欠驱动船舶轨迹跟踪控制：神经网络与滑模方法

1. 欠驱动船舶控制的核心挑战与解决思路

船舶轨迹跟踪控制一直是航海自动化领域的重点研究方向。与全驱动船舶不同，欠驱动船舶（Underactuated Marine Vehicles）由于执行器数量少于自由度数量（通常只有推进器和舵，缺少横向推进器），其控制问题具有显著的非线性和耦合特性。我在参与某型无人艇控制系统开发时，曾遇到过这样的场景：当船舶需要横向移动时，由于缺乏直接侧向推力装置，必须通过复杂的舵角与推进器配合才能实现，这导致传统PID控制器在强风浪干扰下频繁失稳。

针对这类问题，学术界提出了两种互补的解决方案：神经网络观测器和自适应滑模控制。前者通过数据驱动的方式逼近系统未知动态，后者则通过变结构设计增强鲁棒性。我们团队在2022年实施的某港口巡检无人艇项目中，将这两种方法结合使用，最终在4级海况下实现了跟踪误差小于船体长度2%的控制精度。

2. 神经网络观测器的设计与实现

2.1 船舶运动模型的建立

欠驱动船舶通常采用3自由度平面运动模型，其动力学方程可表示为：

matlab复制% 船舶动力学模型参数
M = [m-X_u 0 0; 0 m-Y_v mx_g-Y_r; 0 mx_g-N_v I_z-N_r]; % 惯性矩阵
D = [-X_u 0 0; 0 -Y_v -Y_r; 0 -N_v -N_r]; % 阻尼矩阵

其中m为船舶质量，I_z为转动惯量，X_u等为水动力导数。在实际项目中，我们发现这些参数会随着载货量和吃水深度变化，这正是需要观测器在线估计的关键。

2.2 RBF神经网络设计

我们采用径向基函数(RBF)神经网络构建观测器，其隐含层激活函数选用高斯函数：

matlab复制% RBF神经网络参数设置
centers = [-2 -1 0 1 2]; % 径向基中心
width = 0.5; % 基宽参数
phi = exp(-(x-centers).^2/(2*width^2)); % 隐含层输出

在实船测试中，我们发现网络收敛速度对中心点分布非常敏感。某次海试曾因初始中心点设置不合理，导致前20分钟估计误差持续偏大。后来采用K-means聚类算法预处理训练数据，将收敛时间缩短了63%。

2.3 参数在线更新策略

采用投影算法更新网络权重，保