基于神经网络的欠驱动船舶轨迹跟踪控制实践

1. 项目概述

在海洋工程和无人系统领域，欠驱动水面船舶的轨迹跟踪控制一直是个颇具挑战性的课题。作为一名长期从事智能控制算法研究的工程师，我最近复现了IEEE Transactions on Industrial Electronics上的一篇经典论文，实现了基于神经网络观测器和自适应滑模控制的无人船轨迹跟踪系统。这个项目最吸引我的地方在于它巧妙地解决了三个关键难题：模型不确定性、外部干扰和状态不可测问题。

欠驱动船舶（Unmanned Surface Vessels, USVs）通常只有推进器和舵两个控制输入，却需要控制三个自由度的运动（纵荡、横荡和艏摇），这种特性使得传统控制方法往往力不从心。更复杂的是，实际海洋环境中还存在风浪流干扰、水动力参数变化等不确定因素。我在实际测试中发现，即使是经验丰富的操作员，手动控制这类船舶完成精确轨迹跟踪也几乎是不可能的任务。

2. 核心问题与技术路线

2.1 欠驱动船舶的控制挑战

欠驱动系统的本质特点是控制输入维度小于状态维度。具体到水面船舶，这意味着：

• 无法直接产生侧向推力，横荡运动只能通过艏摇运动的耦合效应间接控制
• 动力学方程中存在强非线性耦合项，如科氏力和向心力
• 水动力参数（附加质量、阻尼系数等）随航速、吃水深度变化

我在处理一艘3.6米长的实验船时就遇到了典型问题：当尝试跟踪直线轨迹时，侧向风会导致船舶持续偏离航线，而传统PID控制器需要频繁大幅调整舵角，既耗能又容易引发振荡。

2.2 神经网络观测器的设计原理

论文提出的解决方案采用了双闭环结构：

• 外环神经网络观测器：采用RBFNN（径向基函数神经网络）结构，包含15个隐藏层节点，基函数采用高斯函数：

  matlab复制% RBFNN参数初始化
  centers = linspace(-2, 2, 15);  % 基函数中心均匀分布
  sigma = 0.5;                   % 宽度参数
  weights = zeros(15, 3);         % 输出权值矩阵
  

  观测器同时估计不可测的速度状态和复合不确定性（模型误差+外部干扰），更新频率设置为100Hz以适应动态变化。

提示：基函数中心和宽度需要根据船舶运动范围合理设置，我在实验中通过前期数据采集确定了[-2,2]m/s的速度范围

2.3 自适应滑模控制架构

内环控制器融合了三种关键技术：

1. 预设性能控制(PPC)：通过性能函数约束跟踪误差边界

   math复制ρ(t) = (ρ_0 - ρ_∞)e^{-lt} + ρ_∞
   

   其中ρ_0=0.5（初始最大允许误差），ρ_∞=0.05（稳态误差），l=0.8（收敛速率）

2. 自适应滑模面：设计包含积分项的滑模面

   math复制s = ė + λe + μ∫e dt
   

   参数λ=1.2，μ=0.3，通过李雅普诺夫分析确定

3. 神经网络补偿：将观测器输出的不确定性估计值前馈到控制律

3. MATLAB实现关键步骤

3.1 船舶动力学建模

建立三自由度船舶模型是仿真的基础。我参考Fossen的经典教材，采用以下参数：

matlab复制% 船舶参数（以3.6米实验船为例）
M = [25.8 0 0; 0 33.8 1.5; 0 1.5 2.8];  % 质量矩阵
D = [2.5 0 0; 0 5.5 0.5; 0 0.5 0.5];    % 阻尼矩阵

3.2 神经网络观测器实现

观测器的核心是实时更新神经网络权值：

matlab复制function [v_hat, f_hat] = neural_observer(eta, eta_d, v_hat_prev)
    % 输入：eta-位置/艏向, eta_d-期望轨迹, v_hat_prev-上一时刻速度估计
    persistent W  % 神经网络权值
    
    e = eta - eta_d;
    phi = exp(-norm(e - centers)^2/(2*sigma^2));  % RBF激活
    
    % 权值更新律
    W_dot = -gamma*(phi*e' + kappa*W);
    W = W + W_dot*dt;
    
    v_hat = v_hat_prev + W'*phi*dt;
    f_hat = W'*phi;  % 不确定性估计
end

3.3 控制器设计与调参

自适应滑模控制的关键参数需要仔细调节：

matlab复制% 滑模参数
lambda = diag([1.2, 1.2, 0.8]);  % 位置和艏向的不同增益
K = diag([0.5, 0.5, 0.3]);        % 滑模增益初值

% 自适应律
gamma = 0.1;  % 神经网络学习率
kappa = 0.01; % 权值衰减系数

4. 仿真结果与分析

4.1 圆形轨迹跟踪

设置半径10m的圆形参考轨迹，加入幅值0.5m/s²的随机干扰：

• 传统滑模控制的最大跟踪误差：1.2m
• 本方法的最大跟踪误差：0.15m
• 能量消耗降低约35%

从相平面图可以看出，神经网络观测器能在约5秒内准确估计出速度状态，比扩展卡尔曼滤波快约2秒。

4.2 直线轨迹抗干扰测试

在t=30s时施加阶跃型侧向干扰（模拟突然的阵风）：

• 传统方法需要8秒恢复
• 本方法仅需3秒即可将误差收敛回预设边界内
• 控制输入抖振幅值降低60%以上

5. 工程实践中的经验总结

5.1 参数调节技巧

通过多次实验，我总结出以下调参经验：

1. 神经网络部分：

   • 基函数宽度σ：太小会导致过拟合，太大会降低灵敏度
   • 学习率γ：通常设置在0.05-0.5之间，需要配合衰减系数κ

2. 滑模控制部分：

   • λ决定收敛速度，但过大会引起振荡
   • 初始滑模增益K可以保守设置，自适应律会自行调整

5.2 常见问题排查

在实际实现中遇到过几个典型问题：

1. 观测器发散：检查权值初始化范围，避免初始估计误差过大
2. 抖振明显：适当减小滑模增益，增加边界层厚度
3. 稳态误差：检查积分项系数μ，确保不为零

6. 扩展应用与改进方向

当前系统在以下方面还有优化空间：

1. 执行器饱和处理：增加抗饱和补偿算法

   matlab复制function tau = anti_windup(tau_cmd, tau_prev)
       rate_limit = 0.2;  % 执行器速率限制
       tau = tau_prev + sign(tau_cmd - tau_prev)*min(abs(tau_cmd - tau_prev), rate_limit*dt);
   end
   

2. 多船协同：结合一致性算法扩展为编队控制
3. 硬件部署：正在将算法移植到ROS2平台，准备进行湖试

这个项目最让我兴奋的是看到理论算法在实际系统中展现出强大性能。当第一次看到无人船在强干扰下依然能精准跟踪复杂轨迹时，那种成就感是无可替代的。建议有兴趣的同行可以从MATLAB仿真开始，逐步过渡到小型实验平台验证。