基于自适应RBF神经网络滑模控制的水下混合载具轨迹跟踪与抗干扰研究

为解决水下混合载具（HMV）在复杂海洋环境中面临的模型不确定性、外部干扰和推力分配非线性等问题，研究人员开展了基于自适应径向基函数神经网络滑模控制（ARBFNNSMC）的研究，通过结合滑模控制的鲁棒性和RBFNN的自适应补偿能力，实现了高精度轨迹跟踪和强抗干扰性能，为水下机器人智能控制提供了新方法。

　　

随着海洋资源勘探和海底工程建设的快速发展，水下作业载具的需求日益增长。水下混合载具（Hybrid Marine Vehicle, HMV）作为一种兼具遥控操作和自主航行能力的新型平台，在海底管道巡检、科学考察和军事应用中展现出巨大潜力。然而，HMV在实际作业中面临诸多挑战：复杂的流体动力学环境导致模型存在不确定性，海流、波浪等外部干扰影响运动稳定性，多推进器系统的非线性推力分配问题增加了控制难度。传统的控制方法如PID控制难以应对这些复杂工况，而滑模控制（Sliding Mode Control, SMC）虽具有强鲁棒性，但存在抖振问题且对未建模动态适应性不足。

为了提升HMV在复杂环境下的控制性能，研究人员在《Journal of Ocean Engineering and Science》发表了一项研究，提出了一种基于自适应径向基函数神经网络滑模控制（Adaptive Radial Basis Function Neural Network Sliding Mode Control, ARBFNNSMC）的新方法。该方法通过融合滑模控制的鲁棒性和神经网络的自适应学习能力，有效补偿系统不确定性和外部干扰，实现了高精度轨迹跟踪和稳定控制。

研究采用了几项关键技术方法：首先建立了HMV的4自由度（4-DOF）动力学模型，包括 surge（纵荡）、sway（横荡）、heave（垂荡）和 yaw（艏摇）运动，考虑了流体惯性、阻尼和恢复力效应；其次设计了基于指数趋近律的滑模控制器，并引入径向基函数神经网络（RBFNN）在线逼近系统不确定性；通过Lyapunov稳定性理论推导了网络参数的自适应更新律，确保闭环系统稳定；最后利用伪逆法解决了多推进器的推力分配问题。实验数据来源于自主设计的HMV平台，其几何和物理参数通过CAD建模和实测确定。

3.1 常规滑模控制器（CSMC）设计

通过定义滑模面 s=Λη_e+η?_e（其中η_e为跟踪误差），结合指数趋近律 s?=-K_ds-ζsgn(s)，设计了等效控制与切换控制相结合的控制律。但CSMC未考虑系统不确定性，控制精度受限。

3.2 自适应RBFNN滑模控制器（ARBFNNSMC）设计

在CSMC基础上引入RBFNN，其隐藏层采用高斯激活函数 h_i=exp(-‖Ys-c_i‖²/2b_{i²)，输出层为 FNN=Wh，用于逼近未知动力学项。通过自适应律在线调整网络权重 W、中心 c 和宽度 b，实现对不确定性项的实时补偿。控制律中引入神经网络输出项，显著提升了抗干扰能力。}

3.3 板极电容切换项设计

创新性地采用板极电容物理模型替代传统符号函数，通过电场作用力模拟平滑的切换增益变化，有效抑制了滑模控制的抖振现象。该模型通过调节电压参数 U₀ 和位置参数 e，实现了连续可调的切换行为。

研究结果表明，ARBFNNSMC在多种干扰工况下均能保持较高的轨迹跟踪精度，位置误差较CSMC降低60%以上，且控制输出平滑无抖振。通过Lyapunov稳定性分析证明了闭环系统的一致最终有界性，神经网络参数自适应律确保了系统的全局稳定性。推力分配模块有效解决了执行器冗余问题，实现了各推进器的协调控制。

该研究的核心结论在于：ARBFNNS控制策略成功解决了HMV在不确定环境下的高精度控制问题，通过神经网络的在线学习能力和滑模控制的鲁棒性结合，显著提升了系统性能。板极电容切换项的设计为滑模控制的抖振抑制提供了新思路。这项研究不仅为水下载具的智能控制提供了理论框架和技术方案，还可推广至其他非线性系统的控制领域，具有重要的工程应用价值。