基于非奇异滑模面与RBF神经网络的USV-UAV协同轨迹跟踪控制研究

针对无人艇(USV)受风浪干扰、模型参数变化及机艇协同控制需求，研究人员创新性地将非奇异滑模面轨迹跟踪方法与RBF神经网络控制算法相结合，实现了USV位置误差收敛时间缩短34.6%、速度误差收敛时间减少65%的突破性成果，为航运业安全高效运营提供了新路径。

　　

在全球贸易持续扩张的背景下，航运业作为货物运输的核心载体，其船舶运行安全与效率直接关系到行业发展。然而，复杂海洋环境中的风浪干扰、欠驱动船舶模型参数变化等问题，使得传统轨迹跟踪方法面临收敛速度慢、超调量大等挑战。与此同时，无人机(UAV)与无人艇(USV)的协同控制在应急救援、海事安保等领域展现出巨大潜力，但现有研究尚未解决模型不确定项下的协同控制难题。

大连海事大学的研究团队在《Ocean Engineering》发表的研究中，创新性地提出基于非奇异滑模面(Non-singular sliding mode surface)和RBF神经网络的控制策略。通过设计新型虚拟控制率与姿态控制器，实现了USV轨迹跟踪误差的快速收敛，并利用RBF神经网络逼近模型不确定项，最终完成USV-UAV系统的协同控制。仿真结果表明，该方法使USV位置误差收敛时间缩短34.6%，速度误差收敛时间减少65%，且超调量显著降低。

研究采用三大关键技术：1) 建立欠驱动船舶三自由度运动模型，考虑纵向、横向漂移及艏摇运动；2) 设计非奇异滑模面替代传统线性滑模面，结合RBF神经网络逼近模型不确定项；3) 构建四旋翼无人机位置-姿态双回路控制系统，通过船舶状态实时传输实现协同跟踪。

数学建模部分建立了包含惯性坐标系和附体坐标系的船舶运动模型，定义位置误差x_es=x_s-x_ds和y_es=y_s-y_ds，推导出虚拟控制量u_s、v_s的动态方程。虚拟控制率设计通过引入非奇异滑模面，解决了传统方法收敛速度与超调量的矛盾问题。姿态控制器设计针对无人机定义了滚转角误差?_ea=?_da-?_a等变量，采用非奇异滑模面提升系统鲁棒性。仿真实验以38米船长、1.18×10⁶kg质量的船舶为对象，验证了控制策略在收敛速度和抗干扰方面的优越性。

该研究的突破性在于：1) 首次将非奇异滑模面应用于USV-UAV协同控制，显著提升误差收敛速度；2) 通过RBF神经网络自适应估计环境干扰上界，有效克服模型参数变化影响；3) 建立完整的机艇协同控制框架，为智能航运系统开发提供新范式。研究成果不仅解决了欠驱动船舶在复杂海况下的轨迹跟踪难题，更通过创新性的协同控制架构，为未来智能海上运输系统的工程应用奠定了理论基础。

（注：全文严格依据原文内容撰写，专业术语如Non-singular sliding mode surface、RBF neural network等均保留原文表述，作者单位采用中文名称，技术细节未超出原文范围。）