПМ в виде системы дифференциальных уравнений, выполнен последовательный структурный и параметрический синтез нейроэмулятора. В частности, рассмотрены вопросы начальной инициализации параметров нейронной сети и формирования обучающей выборки, определена структура входных и выходных данных. Особенностью предлагаемой структуры ИНС является использование предобучения на основе каскада автоэнкодеров. Приведены результаты предобучения нейросетевого эмулятора, обосновывающие выбор архитектуры ИНС. Также для проверки адекватности ПМ в виде нейроэмулятора выполнена верификация относительно известной нелинейной динамической модели в ходе статистического имитационного моделирования.

1. Инзарцев А. В., Киселев Л. В., Костенко В. В., Матвиенко Ю. В., Павин А. М., Щербатюк А. Ф. Подводные робототехнические комплексы: системы, технологии, применение. Владивосток: Ин-т проблем морских технологий ДВО РАН, 2018. 368 с.

2. Budiyono A. Model predictive control for autonomous underwater vehicle // Indian J. of GeoMarine Sciences. 2011. Vol. 40, N 2. Р. 191–199.

3. Сотникова М. В. Вопросы устойчивости движений в системах управления с прогнозирующими моделями // Вестник Воронежского государственного технического университета. 2012. Т. 8, № 1. С. 72–79.

4. Борисов А. Н., Сиек Ю. Л. Управление движением автономного необитаемого подводного аппарата на основе прогнозирующей модели // Морской вестник. 2020. № 4(76). С. 98–101.

5. Борисов А. Н., Сиек Ю. Л. Оценка производительности алгоритма оптимизации для управления с предсказанием автономным подводным аппаратом // Современные методы и средства океанологических исследований (МСОИ-2019). Матер. XVI Всерос. науч.-техн. конф. Т. II. М.: ИД Академии Жуковского, 2019. С. 103–106.

6. Borisov A. N., Siek J. L. A parallel optimization algorithm for predictive control of marine vessel // Journal of Physics: Conf. Ser.: Intern. Conf. “Information Technologies in Business and Industry”. Novosibirsk: Institute of Physics Publishing, 2019. Vol. 1333, N 4. P. 042004. DOI 10.1088/1742-6596/1333/4/042004.

7. Fossen Th. I. Handbook of Marine Craft Hydrodynamics and Motion Control. John Wiley & Sons Ltd., 2011. 582 p.

8. Никущенко Д. В., Надымов Е. Н., Шушков Р. А. Расчет гидродинамических характеристик подводных аппаратов с выступающими частями, рулями и стабилизаторами // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2010. № 4. С. 63–73.

9. Кузнецов Б. И., Василец Т. Е., Варфоломеев А. А. Управление нелинейным динамическим объектом при помощи нейроконтроллера с предсказанием // Восточно-Европейский журнал передовых технологий. 2008. Т. 2, № 2(32). С. 67–71.

10. Бураков М. В. Нейронные сети и нейроконтроллеры: учеб. пособие. СПб: ГУАП, 2013. 284 с.

11. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 781 p.

12. Glorot X. & Bengio Y. Understanding the difficulty of training deep feedforward neural networks // Journal of Machine Learning Research — Proceedings Track. 2010. N 9. Р. 249–256.

13. He K., Zhang X., Ren S., and Sun J. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification // IEEE Intern. Conf. on Computer Vision (ICCV 2015). Santiago, Chile, 2015. P. 1026–1034. DOI: 10.1109/ICCV.2015.123.

14. Сиек Ю. Л., Борисов А. Н., Журкин П. О. Разработка симулятора для моделирования управляемого движения автономного необитаемого подводного аппарата // Труды Санкт-Петербургского государственного морского технического университета. 2023. № 2(6). С. 153–169.

15. Борисов А. Н., Сиек Ю. Л. Оценивание параметров движения автономного необитаемого подводного аппарата на основе полумарковского процесса // Навигация и управление движением: Матер. ХXII конф. молодых ученых с международным участием. СПб, 17–20 марта 2020 года. С. 295–297.