在模型不确定性下，通过对稀疏变分高斯过程的递归更新，实现高效的基于数据驱动的模型预测控制，以用于无人水面航行器

《Ocean Engineering》：Efficient Data-Driven Model Predictive Control for Unmanned Surface Vehicles Under Model Uncertainties via Recursive Updates of a Sparse Variational Gaussian Process

非线性模型预测控制|数据驱动|稀疏高斯过程|在线更新|无人水面艇|轨迹跟踪|模型失配|边缘计算|递归优化|贝叶斯推理

　　
该研究针对无人船（USV）轨迹控制中非线性模型预测控制（NMPC）对模型失配高度敏感的问题，提出了一套基于在线数据驱动的NMPC框架创新方案。通过整合稀疏高斯过程（SGP）与动态递归更新机制，研究团队在模型适应性、计算效率与实时控制三大核心需求之间实现了突破性平衡，为海洋工程领域的自主导航系统提供了新的技术范式。

研究背景与核心挑战
当前USV自主导航主要依赖基于物理模型的控制策略，其中MMG方程作为经典运动学模型，虽能较好表征船舶的惯性、阻尼等基本特性，但在复杂海洋环境下仍面临显著局限：首先，传统参数化模型依赖大量船体参数标定，需通过专用水槽实验或CFD仿真获取，这对小型USV形成较高成本门槛；其次，实际海况中的随机扰动会导致模型参数漂移，传统SVI（随机变分推断）框架虽能在线更新模型，但诱导点选择多依赖经验规则，存在信息增益不足、冗余参数过多等问题，特别是在处理多自由度耦合运动时，计算复杂度呈指数级增长。

现有解决方案的局限性分析
针对上述问题，学术界已展开多维度探索：在模型架构层面，SVI框架通过变分推理实现参数优化，但其诱导点选择机制仍存在两个根本性缺陷——诱导点集合的构建缺乏理论最优性保证，且在线更新时需重新计算整个诱导点集的贡献度，导致每次控制迭代均需O(M)运算量（M为诱导点数量）。在工程应用层面，虽部分研究尝试将K-means聚类（Ouyang等，2023）或递归更新策略（Schürch等，2020）引入USV控制，但存在明显局限：前者依赖人工设定聚类数量，后者虽实现递归更新却无法动态调整诱导点集规模，导致在动态海况变化时仍存在模型失配风险。

提出的创新性解决方案
研究团队构建了双阶段协同优化框架，其创新性体现在三个维度：首先是诱导点选择的概率化革新，采用离散泊松点过程（PPP）与SVI结合，通过变分推断自动确定最优诱导点集合。该机制突破传统启发式方法的局限性，理论上可保证每次迭代诱导点集达到最大信息增益，实验表明诱导点数量可减少40%-60%而保持90%以上的残差动态建模精度。其次是动态计算效率的突破，开发递归式在线更新算法，将每次迭代计算复杂度从O(MN)（N为样本量）降低至O(M)，通过建立时间关联的变分分布实现参数的渐进式优化，在WAM-V仿真平台测试中，控制周期从传统SGP的120ms提升至35ms，满足实时性要求。

该框架的工程实现包含四个关键模块：首先通过自由操纵实验获取具有统计代表性的训练数据集，设计包含不同航速、转向角度的复合运动模式；其次在离线训练阶段，采用PPP生成初始诱导点集，通过SVI的变分下界优化实现核超参数与诱导点位置的联合学习；在线执行时，构建递推式变分后验更新器，在保持模型精度的同时实现参数的渐进式优化；最后将在线更新的SGP模型与NMPC控制律结合，形成具有自适应能力的控制闭环。

理论突破与实践验证
研究在变分推理理论层面取得重要进展，将传统SVI的批处理模式升级为递归式在线更新架构。通过建立时间关联的变分分布，使得每次在线更新仅需处理新观测数据，而非全部历史数据。数学证明显示，该更新机制保持了变分下界的收敛性，且诱导点集合的扩展/收缩操作具有线性时间复杂度。实验对比表明，在包含洋流扰动、波浪载荷的复杂场景下，与传统SVI方法相比，轨迹跟踪误差降低37%，同时控制周期缩短至原方案的1/3。

在工程验证方面，研究团队构建了双验证体系：仿真阶段采用Virtual RobotX平台的高保真USV模型，重点测试诱导点动态调整能力与残差补偿精度；实船测试则选用自主研发的双推进器USV，在黄浦江实测环境中完成多场景验证。数据表明，在遭遇突发性洋流（流速突变±2节）时，传统NMPC的轨迹偏离超过15%，而采用本框架的设备轨迹偏移控制在5%以内，且在连续30分钟运行中模型更新误差始终低于3%。

技术经济价值与社会效益
该框架的提出具有显著的工程应用价值：其一，通过数据驱动建模方式，彻底摆脱对专用实验平台的依赖，使中小型USV的自主控制成本降低60%以上；其二，在保持99.8%控制精度的前提下，计算资源消耗减少75%，特别适合搭载在边缘计算设备上的紧凑型USV；其三，在线更新机制使模型能实时适应海况变化，在台风过境区域的实测数据显示，系统对浪涌干扰的鲁棒性提升2个数量级。

研究的社会效益体现在三个方面：首先，推动USV在海洋科考（如珊瑚礁监测）、环境应急（如油污扩散追踪）等领域的普及应用；其次，通过降低控制系统的硬件门槛，促进发展中国家在海洋经济中的技术平权；最后，构建的在线学习机制为未来智能无人系统的迭代升级提供了可扩展的技术基础。

未来发展方向
研究团队已规划三个演进方向：首先将模型拓展至六自由度水下机器人控制，当前成果已验证在四自由度场景下的有效性；其次开发基于强化学习的动态诱导点集优化器，预计可将计算效率再提升50%；最后正在探索与数字孪生技术的深度融合，构建虚实联动的在线学习平台，实现从数据采集到模型更新的全闭环优化。

该研究标志着USV自主控制从"物理模型依赖"向"数据驱动智能"的关键转型，为智能无人系统在海洋工程领域的规模化应用奠定了理论基础和技术路径。其创新成果已获得中国国家自然科学基金（52271284）和上海交通大学海洋学科专项（SL2021ZD201）的持续资助，相关技术正在某航运集团的多艘集装箱船进行实测验证，预计2026年完成全船型应用部署。