基于自适应RBF神经网络的两栖车辆出水控制方法研究及其在跨介质动力学中的应用

本文针对两栖多旋翼飞行器水空跨域过渡控制难题，提出了一种基于自适应径向基函数（RBF）神经网络的鲁棒控制策略。通过建立六自由度（6-DOF）非线性动力学模型，重点分析了介质界面流体动力突变特性，并采用反步控制法设计自适应RBF神经网络控制器。借助李雅普诺夫稳定性理论构建权重更新律（2-5-1网络拓扑），实现未建模动态的在线补偿。仿真结果表明，相比传统比例微分（PD）控制，该控制器在外部扰动下具有更优的快速性和抗干扰能力，显著提升了跨域过渡过程的稳定性和鲁棒性。

　　

Highlight

本研究聚焦两栖车辆在空气-水界面跃迁过程中由流体动力突变引发的临界失稳问题。针对传统控制器（如PD）和现有先进控制方法在应对界面处参数突变方面的局限性，我们开发了具有在线学习能力的自适应径向基函数神经网络（RBFNN）控制器，可实时补偿由界面效应产生的集总不确定性。

Aquatic-aerial multi-rotor dynamic model

多旋翼飞行器主要处于水下航行或空中飞行状态，其跨域过渡阶段极为短暂。从动力学视角看，水下运动时飞行器承受最显著的动态力，包括重力、浮力、螺旋桨推力、流体阻力及相关扭矩。当飞行器突破水面转入飞行模式时，其动力学特性发生剧烈变化——水动力迅速减弱，气动效应主导系统行为，这种突变特性传统线性控制器难以有效处理。

Design of an adaptive RBF neural network controller

本研究提出基于自适应径向基函数（RBF）神经网络的双环鲁棒控制策略，以解决六旋翼水空跨域飞行器的非线性控制难题（见图4）。针对系统固有的欠驱动、强耦合动力学和环境扰动等复杂性，该方法采用RBF神经网络对非线性动力学模型进行在线逼近与补偿。通过分层控制架构，外环实现位置跟踪，内环负责姿态稳定，最终在李雅普诺夫稳定性框架下确保整个系统的全局渐近稳定性。

Simulation results and analysis

本研究采用本课题组自主研发的水空多旋翼飞行器，关键模型参数见表2。仿真分为两个阶段：

（1）局部出水控制：聚焦于水-气界面附近小范围垂直跃迁；

（2）全过程出水控制：涵盖从水下上浮到稳定空中飞行的完整轨迹。

两个阶段均包含两种控制算法的对比评估：自适应RBF神经网络控制器展现出更优异的轨迹跟踪精度和抗干扰性能。

Conclusion

本研究通过构建基于李雅普诺夫稳定性的权重自适应机制，使RBF神经网络能够有效逼近并补偿由介质密度差异（水密度是空气的1000倍）引起的非线性流体动力突变。相比传统PD控制，该控制器在出水阶段将姿态稳定时间缩短了40%以上，最大超调量降低至不足5%。这些突破为海洋探测、应急救援等领域的自主跨介质机器人技术提供了关键理论支撑和技术解决方案。