欠驱动USV轨迹跟踪：神经网络观测器与自适应滑模控制

1. 项目背景与研究意义

欠驱动无人水面船舶（USV）作为海洋探测、环境监测和海上救援的重要平台，其自主航行能力直接取决于轨迹跟踪控制的精度与鲁棒性。在实际海洋环境中，船舶控制系统面临三大核心挑战：首先是欠驱动特性——常规船舶仅配备螺旋桨和舵机两个执行机构，无法直接产生侧向推力，导致系统控制输入维度低于状态维度；其次是模型不确定性，包括难以精确测量的水动力参数（如附加质量、阻尼系数）以及随航速变化的非线性耦合效应；最后是复杂的环境干扰，如时变风浪流扰动，其幅值可能达到船舶推力的20%以上。

传统PID控制在平静水域表现尚可，但在面对上述挑战时往往出现超调大（>30%）、稳态误差显著（>5%米级）等问题。我们团队在2022年东海实船测试中就曾遭遇过：当船舶以3节航速进行直线跟踪时，侧向风浪导致轨迹偏移达到船长的15%。这促使我们探索更先进的控制策略，最终形成了这套融合神经网络观测器与自适应滑模的控制方案。

2. 系统建模与问题描述

2.1 三自由度运动模型

采用Serret-Frenet坐标系建立船舶运动模型，其动力学方程可表示为：

matlab复制% 动力学方程Matlab表示
M*nu_dot + C(nu)*nu + D(nu)*nu = tau + d_ext
eta_dot = J(psi)*nu

其中M∈R³ˣ³为惯性矩阵（包含附加质量项），C(ν)为科氏力矩阵，D(ν)为阻尼矩阵。我们通过CFD仿真与水池试验相结合的方式，获取某型4.8米USV的典型参数：

matlab复制M = [25.8 0 0; 0 33.5 1.2; 0 1.2 2.8]; % 质量矩阵(kg·m²)
D = [2.5 0 0; 0 5.2 0.8; 0 0.8 1.5];  % 阻尼系数(N·s/m)

2.2 核心控制难点

1. 状态不可测问题：船载GPS采样率通常为10Hz，而IMU测量的角速度噪声标准差可达0.05rad/s。我们曾尝试用卡尔曼滤波进行状态估计，但在剧烈横摇时误差会放大3倍以上。

2. 复合不确定性：包括：

   • 参数不确定性：质量矩阵M的实际值可能有±15%偏差
   • 未建模动态：如波浪二阶力导致的低频漂移
   • 环境干扰：实测数据显示3级海况下干扰力矩峰值可达15N·m

3. 神经网络观测器设计

3.1 RBFNN架构设计

采用三输入单输出的径向基函数网络结构，隐藏层包含17个神经元，其高斯函数参数通过k-means聚类初始化。观测器的独特之处在于将状态估计与不确定性补偿融为一体：

matlab复制% RBFNN观测器核心代码
function [nu_hat, f_hat] = RBF_Observer(eta_err, W)
    phi = exp(-(eta_err - c).^2/(2*b.^2)); % 高斯函数计算
    nu_hat = W(:,1:3)'*phi;               % 速度估计
    f_hat = W(:,4:6)'*phi;                % 不确定性估计
end

3.2 权值自适应律

基于Lyapunov稳定性理论设计的权值更新律：

matlab复制W_dot = gamma * phi * (eta_err'*K + nu_tilde'*M); % gamma=0.05为学习率

实测表明，该算法在初始参数误差达200%时，仍能在8秒内收敛到稳态。

4. 自适应滑模控制器实现

4.1 预设性能函数设计

采用指数型性能边界函数：

code复制rho(t) = (rho0 - rho∞)exp(-αt) + rho∞

其中ρ0=2.5m（最大允许误差），ρ∞=0.1m（稳态精度），α=0.5（收敛速率）。通过误差变换：

code复制epsilon = ln( (e/rho + 1) / (1 - e/rho) )

将约束控制转化为无约束控制问题。

4.2 滑模面与控制律

设计积分型滑模面：

code复制s = e_dot + 2*Λ*e + Λ²∫e dt

控制律包含三部分：

matlab复制tau = M*(nu_d_dot - 2*Λ*e_dot - Λ²*e)... % 等效控制
     - K*s - f_hat...                    % 鲁棒项
     - (k_hat + η)*sign(s);              % 自适应滑模项

其中自适应增益k_hat按如下规律更新：

code复制k_hat_dot = γ||s|| (γ=0.1)

5. 仿真验证与分析

5.1 圆形轨迹跟踪测试

设置半径为20m的圆形参考轨迹，加入幅值10N的周期性横向干扰。与传统SMC对比：

5.2 直线轨迹抗干扰测试

在t=30s时施加阶跃型侧向干扰，本方法在3.2秒内恢复跟踪，位置超调仅0.4m，而PID控制产生持续振荡。

6. 工程实现要点

1. 计算效率优化：将RBFNN的隐含层节点数压缩到17个后，在树莓派4B上运行周期可缩短至5ms，满足实时性要求。

2. 参数整定经验：

   • 初始学习率γ建议取0.01~0.1
   • 滑模面参数Λ对角元素设为[0.8, 0.8, 0.5]
   • 性能函数ρ∞取值应大于传感器噪声幅值的2倍

3. 硬件在环测试：我们搭建了基于RT-Lab的HIL平台，测试表明在20%参数摄动下，控制器仍能保持稳定。

7. 扩展应用方向

本方法已成功移植到某型水下机器人控制中，针对低速工况（<1m/s）进行了以下改进：

1. 将RBFNN替换为Echo State Network，提升对低频扰动的估计精度
2. 引入事件触发机制，在保证性能前提下将控制器计算负载降低40%
3. 融合视觉定位信息，形成多源观测融合架构

在实际应用中需要注意：当船舶进行大角度转向（>45°）时，建议暂时放宽性能约束边界ρ0，避免控制器过度饱和。我们开发的MATLAB工具箱已开源，包含详细的参数整定指南和典型工况测试案例。