Ứng dụng mạng nơ ron nhân tạo trong hệ thống tự động ổn định độ sâu phương tiện lặn tự hành

Chia sẻ: Dạ Thiên Lăng | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

1
lượt xem 0
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong bài báo "Ứng dụng mạng nơ ron nhân tạo trong hệ thống tự động ổn định độ sâu phương tiện lặn tự hành", hệ thống ổn định độ sâu phương tiện lặn không người lái sử dụng mạng nơ ron được nghiên cứu. Hai mạng nơ ron nhiều lớp truyền thẳng được sử dụng. Mạng nơ ron đầu được sử dụng để xấp xỉ động lực học phương tiện lặn. Mạng nơ ron còn lại đóng vai trò của bộ điều khiển. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng mạng nơ ron nhân tạo trong hệ thống tự động ổn định độ sâu phương tiện lặn tự hành

356 Tuyển tập công trình Hội nghị Cơ học toàn quốc lần thứ XI, Hà Nội, 02-03/12/2022 Ứng dụng mạng nơ ron nhân tạo trong hệ thống tự động ổn định độ sâu phương tiện lặn tự hành Lê Thanh Tùng Đại học Bách khoa Hà nội Email: tung.lethanh@hust.edu.vn Tóm tắt. Trong bài báo này hệ thống ổn định độ sâu phương tiện lặn không người lái sử dụng mạng nơ ron được nghiên cứu. Hai mạng nơ ron nhiều lớp truyền thẳng được sử dụng. Mạng nơ ron đầu được sử dụng để xấp xỉ động lực học phương tiện lặn. Mạng nơ ron còn lại đóng vai trò của bộ điều khiển. Các mạng nơ ron được luyện trong chế độ online để đối phó với các thay đổi động lực học của phương tiện. Một phiếm hàm mục tiêu được sử dụng trong tính toán các tác động điều khiển. Hoạt động và ổn định của hệ thống được đánh giá thông qua mô phỏng trong Matlab. Kết quả mô phỏng cho thấy hệ thống ổn định độ sâu được đề xuất có khả năng giữ PTLTH ở độ sâu cho trước và có thể được áp dụng trong các hệ thống thực tế. Từ khóa: hệ thống điều khiển độ sâu, mạng nơ ron nhân tạo, động lực học tàu thủy, phương tiện lặn tự hành, tàu ngầm. 1. Mở đầu Trong những thập kỷ gần đây PTLTH ngày càng được sử dụng rộng rãi trong các ứng dụng dân sự cũng như quân sự. Chúng được sử dụng trong công nghiệp dầu mỏ, tuần tra an ninh, tìm kiếm và cứu hộ trong các môi trường nguy hiểm…Trong nhiệm vụ quân sự, một nhóm các PTLTH phải duy trì được đội hình trong vùng được giao giám sát. PTLTH cũng được sử dụng trong thăm dò và khai thác tài nguyên biển. Chúng cũng được sử dụng trong các công việc nguy hiểm như đo đạc thủy văn, quan sát hải dương học, phân tích thềm đại dương… [1, 2]. Để sử dụng PTLTH một cách an toàn và hiệu quả thì chuyển động của chúng cần được kiểm soát chính xác. Một trong những trở ngại trong phát triển và ứng dụng PTLTH là động lực học của chúng có tính phi tuyến cao và thay đổi theo thời gian [3, 4], điều này gây khó khăn đáng kể trong thiết kế bộ điều khiển. Như vậy để điều khiển chuyển động của PTLTH một cách hiệu quả hệ thống điều khiển cần có khả năng đối phó với các vấn đề đã nêu ở trên. Nhiều kỹ thuật điều khiển đã được phát triển để thiết kế hệ thống điều khiển chuyển động của PTLTH như điều khiển tối ưu, điều khiển phi tuyến, điều khiển mờ, bền vững, thích nghi, sử dụng mạng nơ ron…[5-8]. Khả năng của mạng nơ ron trong xấp xỉ các quan hệ phi tuyến, trong phân loại và khả năng tự học để thích ứng với sự thay đổi của động lực học khiến chúng trở thành ứng cử viên tiềm năng trong thiết kế và phát triển hệ thống điều khiển chuyển động cho PTLTH. Mạng nơ ron có thể được ứng dụng vào hệ thống điều khiển chuyển động theo nhiều cách khác nhau. Hệ thống điều khiển robot lặn sử dụng các bộ điều khiển trượt được chuyển đổi bởi mạng nơ ron được giới thiệu trong [11]. Một sơ đồ khác là sử dụng mạng nơ ron hoạt động song song với một bộ điều khiển khác. Trong sơ đồ này, một bộ điều khiển đóng vai trò của bộ điều khiển chính, bộ còn lại có nhiệm vụ bù sai lệch gây bởi sai số trong xác định các hệ số thủy động lực học, do tuyến tính hóa và đơn giản hóa mô hình[12, 14-16]. Hệ thống điều khiển sử dụng mạng nơ ron được luyên offline bởi một bộ điều khiển khác được xem xét trong [17]. Hệ thống điều khiển sử dụng kết hợp logic mờ và mạng nơ ron cho phép kết hợp các ưu điểm của chúng được đề xuất trong [15, 18-20]. Một cách tiếp cận phổ biến là sử dụng mạng nơ ron để xấp xỉ động lực học PTLTH kết hợp với các kỹ thuật điều khiển khác như điều khiển thích nghi, điều khiển dự báo… được nghiên cứu trong [4, 21-28]. Hệ thống điều khiển gồm bộ điều khiển và bộ bù trên nền mạng nơ ron được đề xuất trong [29, 30].
357 Lê Thanh Tùng Trong bài báo này, hệ thống điều khiển độ sâu sử dụng mạng nơ ron được nghiên cứu. Hai mạng nơ ron nhiều lớp truyền thẳng được sử dụng để xấp xỉ động lực học và tính toán tác động điều khiển. Các mạng này được luyên trong chế độ online để đối phó với các thay đổi của tham số của mô hình nhờ đó đem lại khả năng thích nghi của hệ thống. Tuy nhiên, khác với các hệ thống điều khiển thích nghi (ví dụ 4, 21,23….) khi các trọng số liên kết của mạng nơ ron được hiệu chỉnh trên cơ sở xem xét chúng như biến trạng thái bổ sung và do đó làm tăng bậc của hệ thống, bậc của hệ thống tổng hợp theo phương pháp đề xuất không thay đổi. Một điểm khác biệt nữa là việc sử dụng một phiếm hàm mục tiêu trong tính toán các tác động điều khiển. Bài báo có cấu trúc như sau. Trong phần tiếp theo mô hình chuyển động của PTLTH và phương pháp thiết kế bộ điều khiển được giới thiệu. Mô phỏng số và bình luận kết quả mô phỏng được thực hiện trong phần ba. Phần cuối cùng là phần kết luân. 2. Mô hình toán học 2.1. Mô hình chuyển động PTLTH Phương trình mô tả chuyển động của PTLTH được giới thiệu trong nhiều tài liệu [31-33]. Các mô hình này nhận được từ định luật bảo toàn động lượng và moment động lượng. Khó khăn chính trong đưa ra các phương trình này là xác định các lực và moment thủy động tác động lên PTLTH. Nhìn chung, các đại lượng nêu trên là các hàm phức tạp phụ thuộc vào các tham số chuyển động, kích thước của phương tiện, môi trường…Chuyển động của phương tiện được xem là chuyển động của vật rắn sáu bậc tự do và được mô tả bởi hệ phương trình vi phân bậc nhất như sau [33]: . M υ + (C (υ ) + D(υ ))υ + g (η ) = τ + τ E (1) . η = J (η )υ Ở đây, υ và η tương ứng là vector các tham số động học trong hệ tọa độ cố định và hệ tọa độ gắn với phương tiện; M - ma trận quán tính; C- ma trận Coriolis; D- ma trận cản; g - lực và moment hồi phục; τ - lực và moment điều khiển; τE- tác động của môi trường. Nhân cả hai vế của phương trình với nghich đảo của ma trận quán tính và chuyển vế ta có: υ = M −1 [− (C (υ ) + D(υ ) )υ − g (η ) + τ + τ E ] = . = f (υ , η , τ , τ E ) (2) . η = J (η )υ = g (υ , η ) Trong thiết kế hệ thống kiểm soát độ sâu, phương tiện được xem là chuyển động trên mặt phẳng dọc thẳng đứng. Lúc này vector các tham số động học của chúng là: υ = (q, α )T ;η = (φ , z g )T (3) zg Mặt nước Φ z xg δ1 x G α V δ2 q Hình 1. Tham số chuyển động trên mặt phẳng dọc thẳng đứng
358 Ứng dụng mạng nơ ron nhân tạo trong hệ thống ổn định độ sâu phương tiện lặn tự hành Ở đây, φ , q, α lần lượt là góc chúi, vận tốc góc chúi và góc tấn; z g - độ sâu trọng tâm PTLTH (hình 1). Chuyển động của PTLTH được kiểm soát bởi hai hệ cánh điều khiển, với giả thiết lực và moment thủy động không phụ thuộc vào độ sâu, lực điều khiển phụ thuộc vào góc quay các cánh điều khiển và vận tốc chuyển động của phương tiện là không đổi, ta có phương trình chuyển động của phương tiện như sau: . q = f 1 (q, α , φ , δ 1 , δ 2 ) . α = f 2 (q, α , φ , δ 1 , δ 2 ) . φ = q; (4) . z g = V sin (φ − α ); − δ max ≤ δ i ≤ δ max Ở đây, δ1, δ2- góc quay cánh lái mũi và cánh lái đuôi; V - vận tốc chuyển động của tàu ngầm. Các hàm f1(.), f2(.) là các hàm phi tuyến phụ thuộc vào các tham số động học và góc quay cánh lái. Mô hình toán học của máy lái được tham khảo trong [33] và được mô tả trên hình 2. δ max δ − δ max Hình 2. Mô hình máy lái Ở đây, δmax- góc quay cực đại (khoảng 250) [34]. 2.2. Thiết kế bộ điều khiển Bộ điều khiển được thiết kế theo phương pháp mô hình ngược và được mô tả vắn tắt như sau: . Xét hệ động lực học x = f(x, u) với x, u lần lượt là vector biến trạng thái và vector tác động điều . . khiển. Mô hình ngược có thể được viết dưới dạng u = g(x, x d ) . Ớ đây x d là tốc độ thay đổi mong muốn của vector biến trạng thái x . Điều này có nghĩa là hàm g xác định tác động điều khiển cần thiết . u cần đặt vào đối tượng điều khiển để đạt được tốc độ thay đổi mong muốn x d của vector biến trạng thái Để hạn chế các tác động điều khiển lớn, phiếm hàm mục tiêu T  .   .  J =  f(x, u) − x d  Λ x  f(x, u) − x d  + u T Λ u u được sử dụng. Điều này có nghĩa là tác động điều khiển     u cần tối thiểu hóa phiếm hàm trên. Trong biểu thức của phiếm hàm Λ x , Λ u là các ma trên đường chéo do người thiết kế chọn. Như vậy, tác động điều khiển là nghiệm của phương trình sau: T  ∂J   T  =0 (5)  ∂u 
359 Lê Thanh Tùng Để khép kín hệ thống điều khiển, tốc độ thay đổi mong muốn của biến trạng thái được xác định theo . biểu thức x d = −K(x − x d ) với K là ma trân tham số thiết kế, được chọn theo kinh nghiệm nhằm đạt được chất lượng cần thiết của hệ kín. Áp dụng cho PTLTH ta có: ( x = q, α , φ , z g ) T ( ; x d = q d , α d , φ d , z gd ) T ; u = δ = (δ 1 , δ 2 ) T  λq 0 0 0   kq 0 0 0       0 λα 0 0   λδ 1 0   0 kα 0 0  Λx =  ; Λ u =  0 λ ; K =  0 0     0 0 0 0  δ2   kφ 0   0 0 0 0 0 0 0 kz      ( ) φ d = −k z z g − z gd ; q d = −kφ (φ − φ d ) (6) . . q d = − k q (q − q d ); α d = 0; α d = − kα (α − α d ) 2 2 . .  . .  J = λ q  q d − q  + λα  α d − α  + + λδ 1δ 12 + λδ 2δ 2 2     Góc quay cánh lái mũi và đuôi (các tác động điều khiển) δ1, δ2 là nghiệm của hệ phương trình sau: . . 1 ∂J . .  ∂q . .  ∂α y1 = . = −λ q  q d − q  − λα  α d − α  + λδ 1δ 1 = 0 2 ∂δ 1   ∂δ 1   ∂δ 1 . . (7) 1 ∂J   ∂q .  .  ∂α . . y2 = . = −λ q  q d − q  − λα  α d − α  + λδ 2 δ 2 = 0 2 ∂δ 2   ∂δ 2   ∂δ 2 Để tính toán các góc quay cánh lái hai mạng nơ ron nhiều lớp truyền thẳng được sử dụng. Mạng nơ ron đầu (NN1) được sử dụng để xấp xỉ động lực học PTLTH và sau đó để tính toán y=(y1 y2)T. Mạng còn lại (NN2) đóng vai trò của bộ điều khiển thực hiện nhiệm vụ giải hệ phương trình y1=0; y2=0.. Sơ đồ hoạt động của hệ thống ổn định độ sâu PTLTH được trình bày trên hình 3. • x x d −K xd NN2 δ PTLTH δ • x 0 x• x TÍNH DỮ NN2 MẢNG x d δ MẢNG y LIỆU LUYỆN TRỄ TRỄ δ MẠNG NN2 • x • x δ x NN1 Hình 3. Sơ đồ hoạt động của hệ thống ổn định độ sâu
360 Ứng dụng mạng nơ ron nhân tạo trong hệ thống ổn định độ sâu phương tiện lặn tự hành 3. Mô phỏng số Trong bài báo này mô hình PTLTH trong [34] được sử dụng cho mô phỏng. Các hàm phi tuyến fi(.) có dạng sau: f 1 (.) = a11 q + a110 q q + a12α + a120α α + a1 _ 2 q α + a13φ + b11δ 1 + b12 δ 2 f 2 (.) = a 21 q + a 22α + a 220α α + a 23φ + b21δ 1 + b22 δ 2 a11 = −0.02476.V ; a110 = −3.885; a12 = 0.0002673.V 2 ; a120 = −0.000417.V 2 ; a13 = −0.0001653; a1 _ 2 = 0.1174.V ; b11 = 0.00006263.V 2 ; b12 = −0.0001440.V 2 ; a 21 = 0.3592; a 22 = −0.007575.V ; a 220 = −0.05950.V ; a 23 = 0.001081.V −1 ; b21 = −0.001521.V ; b22 = −0.001789.V ; V = 10 m/s Để khởi tạo dữ liệu luyện mạng, mô phỏng điều động zigzag được sử dụng. Mạng nơ ron NN1 được sử dụng để xấp xỉ động lực học PTLTH có 5 đầu vào ứng với q, α, φ, δ1 , δ 2 , và 2 đầu ra, ứng với . . . . q, α . Mạng nơ ron NN2 đóng vai trò của bộ điều khiển có 7 đầu vào ứng với q, α, φ, q d , α d , y 1 , y 2 và 2 đầu ra ứng với δ1 , δ 2 . Dữ liệu luyên mạng ban đầu cho mạng nơ ron NN1 và mạng nơ ron NN2 được trình bày trên hình 4a và hình 4b. NN1 dau vao NN1 dau vao 2.5 6 2 4 1.5 van toc goc chui(do/s) 1 2 goc tan(do/s) 0.5 0 0 -0.5 -2 -1 -4 -1.5 -2 -6 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s) NN1 dau vao NN1 dau vao 25 25 canh lai mui 20 20 canh lai duoi 15 15 10 10 goc quay canh lai(do) 5 5 goc chui(do) 0 0 -5 -5 -10 -10 -15 -15 -20 -20 -25 -25 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s)
361 Lê Thanh Tùng NN1 dau ra NN1 dau ra 0.3 0.6 0.2 0.4 dao ham van toc goc chui(do/s2) 0.1 0.2 dao ham goc tan(do/s) 0 -0.1 0 -0.2 -0.2 -0.3 -0.4 -0.4 -0.6 -0.5 -0.6 -0.8 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s) a NN2 dau vao NN2 dau vao 2.5 6 2 4 1.5 van toc goc chui(do/s) 1 2 goc tan(do/s) 0.5 0 0 -0.5 -2 -1 -4 -1.5 -2 -6 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s) NN2 dau vao NN2 dau vao 25 25 dao ham mong muon cua van toc goc chui(do/s2) 20 20 15 15 10 10 5 goc chui(do) 5 0 0 -5 -5 -10 -15 -10 -20 -15 -25 -20 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s) -3 NN2 dau vao x 10 NN2 dau vao 2 1 y1 1.5 y2 dao ham mong muon cua goc tan(do/s) 0.5 1 0 0.5 y1, y2 0 -0.5 -0.5 -1 -1 -1.5 -1.5 -2 -2 0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 t(s) t(s)
362 Ứng dụng mạng nơ ron nhân tạo trong hệ thống ổn định độ sâu phương tiện lặn tự hành NN2 dau ra 25 canh lai mui 20 canh lai duoi 15 10 goc quay canh lai(do) 5 0 -5 -10 -15 -20 -25 0 50 100 150 200 250 300 350 400 t(s) b Hình 4. Dữ liệu luyện mạng ban đầu Mô phỏng được thực hiện với các điều kiện sau: + Vận tốc phương tiện: V=10 m/s. + Góc chúi, vận tốc của nó, góc tấn ban đầu là 0. + Sai lệch độ sâu ban đầu là 50 m + Các tham số khác k z = 0.001; k φ = 0.3; k q = 3.0; k α = 0.3; λ q = 0.1; λ α = 0.1; λ δ1 = 0.001; λ δ2 = 0.001 Trên hình 5 trình bày sự thay đổi của các tham số động học của phương tiện và góc quay cánh lái mũi, cánh đuôi theo thời gian 0.2 0.7 0.6 0.15 0.5 0.4 van toc goc chui(do/s) 0.1 0.3 goc tan(do) 0.2 0.05 0.1 0 0 -0.1 -0.2 -0.05 -0.3 0 100 200 300 400 500 600 0 100 200 300 400 500 600 t(s) t(s) 3.5 0 3 -10 2.5 -20 goc chui(do) 2 zg(m) -30 1.5 -40 1 -50 0.5 0 -60 0 100 200 300 400 500 600 0 100 200 300 400 500 600 t(s) t(s)
363 Lê Thanh Tùng 6 2 4 0 2 goc quay canh lai duoi(do) goc quay canh lai mui(do) -2 0 -4 -2 -6 -4 -8 -6 -8 -10 -10 -12 0 100 200 300 400 500 600 0 100 200 300 400 500 600 t(s) t(s) Hình 5. Thay đổi các tham số chuyển động và góc quay cánh lái theo thời gian Có thể thấy rằng độ sâu của phương tiện đạt giá trị mong muốn sau một khoảng thời gian nhất định. Góc chúi, vận tốc của nó cũng như góc tấn và các tác động điều khiển tiến về 0. Để kiểm tra ổn định của hệ thống quỹ đạo pha được xây dựng và trình bày trên hình 6. Pham vi thay đổi của các vận tốc góc chúi, góc tấn, góc chúi và độ sâu như sau: − 2 o /s ≤ q ≤ 2 o /s;−10 o ≤ α ≤ 10 o ;−10 o ≤ φ ≤ 10 o ;−50 m ≤ z g ≤ 50 m Có thể nhận thấy rằng tất cả các quỹ đạo đều hội tụ về gốc tọa độ. Như vậy, hệ thống ổn định trong phạm vi đã xét. 60 40 20 zg(m) 0 -20 -40 -60 20 10 10 0 5 0 -10 -5 goc chui(do) -20 -10 goc tan(do) Hình 6. Quỹ đạo pha hệ thống ổn định độ sâu 4. Kết luận Phương pháp thiết kê hệ thống điều khiển độ sâu cho PTLTH sử dụng mạng nơ ron được đề xuất. Hệ thống có khả năng thích ứng với thay đổi của động lực học phương tiện nhờ sử dụng mạng nơ ron học ở chế độ online. Một ưu điểm khác của phương pháp đề xuất là không cần thiết phải sử dụng mô hình toán học tường minh trong thiết kế bộ điều khiển. Hệ thống có đặc điểm của hệ tối ưu do tác động điều khiển được xác định khi sử dụng phiếm hàm mục tiêu. Chất lượng hoạt động của hệ thống được đánh giá qua mô phỏng. Kết quả cho thấy phương pháp có thể được ứng dụng trong xây dựng các hệ thống thực. Tài liệu tham khảo [1]. Basant Kumar Sahu Bidyadhar Subudhi. Adaptive Tracking Control of an Autonomous Underwater Vehicle. International Journal of Automation and Computing, 11,(3), (2014), pp.299-307, DOI: 10.1007/s11633-014-0792-7.
364 Ứng dụng mạng nơ ron nhân tạo trong hệ thống ổn định độ sâu phương tiện lặn tự hành [2]. K.P. Valavanis, D. Gracanin, M. Matijasevic, R. Kolluru, G.A. Demetriou. Control architectures for autonomous underwater vehicles, IEEE Control Systems Magazine , 17, (6), (1997) pp. 48-64,. DOI:10.1109/37.642974. [3]. R. K. Lea , R. Allen and S. L.Merry. A comparative study of control techniques for an underwater flight vehicle, International Journal of Systems Science, 30, (9), (1999), pp 947-964. [4]. A. Forouzantabar, B. Gholami, M. Azadi. Adaptive Neural Network Control of Autonomous Underwater Vehicles. International Journal of Computer, Electrical, Automation, Control and Information Engineering, 6, (7), (2012), pp. 866-871. [5].A. Budiyono. Advances in unmanned underwater vehicles technologies: Modeling, control and guidance perspectives. Indian journal of Marine Sciences, 38, (3), (2009), pp.282-295. [6]. O. Yildiz, A. E. Yilmaz, B. Gokalp. State-of-The-Art System Solutions for Unmanned Underwater Vehicles. Radioengineering, 18, (4), (2009), pp.590-600. [7]. D. R. Parhiand Shubhasri Kundu. Review on Guidance, Control and Navigation of Autonomous Underwater Mobile Robot. IJAICR, 4,(1), (2012), pp. 21-31. [8].O. Yildiz, R. B. Gokalp, and A. E. Yilmaz. A Review on Motion Control of the Underwater Vehicles, In Proceedings of International Conference on Electrical and Electronics Engineering, Bursa, (November 2009),pp. II-337 - II-341. [9]. S. Haykin, Neural Network: A Comprehensive Foundation, second ed, Prentice Hall, New Jersey, (1999). [10]. В.А. Терехов и др, Нейросетевые системы управления, ИПРЖР, Москва, (2002) [11]. T. Chatchanayuenyong, M. Parnichkun. Neural network based-time optimal sliding mode control for an autonomous underwater robot. Mechatronics 16, (2006), pp.471–478. [12]. G. Campa, M. Sharma, A.J.Calise, M.Innocenti. Neural Network Augmentation of Linear Controllers With Application to Underwater Vehicles. American Control Conference, 1, (6), (2000), pp.75-79. [13]. İ. Eski and Ş. Yildirim. Control of Autonomous Underwater Vehicles using Neural Network Based Robust Control System. International Journal of Mechanical Engineering , 1, (2016), pp. 49-54. [14]. A.M. Prasetia, T. Agustinah, J.Susila. Design of Tracking System and Disturbance Rejection using Neural Networks for Autonomous Underwater Vehicle (AUV). In Proceeding of The 1st International Seminar on Science and Technology, Surabaya, Indonesia, (August 2015), pp.135-136. [15]. Y. J. Mon and C. M. Lin. Supervisory Recurrent Fuzzy Neural Network Guidance Law Design for Autonomous Underwater Vehicle. International Journal of Fuzzy Systems, 14, (1), (2012). [16]. İ. Eski and Ş. Yıldırım. Design of Neural Network Control System for Controlling Trajectory of Autonomous Underwater Vehicles. Int J Adv Robot Syst, 11, (7), (2014). Doi: 10.5772/56740. [17]. D. M. Pathan, A. F. Abbassi, and Ze. A. Memon. Neural Network Course Changing and Track Keeping Controller for a Submarine. Mehran University Research Journal of Engineering & Technology, 31, (4), (2012) ,pp.711-722. [18]. X. Liang, J. Zhang, W. Li, L. Su. T-S Fuzzy Neural Network Control for Autonomous Underwater Vehicles Based on Hybrid Learning Algorithm. Journal of Computational Information Systems 6, (8), (2010) pp.2595-2602. [19]. T. W. Kim and J. Yuh. A Novel Neuro-Fuzzy Controller for Autonomous Underwater Vehicles. In Proceedings of the 2001 IEEE International Conference on Robotics & Automation, Seoul, Korea (May 2001). [20]. M. Wang, Y. Yu, B. Zeng and W. Lin. Hybrid Intelligent Control for Submarine Stabilization. Int J Adv Robotic Syst, 10, (2013) [21]. M. H. Kim, D. J. Inman. Direct Adaptive Control of Underwater Vehicle Using Neural Network. Journal of Vibration and Control, 9, (2003), pp.605-619. [22]. M. S. M.Aras, S.S. Abdullah, A.F.N.A.Rahman, N.Hasim, F. A.Azis, L. W. Teck, A. S. M. Nor. Depth
365 Lê Thanh Tùng Control of an Underwater Remotely Operated Vehicle using Neural Network Predictive Control. Jurnal Teknologi (Sciences & Engineering) , 74, (9), (2015), pp.85–93. [23]. J. H. Li, P. M. Lee. A neural network adaptive controller design for free-pitch-angle diving behavior of an autonomous underwater vehicle. Robotics and Autonomous Systems, 52 , (2005), pp.132–147. [24]. J. M. M. Fernandes, M. C. Tanaka, R. Ca. S. F. Junior, W. M. Bessa. A Neural Network based Controller for Underwater Robotic Vehicle. ABCM Symposium Series in Mechatronics , 5, pp.456-464. [25]. J. Xu, M. Zhang and Y.Wang. Neural networks modelling and generalized predictive control for an autonomous underwater vehicle. Int. J. Modelling, Identification and Contro, 11, (1/2), (2010), pp.79-86. [26]. J.H. Li, P. M. Lee, and B. H. Jun. A Neural Network Adaptive Controller for Autonomous Diving Control of an Autonomous Underwater Vehicle. International Journal of Control, Automation, and Systems, 2, (3), (2004), pp. 374-383. [27]. S. S. Babu, C. S. Kumar ; M. A. Faruqi. A Neural Network Online Controller for Autonomous Underwater Vehicle. In Proceedings of IEEE International Conference on Industrial Technology, Mumbai, (December 2006), pp.2320-2324.DOI: 10.1109/ICIT.2006.372704. [28]. Y. Shi, W. Qian, W. Yan, J. Li. Adaptive Depth Control for Autonomous Underwater Vehicles Based on Feedforward Neural Networks. International Journal of Computer Science & Applications, 4, (3),(2007), pp.107-118. [29]. X. Liang, Y. Gan, L. Wan. Motion Controller for Autonomous Underwater Vehicle Based on Parallel Neural Network. International Journal of Digital Content Technology and its Applications, 4, (9), (2010). [30].C.M. Jiang, L. Wan and Y. S. Sun. Control System of Underwater Vehicle Based on Neural Network. In Proceedings of International Symposium on Computers & Informatics (ISCI 2015), (January 2015) , pp.2139- 2145. DOI: 10.2991/isci-15.2015.280. [31]. Войткунский И. Справочник по теории корабля, том 1, Судостроение, Ленинград,(1985). [32]. Лукомский Ю А. Системы управления движением морских подвижных объетов, Елмор, Ленинград, (1996). [33]. Fossen T. Handbook of Marine Craft Hydrodynamics and Motion Control, Wiley (2011). [34]. Веремей Е И и др, Компъютерное моделирование систем управления движением морских подвижных объетов, НИИ Химии, СПбГУ,(2002).