吸入式漂浮垃圾清理机器人的控制系统设计

绪论课题研究背景随着水资源污染现象的日益加重，漂浮垃圾污染越来越受到世界环境卫生保护工作的重视，尤其是海洋垃圾污染，已成为全球水环境治理的重中之重[1]。据估计，每天新产生的海洋垃圾约达8.0×106件，每平方公里的海洋表面漂浮着超过13000件塑料垃圾[2]，数据来源于联合国环境规划署（UN-EP）。由此可见漂浮垃圾数量庞大，且严重威胁全球水生态安全。我国漂浮垃圾现状对比国家海洋局发布的《2020年中国海洋生态环境状况公报》和《2022年中国海洋生态环境状况公报》，2020年，在对全国49个区域展开的垃圾监测结果中表示，海上目测漂浮垃圾平均数为27个/平方千米，表层水体拖网检测的漂浮垃圾平均个数为5363个/平方千米,平均密度为9.6千克/平方千米，在检测区域内，85.7%的漂浮垃圾是塑料类，占比最高[3]；相比2020年，2022年在全国60个区域的垃圾监测数据中，海上目测漂浮垃圾平均个数增长了38个/平方千米，而表层水体拖网检测的漂浮垃圾平均个数减少了2504个/平方千米，而塑料漂浮垃圾的占比仍然最高，达86.2%，其中塑料类垃圾主要分为泡沫、塑料瓶、塑料薄膜、塑料碎片、塑料绳等[4]。两年期间我国海面漂浮垃圾的数量增长了2.4倍，因此清理漂浮垃圾的重要性日益突出。1.1.2传统漂浮垃圾清理行业现状目前传统的漂浮垃圾清理办法为水上垃圾拦截浮体清理、人工小船清理和漂浮垃圾专业打捞船清理[5]。水上垃圾拦截浮体，如图1-1(a)所示，主要应用于水电站的坝前的垃圾阻挡、隔离工作，该方式可以有效清洁比较大的杂物，如秸秆、水葫芦、大型塑料泡沫以及动物的尸体等，但是拦截下来的大量漂浮物需人工打捞，费时费力，且该方式无法拦截较小的漂浮物；人工小船清理，如图1-1(b)所示，是目前适用性最广的漂浮垃圾清理方式，常见于城市公园湖泊、河流等地，工人使用夹具将肉眼可见的漂浮垃圾收集，并统一送至垃圾处理场，该方法可以清理中小型的漂浮垃圾，但是受限于小船载容量有限，工人需要频繁上岸将垃圾收集容器清空，且该清理方式技术落后，自动化程度低，多使用小木船和自制工具进行打捞作业，工人几乎没有任何保护措施，存在较大的安全隐患。漂浮垃圾专业打捞船清理，如图1-1(c)所示，大型清洁船可针对大型水域（水电站库区和各种水利枢纽坝）中复杂漂浮垃圾的收集处理，而中小型清洁船主要应用于内陆湖泊、风景区、城乡河道等水域的漂浮垃圾打捞和水生植物清理。近年来随着自动巡线技术的普及，专业打捞船已具备自动清理水域的能力，并且专业打捞船通常附带有水质检测功能，是未来漂浮垃圾清理技术的发展趋势之一。但是使用专业打捞船的成本高昂，约为50万/艘，导致其覆盖率较低，并且大型清洁船只的运行需要较大的动力，极大增加了对燃油资源的消耗，同时造成空气污染。图1-1传统的漂浮垃圾处理方式1.1.3漂浮垃圾清理机器人发展情况目前，国内外已经开发了许多新的方法和技术来收集漂浮垃圾。小型的自动化机器人被广泛用于收集漂浮垃圾。Akib等[6]设计了一款低成本的可遥控水面清理机器人，如图1-2（a）所示，机器人的驱动桨叶可通过蓝牙由app进行控制，通过一只机械手和传送带将垃圾送入后方的收集器中。该机器人成本低，且运动方便，但是智能化程度较低，无法自动识别并拾取漂浮物。台湾逢甲大学的Chang等[7]设计了一种多功能无人水面车（MF-USV），如图1-2（b）所示，MF-USV机器人外形类似小船，在前端安装了垃圾收集笼，能够自主检测障碍物、避障和导航定位、监测采样水质，并利用水面清洁系统检测收集水面上的漂浮垃圾，但该机器人的收集能力较差，垃圾容易逃出收集笼。Kong等[8]设计了一款智能水面清洁机器人（IWSCR），如图1-2（c）所示，通过双目镜头，三关节机械臂和收集箱组成的收捡装置，实现对漂浮塑料瓶、塑料袋和泡沫的收集，基于TOLOv3算法和自给训练库来识别漂浮垃圾，驱动系统由四个对称分布的水下推进器和运动控制器组成，采用滑模控制理论（SMC）为运动控制算法。该机器人在静水域的清洁效果较好，但未考虑各种环境的干扰，且动态抓取功能不完善。对于收集漂浮垃圾而言，采用抽水泵直接吸取的方法要明显优于机械手或者传送带，因为其控制简单，且收集效率更高，因此本文设计的机器人收集采用了水下推进器配合滤网的吸入式原理。图1-2三种新型漂浮垃圾清理机器人水下运动控制的研究现状水下的运动过程是强非线性的，并且伴随着各种环境因素的扰动，例如水流、水压、水温、水质等，这给水下运动控制带来了巨大的挑战。水下运动控制在过去的几十年中得到了非常深入的研究，并被应用于各种自主水下航行器（AUV）和远程操作航行器（ROV）。PID控制由于其结构简单、容易实现和易于调试等优势，成为了最早，且最常用的水下运动控制策略。Bayusari等[9]设计了一款PID控制器，用于控制AUV的前进、上升和偏航运动。然而，由于PID控制中D部分[10]对噪声过于敏感，传统的PID控制并不能很好地适应于存在各种噪声和扰动的水下航行器运动控制系统。串级PID控制由于其对副环扰动的抑制效果极佳，被应用于水下运动控制。王建华等[11]提出了一种用于ROV俯仰角控制系统的串联PID控制器，并对比了传统PID的和串级PID的控制效果，结果表明，在串级PID控制下系统的输出具有较小的超调和较快的响应速度。非线性是水下运动控制系统所面临的另一个挑战。为应对水下运动系统的强非线性，Hassanein等[12]设计了三个模糊控制器，分别用于AUV的前进、俯仰和偏航运动控制，模糊控制器的输出基于给定输入下的模糊推理和模糊集的高斯隶属度函数。Kong等[13]，将模糊控制方案引入到串级PID中，其中模糊控制器的输出为内环角速度PID控制器的参数，这种控制方法实现了对无人水下航行器的高精度控制。然而，上述研究没有考虑到波浪力和工作流对运动过程的扰动的影响。为了消除这些干扰，Sakiyama等[14]对AUV的位置和姿态控制采用了前馈控制策略，并设计了扰动观测器，对PD控制器进行一定的干扰和误差前馈补偿。Bessa等[15]提出了一种自适应模糊算法来控制滑模的深度，使水下机器人在外界干扰下以较小的误差跟踪所需的轨迹，并极大的减轻了颤振效应。在对水下机器人的运动控制进行建模和仿真过程中，水阻力的估算对仿真结果的有效性至关重要[16]，也是最为复杂的部分。在[11-15]中，对水阻力的分析通常包括惯性阻力和粘性阻力。Rahman[17]提出了一种计算竖直圆柱体水平运动时的附加质量和阻尼系数的数学方法。然而，采用数学原理理论计算附加质量过程复杂，且无法处理形状复杂的物体。Javanmard[18]尝试应用计算流体动力学的软件计算了水下机器人在理想流体中沿其轴运动的附加质量。Ma等[19]通过流体动力学仿真软件（Fluent），采用动态网格技术，提出了一种计算复杂形状物体的附加质量和附加惯性矩的方法。课题意义鉴于当前漂浮垃圾污染问题日益严重，而漂浮垃圾处理方式效率低下、适用性低、护理困难、成本高昂，设计一款先进的漂浮垃圾收集装置极为重要。本课题旨在设计一款吸入式漂浮垃圾清理机器人，该机器人可自动识别漂浮垃圾位置，并通过水下驱动机构到达目标位置，使用水下吸入装置将目标垃圾收集到容器内，待垃圾收集容器满载后，可运动至岸边并清空垃圾收集容器。 该课题的意义在于让各种水域的中小型漂浮垃圾得到成本较低的处理，使漂浮垃圾的清理工作智能化，简单化，为漂浮垃圾清理行业的智能化提供新的发展思路。文章节安排及研究内容针对上述清理机器人清洁效率低下、控制难度大的问题，本文设计了吸入式漂浮垃圾清理机器人，该机器人采用吸入式的清洁原理，无需引入机械臂的复杂控制，机器人运动至漂浮垃圾附近即可将周围的漂浮垃圾一并吸入收集腔，机器人的驱动系统为单个水下推进器配合齿轮转向机构，相比四水下推进器驱动结构，较大程度地减小了控制难度和电量消耗。本文的其余部分的章节安排如下：第二章介绍所设计的清洗机器人的结构和工作原理，并根据物理和数学原理建立动力学模型；第三章将会介绍该机器人的控制方案，包括PID控制、串级PID控制、模糊控制和模糊PID控制；在第四章中，主要进行仿真工作，包括Fluent阻力参数计算和Simulink仿真实验，并定量分析不同控制方案的性能；在第五章中，将会总结该机器人尚待解决的问题和未来发展的方向。吸入式漂浮垃圾清理机器人机械结构与动力学建模漂浮垃圾清理机器人的运动系统可视为刚体系统，其运动的变化是一个六自由度问题，包括三个平移运动和三个旋转运动。机器人的实际控制过程中涉及平面运动和平面运动时的旋转运动，因此只需要建立机器人平面运动时的动力学方程和旋转运动的动力学方程。为了建立动力学模型，进行了坐标系的建立和一定的受力分析，并合理理想化模型，减小建模难度。最终得到了解耦后的平面运动动力学模型和旋转运动的动力学模型。机械结构及工作原理吸入式漂浮垃圾清理机器人由位于底部的水下推进机构实现驱动，水下驱动机构的结构设计如图2-1所示。当清洗机器人靠近漂浮的垃圾时，水下推进器作为一个抽水泵将附近的垃圾吸入垃圾收集容器，在垃圾收集容器中安装了一个过滤器，确保垃圾不会损坏水下推进器。图2-1机器人模型和驱动结构水下推进器的推力方向由两个防水的步进电机决定。电机2的旋转改变了推进器的偏航角，而电机1的旋转同时改变推进器的俯仰角和偏航角。当电机1和电机2以相同的速度但以相反的方向旋转时，水下推进器将改变其俯仰角，同时保持其偏仰角不变。因此，水下推进器只有2个自由度（DOFs），即俯仰角和偏航角。另外，两个步进电机的旋转角与水下推进器的姿态角之间的关系如下：其中，Ω1和Ω2分别为步进电机1和步进电机2的旋转角度，yaw为水下推进器的偏航角，该机器人的垃圾清理过程包括：（1）采用基于单眼摄像机和SSD算法的视觉识别系统[20]，测量到目标漂浮垃圾的方向和距离。（2）通过调整两个电机的旋转角度，使推进器的推力方向总是指向目标浮动垃圾的方向，使运动过程变为直线运动。（3）当机器人与垃圾之间的距离较小时，将推进器的抽水方向调整到垃圾下方的右侧，然后将垃圾泵入收集容器。动力学模型坐标系的建立和转换为了建立机器人的动力学模型，需要建立三个符合右手螺旋规则的坐标系。分别命名为地面坐标系（E-xyz）、机身坐标系（O-xyz）和推进器坐标系（T-xyz）[21]。坐标系的建立如图2-2所示。 （1）地面坐标系固定坐标系E-xyz的坐标原点选在机器人入水处，水平方向为Ex轴，垂直方向为Ez轴，垂直水面向下为正方向，Ey轴垂直于Ex轴和Ez轴，方向由右手定则得出。 （2）机身坐标系为简化分析，将机身坐标O-xyz的原点选择在其浮心位置，Ox正方向为机器人正前方，垂直方向Oz为机器人竖直对称轴向，浮心指向水下推进器方向为Oz轴的正方向，Oy轴分别垂直于Ox轴和Oz轴。 （3）推进器坐标系水下推进器的推力方向由两个步进电机共同决定，独立于机器人机身的运动方向，而又直接影响机器人的运动状态，因此需要对水下推进器建立坐标系T-xyz。方向Tx为水下推进器推力方向，方向Ty垂直于侧齿轮方向，Tz轴垂直于Tx轴和Ty轴，如图2-2所示。图2-2机器人坐标系建立 （4）坐标系的转换机器人在机身坐标系中的运动参数如表2-1所示；水下推进器在机身坐标系O-xyz中的姿态角如表2-2所示；机器人在地坐标系中的运动参数和姿态角表示如表2-3所示。表2-1机器人在O-xyz中的运动参数表坐标轴OxOyOz速度uvw角速度pqr表2-1水下推进器在O-xyz中的姿态角坐标轴OxOyOz姿态角0βα表2-1机器人在E-xyz中的运动参数表坐标轴ExEyEz位置xyz姿态角φθψ速度xyz角速度φθψ其中在O-xyz坐标系中的运动参数可由置于机身上的惯性元件MPU6050和LIS3DSH直接测出。假设 ROE=受力分析（1）重力和浮力机器人在水中运动时，会受到重力和浮力的作用。当机器人运动时，由于水下推进力的作用点位于底部，导致机器人上部分受惯性影响慢于下部分，出现机器人机身倾斜的现象，此时重力与浮力的作用线不在同一条竖直线上，因而产生恢复力和恢复力矩。图2-3机器人受力分析图浮力的大小可以由阿基米德公式得出：浮力的方向为地坐标系Oz轴的负方向，因此其在机身坐标系O-xyz中的各分量可由旋转矩阵得到： FB=重力的方向为地坐标系Oz轴的正方向，因此其在机身坐标系O-xyz中的各分量可由旋转矩阵得到： FG= 由于重心与浮心位于不同的位置，假设重心与浮心处在机身坐标系Oz轴上，距离为zG，重心相对于浮心的位置矢量为rG τG=r （2）水下推进器推力假设水下推进器工作在不可压缩的理想流体中，忽略环量和诱导速度，其推力可表达为以下公式[22]： T=(1−t)KTρn2式中KT为推力系数，t为推力减额系数，n为螺旋桨转速（rad/s），dp为螺旋桨外径（m）。则水下推进器的推力在机身坐标系各轴的分量为： FT=RT 假设水下推进器的中心点与处在机身坐标系Oz轴上，距离为zT，则水下推进器的中心点相对于浮心的位置矢量为rT= τT=rT× （3）惯性阻力由于水下流体环境较为复杂，机器人的运动过程会受到多种的外界阻力，其中惯性水动力和粘性水动力是影响最大的阻力[23]。为简化分析，以粘性水阻力和惯性水动力作为机器人受到的主要阻力，并将机器人水阻力的问题等效为单圆柱绕流问题，即研究流体流过圆柱面时产生的流态、升力、阻力等，是钝体绕流领域较常研究的问题。惯性阻力又称惯性水动力，与水下机器人的加速度和角加速度呈线性关系[24]，且线性系数被称为附加质量和附加转动惯量。当物体在流体中运动时，流体粒子会因为其惯性而倾向于保持其原有的运动状态，即使受到外部力的作用，也难以改变其速度和方向。因此，物体在流体中运动会受到流体惯性的阻力。由于不同的两个自由度之间会产生耦合惯性阻力，通常机器人的6自由度运动受到36项惯性力。为简化分析，将机器人的表面被简化为对称圆柱体，因此可以忽略耦合惯性力，只考虑每个自由度方向上的惯性阻力。机器人有三个自由度的加速度和三个自由度的角加速度，分别为u、v、w、p、q、r，因此机器人受到的惯性阻力如公式2-12所示。 FIτ其中m11，m22和m33分别为机器人沿着Ox，Oy和Oz轴做直线运动运动时的附加质量，I根据文献[25]，假设ρ是周围流体的密度，d和L是圆柱体的直径和长度，在无限流体域中横向移动的圆柱体的附加质量可以通过以下公式计算： m11=m22将C定义为附加质量系数，并将其表示为无量纲形式：C=m'/ρV，其中V是圆柱体的质量体积。当圆柱体沿Oz轴移动时，附加质量系数C与K之间存在特定关系[26]（K定义为长度与半径的比值，K C=0.009459K2+0.4189K+1.083K因此，附加质量m33可以被计算为： m33=（4）粘性阻力根据粘性流体力学，移动方向上的粘性阻力，表示为，与机器人的运动速度、角速度和横截面积有关。粘性阻力可以表示为： Fv=−12其中Fv为速度方向阻力，Cd为圆柱平均阻力系数，S为圆柱绕流中圆柱的湿表面积。Prisc等人[27]研究了各种水动力参数对阻力系数的影响，并指出Cd的大小与雷诺数Re成反比，但Re数对Cd的影响较小，Cd随着Re的增大而轻微减小。由于机器人速度始终在较小的范围内变化，Re的变化也较小，加之Re对Cd的影响较小，后文分析将设Cd为定值，忽略速度变化过程中Cd值的变化。因此，不同移动方向上的粘性阻力可以表示为： FV1对于旋转运动，粘性阻力矩与角速度的平方成比例，并由公式2-18计算。此处忽略了机器人绕Oz轴旋转产生的阻力矩，因为在慢角速度下阻力矩太小。 τVK其中K1和K2分别是Ox轴和Oy轴的粘性阻力矩系数，将由Fluent软件计算得到。2.2.3动力学方程将以上分析分别加在一起，得到机器人受到的合外力和合外力矩分别为： F=FB+根据牛顿第二定律和动量矩定理，可以得到O-xyz中三轴的力和力矩分量，并表示为 FX=m[u其中m是机器人质量，IX、IY、IZ分别是沿机器人Ox、Oy和Oz轴方向上的转动惯量，可由软件Solidworks根据模型数据计算得出。从公式（2-20）中可以看出所设计的清洗机器人水下运动存在耦合，因此难以在Simulink中分析其动态特性和建立仿真模型。为了简化其动力学模型，忽略了六个自由度之间的空间耦合关系。 （1）水平面上的直线运动水平面上直线运动的运动参数为u,u,v和v。设p=p=w=w= (m+m11)u=(1−t) （2）直线运动过程中的旋转运动当机器人在水平面上移动时，其姿态会相应地发生变化。为了保证清洁机器人的稳定运动，有必要对清洁机器人的旋转运动动力学进行建模。根据公式（2-19）和（2-20），在直线运动过程中，旋转运动的动力学方程表示为： (IX本章小结本章对机器人的水平运动进行了动力学建模，用于后文的控制系统仿真实验。首先，建立了三个参考坐标系，确定相关的运动参数和变换关系。然后，考虑重力、浮力、水下推进器推力、水阻力等因素，对机器人进行力学分析和动力学建模。最后，利用牛顿第二定律和动量矩定理，得到了机器人的六自由度动力学方程。对机器人的空间运动进行合理解耦，推导出相应的线性运动动力学方程。

吸入式漂浮垃圾清理机器人的运动控制算法通过调整两个步进电机的转动角度，水下推进器方向始终对着目标垃圾的方向，此时需要控制水下推进器推动机器人并移动一定距离，到达目标垃圾附近后可将垃圾吸入收集腔。因此控制任务是：控制机器人跟踪输入的目标距离。本章采用了四种控制策略来完成此控制任务，分别为PID控制、串级PID控制、模糊控制和模糊PID控制，并设计了各控制系统的控制框图。基于PID的运动控制算法PID控制，即比例-积分-微分控制，是一种广泛应用于工业自动化领域的控制算法。它通过对误差信号进行比例、积分和微分运算，实现对被控对象的精确控制。PID控制器具有结构简单、鲁棒性强、适应性好等优点，能够处理各种复杂的控制问题。在PID控制中，比例控制快速响应误差变化，积分控制消除稳态误差，微分控制预测误差变化趋势，三者协同作用，使系统达到理想的控制效果。嵌入式控制系统通常采用离散PID控制，主要分为位置式PID和增量式PID两种形式，本文主要采用增量式PID算法。增量式PID算法会根据当前误差和前一次误差之差来计算输出增量，在每个采样周期，先计算当前误差值，然后根据当前误差和前一次误差的差异，计算出一个控制量的增量值∆u。公式（3-1）为增量式PID控制计算公式。式中ek代表k时刻的误差，∆uk代表k时刻控制量的增量，KP ∆ukPID控制系统的控制框图如图3-1所示，目标位置与当前位置的差作为PID控制器的输入，控制器根据离散PID控制公式（3-1）输出相应占空比的PWM波，水下推进器根据PWM信号输出相对应的转速。动力学模型为公式（2-22），输入是水下推进器桨叶转速，输出为机器人运动参数。图3-1PID控制框图基于串级PID的运动控制算法串级PID控制是一种复杂的控制系统结构，它采用了2个串联在一起的PID控制器。串级PID控制结构中，一个控制器的输出会作为另一个控制器的设定值，这样形成了两个个闭合回路。串级PID控制特别适用于对副回路干扰的处理，并且能够提升系统的响应速度，提高系统的稳定性和控制精度，使控制品质优于单环PID控制系统。串级PID控制框图如图3-2所示。外环为位置环，使用PID控制器，输入为距离差，输出为期望速度。内环为速度环，控制对象是机器人直线运动的动力学模型，使用PID控制器，外环控制器输出的期望速度作为内环PID控制器的设定值。速度环存在多种扰动，例如波浪水动力、漂浮物碰撞力等等，将速度环设为内环，可通过串级控制对副环扰动的抑制性，削弱外力扰动对速度造成的影响。图3-2串级PID控制框图基于模糊控制的运动控制算法模糊控制是一种基于模糊数学的现代控制方法，常被用于处理和解决存在模糊性和不确定性的控制问题。模糊控制不依赖于系统的精确数学模型，而是根据输入变量的模糊集合和模糊规则进行推理。模糊控制系统的鲁棒性较强，在面对环境扰动、非线性、参数变化等复杂情况时，仍能保持较好的控制效果，例如控制水下运动模型。本部分采用模糊控制原理，实现机器人直线运动的位置控制。模糊控制结构图模糊控制框图如图3-3所示，模糊控制器内部的运算包括模糊化，模糊推理和解模糊三个部分。模糊控制器的输入为偏差e和偏差变化率ec，模糊化步骤根据高斯隶属函数将清晰量变为关于各语言变量的模糊量。规则库中的规则通常由人类的操控经验决定，通过模糊数学将规则库转化为模糊转化矩阵。根据模糊化的输入和模糊转化矩阵，计算出模糊输出，再经过解模糊得到具体的控制量。图3-3模糊控制控制框图语言变量及其隶属函数模糊控制器输入量为偏差e和偏差变化率ec，输出为螺旋桨转速。e的论域为Ue=−1,1。将e模糊化为7个语言变量：“NBe”、“NMe”、“NSe”、“ZEe”、“PSe”、“PMe”、“PBe”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号e1~e7表示，隶属函数分别用μe1~μeec的论域为Uec=−0.6,0.6。将ec模糊化为7个语言变量：“NBec”、“NMec”、“NSec”、“ZEec”、“PSec”、“PMec”、“PBec”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号ec1~ec7表示，隶属函数分别用μec1u的论域为Uu=−60,63。将u模糊化为7个语言变量：“NBu”、“NMu”、“NSu”、“ZEu”、“PSu”、“PMu”、“PBu”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号u1~u7表示，隶属函数分别用μ语言变量“NBe”、“NBec”、“NBu”、“PBe”、“PBec”、“PBu”的隶属函数为S形隶属函数，满足： μei其中参数a决定隶属函数的开口方向，c为偏移量。剩余语言变量的隶属函数均为各论域的高斯隶属函数，满足： μei(x)=e−(x−c高斯型隶属函数由中心c和开口度σ确定。输入变量模糊化模糊化是将模糊控制器输入量的确定值转换为各个模糊语言变量隶属度的过程。以误差e为例（此处仅作假设演示，实际采用的隶属函数参考仿真实验章节），为简化分析，此例的论域中只考虑7个点，分别为（-1，-0.6，-0.3，0，0.3，0.6，1），实际运算过程在计算机中进行，会考虑更多的采样点。误差各语言变量的隶属函数如图3-3所示，该坐标图的纵坐标为隶属度，隶属度大于0小于1。图3-4输入变量模糊化示意图当机器人运动到某时刻时，实际位置与目标位置的偏差为-0.73时，对精确量-0.73进行模糊化，在图3-4中，找到横坐标为-0.73的点，并做一条竖线，此时发现此线与NB和NM的隶属函数有交点，分别为（-0.73，0.1）和（-0.73，0.4），与其他语言变量的隶属函数没有交点，此时已经完成了对变量e的模糊化，图中红色虚线描绘的区域便是输入变量e的隶属函数。用Zadeh表示法，当e的准确值为-0.73时，模糊化结果为如公式（3-4）所示。式中“+”和“/”不代表加法和乘法，仅仅作为分隔符号。 μe∗模糊推理模糊推理的规则库基于人工调试经验，例如，当机器人位于目标位置较远且为负方向，同时机器人移动速度较快，移动方向也为目标位置负方向时，需要让执行器提供正方向的较大的推力，对应模糊规则为：IFEisNBeandECisNBec，THENUisPBu。根据机器人不同的运动状态，表3-1列举出了49项控制规则，并以此表作为模糊控制的规则库。表3-1规则库EUECNBecNMecNSecZEecPSecPMecPBecNBePBuPBuPBuPBuPBuPBuPBuNMePBuPBuPBuPBuPMuPMuPSuNSePBuPMuPMuPSuPSuZEuZEuZEePMuPSuPSuZEuNSuNSuNMuPSeZEuNSuNSuNMuNMuNMuNBuPMeNSuNMuNMuNBuNBuNBuNBuPBeNBuNBuNBuNBuNBuNBuNBu假设表3-1中行数为i，列数为j（不计表头），当i=3，j=2时，表3-1中的规则为：IFEisNSeandECisNMec，THENUisPMu。根据前文对可语言变量的符号表示，表3-1可写为：IFEiseiandECisecj，THENUis R=i=17式子中，符号“×”为笛卡尔乘积符，其运算规则此处不做介绍。求得规则库下的模糊关系矩阵R后，即可通过Zadeh法或者Mamdani法来求得模糊输出量U的隶属函数。假设现有模糊化后的输入e∗和ec∗，它们对应的隶属函数分别为μe∗和μec μu∗=(μ解模糊根据前文模糊推理得到的结果是控制量的模糊集合U，无法直接作为执行机构的输入量，此时需要用到解模糊操作，将模糊集合转化为具体量。解模糊的方式分为最大隶属度法、重心法、系数加权平均法等，此处用到了重心法。 u=xμu基于模糊PID控制的运动控制算法 模糊PID控制是一种结合了模糊逻辑和PID控制策略的控制方法。这种控制策略的主要特点在于其能够处理不确定性和非线性问题，使得控制系统在面对复杂多变的环境时仍能保持较好的控制性能[29]。相比于PID控制，模糊PID控制具有更强的鲁棒性，即使在系统参数发生变化或受到外部干扰的情况下，它也能保持较好的控制性能。模糊PID控制能够根据系统的实时状态调整PID的控制参数，从而优化控制效果。模糊PID控制结构图模糊PID控制系统的结构框图如图3-5所示，该控制系统采用了模糊控制器和PID控制器的并行结构。模糊控制器的输入仍然是偏差e和偏差的变化率ec，输出是解模糊后PID的三个控制参数Kp、Ki和Kd，PID控制器则根据当前时刻的偏差和模糊控制器推理出的控制参数输出相应占空比的PWM信号，用于控制水下推进器的螺旋桨转速。系统控制对象为机器人直线运动的动力学模型。图3-5模糊PID控制框图模糊PID控制的语言变量及其隶属函数模糊控制器输入量为偏差e和偏差变化率ec，输出为PID控制器的控制参数Kp、Ki和Kd。其中关于e和ec的论域、语言变量和对应的隶属函数均与3.3.2节中描述的相同，此处不做赘述。输出量Kp的论域为Up=0,20。将Kp模糊化为7个语言变量：“NBp”、“NMp”、“NSp”、“ZEp”、“PSp”、“PMp”、“PBp”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号p1~p7表示，隶属函数分别用μ输出量Ki的论域为Ui=0,20。将Ki模糊化为7个语言变量：“NBi”、“NMi”、“NSi”、“ZEi”、“PSi”、“PMi”、“PBi”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号i1~i7表示，隶属函数分别用μ输出量Kd的论域为Ud=0,20。将Kd模糊化为7个语言变量：“NBd”、“NMd”、“NSd”、“ZEd”、“PSd”、“PMd”、“PBd”，分别表示为负大、负中、负小、零、正小、正中、正大，将这7个语言变量分别用符号d1~d7表示，隶属函数分别用μ语言变量“NBp”、“NBi”、“NBd”、“PBp”、“PBi”、“PBd”的隶属函数为S形隶属函数，满足： μpj其中参数a决定隶属函数的开口方向，c为偏移量。剩余语言变量的隶属函数均为各论域的三角形隶属函数，满足： μpj f(x,aj三角型隶属函数由aj，模糊PID的模糊规则库在PID控制器中，比例系数Kp的选取是影响系统动态性能的关键因素。Kp的增大能够加速系统的响应速度，并有助于减小稳态误差；然而，过大的Kp值可能导致系统出现显著的超调现象，甚至可能使系统失稳。相反，减小Kp值虽然能够降低超调，提高系统的稳定性，但过小的Kp值又会导致响应速度变慢，从而延长调节时间。因此，在PID控制器的调节过程中，需要根据系统的实际响应情况进行Kp值的动态调整。在调节初期，为迅速达到目标值，应适当选择较大的Kp值；在调节中期，为减小超调并保证一定的响应速度，应将Kp值调整为较小值；而在调节过程后期，为减小稳态误差，提高控制精度，则需将Kp值再次调整到较大值。这样的动态调整策略能够确保PID控制器在维持系统稳定性的同时，实现快速且高精度的控制[30]。表3-2Kp规则库EKpECNBecNMecNSecZEecPSecPMecPBecNBePBpPBpPMpPMpPSpZEpZEpNMePBpPBpPMpPSpPSpZEpNSpNSePMpPMpPMpPSpZEpNSpNSpZEePMpPMpPSpZEpNSpNMpNMpPSePSpPSpZEpNSpNSpNMpNMpPMePSpZEpNSpNMpNMpNMpNBpPBeZEpZEpNMpNMpNMpNBpNBp积分Ki的主要功能在于消除系统的稳态偏差，以实现精确的控制目标。然而，由于实际系统可能存在的各种因素，积分过程在调节初期可能产生积分饱和现象。积分饱和会导致系统在调节过程中出现较大的超调，从而影响系统的动态性能。因此，在调节初期，为防止积分饱和导致超调过大，应适当减弱积分作用，此处将其设置为零。随着调节过程的进行，进入调节中期时，为避免积分作用过强影响系统的稳定性，应将积分作用调整至适中水平。在调节过程的后期，为减小系统的调节静差，提高控制精度，应逐渐增强积分作用，使系统能够快速且准确地达到稳态。通过这样的积分控制策略调整，可以确保系统在维持稳定性的同时，实现高效的稳态偏差消除，从而达到更优的控制效果。表3-3Ki规则库EKiECNBecNMecNSecZEecPSecPMecPBecNBeNBiNBiNMiNMiNSiZEiZEiNMeNBiNBiNMiNSiNSiZEiZEiNSeNBiNMiNSiNSiZEiPSiPSiZEeNMiNMiNSiZEiPSiPMiPMiPSeNMiNSiZEiPSiPSiPMiPBiPMeZEiZEiPSiPSiPMiPBiPBiPBeZEiZEiPSiPMiPMiPBiPBi微分Kd的调整主要针对具有大惯性特征的系统过程，其核心在于通过调整微分系数以优化系统的动态特性。微分环节系数能敏锐地捕捉信号变化趋势，在偏差信号发生显著变化之前，预先在系统中引入一个有效的早期修正信号。微分系数Kd的选取对系统的调节动态特性具有显著影响。当Kd值过大时，调节过程中的制动作用会提前发生，可能导致调节时间过长；反之，若Kd值过小，制动作用则会滞后，增加超调的风险。在调节初期，应适当增强微分作用，以减小甚至避免超调现象的发生。进入调节中期，由于此时系统对Kd值的变化较为敏感，因此应将Kd值调至适中水平并保持相对稳定。而在调节后期，则应逐渐减小Kd值，以减弱对被控过程的制动作用，并补偿在调节初期因Kd值过大而可能导致的调节过程时间延长问题。通过这样的微分环节调整策略，可以有效优化系统的动态性能，实现快速、准确且稳定的控制目标。表3-4Kd规则库EKdECNBecNMecNSecZEecPSecPMecPBecNBePSdNSdNBdNBdNBdNMdPSdNMePSdNSdNBdNMdNMdNSdZEdNSeZEdNSdNMdNMdNSdNSdZEdZEeZEdNSdNSdNSdNSdNSdZEdPSeZEdZEdZEdZEdZEdZEdZEdPMePBdNSdPSdPSdPSdPSdPBdPBePBdPMdPMdPMdPSdPSdPBd本章小结本章主要设计了基于PID控制，串级PID控制和模糊控制的三种运动控制器，提出控制框图和控制算法计算过程，实现机器人对目标位置的追踪。对于PID控制策略，本章介绍并运用了增量型PID，以便单片机的编程实现；对于串级PID控制，本章提出了其速度内环和位置外环的控制结构，以提高机器人的响应速度；对于模糊控制器，本章根据实际的控制经验，提出49个控制规则，并演示了模糊控制的具体计算过程，以提高机器人的鲁棒性和自适应性。

基于MATLAB/Simulink的吸入式漂浮垃圾清理机器人的仿真分析阻力矩系数和附加转动惯量难以通过数学计算求解，工程中通常采用实验法或者仿真法求解得出。本章应用Fluent仿真软件计算机器人外壳在不同转速和加速度下产生的阻力矩，并通过曲线拟合方法获得其阻力矩系数和附加转动惯量。在获得机器人的各个阻力参数后，即可带入动力学模型，并在Matlab/Simulink中搭建得出的动力学模型，进行各种控制策略的仿真测试。最后，本章通过Costfunction定量的衡量不同控制方案的性能，并得到最优的控制方案。基于Fluent阻力矩系数和附加转动惯量仿真计算前处理及网格划分首先，在DesignModeler中构建仿真所用的流场模型。在XY平面中绘制一个半径为150mm的圆形，选中该圆并使用双对称的挤出操作，每边挤出120mm，构建一个直径300mm，长度240mm的机器人圆柱外壳。在圆柱外生成两个以原点为中心的球形外壳，小外壳半径300mm，大外壳半径1000mm，用来模拟旋转流场。对圆柱体采用Boolean操作，将其从小外壳中挖出，模型剩余部分全为流体。流场模型如图4-1所示。图4-1Fluent流场模型建立然后需要在Meshing中对创建好的模型进行网格划分。图4-2为Meshing中的网格，其中最大尺寸为60mm，最小尺寸为20mm。应用网格膨胀法来细化机器人表面（将机器人表面成为rotorwall）上的网格，以便在该表面周围进行更多计算。为方便计算收敛，rotorwall上的边界层设置了三层。图4-2Fluent网格划分最后，设置好仿真参数，即可开始仿真。求解器选择压力基，仿真时间选择瞬态仿真，并勾选重力，重力加速度选择在Y轴，大小为-9.8m/s2。在材料选项中找到流体，创建水模型，密度为1000kg/m3，粘性为0.00095kg/m.s。仿真模型选择为雷诺应力模型中的线性压力-应变模型，壁面函数为标准壁面函数，模型常数保持不变。模型设置如图4-3所示。图4-3Fluent仿真模型设置Rotorwall的旋转过程可通过Fluent中的动网格技术实现，在动网格方法设置中勾选光顺和重新划分网格，重新划分网格的功能是在网格运动一个时间步后对现存的网格进行重新划分，以避免因为负网格的出现而打断仿真过程，但是网格重划分的勾选必然会导致仿真计算量的增加。创建动网格，将rotorwall选择为动网格，运动类型为刚体运动。图4-4Fluent动网格方法设置阻力矩系数在Fluent中，模拟移动的物体可通过动网格或者“移动参考系”。此处通过动网格模拟机器人外壳的匀速转动，然后，获得对应于不同角速度的一系列阻力矩。以绕y轴旋转为例，旋转运动过程通过Profile文件进行定义，如图4-5所示，图中代码对瞬态旋转运动过程进行了描述，其中有三个数据点，每个数据点由一个时间点和一个角速度构成，图中的数据点表示当时间为初始时刻时，Y轴的角速度为17rad/s，当时间为0.001s时，角速度为17rad/s，当时间为0.04s时，角速度为17rad/s，因此这0.04秒内，该运动过程为匀速转动。图4-5Profile文件定义运动过程不同角速度下的阻力矩如表4-1所示。最后利用MATLAB中的cftool，找到了机器人的阻力矩与角速度之间的拟合函数，如图4-6所示。表4-1不同转速下的阻力仿真数据角速度0.251357阻力矩0.2671.0773.2086.00910.002角速度1013151720阻力矩18.05328.55936.89846.29862.401图4-6绕y轴旋转时的阻力矩和角速度拟合曲线图4-6的拟合结果为：τ=0.161 K1=K2=0.161附加转动惯量根据参考文献[10]，附加转动惯量可以表示为公式（4-2） I'=|其中，τunsteady表示加速度运动下受到的阻力矩，τsteady表示匀速运动状态下受到的阻力矩，a为加速度在Fluent中，由Profile文件给出动态网格的加速度，如图4-7所示，设置初始角速度为0rad/s，rotorwall绕y轴旋转0-0.04s时，角加速度为25rad/s2。然后，转子壁以10rad/s的恒定速度旋转0.04-0.06s。将时间步长设置为0.001s，阻力矩的模拟结果如图4-8所示。图4-7Profile文件定义加速度运动过程图4-8加速度运动状态下的仿真曲线图在设定的运动过程下，将仿真结果代入公式（4-2），即可计算附加转动惯量： I44=I55=|−18.053−(−27.546MATLAB/Simulink仿真实验基于串级PID控制的仿真实验仿真实验目标是控制机器人到达设定的目标位置，并计算机器人在直线运动下的姿态角。假设机器人沿Ex轴移动，推进器的姿态角α和β均为0，将表4-2中的机器人参数带入公式（2-21）和（2-22），可以得到运动控制的控制方程为： x=(0.000455n 0.415θ=0.000625表4-2机器人参数m+m11m+m22IX+I44IY+I55CdxCdy7kg7kg0.415kg.m20.415kg.m20.50.5Ld(1−t)ρzTzG0.24m0.3m0.0013891000kg/m30.45m0.1m以公式（4-4）和（4-5）建立的串级控制仿真系统如图4-9所示，为了对比串级PID和传统PID的控制曲线，在串级控制系统上面同样建立了传统PID控制系统。根据公式（4-4）建立的直线运动子系统如图4-10所示，根据公式（4-5）建立的旋转运动子系统如图4-11所示。串级PID的外环参数为Kp=21,KI=0.1,KD=5，内环参数为Kp=80图4-9串级PID控制仿真系统图4-10直线运动子系统图4-11旋转运动子系统机器人的直线运动位置变化如图4-12所示，机器人以较小的误差到达目标位置。机器人在直线运动过程中的速度变化如图4-13所示，可见最大速度为0.56m/s。机器人直线运动过程的姿态角θ变化如图4-14所示。可以看出，机器人在大约2.5秒时达到最大速度，同时姿态角θ小于8°，这对机器人来说足够安全。当机器人接近目标垃圾时，θ开始减小并逐渐恢复平衡。为简化比较，将传统PID和串级PID控制曲线同时显示在图4-12中，橙色线条为串级PID控制曲线，黑色线条为传统PID控制曲线。通过对比图可以较为明显的看出，串级PID的输出优于传统PID，其响应速度更快，超调量更小。图4-12串级PID和传统PID控制下的直线运动位置变化图4-13直线运动时Ex轴上的速度x的变化图4-14直线运动时姿态角θ的变化基于模糊控制的仿真实验模糊控制的控制目标依然是控制机器人到达设定的目标距离，通过Matlab/fuzzy工具盒可以实现模糊控制的仿真。根据模糊控制的设计方案，模糊控制器的输入是误差（E）和误差变化率（EC）。首先需要设置模糊化接口，定义语言变量和每个语言变量的隶属函数，将误差和误差变化率模糊化后，才能进行模糊推理，该仿真的模糊化接口如图4-15、4-16和4-17所示。每个输入变量都有7个模糊语言和对应的模糊隶属函数，7个模糊语言分别为“NB”、“NM”、“NS”、“ZE”、“PS”、“PM”、“PB”，隶属函数的类型为高斯隶属函数。图4-15变量“E”的模糊化隶属函数图4-16变量“EC”的模糊化隶属函数图4-17输出量“U”的模糊化隶属函数然后需要根据控制经验设置控制规则，此处在fuzzy工具箱中设置了49条控制策略，如图4-18所示。根据模糊输入和模糊规则，控制器通过mamdani模糊推理得出模糊输出。模糊控制的输出需要进行反模糊化才能用在执行器上，此处采用的是centroid反模糊化算法。图4-18控制规则最后，将以上描述的模糊控制器以fis文件导入Simulink，并根据模糊控制框图和公式（4-4）构建模糊控制系统，如图4-19所示。同样地，为了方便对比模糊控制和串级PID控制的性能差异，将两个控制系统的输出显示在同一个观测器中。串级PID的外环参数为Kp=21,KI=0.1,KD=5，内环参数为Kp图4-19模糊控制仿真系统基于模糊PID控制的仿真实验根据3.4.2节的分析，模糊控制器的三个输出“Kp”、“Ki”和“Kd”被分为了七个等级（NB，NM，NS，ZE，PS，PM，PB）。且三个变量的论域均为[0，20]，三个输出量的模糊化隶属函数如图4-20、4-21和4-22所示。图4-20输出量“Kp”的模糊化隶属函数图4-21输出量“Ki”的模糊化隶属函数图4-22输出量“Kd”的模糊化隶属函数根据表3-2、3-3和3-4，将对应的模糊规则输入fuzzy工具箱，即可生成所有控制规则的Surface图，该显示方式较为清晰明了，如图4-23所示，x轴和y轴分别代表论域内的输入变量E和EC，z轴则代表各个输入变量下的输出变量Kp、Ki和Kd。图4-23模糊PID的模糊规则Surface将上述的模糊控制器以fis文件导入Simulink，并根据模糊PID控制系统的框图搭建Simulink仿真系统，模糊PID的仿真系统如图4-24所示。图4-24模糊PID仿真系统如图4-28所示，模糊控制器的输出为PID控制器模块的控制参数，PID控制器的初始参数为Kp=1，Ki=0.001，Kd=0.001，模糊控制器的输出后面各接了一个增益模块，用于控制模糊推理结果对控制参数的影响，实现更大程度的控制。为了对比模糊PID控制策略与模糊控制策略和串级PID控制策略的表现差异，在该仿真系统中加入了模糊控制系统和串级PID控制系统，参数与前面相同。将目标位置设置为5m、25m和50m，观察不同目标输入下的控制性能差异，机器人的直线运动位置变化如图4-25、4-26和4-27所示。通过对比控制曲线图可以观察到，当目标位置为5m时，三种控制策略都能使机器人以较高的控制精度到达目标位置，串级PID控制和模糊PID控制的响应速度相近，都快于模糊控制。随着目标距离的增加，串级PID控制的超调量逐渐增加。当目标位置到达25m时，由于积分饱和现象，串级PID控制已经无法完成控制任务，对比之下，模糊PID控制和模糊控制依旧稳定，并且以较高的控制精度完成了控制任务，而模糊PID控制的响应速度明显快于模糊控制。当目标位置为50m时，串级PID控制出现等幅振荡。图4-25模糊PID控制，模糊控制和和串级PID控制下的运动位置变化（目标位置：5m）图4-26模糊PID控制，模糊控制和和串级PID控制下的运动位置变化（目标位置：25m）图4-27模糊PID控制，模糊控制和和串级PID控制下的运动位置变化（目标位置：50m）该对比实验说明，由于受积分饱和的影响，串级PID控制对不同输入目标下的适应性较差，而模糊控制和模糊PID控制具有更好的适应能力，能应用于目标灵活多变的应用场景下。由于实际项目可能欠缺对执行器直接控制的经验，导致模糊控制的规则库难以制定，相比之下，模糊PID控制的规则库基于人工整定PID的经验，实际应用时不需要太多对实际控制系统的了解也可达到较好的控制效果。为了改进串级PID的控制效果，可在积分器上加入积分饱和限制，此处设置积分饱和为60，当积分部分超过60时，会被强制锁定在60，因此缓解了积分饱和带来的不可控性。加入积分饱和限制后的控制效果如图4-28、4-29和4-30所示。可以看到，串级PID控制的控制效果显著提高。图4-28串级PID加入积分饱和限制后的三种控制策略的运动位置变化（目标位置：5m）图4-29串级PID加入积分饱和限制后的三种控制策略的运动位置变化（目标位置：25m）图4-30串级PID加入积分饱和限制后的三种控制策略的运动位置变化（目标位置：50m）为测试模糊控制和模糊PID控制的抗扰动能力，当时间为50s时，插入一个大小为-0.3m/s的速度扰动，当时间为70s时，插入一个大小为-2m的位置扰动。在施加扰动的情况下，采用模糊控制和模糊PID控制策略的控制曲线如图4-31所示。可以看出，模糊控制和模糊PID控制都具有较强的鲁棒性，在扰动施加后的10s内，机器人都能回到原始位置。图4-31位置扰动和速度扰动下模糊控制和模糊PID控制曲线性能分析在最优化控制中，通过最小化代价函数（Costfunction）来得到最优的控制性能。为定量分析模糊控制，串级PID控制和模糊PID控制的控制性能，此处引入代价函数来描述控制性能的好坏。代价函数如公式（4-6）所示[27]，其中xT(t)表示t时刻的目标位置，xO(t)表示 J=t=0N−1根据公式（4-6），在Simulink中搭建代价函数计算模型，如图4-24所示。将目标值设定为50m，开始运行后可以在观测器中查看代价函数的增加过程，如图4-25所示。根据计算结果，模糊控制的代价函数大小为J1=8.521×105，串级PID控制的代价函数大小为图4-32计算代价函数仿真模型图4-33输入为50m时模糊控制，串级控制和模糊PID控制的代价函数通过改变目标距离的输入，观察模糊控制，模糊PID控制和串级PID控制在变化的输入下的代价函数。仿真数据如表4-3所示，观察数据可以得出结论，模糊PID控制在目标位置为10-50m的范围内，控制性能均优于模糊控制和串级PID控制。表4-3不同目标输入下模糊控制和串级控制的代价函数目标位置/m510152025J11.956×2.438×3.212×3.762×4.661×J22.736×3.146×4.267×3.893×4.706×J32.007×2.304×2.518×2.823×3.794×目标位置/m3035404550J15.191×6.121×6.584×7.242×8.521J25.135×6.423×6.566×6.862×7.592J34.301×4.821×5.168×5.955×6.911本章小结本章应用Fluent软件的动网格技术对机器人外壳的附加转动惯量和粘性阻力系数进行仿真计算。之后将求得的附加转动惯量和粘性阻力系数带入了第二章求得的动力学方程，做为Simulink中的控制对象，并根据第三章所设计的控制框图分别搭建了仿真系统。首先对比了单环PID控制和串级PID控制的控制性能，发现串级控制的响应速度快于PID控制，控制性能更优。随后通过Costfunction对比了模糊PID控制，模糊控制和串级PID控制，发现模糊PID控制在不同目标下的整体控制性能最优。

总结与展望全文总结随着漂浮垃圾污染日趋严重，自主式漂浮垃圾清理机器人的发展成为必须，而对机器人的运动控制是其完成工作任务的重要基础。本文设计了一款吸入式漂浮垃圾清理机器人，用于清理小水域的漂浮垃圾，并针对该机器人的水下运动控制展开了相关研究，主要包括以下几方面研究：对漂浮垃圾污染的现状和危害进行了简要分析。介绍了几种国内主要使用的清理漂浮垃圾的方法，并分析了各方法的局限性。简要分析了水下运动控制的发展过程和涉及到的控制策略，为后续的机器人运动控制系统设计提供了借鉴和理论支撑；针对该机器人的水平面运动进行了动力学建模。首先进行参考坐标系的建立，并确定相关运动参数和转换关系，然后考虑重力，浮力，水下推进器的推力，水阻力等因素，进行动力学建模以及机器人相关力学分析，最后通过牛顿第二定律和动量矩定理得出机器人的六自由度动力学方程，对机器人空间运动进行合理的平面解耦，导出对应的直线运动动力学方程；设计机器人的运动控制器。介绍了水下运动控制的四种常用的控制策略，PID控制，串级PID控制，模糊控制和模糊PID控制，并将这四种控制策略运用于机器人的直线运动控制，提出控制框图和控制算法计算过程，实现机器人对目标位置的追踪；对机器人进行了仿真实验。仿真工作包括两部分内容，一部分是Fluent阻力系数仿真，另一部分是Matlab/Simulink运动控制仿真。利用Fluent软件的动网格技术计算机器人外壳的附加转动惯量和粘性阻力矩系数。在Simulink软件中搭建第三章提出的运动控制系统，验证了四种控制器的控制性能稳定性。通过Costfunction来评估各控制器的控制质量，并得出模糊PID控制的综合控制效果最佳。设计了机器人的PCB电路。PCB电路包括控制板和分电板，控制板用于实现机器人的控制功能，包括读取传感器数据、与视觉部分进行通讯、运行运动控制算法、执行器控制信号发送、程序下载调试等。分电板负责电源的分配，包括控制板、水下推进器、步进电机和视觉系统的供电。展望全文主要针对吸入式漂浮垃圾清理机器人的运动控制问题进行了相关的研究，主要聚焦于机器人的动力学方程建立、运动控制器的设计、运动过程仿真和阻力参数估计几个方面，但在目前的研究中存在许多等待完善和扩展的方面，此处对未来工作进行如下展望：在动力学建模中，为了简化阻力分析，将机器人的外壳视为圆柱体，导致仿真的精度不高。对于模型的水阻力分析可将机器人外壳尽量还原，在Fluent中构建与机器人外壳尽量相似的结构，以提高水阻力分析的准确性。由于机器人不是完全对称的，在机器人运动时还会受到耦合附加质量的影响，可通过设计实际实验进行测量估算。仿真的扰动输入只考虑了阶跃输入，但实际的水下环境噪声因素多种多样，今后研究应加强机器人在各种水噪声输入下的鲁棒性研究。由于机械结构部分较为复杂，且防水要求较高，未整体将实物做出，无法通过实物实验，验证控制方案的可靠性。有待完成机器人实物搭建，并实践验证控制方案。参考文献BorrelleS.B.,RochmanC.M.,LiboironM.,BondA.L.,LusherA.,BradshawH.andProvencherJ.F..Whyweneedaninternationalagreementonmarineplasticpollution[J].ProceedingsoftheNationalAcademyofSciences,2017,114(38):9994-9997.UnitedNationsEnvironmentProgramme.Marinelitter:Aglobalchallenge[R].Nairobi:OceanConservancy,RegionalSeasandGlobalProgrammeofAction,2009.国家海洋局.2022年中国海洋生态环境状况公报[J].环境保护,2023,51(Z3):70-82.国家海洋局.2020年中国海洋生态环境状况公报[J].环境保护,2021,49(12):59-75.应子翔,程都,杨佳瑶,刘畅,赵西增.水上漂浮式垃圾回收方法综述[A].中国海洋学会海洋工程分会.第十八届中国海洋（岸）工程学术讨论会论文集（上）[C].浙江:中国海洋学会海洋工程分会,2017.AkibA.,TasnimF.,BiswasD.,

HashemM.B.,RahmanK.,BhattacharjeeA.andFattahS.A..UnmannedFloatingWasteCollectingRobot[A].

TENCON2019-2019IEEERegion10Conference[C].India:IEEE,2019,2645-2650.ChangH.C.,HsuY.L.,HungS.S.,OuG.R.,WuJ.R.andHsuC..AutonomousWaterQualityMonitoringandWaterSurfaceCleaningforUnmannedSurfaceVehicle[J].

Sensors2021,2021,21(4):1102.

KongS.,TianM.,QiuC.,WuZ.andYuJ..IWSCR:AnIntelligentWaterSurfaceCleanerRobotforCollectingFloatingGarbage[J].IEEETransactionsonSystems,Man,andCybernetics:Systems,2021,51(10):6358-6368.BayusariI.,AlfarinoA.M.,HikmarikaH.,HusinZ.,DwijayantiS.andSupraptoB.Y..PositioncontrolsystemofautonomousunderwatervehicleusingPIDcontroller[A].20218thInternationalConferenceonElectricalEngineering[C],Indonesia:ComputerScienceandInformatics,2021.139-143.HanJ..FromPIDtoactivedisturbancerejectioncontrol[J],

IEEETrans.Ind.Electron.,2009,56(3):900-906.王建华,宋燕,魏国亮,袁彬.串级PID控制在水下机器人俯仰控制系统中的应用[J].上海理工大学学报,2017,39(3):229-235.

HassaneinO.,AnavattiS.G.andRayT..Fuzzymodelingandcontrolforautonomousunderwatervehicle[A],20115thInternationalConferenceonAutomation[C].Wellington:RoboticsandApplications,2011.169-174.KongK.,GuoY.andLyuW..Dynamicsmodelingandmotioncontrolofannewunmannedunderwatervehicle[J],

IEEEAccess,2020,8:30119-30126.SakiyamaJ.andMotoiN..Positionandattitudecontrolmethodusingdisturbanceobserverforstationkeepinginunderwatervehicle[A],201844thAnnualConferenceoftheIEEEIndu