JPH09101822A - 姿勢安定化装置 - Google Patents

姿勢安定化装置

Info

Publication number
JPH09101822A
JPH09101822A JP7260542A JP26054295A JPH09101822A JP H09101822 A JPH09101822 A JP H09101822A JP 7260542 A JP7260542 A JP 7260542A JP 26054295 A JP26054295 A JP 26054295A JP H09101822 A JPH09101822 A JP H09101822A
Authority
JP
Japan
Prior art keywords
posture
control
signal
moving object
target value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP7260542A
Other languages
English (en)
Inventor
Tadayoshi Kato
忠義 加藤
Seiji Kuroki
聖司 黒木
Susumu Takezawa
進 竹沢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP7260542A priority Critical patent/JPH09101822A/ja
Publication of JPH09101822A publication Critical patent/JPH09101822A/ja
Withdrawn legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Position Or Direction (AREA)

Abstract

(57)【要約】 【課題】 運動物体の姿勢の乱れの原因である外乱に関
する知識や情報が全く無い場合でも汎用的，適応的な外
乱補償を実現し、運動物体の高精度の姿勢制御／安定化
を達成する。 【解決手段】 制御目標信号発生部２からの制御目標値
を処理して得られる少なくとも１つの二次的信号を入力
され、その入力信号に対し学習機能アルゴリズムを用い
た信号合成操作を施すことにより得られる信号を、補助
制御信号として、主制御論理部４から主アクチュエータ
５に対する制御信号にフィードフォワード的に印加する
学習制御部６を、主制御論理部４に対して並列的にそな
えて構成する。

Description

【発明の詳細な説明】
【０００１】（目次） 発明の属する技術分野 従来の技術 発明が解決しようとする課題 課題を解決するための手段（図１〜図３） 発明の実施の形態 （ａ）第１実施形態の説明（図４，図５） （ｂ）第２実施形態の説明（図６） （ｃ）第３実施形態の説明（図７） （ｄ）具体的な適用例とそのシミュレーション結果の説
明（図８〜図１３） （ｅ）その他 発明の効果
【０００２】
【発明の属する技術分野】本発明は、運動物体の姿勢を
安定化させるための装置に関し、特に、運動物体の姿勢
に悪影響を及ぼす外乱が作用する環境下で外乱の特性
（パラメータ，大きさ，時間的／周波数的特性）が未知
である場合に、その運動物体の姿勢を高精度に制御また
は安定化するための装置に関する。ここで、運動物体と
は、例えば、人工衛星，宇宙船，船舶，潜水艦，航空機
等で、その姿勢が重要な制御目的となっている対象を指
している。
【０００３】
【従来の技術】従来、運動物体に作用する外乱の制御の
ために幾つかの手法が採られている。外乱の力学的特性
が確定している場合は、その外乱の数学モデルを用いて
計算しフィードフォワード補償を施すことにより、外乱
の影響を相殺できる。人工衛星や宇宙船の例で言えば搭
載アンテナやマニピュレータアームを駆動する場合はこ
の手法が採用されている。しかし、このような手法を採
用するためには可動体の質量や慣性モーメント，重心位
置，モーメントアーム長などの正確な事前知識が要求さ
れる上に、これらの慣性負荷が変化する場合は、その都
度、外乱の数学モデルを変更する必要がある。
【０００４】一方、多くの自然環境外乱は、その力学的
特性は不確定である。そのため、高精度の姿勢制御／安
定化を実現しようとすると、オンボードでこれらの外乱
を推定・補償する必要がある。このための手法として
は、外乱推定オブザーバやカルマンフィルタがある。両
手法とも、外乱を含む制御系全体の動力学の数学モデル
をオンボード計算機の中に用意し、姿勢センサによる観
測値と同数学モデルによる予測値が一致するように数学
モデルの状態変数を更新していく。
【０００５】この場合、外乱も状態変数の中に含めるの
で、外乱の動力学的状態方程式を構成する必要がある。
例えば、ステップ状外乱でその大きさ未知の場合は外乱
状態変数の時間に関する一階微分がゼロ、ランプ状外乱
でその初期値と勾配が未知の場合は時間の２階微分がゼ
ロ、正弦波状外乱の場合はその周波数を既知として調和
振動の方程式に従う、という具合に外乱の状態方程式を
構成する。このような状態変数を使ったフィルタの出力
は数学モデルが実際の動力学を正しく表現していればそ
れぞれの物理量の真値に収束するので、外乱の完全な実
時間補償も可能になる。
【０００６】しかし、特に自然環境外乱の場合は個々の
外乱要因の動力学モデルは不正確にしか分からないのが
一般的である上に、総合外乱の動力学モデルを精度よく
構成することはかなり困難である。このため、モデル化
の誤差が大であると、このようなアプローチによる補償
法はあまり有効ではなくなる。また、実際の制御系全体
を模擬した動力学的数学モデルをオンボード計算機の中
に構成しなければならないため、搭載ソフトウエアの規
模や処理時間がかさむ心配がある。
【０００７】次に、人工的な外乱の他例として、運動物
体の増速用推進機関の作動中に姿勢に悪影響を及ぼす外
乱が発生する場合がある。例として、人工衛星や宇宙船
の軌道変更時に軌道変更用スラスタのシステム重心に対
するミスアライメントやオフセットが存在する場合を挙
げることができる。この場合、スラスタの推力や上記の
ミスアライメントおよびオフセット，重心位置等を正確
に知ることは不可能な上に時間的にも変動する場合があ
るので、姿勢への擾乱を抑えるためにはオンボード実時
間で補償することが望ましい。これに対しても、上述と
同様の手法を適用することが可能であるが、既述の課題
は避けられない。
【０００８】外乱抑制の別のアプローチとして、Ｈ∞制
御等のいわゆるロバスト制御系を使用する手法がある。
これは、制御対象を含む閉ループに対して感度関数を周
波数の重みを付けて小さくし、同時に閉ループ系を安定
化するような制御器を求めようとするものである。この
手法では、外乱の周波数特性に関する事前知識を必要と
することや、制御則設計アルゴリズムが複雑なこと、一
般的に制御器の次数が高くなるなどの課題がある。
【０００９】
【発明が解決しようとする課題】上述したように、従来
技術では、外乱を補償しようとすると、外乱の数学モデ
ル、あるいは外乱に関しての事前知識を制御器の設計に
取り込む必要があった。そのため、仮定した外乱の力学
的特性と実際の外乱の特性とが異なる場合には、外乱補
償効果が大きく減少するおそれがあった。また、特定の
外乱モデルに対して制御器を設計するので、汎用的には
使用できないという課題もあった。
【００１０】本発明は、このような課題に鑑み創案され
たもので、運動物体の姿勢の乱れの原因である外乱に関
する知識や情報が全く無い場合でも汎用的，適応的な外
乱補償を実現し、運動物体の高精度の姿勢制御／安定化
を達成できるようにした、姿勢安定化装置を提供するこ
とを目的とする。
【００１１】
【課題を解決するための手段】図１は第１の発明の原理
ブロック図で、この図１において、１は姿勢安定化対象
の運動物体、２はこの運動物体１の姿勢の制御目標値を
発生する制御目標信号発生部、３は運動物体１の姿勢を
検出する姿勢センサ、４はフィードバックされた姿勢セ
ンサ３の出力値の制御目標値からの偏差に基づいて制御
信号を発生する主制御論理部、５はこの主制御論理部４
からの制御信号に基づいて所定のトルクを発生し運動物
体１に作用させる主アクチュエータであり、本発明の姿
勢安定化装置は、これらの構成要素により、運動物体１
の姿勢が制御目標信号発生部２からの制御目標値となる
ように制御することで、運動物体１の姿勢を安定化させ
るものである。
【００１２】そして、第１の発明では、学習制御部６
が、主制御論理部４に対して並列的にそなえられてい
る。この学習制御部６は、制御目標信号発生部２からの
制御目標値を処理して得られる少なくとも１つの二次的
信号を入力され、その入力信号に対し学習機能アルゴリ
ズムを用いた信号合成操作を施すことにより得られる信
号を、補助制御信号として、主制御論理部４から主アク
チュエータ５に対する制御信号にフィードフォワード的
に印加するものである（請求項１）。このとき、学習制
御部６を、ニューラルネットワークにより構成してもよ
く、この場合、ニューラルネットワークのシナプス結合
荷重の調整を、主制御論理部４からの制御信号に基づい
て行なう（請求項２）。
【００１３】図２は第２の発明の原理ブロック図で、こ
の図２に示すように、第２の発明も図１に示した第１の
発明とほぼ同様に構成されているが（既述と同一の符号
は同一部分を示している）、この第２の発明では、学習
制御部６Ａと補助アクチュエータ７とが、主制御論理４
および主アクチュエータ５に対して並列的にそなえられ
ている。
【００１４】ここで、学習制御部６Ａは、制御目標信号
発生部２からの制御目標値を処理して得られる少なくと
も１つの二次的信号を入力され、その入力信号に対し学
習機能アルゴリズムを用いた信号合成操作を施すことに
より得られる信号を、補助制御信号として補助アクチュ
エータ７へ出力するものである。また、補助アクチュエ
ータ７は、学習制御部６Ａからの補助制御信号に基づい
て所定のトルクを発生し、このトルクを、主アクチュエ
ータ５が発生するトルクにフィードフォワードトルクと
して印加し運動物体１に作用させるものである。
【００１５】なお、このときも、学習制御部６Ａをニュ
ーラルネットワークにより構成してもよく、この場合、
ニューラルネットワークのシナプス結合荷重の調整を、
制御目標信号発生部２からの制御目標値と姿勢センサ３
からの出力値との差である姿勢制御誤差信号に基づいて
行なう（請求項４）。図３は第３の発明の原理ブロック
図で、この図３に示すように、第２の発明も図１に示し
た第１の発明とほぼ同様に構成されており（既述と同一
の符号は同一部分を示している）、この第３の発明で
も、学習制御部６Ｂが、主制御論理部４に対して並列的
にそなえられているが、この第３の発明の学習制御部６
Ｂは、制御目標信号発生部２からの制御目標値および姿
勢センサ３の出力値を入力信号とし、その入力信号に対
し学習機能アルゴリズムを用いた信号合成操作を施すこ
とにより得られる信号を、補助制御信号として、主制御
論理部４から主アクチュエータ５に対する制御信号にフ
ィードフォワード的に印加している（請求項５）。
【００１６】なお、このときも、学習制御部６Ｂをニュ
ーラルネットワークにより構成してもよく、この場合、
ニューラルネットワークのシナプス結合荷重の調整を、
制御目標信号発生部２からの制御目標値と姿勢センサ３
からの出力値との差である姿勢制御誤差信号に基づいて
行なう（請求項６）。上述した第１〜第３の発明の姿勢
安定化装置では、外乱が作用する環境下での運動物体１
の姿勢を安定化させるために、外乱のパラメータや時間
的／周波数的特性等、外乱の構造に関する事前知識や情
報を使用せず、制御目標信号発生部２からの制御目標値
や姿勢センサ３により得られる運動物体１の姿勢角や姿
勢角速度情報と、学習制御部６，６Ａ，６Ｂの学習機能
アルゴリズムとを用いて、実際に運動物体１に作用して
いる外乱を実時間で適応的に推定する。
【００１７】そして、その結果を、主制御論理部４から
主アクチュエータ５に対して出力される制御信号に補助
制御信号としてフィードフォワード的に追加したり（請
求項１，２，５，６）、補助アクチュエータ７により主
アクチュエータ５が発生するトルクにフィードフォワー
ドトルクとして付与し運動物体１に作用させたり（請求
項３，４）することで、未知外乱による運動物体１への
姿勢擾乱効果を実時間で相殺・補償することができる。
【００１８】つまり、本発明により、主アクチュエータ
５に作用する外乱や、運動物体１に作用する外乱や、姿
勢センサ３に作用する外乱を、その事前情報を一切用い
ることなく補償することができるのである。
【００１９】
【発明の実施の形態】以下、図面を参照して本発明の実
施形態を説明する。 （ａ）第１実施形態の説明 図４は本発明の第１実施形態としての姿勢安定化装置の
制御系全体構成を示すブロック図で、図中、既述の符号
と同一の符号は同一部分を示しているので、その詳細な
説明は省略する。
【００２０】この第１実施形態は、図１にて前述した第
１の発明に対応するもので、図４に示すように、点線で
囲んだ部分が、本発明により新たに追加された第１実施
形態の特徴的な部分である。この点線領域内に示すよう
に、第１実施形態では、学習制御部６が、主制御論理部
４に対して並列的にそなえられている。第１実施形態で
は、制御目標信号発生部２からの制御目標値Ｒ(t) に、
比例，微分，積分の各操作を施して学習制御部６（ニュ
ーロアルゴリズム）への入力信号を合成していてる。こ
こで、比例，微分，積分の各利得定数（比例利得ＫP,微
分利得ＫD,積分利得ＫI ) を変えることにより、外乱補
償性能を調整できるようにしている。また、本発明で対
象とする外乱の発生箇所を、図４に外乱１，外乱２，外
乱３として示している。外乱１は、主アクチュエータ５
に作用する外乱であり、外乱２は、運動物体１に作用す
る外乱であり、外乱３は、姿勢センサ３に作用する外乱
である。
【００２１】そして、第１実施形態の学習制御部６は、
前述のごとく比例，微分，積分の各操作を施された二次
的信号Ｒ1,Ｒ2,Ｒ3 を入力され、これらの入力信号Ｒ1,
Ｒ2,Ｒ3 に対して学習機能アルゴリズムとしてのニュー
ロアルゴリズムを用いた信号合成操作を施すことにより
得られる信号ｓを、補助制御信号として、主制御論理部
４から主アクチュエータ５に対する制御信号にフィード
フォワード的に印加するものである。
【００２２】このとき、学習制御部６は、例えば図５に
示すようなニューラルネットワークにより構成され、そ
のニューラルネットワークのシナプス結合荷重の調整
を、主制御論理部４からの制御信号εに基づいて行な
う。また、教師信号ｔとしては、本来は外乱の時間関数
を与えるべきところであるが、未知と仮定しているた
め、ここでは、ゼロを与えている。
【００２３】学習機能アルゴリズムは、時間の経過とと
もに、あるいは動作の回数を重ねるにつれて所望の動作
が達成されるように、ある決められた法則に従ってその
構成要素のパラメータを変化させるアルゴリズムであ
る。本実施形態では、学習機能アルゴリズムとして、汎
用性の高いニューロアルゴリズム（ニューラルネットワ
ーク）を採用した。
【００２４】ニューラルネットワークは、図５に示すよ
うに、多層多数のニューロンをシナプス結合で結合した
もので、第１層の複数の入力関数にそれぞれの重みを付
けて和をとり、その結果を各ニューロンで非線形関数ｆ
で変換するという操作を各層毎に繰り返して出力ｓ（制
御信号）を得る、入力の非線形写像機能をもつものであ
る。
【００２５】今、ある時間信号を教師信号ｔとしてニュ
ーラルネットワークにこれを学習させるために、ニュー
ラルネットワークの出力信号ｓと上記教師信号ｔとの偏
差が時間的に常に減少するように各シナプス結合の重み
を調整してやると、最終的には与えられた入力関数に対
して常に教師信号に近い信号を出力するようになる。こ
の効果が、所謂学習機能である。
【００２６】ニューロアルゴリズムは、中間層のニュー
ロンの数を増加すると任意の教師信号ｔを近似できるこ
とが知られている。そこで、これを広範囲の外乱に対し
て汎用的にその時間的構造をオンライン学習するために
適用することができる。なお、一般的に運動物体１に作
用する姿勢外乱はその姿勢や角速度に依存することか
ら、第１実施形態では、制御目標値Ｒ(t) に線形処理を
施した複数の２次信号Ｒ1,Ｒ2,Ｒ3 を合成してこれらを
ニューラルネットワーク（学習制御部６）に入力してい
る。また、シナプス結合荷重は、制御された運動物体１
の姿勢角θ(t) ，姿勢角速度等の発生を常に抑制するよ
うに、時間調節を自動的に行なう。
【００２７】上述のごとく構成された本発明の第１実施
形態では、外乱１〜３が作用する環境下での運動物体１
の姿勢を安定化させるために、外乱１〜３のパラメータ
や時間的／周波数的特性等、外乱１〜３の構造に関する
事前知識や情報を使用せず、制御目標信号発生部２から
の制御目標値Ｒ(t) と学習制御部６のニューロアルゴリ
ズムとを用いて、実際に運動物体１に作用している外乱
１〜３が実時間で適応的に推定される。
【００２８】そして、その結果が、主制御論理部４から
主アクチュエータ５に対して出力される制御信号εに補
助制御信号ｓとしてフィードフォワード的に追加され、
未知外乱による運動物体１への姿勢擾乱効果を、その事
前情報を一切用いることなく実時間で相殺・補償するこ
とができる。このように、本発明の第１実施形態によれ
ば、運動物体１に作用する自然環境外乱または人工的な
外乱を、学習制御部６の学習機能アルゴリズムを用いて
実時間で学習と推定を行ない、その結果を主制御論理部
４が発生するアクチュエータ制御信号εに補助制御信号
ｓとしてフィードフォワード的に加えることにより、運
動物体１に作用する外乱が姿勢に及ぼす悪影響を相殺
し、高精度に姿勢制御／安定化を行なうことができる。
【００２９】特に、学習機能アルゴリズムを用いるの
で、外乱１〜３の力学的特性に関する事前知識を一切用
いることなく、広範囲の外乱に対して適応的に対応する
ことができる。また、従来技術で外乱補償機能を制御則
の設計に取り込もうとすると、そうでない場合に比べ主
制御論理部４そのものが大きな変更を受けるに対して、
本実施形態では、外乱補償機能は専用の学習制御部６の
学習機能アルゴリズムに担わせるので、既存の主制御論
理部４に変更を伴うことなく対応できる利点もある。
【００３０】（ｂ）第２実施形態の説明 図６は本発明の第２実施形態としての姿勢安定化装置の
制御系全体構成を示すブロック図で、図中、既述の符号
と同一の符号は同一部分を示しているので、その詳細な
説明は省略する。この第２実施形態は、図２にて前述し
た第２の発明に対応するもので、図６に示すように、点
線で囲んだ部分が、本発明により新たに追加された第２
実施形態の特徴的な部分である。この点線領域内に示す
ように、第２実施形態では、学習制御部６Ａおよび補助
アクチュエータ７が、主制御論理部４および主アクチュ
エータ５に対して並列的にそなえられている。
【００３１】そして、第２実施形態の学習制御部６Ａ
は、第１実施形態の場合と同様、比例，微分，積分の各
操作を施された二次的信号Ｒ1,Ｒ2,Ｒ3 を入力され、こ
れらの入力信号Ｒ1,Ｒ2,Ｒ3 に対して学習機能アルゴリ
ズムとしてのニューロアルゴリズムを用いた信号合成操
作を施すことにより得られる信号ｓを、補助制御信号と
して補助アクチュエータ７へ出力するものである。ま
た、補助アクチュエータ７は、学習制御部６Ａからの補
助制御信号ｓに基づいて所定のトルクを発生し、このト
ルクを、主アクチュエータ５が発生するトルクにフィー
ドフォワードトルクとして印加し運動物体１に作用させ
るものである。
【００３２】このとき、第２実施形態においても、学習
制御部６Ａは、例えば図５に示すようなニューラルネッ
トワークによって構成され、そのニューラルネットワー
クのシナプス結合荷重の調整を、制御目標信号発生部２
からの制御目標値Ｒ(t) と姿勢センサ３からの出力値と
の差である姿勢制御誤差信号に対して線形フィルタＧ
（ｓ）の操作（例えば比例および微分の操作）を施した
ものに基づいて行なう。
【００３３】上述のごとく構成された本発明の第２実施
形態によっても、前述した第１実施形態と全く同様の作
用効果を得ることができる。 （ｃ）第３実施形態の説明 図７は本発明の第３実施形態としての姿勢安定化装置の
制御系全体構成を示すブロック図で、図中、既述の符号
と同一の符号は同一部分を示しているので、その詳細な
説明は省略する。
【００３４】この第３実施形態は、図３にて前述した第
３の発明に対応するもので、図７に示すように、点線で
囲んだ部分が、本発明により新たに追加された第３実施
形態の特徴的な部分である。この点線領域内に示すよう
に、第１実施形態と同様、第３実施形態では、学習制御
部６Ｂが、主制御論理部４に対して並列的にそなえられ
ている。
【００３５】そして、第３実施形態の学習制御部６Ｂ
は、制御目標信号発生部２からの制御目標値Ｒ(t) と、
姿勢センサ３の出力値に対して比例，微分の各操作を施
して得られた二次的信号とを入力信号とし、これらの入
力信号Ｒ1,Ｒ2,Ｒ3 に対して学習機能アルゴリズムとし
てのニューロアルゴリズムを用いた信号合成操作を施す
ことにより得られる信号ｓを、補助制御信号として、主
制御論理部４から主アクチュエータ５に対する制御信号
にフィードフォワード的に印加するものである。
【００３６】このとき、第３実施形態においても、学習
制御部６Ｂは例えば図５に示すようなニューラルネット
ワークによって構成されており、そのニューラルネット
ワークのシナプス結合荷重の調整を、制御目標信号発生
部２からの制御目標値Ｒ(t)と姿勢センサ３からの出力
値との差である姿勢制御誤差信号に対し所定操作〔Ｇ
（ｓ）〕を施したものに基づいて行なう。
【００３７】上述のごとく構成された本発明の第３実施
形態によっても、前述した第１実施形態と全く同様の作
用効果を得ることができる。 （ｄ）具体的な適用例とそのシミュレーション結果の説
明 以下に、本発明、特に第１実施形態の作用効果につい
て、より具体的に示すために、計算機シミュレーション
を行なった結果を説明する。
【００３８】図８は第１実施形態を人工衛星のホイール
制御系へ適用した例を示すブロック図で、この図８で
は、人工衛星のホイールによる定常姿勢制御に第１実施
形態の装置を適用したものが示されている。図８に示す
姿勢安定化装置は、運動物体としての人工衛星（衛星ダ
イナミックス）１１の姿勢を安定化させるためのもの
で、制御目標信号発生部１２，姿勢センサ１３，姿勢制
御論理部１４，リアクションホイール１５および学習制
御部１６から構成されている。これらの符号１２〜１６
で示す構成要素は、それぞれ、第１実施形態（図４）の
制御目標信号発生部２，姿勢センサ３，姿勢制御論理部
４，主アクチュエータ５および学習制御部６に対応して
いる。
【００３９】そして、図９（ａ）〜（ｃ）は図８に示す
適用例のシミュレーション結果を示すグラフで、図９
（ａ）は、人工衛星１１に作用する例えば軌道周期の外
乱トルクを示し、図９（ｂ）は、外乱補償措置を採らな
い場合の人工衛星１１の姿勢角応答を示し、図９（ｃ）
は、図８に示す装置による外乱補償を行なった場合の人
工衛星１１の姿勢角応答を示している。
【００４０】この図９（ｂ）と図９（ｃ）とを比較して
も明らかなように、図９（ａ）に示すような外乱トルク
が作用した場合、図８に示す装置による外乱補償を行な
うことにより、定常的姿勢安定化が達成されていること
が分かる。また、図１０は第１実施形態を人工衛星のス
ラスタ制御系へ適用した例を示すブロック図で、この図
１０に示す姿勢安定化装置は、図８に示したものと同
様、運動物体としての人工衛星（衛星ダイナミックス）
１１の姿勢を安定化させるためのもので、制御目標信号
発生部１２，姿勢センサ１３，姿勢制御論理部１４，ス
ラスタ１５Ａおよび学習制御部１６から構成されてい
る。
【００４１】これらの符号１２〜１６で示す構成要素
も、それぞれ、第１実施形態（図４）の制御目標信号発
生部２，姿勢センサ３，姿勢制御論理部４，主アクチュ
エータ５および学習制御部６に対応している。なお、ス
ラスタ１５Ａは、所定のスラスタ変調則に従って制御さ
れる。そして、図１１（ａ）〜（ｃ）は図１０に示す適
用例のシミュレーション結果を示すグラフである。ここ
では、図１１（ａ）に示すように、例えば軌道制御推力
の重心オフセットにより、人工衛星１１に対してステッ
プ状の擾乱トルクが作用したものと想定する。
【００４２】図１１（ｂ）は、外乱補償措置を採らない
場合の人工衛星１１の姿勢角応答を示し、図１１（ｃ）
は、図１０に示す装置による外乱補償を行なった場合の
人工衛星１１の姿勢角応答を示している。この図１１
（ｂ）と図１１（ｃ）とを比較しても明らかなように、
図１１（ａ）に示すような外乱トルクが作用した場合、
図１０に示す装置による外乱補償を行なうことにより、
速やかな姿勢安定化が達成されていることが分かる。
【００４３】さて、図１２（ａ），（ｂ）は人工衛星搭
載のマニピュレータアームによる負荷移動の例を示す図
で、ここで示す例では、人工衛星１１に搭載した２リン
ク型のマニピュレータアーム２０が負荷２１を把持しな
がら各関節を動かし、図１２（ａ）に示す状態と図１２
（ｂ）に示す状態とを交互に周期的に繰り返した場合を
想定している。スラスタ制御系は、図１０に示すものと
同じものを用いる。
【００４４】通常、このような場合、各関節の角度と角
速度、負荷２１やマニピュレータアーム２０の各リンク
の質量，慣性モーメント，重心位置等の情報に基づいて
衛星本体に作用する外乱トルクや外乱角運動量を計算
し、それを用いてフィードフォワード補償を行なってい
る。しかし、ここでは、本発明の有効性と汎用性を強調
するため、これらの情報を一切使用せず、学習制御部１
６のニューロアルゴリズムにより未知外乱の補償を行な
わせた。
【００４５】図１３（ａ）〜（ｃ）はそのシミュレーシ
ョン結果を示すグラフで、図１３（ａ）は、マニピュレ
ータアーム２０の運動により発生する外乱角運動量を示
し、図１３（ｂ）は、外乱補償措置を採らない場合の衛
星本体の応答を示し、図１３（ｃ）は、図１０に示す装
置による外乱補償を行なった場合の衛星本体の応答を示
している。
【００４６】この図１３（ｂ）と図１３（ｃ）とを比較
しても明らかなように、図１３（ａ）に示すような外乱
角運動量が発生した場合も、図１０に示す装置による外
乱補償を行なうことにより、速やか且つ定常的な姿勢安
定化が達成されていることが分かる。この場合、外乱の
発生原因を未知として外乱推定オブザーバやカルマンフ
ィルタを用いても、外乱が単純な動力学モデルでは表現
できないため、それをうまく推定／補償することは困難
と予想される。一方、学習制御部１６の学習機能アルゴ
リズム（ニューロアルゴリズム）を使用すれば、適応的
に補償できていることが、図１３（ｃ）の結果から明確
である。
【００４７】（ｅ）その他 なお、上述した各実施形態では、学習機能アルゴリズム
としてニューロアルゴリズムを用いた場合について説明
しているが、本発明は、これに限定されるものではな
い。また、上述した各実施形態や各適用例では、本発明
を人工衛星の姿勢制御／安定化に適用した場合について
説明しているが、本発明は、これに限定されるものでは
なく、宇宙船，船舶，潜水艦，航空機等の各種運動物体
の姿勢制御／安定化に適用することがで、いずれの場合
も、上述した各実施形態や各適用例と同様の作用効果を
得ることができる。
【００４８】さらに、上述した各適用例では、第１実施
形態についてのみ説明しているが、第２実施形態や第３
実施形態についても同様に適用され、同様の結果が得ら
れることは言うまでもない。
【００４９】
【発明の効果】以上詳述したように、本発明の姿勢安定
化装置によれば、運動物体に作用している未知の姿勢外
乱の影響を実時間で学習しそれを補償することができ、
従来技術に比べて適応性，汎用性に優れており、運動物
体の姿勢の乱れの原因である外乱に関する知識や情報が
全く無い場合でも、運動物体の高精度の姿勢制御／安定
化を達成できる効果がある。
【００５０】また、従来技術で外乱補償機能を制御則の
設計に取り込もうとすると、そうでない場合に比べ主制
御論理部そのものが大きな変更を受けるに対して、本発
明では、外乱補償機能は専用の学習制御部の学習機能ア
ルゴリズムに担わせるので、既存の主制御論理部に変更
を伴うことなく対応できるという効果もある。
【図面の簡単な説明】
【図１】第１の発明の原理ブロック図である。
【図２】第２の発明の原理ブロック図である。
【図３】第３の発明の原理ブロック図である。
【図４】本発明の第１実施形態としての姿勢安定化装置
の制御系全体構成を示すブロック図である。
【図５】ニューロアルゴリズムを説明するための図であ
る。
【図６】本発明の第２実施形態としての姿勢安定化装置
の制御系全体構成を示すブロック図である。
【図７】本発明の第３実施形態としての姿勢安定化装置
の制御系全体構成を示すブロック図である。
【図８】第１実施形態を人工衛星のホイール制御系へ適
用した例を示すブロック図である。
【図９】（ａ）〜（ｃ）は図８に示す適用例のシミュレ
ーション結果を示すグラフである。
【図１０】第１実施形態を人工衛星のスラスタ制御系へ
適用した例を示すブロック図である。
【図１１】（ａ）〜（ｃ）は図１０に示す適用例のシミ
ュレーション結果を示すグラフである。
【図１２】（ａ），（ｂ）は人工衛星搭載のマニピュレ
ータアームによる負荷移動の例を示す図である。
【図１３】（ａ）〜（ｃ）は図１２に示す適用例につい
て第１実施形態を適用した場合のシミュレーション結果
を示すグラフである。
【符号の説明】
１ 運動物体 ２ 制御目標信号発生部 ３ 姿勢センサ ４ 主制御論理部 ５ 主アクチュエータ ６，６Ａ，６Ｂ 学習制御部 ７ 補助アクチュエータ １１ 人工衛星（衛星ダイナミックス，運動物体） １２ 制御目標信号発生部 １３ 姿勢センサ １４ 姿勢制御論理部 １５ リアクションホイール（主アクチュエータ） １５Ａ スラスタ（主アクチュエータ） １６ 学習制御部（学習機能アルゴリズム） ２０ マニピュレータアーム ２１ 負荷
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０５Ｄ 1/08 Ｇ０５Ｄ 1/08 Ａ

Claims (6)

    【特許請求の範囲】
  1. 【請求項１】 運動物体の姿勢の制御目標値を発生する
    制御目標信号発生部と、 該運動物体の姿勢を検出する姿勢センサと、 フィードバックされた姿勢センサの出力値の前記制御目
    標値からの偏差に基づいて制御信号を発生する主制御論
    理部と、 該主制御論理部からの制御信号に基づいて所定のトルク
    を発生し該運動物体に作用させる主アクチュエータとを
    そなえ、 該運動物体の姿勢が前記制御目標値となるように制御す
    ることにより、該運動物体の姿勢を安定化させる姿勢安
    定化装置において、 前記制御目標値を処理して得られる少なくとも１つの二
    次的信号を入力され、その入力信号に対し学習機能アル
    ゴリズムを用いた信号合成操作を施すことにより得られ
    る信号を、補助制御信号として、該主制御論理部から該
    主アクチュエータに対する制御信号にフィードフォワー
    ド的に印加する学習制御部が、該主制御論理部に対して
    並列的にそなえられていることを特徴とする、姿勢安定
    化装置。
  2. 【請求項２】 該学習制御部をニューラルネットワーク
    により構成し、該ニューラルネットワークのシナプス結
    合荷重の調整を、該主制御論理部からの制御信号に基づ
    いて行なうことを特徴とする、請求項１記載の姿勢安定
    化装置。
  3. 【請求項３】 運動物体の姿勢の制御目標値を発生する
    制御目標信号発生部と、 該運動物体の姿勢を検出する姿勢センサと、 フィードバックされた姿勢センサの出力値の前記制御目
    標値からの偏差に基づいて制御信号を発生する主制御論
    理部と、 該主制御論理部からの制御信号に基づいて所定のトルク
    を発生し該運動物体に作用させる主アクチュエータとを
    そなえ、 該運動物体の姿勢が前記制御目標値となるように制御す
    ることにより、該運動物体の姿勢を安定化させる姿勢安
    定化装置において、 前記制御目標値を処理して得られる少なくとも１つの二
    次的信号を入力され、その入力信号に対し学習機能アル
    ゴリズムを用いた信号合成操作を施すことにより得られ
    る信号を、補助制御信号として出力する学習制御部と、 該学習制御部からの補助制御信号に基づいて所定のトル
    クを発生し、このトルクを、該主アクチュエータが発生
    するトルクにフィードフォワードトルクとして印加し該
    運動物体に作用させる補助アクチュエータとが、前記の
    主制御論理部および主アクチュエータに対して並列的に
    そなえられていることを特徴とする、姿勢安定化装置。
  4. 【請求項４】 該学習制御部をニューラルネットワーク
    により構成し、該ニューラルネットワークのシナプス結
    合荷重の調整を、前記制御目標値と該姿勢センサからの
    出力値との差である姿勢制御誤差信号に基づいて行なう
    ことを特徴とする、請求項３記載の姿勢安定化装置。
  5. 【請求項５】 運動物体の姿勢の制御目標値を発生する
    制御目標信号発生部と、 該運動物体の姿勢を検出する姿勢センサと、 フィードバックされた姿勢センサの出力値の前記制御目
    標値からの偏差に基づいて制御信号を発生する主制御論
    理部と、 該主制御論理部からの制御信号に基づいて所定のトルク
    を発生し該運動物体に作用させる主アクチュエータとを
    そなえ、 該運動物体の姿勢が前記制御目標値となるように制御す
    ることにより、該運動物体の姿勢を安定化させる姿勢安
    定化装置において、 前記制御目標値および該姿勢センサの出力値を入力信号
    とし、その入力信号に対し学習機能アルゴリズムを用い
    た信号合成操作を施すことにより得られる信号を、補助
    制御信号として、該主制御論理部から該主アクチュエー
    タに対する制御信号にフィードフォワード的に印加する
    学習制御部が、該主制御論理部に対して並列的にそなえ
    られていることを特徴とする、姿勢安定化装置。
  6. 【請求項６】 該学習制御部をニューラルネットワーク
    により構成し、該ニューラルネットワークのシナプス結
    合荷重の調整を、前記制御目標値と該姿勢センサからの
    出力値との差である姿勢制御誤差信号に基づいて行なう
    ことを特徴とする、請求項５記載の姿勢安定化装置。
JP7260542A 1995-10-06 1995-10-06 姿勢安定化装置 Withdrawn JPH09101822A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP7260542A JPH09101822A (ja) 1995-10-06 1995-10-06 姿勢安定化装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP7260542A JPH09101822A (ja) 1995-10-06 1995-10-06 姿勢安定化装置

Publications (1)

Publication Number Publication Date
JPH09101822A true JPH09101822A (ja) 1997-04-15

Family

ID=17349413

Family Applications (1)

Application Number Title Priority Date Filing Date
JP7260542A Withdrawn JPH09101822A (ja) 1995-10-06 1995-10-06 姿勢安定化装置

Country Status (1)

Country Link
JP (1) JPH09101822A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015520464A (ja) * 2012-06-19 2015-07-16 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ ヘッド・アクチュエータを正確に位置決めするためのテープ・ドライブおよび方法
WO2020220469A1 (zh) * 2019-04-30 2020-11-05 东南大学 一种光电跟踪系统视觉测量时滞补偿方法
WO2021078166A1 (zh) * 2019-10-21 2021-04-29 深圳市道通智能航空技术有限公司 一种飞行姿态的控制方法、装置、无人机和存储介质
CN114489096A (zh) * 2021-12-14 2022-05-13 中国运载火箭技术研究院 基于多机械臂驱动航天器位姿一体化鲁棒动力学控制方法
JP2022553240A (ja) * 2019-10-18 2022-12-22 タレス・アレーニア・スペース・イタリア・エッセ・ピ・ア・コン・ウニコ・ソシオ エンドツーエンド軌道上サービス提供
CN116477070A (zh) * 2023-03-22 2023-07-25 上海宇航系统工程研究所 一种基于bp神经网络的火箭控制信号校正算法
JP2023533027A (ja) * 2020-07-09 2023-08-01 エーエスエムエル ネザーランズ ビー．ブイ． 人工ニューラルネットワークを使用する動き制御
CN117601114A (zh) * 2023-10-18 2024-02-27 深圳市华成工业控制股份有限公司 一种基于数据驱动的机械臂自学习控制方法
EP4574683A1 (de) * 2023-12-21 2025-06-25 Deutsches Zentrum für Luft- und Raumfahrt e.V. In einem raum freischwebend stabilisierbares objekt und verfahren zur lageregelung eines objekts in der schwerelosigkeit oder im freien fall

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015520464A (ja) * 2012-06-19 2015-07-16 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ ヘッド・アクチュエータを正確に位置決めするためのテープ・ドライブおよび方法
WO2020220469A1 (zh) * 2019-04-30 2020-11-05 东南大学 一种光电跟踪系统视觉测量时滞补偿方法
US11838636B2 (en) 2019-04-30 2023-12-05 Southeast University Method for compensating for visual-measurement time lag of electro-optical tracking system
JP2022553240A (ja) * 2019-10-18 2022-12-22 タレス・アレーニア・スペース・イタリア・エッセ・ピ・ア・コン・ウニコ・ソシオ エンドツーエンド軌道上サービス提供
WO2021078166A1 (zh) * 2019-10-21 2021-04-29 深圳市道通智能航空技术有限公司 一种飞行姿态的控制方法、装置、无人机和存储介质
JP2023533027A (ja) * 2020-07-09 2023-08-01 エーエスエムエル ネザーランズ ビー．ブイ． 人工ニューラルネットワークを使用する動き制御
JP2024125314A (ja) * 2020-07-09 2024-09-18 エーエスエムエル ネザーランズ ビー．ブイ． 人工ニューラルネットワークを使用する動き制御
CN114489096A (zh) * 2021-12-14 2022-05-13 中国运载火箭技术研究院 基于多机械臂驱动航天器位姿一体化鲁棒动力学控制方法
CN114489096B (zh) * 2021-12-14 2023-11-10 中国运载火箭技术研究院 基于多机械臂驱动航天器位姿一体化鲁棒动力学控制方法
CN116477070A (zh) * 2023-03-22 2023-07-25 上海宇航系统工程研究所 一种基于bp神经网络的火箭控制信号校正算法
CN117601114A (zh) * 2023-10-18 2024-02-27 深圳市华成工业控制股份有限公司 一种基于数据驱动的机械臂自学习控制方法
EP4574683A1 (de) * 2023-12-21 2025-06-25 Deutsches Zentrum für Luft- und Raumfahrt e.V. In einem raum freischwebend stabilisierbares objekt und verfahren zur lageregelung eines objekts in der schwerelosigkeit oder im freien fall

Similar Documents

Publication Publication Date Title
US7853338B1 (en) Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system
Johnson et al. Adaptive flight control for an autonomous unmanned helicopter
Rahideh et al. Real time adaptive nonlinear model inversion control of a twin rotor MIMO system using neural networks
Martin et al. Nonlinear model-based tracking control of underwater vehicles with three degree-of-freedom fully coupled dynamical plant models: Theory and experimental evaluation
US6317658B1 (en) Neurocomputing control distribution system
McFarland et al. Multilayer neural networks and adaptive nonlinear control of agile anti-air missiles
Han et al. Active use of restoring moments for motion control of an underwater vehicle-manipulator system
Ishii et al. An adaptive neural-net controller system for an underwater vehicle
McFarland et al. Neural networks and adaptive nonlinear control of agile antiair missiles
Ariza Ramirez et al. Exploration of the applicability of probabilistic inference for learning control in underactuated autonomous underwater vehicles
JPH09101822A (ja) 姿勢安定化装置
Alarçïn Internal model control using neural network for ship roll stabilization
Weerdt et al. Adaptive nonlinear dynamic inversion for spacecraft attitude control with fuel sloshing
Campa et al. Neural network augmentation of linear controllers with application to underwater vehicles
Hussain et al. Underactuated nonlinear adaptive control approach using U-model for multivariable underwater glider control parameters
Bhandari et al. Nonlinear control of uavs using multi-layer perceptrons with off-line and on-line learning
Di Gennaro Adaptive robust tracking for flexible spacecraft in presence of disturbances
Jafri et al. Spacecraft attitude control based on generalised dynamic inversion with adaptive neural network
Hovakimyan et al. A novel observer based adaptive output feedback approach for control of uncertain systems
Nardi et al. Neural network based adaptive control of a thrust vectored ducted fan
Kim et al. Disturbance accommodating sliding mode controller for spacecraft attitude maneuvers
Tiumentsev et al. Motion control of supersonic passenger aircraft using machine learning methods
Yang et al. Experimental validation of an augmenting approach to adaptive control of uncertain nonlinear systems
Lungu et al. Dynamic and Adaptive Control of Monoaxial GS with GAR. Part 2: Control Architecture Design and Validation
Yang et al. Self-Organizing Neural-Net Control of Ship's Horizontal Motion

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20030107