Modeling and Simulation of an Autonomous

Underwater Vehicle
See how you can simplify modeling for an autonomous underwater vehicle (AUV). Yashodhar
Veeralla joins Connell D’Souza to talk about using Model-Based Design and Aerospace
Blockset™ to build simulation models.

Yashodhar will explain the various steps involved in the building the model to simulate the
dynamics of a AUV. He starts off with the basics of an AUV and the components of interest,
then covers the various forces and moments that are exerted on an underwater vehicle and the
scientific nomenclature involved with the motion of the submarine. The motivation behind using
Aerospace Blockset for modeling is also explained.

Yashodar discusses the various components of modeling an AUV, such as vehicle propulsion,
hydrostatic forces, hydrodynamic forces, noise, and filtering. He also a demonstrates the
Simulink® model that was built using these concepts. Finally, he discusses the possible control
laws you can apply to an AUV based on the target scenario.

Dịch : Xem cách bạn có thể đơn giản hóa việc lập mô hình cho phương tiện tự hành dưới nước

(AUV). Yashodhar Veeralla tham gia Connell D'Souza để nói về việc sử dụng Thiết kế dựa trên

mô hình và Khối không gian vũ trụ ™ để xây dựng các mô hình mô phỏng.

Yashodhar sẽ giải thích các bước khác nhau liên quan đến việc xây dựng mô hình để mô phỏng

động lực của AUV. Ông bắt đầu với những điều cơ bản về AUV và các thành phần quan tâm,

sau đó đề cập đến các lực và thời điểm khác nhau được tác động lên một phương tiện dưới nước

và danh pháp khoa học liên quan đến chuyển động của tàu ngầm. Động lực đằng sau việc sử

dụng Aerospace Blockset để lập mô hình cũng được giải thích.

Yashodar thảo luận về các thành phần khác nhau của mô hình AUV, chẳng hạn như lực đẩy của

xe, lực thủy tĩnh, lực thủy động lực học, tiếng ồn và bộ lọc. Ông cũng trình bày mô hình

Simulink® được xây dựng bằng các khái niệm này. Cuối cùng, anh ấy thảo luận về các luật kiểm

soát khả thi mà bạn có thể áp dụng cho AUV dựa trên kịch bản mục tiêu.
System Identification of Blue Robotics Thrusters
With a focus on student robotics competitions, Connell D'Souza and Kris Fedorenko show you
how to get started with black box modeling. You will be exposed to basic modeling concepts,
and see a demonstration of the system identification process on real-life data from Blue
Robotics. Having a model allows you to design and test a controller as well as model a larger
system—important steps for preparing your robot for a competition. You can find all the data
used in this video on MATLAB Central’s File Exchange.
The System Identification app enables you to perform all stages of modeling such as importing
and preprocessing the data, trying out different model structures, and evaluating the resulting
models. Two datasets of input and output data for a T200 Blue Robotics Thruster are used to
demonstrate the modeling process. Connell and Kris show how to process the data by removing
means and filtering out noise. Several models are then created using simple linear model
structures like state space model and transfer function, illustrating that modeling is an iterative
process. You will also learn how to use validation data to evaluate your models.
After this video, you should be able to create a reasonable model for your own hardware
component. As Connell and Kris underline, you would need to collect good-quality input and
output data for both estimation and validation, start with simpler model structures, and keep
iterating until you achieve good results. You might find the following links helpful:

Dịch : Ứng dụng Nhận dạng Hệ thống cho phép bạn thực hiện tất cả các giai đoạn của mô hình

như nhập và xử lý trước dữ liệu, thử các cấu trúc mô hình khác nhau và đánh giá các mô hình kết

quả. Hai bộ dữ liệu dữ liệu đầu vào và đầu ra cho T200 Blue Robotics Thruster được sử dụng để

chứng minh quy trình mô hình hóa. Connell và Kris chỉ ra cách xử lý dữ liệu bằng cách loại bỏ

các phương tiện và lọc bỏ tiếng ồn. Một số mô hình sau đó được tạo ra bằng cách sử dụng các

cấu trúc mô hình tuyến tính đơn giản như mô hình không gian trạng thái và hàm truyền, minh

họa rằng mô hình hóa là một quá trình lặp đi lặp lại. Bạn cũng sẽ học cách sử dụng dữ liệu xác

thực để đánh giá các mô hình của mình.