自适应无人水面船（USV）轨迹跟踪：基于预览优化的舵控器与自调动力学模型

《Ocean Engineering》：Adaptive USV trajectory tracking: Preview-optimized rudder controller with self-tuning dynamics model

针对无人水面艇在舵机速率受限和动态模型适应性不足的双重挑战，提出自适应控制框架，集成预览优化舵控制和自调谐动力学模型，通过预判未来轨迹优化舵令并自动校准模型，有效抑制超调并提升复杂工况下的跟踪精度，经仿真与海试验证其鲁棒性和优越性。

　　

王少伟|戴天天|于万能|王海斌|杨荣锋|陈瑶

集美大学海洋工程学院，厦门，361021，中国

摘要

本文针对无人水面船舶（USVs）的轨迹跟踪控制这一关键挑战进行了研究，重点关注两个实际问题：在舵速限制下的性能下降，以及在不同操作条件和船舶参数下动态模型调整的难度。为了解决这些问题，我们提出了一种自适应控制框架，该框架结合了预优化舵控器和自调谐动态模型。所提出的方法采用预瞄机制，预测未来的轨迹变化，并在舵速限制范围内主动优化舵指令，显著减少了超调现象，保持了高跟踪精度。该控制器通过自调谐动态模型得到增强，该模型利用有限的真实世界数据自动校准自身，确保了可靠的预测性能，并促进了从仿真到实际应用的无缝过渡。在包括高惯性负载和复杂路径在内的各种具有挑战性的场景中进行的广泛仿真和海试一致证明了所提方法在解决速率限制驱动和模型泛化双重挑战方面的有效性，最终实现了卓越的跟踪精度和稳健的性能。

引言

无人水面船舶（USVs）随着无人飞行器和地面系统的快速发展，已成为机器人研究中的一个关键领域。它们的多功能性使其能够应用于广泛的海上场景，如货物运输、环境监测、科学调查和商业活动，显示出巨大的未来发展潜力（Dong等人，2023年；Yang等人，2024年）。因此，实现精确的轨迹跟踪控制（ATTC）被认为是海洋工程和自主控制系统领域中的一个核心问题（Er等人，2023年）。然而，与全驱动船舶相比，欠驱动USVs的独立执行器数量较少，这引入了更复杂的控制问题。这些系统受高度非线性和强耦合动态模型的控制，使其对波浪、风和洋流等环境干扰更加敏感（Yan等人，2024年），从而大大降低了跟踪精度。因此，设计能够在不确定和变化的海洋条件下确保可靠轨迹跟踪的稳健高效控制框架仍然是自主船舶控制中的一个关键且未解决的问题。

已经开发了多种控制策略来实现USVs的ATTC，包括反馈线性化、反步控制、非线性模型预测控制、滑模控制、神经网络、模糊逻辑和自适应控制系统（Fan等人，2023年；Jia等人，2019年；Liang等人，2021年；Shin等人，2017年；Wang等人，2024年；Zhang等人，2020年）。例如，Zhao等人（2021年）提出了一种先进的模型预测控制框架，该框架结合了全局航向约束和事件触发机制，以减少跟踪偏差并提高能源效率。同样，Zhou等人（2023年）实现了一种事件触发的近似最优路径跟踪控制方案，以降低计算和通信成本，提高了资源受限平台的适用性。此外，Awad等人（2022年）设计了一种使用拉盖尔网络和基于模糊逻辑的切换系统的线性模型预测控制器，在输入限制和输出噪声下实现精确的速度和路径控制。进一步的发展包括引导律，其中期望的偏航角和纵摇速度由引导律得出，然后由控制器进行跟踪。Huang等人（2019年）为具有参数扰动的欠驱动USVs提出了一种新的引导律，利用非线性跟踪微分器提高差分性能和跟踪响应，同时通过降阶扩展状态观测器解决输入限制问题。在此基础上，Wu等人（2024年）在深度强化学习框架中引入了一种改进的引导律，其中包含内在好奇心模块，以增强探索能力并防止训练期间出现过高的期望速度。Wang等人（2025年）进一步开发了一种高稳定性的引导律，具有自适应前瞻距离，以在最小距离下提高性能并实现跟踪控制中的自动标签生成。人工智能的整合也显著影响了USV控制方法；例如，Wang等人（2022年）开发了一种基于演员-评论家的有限时间强化学习框架，以在未知动态和输入限制下实现精确跟踪，尽管这种方法在输入数据和适应速度方面存在局限性。Zhang等人（2022年）提出了一种结合模型参考技术和强化学习的混合控制方法，提高了控制性能，但在数据采样和干扰抑制方面效率较低。最近，Liu等人（2024年）提出了一种使用神经强化学习的事件触发最优跟踪控制方法，以在非对称预定时间范围内稳定跟踪误差，同时减少通信和执行负担。

与这些发展并行的是，最近的努力在基于模型和数据驱动的方法上显著推进了USVs的轨迹跟踪控制；然而，在舵速限制下的实际部署仍然具有挑战性。Zhou等人（2025年）开发了一种基于真实海洋数据训练的自适应深度强化学习（DRL）策略，并结合了混合优先级经验回放以提高收敛性，而Wu等人（2025年）通过使用改进的分段奖励函数实现了预定义时间内的近似最优跟踪，以抑制抖动。对于具有未知动态的系统，Huang等人（2025）将高斯过程回归与数据驱动的预测控制相结合，通过概率输出预测实现高精度轨迹跟踪，Dong等人（2025）通过结合在线多创新最小二乘识别的反步控制器增强了鲁棒性。尽管这些数据驱动或在线识别方法在各自的背景下有效，但它们通常需要大量的交互数据或较长的适应阶段才能在新物理平台上实现可靠性能，这对快速从仿真到实际的过渡构成了挑战。为了解决明确的机械限制、未知动态和时间延迟问题，最近的研究提出了基于模型和预测的解决方案，包括带有执行器处理的NMPC（Zhang等人，2025年）、用于在线学习的数据驱动MPC（Li和Zhang，2025年）以及用于延迟补偿的网络预测控制（Lei等人，2025年）。此外，对于欠驱动USVs，还开发了命令滤波器（Wei等人，2025年）、障碍李雅普诺夫函数（Mu等人，2025年）和事件触发机制（Ning等人，2025年；Yue等人，2025年）等方法来管理多重约束。然而，一个关键的共同限制仍然存在：这些方法没有明确建模或补偿由舵速饱和和大型船舶惯性之间的紧密相互作用引起的复合非线性动态。此外，定量证明这种动态耦合对实际跟踪性能的不利影响的实证证据仍然很少。因此，尽管仿真结果很有前景，但从仿真到实际的过渡往往受到未建模的耦合动态、执行器响应延迟以及特别是在激进操作期间被忽视的速率饱和和大型惯性的复合效应的阻碍。本文通过提出一种结合预优化舵控器和自调谐动态模型的框架来弥合这些差距，该框架明确考虑了速率限制和惯性耦合特性，从而减轻了复合的饱和-惯性动态，并促进了更可靠的物理部署。本工作的关键贡献包括：

（1）自调谐动态模型：我们提出了一种自适应动态模型，该模型使用有限的运行数据自动校准自身。这种方法显著提高了预测精度，有效弥合了仿真和实际部署之间的差距，并消除了广泛手动参数调整的需要。

（2）预优化舵控器：我们提出了一种新的控制框架，该框架在轨迹跟踪优化中明确考虑了舵速限制（例如±6°/s）。通过将舵策略与引导律深度集成，该方法有效减轻了由大惯性引起的超调和延迟问题。

（3）全面仿真和海试实验：我们通过各种轨迹场景的仿真和实际海试进行了广泛评估，包括高惯性负载和复杂路径。这些实验系统地证明了所提方法在严格舵速限制下的鲁棒性和优越性。

部分摘录

问题陈述

本小节描述了配备单螺旋桨-舵系统的欠驱动USV的参考框架和运动学公式。控制输入包括螺旋桨速度和舵偏转，这些输入使船舶能够跟踪预定义的轨迹。还介绍了一个伴随的引导律。

自调谐动态模型

所提出的模型通过参数整合实现了舵动态的紧凑表示，基于欧拉旋转定理：$I\dot{r}=\tau ={\tau }_p+{\tau }_d+{\tau }_n$τ_p、τ_d和τ_n分别表示推进力、阻尼力和环境噪声扭矩。惯性矩I包含了与质量m相关的不确定性因子k_1：$I=\frac{1}{12}m{L}^2·k_1(k_1\in R^{+})$

推进力扭矩综合了控制输入和流体动力效应：${\tau }_p=\frac{1}{2}\rho L^2\eta \sin \delta ·k_2(\rho =1025{\text{kg/m}}^3)$

其中η、δ和k₂分别表示

预优化舵控器

船舶航向控制系统的主目标是通过舵调整来跟踪和保持期望的航向。然而，由于机械限制和安全要求，舵的转动速率受到严格限制。此外，船舶具有强烈的惯性和时间延迟特性，这意味着控制动作的效果会在应用后长时间持续。为了减轻舵的过度补偿并提高跟踪性能，我们提出了一种预优化的舵控器

实验

本章对所提出的方法进行了全面的实验评估，旨在系统地验证其有效性、鲁棒性和实际适用性。实验包括三个主要部分：评估每个关键元素贡献的消融研究、在各种复杂场景下的仿真，以及在开放水域环境中进行的实际海试。

结论

在本文中，我们提出了一种结合自调谐动态模型的新型预优化舵控框架，以解决在严格舵速限制下无人水面船舶（USVs）的轨迹跟踪这一关键挑战。通过集成一种主动补偿转向限制的预优化控制策略、一种使用最少真实世界数据缩小仿真到实际差距的自调谐动态模型，以及一种嵌入引导律的优化方法

CRediT作者贡献声明

王少伟：写作 – 审稿与编辑，撰写原始草稿，可视化，验证。戴天天：写作 – 审稿与编辑，撰写原始草稿，验证。于万能：写作 – 审稿与编辑，项目管理，方法论，资金获取。王海斌：监督，项目管理，方法论。杨荣锋：调查，形式分析，数据管理。陈瑶：验证，监督，资金获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢国家自然科学基金（52171308）、福建省自然科学基金（2024J01710）和国家科技部重点研发计划（2021YFB3901500）提供的财政支持。