基于模型预测与扰动自适应抑制的复合控制实现海产采收机器人三维轨迹精准跟踪

针对水下采收机器人(BOHR)在复杂环境中轨迹跟踪与抗干扰难题，研究团队提出复合模型预测与扰动自适应抑制控制(CMP-DARC)方法。通过构建机器人动力学模型与ARMA水流扰动模型，结合MPC优化与实时自适应补偿，显著提升轨迹精度与运动平滑性。池试验验证该方法在扰动下跟踪误差降低89.3%，为水下作业机器人抗干扰控制提供新范式。

　　

海洋覆盖地球71%表面积，蕴藏丰富底播生物资源，这类生物不仅是人类重要食物来源，更为渔业与食品加工业创造巨大经济价值。传统人工采收方式效率低且风险高，水下机器人采收成为理想替代方案。然而，底播生物采收机器人(BOHR)面临双重挑战：系统层面存在非线性、强耦合及硬件约束；环境层面需应对洋流、波浪等复杂扰动。现有控制方法如滑模控制(SMC)、自抗扰控制(ADRC)虽具抗扰能力，但依赖预设参数；模型预测控制(MPC)虽擅长多约束优化，但对动态扰动适应性不足。如何实现高精度轨迹跟踪与实时抗扰的协同优化，成为制约BOHR实用化的关键技术瓶颈。

中国海洋大学团队在《Ocean Engineering》发表研究，提出复合模型预测与扰动自适应抑制控制(CMP-DARC)方法。该研究首先建立包含吸捕机构动力学修正的BOHR全参数模型，基于池试验数据构建ARMA水流扰动模型，创新性地将外环MPC优化与内环数据驱动扰动补偿相结合。关键技术包括：1) 融合吸捕机构惯性矩的六自由度动力学建模；2) 基于ARMA时间序列的扰动在线辨识；3) 含控制增量约束的MPC代价函数设计；4) T型逆流管道结构流体扰动抵消机制。

Kinematics model
通过建立固定坐标系(E-ηξζ)与运动坐标系(O-xyz)的双参考系，完整描述BOHR空间位姿。研究表明吸捕机构导致惯性矩阵非对角元素增加12.7%，需在动力学方程中引入附加质量项修正。

Controller design
控制架构采用双环结构：外环MPC以0.1s采样周期优化轨迹跟踪，代价函数同时考虑控制增量Δu与输出误差e_k
；内环ARMA模型每5ms更新扰动估计值，通过最小二乘递推算法实时调整补偿量。仿真显示该结构使计算耗时降低至传统ESO方法的43%。

Results
池试验中，CMP-DARC在0.15m/s扰流下将轨迹均方根误差控制在0.048m，较单一MPC提升62%。ARMA模型对实际扰动频谱特征的匹配度达89.3%，显著优于传统正弦叠加模型的76.5%。T型管道设计使单推进器引起的横摇力矩降低81%。

Conclusion and future research
该研究开创性地将数据驱动扰动建模与模型预测控制相结合，形成"预测-补偿"闭环机制。CMP-DARC不仅解决BOHR在动态海洋环境中的轨迹跟踪难题，其ARMA在线辨识框架为水下机器人抗扰控制提供普适性方案。未来研究将扩展至多机器人协同作业场景，进一步验证方法的可扩展性。

CRediT authorship contribution statement
Changbin Wang完成算法设计与论文撰写，Dalei Song负责项目指导与数据验证，Chong Li参与实验实施，Chao Liu进行可视化分析。国家自然科学基金(41527901)为本研究提供支持。