计算机论文哪里有？本文针对养殖网箱巡检的 ROV 轨迹跟踪控制研究等问题，提出了一种基于模型预测的 ROV 网箱养殖巡检轨迹跟踪控制策略。首先根据建立好的 ROV 运动学模型和动力学模型，设计基于速度控制的 MPC 控制器和作为基线的 PID 控制器，对养殖网箱巡检二维水平面圆轨迹和三维空间圆轨迹跟踪进行研究，通过对比实验得出结果。
第一章 绪论
1.2.1 网箱巡检研究现状
对于养殖网箱巡检和养殖环境观测的研究，国外在该领域的发展已经取得长足的进步，而我国在该领域开展研究相对较少。有关养殖网箱巡检及养殖环境观测的方法有多种，一种较为突出的方法，即搭载摄像机等光学传感器对网箱进行巡检，通过图像处理的方法，获取网箱环境的有效信息，如：牛丽娟等人，针对深海养殖网箱水下网衣破损检测问题，提出一种非接触式水下网衣检测的方法，将破损位置的搜索和定位与图像处理技术结合，提高了网衣检测的效率[12]。吕新蕾等人也有相似的观点，以河豚养殖网箱监测为应用背景，提出了一种利用无人机俯视的观测法，通过搭载摄像机的无人机拍摄到的图像进行图像预处理，提高了观测网箱养殖区的准确率[13]。同样地，张金泉等人，在自主水下机器人（autonomous underwater vehicle, AUV）上搭载摄像机，提出了框架式 AUV 螺旋式网衣破损检测策略，虽然只进行了 3 自由度运动控制的研究，但为智能化养殖网箱巡检提供了新的思路[14]。
在实际网箱养殖过程中，考虑到网箱需要定期频繁检查的问题，国外众多学者利用水下机器人的灵活性，搭载摄像机和光学传感器等设备提升了检测效率。Zhao Y P 等人，利用水下机器人搭建相机的方式，对渔网破损进行有效识别，提高检测系统的稳定性，降低系统的复杂度[15]。Paspalakis S 等人也有相似的观点，他们使用了图像处理技术检测网箱区域内网孔的大小和形状，利用全局或局部图像结构对网孔进行有效检测，设计出了一种长期停放在网箱内的遥控水下机器人定期检查的方法，提高了网箱巡检的效率[16]。同样地，Chalkiadakis V 等人，利用光学识别技术使水下机器人在水产养殖设施内巡航，提出一种使用遥控的小型水下机器人鱼笼网箱巡检的方案，当检测到箱的孔洞和污垢后通过报警等提醒工作人员处理，能够降低检测成本并减小操作风险[17]。
第三章 基于模型预测的 ROV 养殖网箱巡检轨迹跟踪控制
3.1 模型预测控制原理的研究
MPC 的原理，是在特定情况下带约束的最优控制问题，是过程控制中选取一定范围的最优，明确考虑约束条件，减少不遵循约束的冲突，MPC 求解的不是全时段的最优，局部时段的次优就能满足 MPC 的控制效果和控制要求，因此 MPC 作为一种处于 PID 控制算法和最优控制的中端控制算法，备受人们关注和研究，在过程控制中应用广泛[50-53]。轨迹跟踪控制过程中采用的 MPC 算法更擅长处理多输入多输出系统，如图 3-1 所示，中间部分为MPC 控制器的主体部分，主要由预测模型，目标函数设计，系统约束及优化求解构成。
第四章 基于 MPC 的 ROV 单目视觉轨迹跟踪控制
4.1 单目相机标定
在视觉跟踪中，考虑到管道检测需要获取 ROV 和管道的位置关系，双目和三目立体视觉在感知处理的过程中存在非常繁杂的计算量，对研究会产生一定的困难，且当前计算机的运算能力有限，难以实现较大的计算量和数据处理等情况，单目相机负载小，成本低、实时性好。但使用相机前，不能只用一张图片去判断物体的尺寸，如此会忽略相机的精度，从而造成图像和实际偏差过大，导致实验难以进行，因此需要对相机进行标定。
对于相机的标定，目前主要有三种方法：传统标定法，自标定法和张正友标定法。张正友结合自身的理论将相机标定方法进行改进和创新，既提高了标定的精度，又简化操作方式，主要通过使用棋盘格完成标定操作。
本课题使用的方法为张正友标定法[63]，需要在ROS camera_calibration 功能包的Gazebo中进行虚拟相机的标定。首先需要在 Gazebo 中建立一个零重力的 world 文件，在 world 文件里配置好棋盘的 SDF 模型，接下来加载世界和相机模型，将所有的配置文件统一写进一个 launch 文件中，保存后启动此 launch 文件，如图 4-1 所示，能够发现在 Gazebo 中模拟相机悬浮在棋盘上方。由此完成了世界模型，相机模型和棋盘模型的设立过程。如下将开始进行相机校准过程。
4.2 建立视觉参考坐标系
在视觉领域存在四种坐标系，分别是世界坐标系、相机坐标系、图像坐标系和像素坐标系。如图 4-4 所示，考虑到课题利用视觉进行轨迹跟踪研究，因此需要建立不同的视觉参考坐标系，拟定义wwwwO XYZ为世界坐标系，用来确定相机的位置，定义ccccO XYZ为相机坐标系，光心的位置为原点，定义 o-xy 为图像坐标系，光心位置为图像中心，定义 u v为像素坐标系，图像的左上角为原点。定义点 p 为世界坐标系中的一点，是生活中真实的一个坐标点，p 为图像中的成像点，在图像坐标系中的坐标表示为 p( x,y)，在像素坐标系中的坐标表示为 p(u,v)s，f 为相机焦距，cf oO是 o 与cO 的距离，由此，成功建立出坐标系和点之间的位置关系。
第五章 结论与展望
5.2 展望
为了解决无人智能化网箱巡检代替人工巡检，提高 ROV 养殖网箱巡检的工作效率和运动过程中的稳定性等问题。本文提供了一种新的思路，依据模型预测控制算法，结合 ROV模型及仿真环境，进行了养殖网箱环境下二维和三维圆轨迹跟踪实验研究。但由于对业内具体知识理解的局限性，作者对问题研究时长较短、知识水平和能力受限等原因，本文仍存在不足之处，在模型精度，控制器设计和干扰条件单一等方面，仍有较多值得改进之处，如下：
（1）提高 6 自由度 ROV 运动学模型和动力学模型精度设计，使模型更贴近于真实环境下的 ROV，能够使设计的方法应用到真实环境下。
（2）MPC 控制算法形式单一，在轨迹跟踪中会出现时效慢等问题，可以融入其他控制方法，如结合强化学习等方法，从而提高控制器轨迹跟踪的精准度和稳定性。
（3）提高图像识别和图像处理的技术精准性，并能够结合水产养殖专业相关知识和理论将其他传感器或水质检测模块融合在 ROV 机身，以便提高 ROV 的工作适用范围，并增强其功能性，此方法有待验证。
参考文献（略）
