基于分布式Lyapunov的模型预测无人水面艇编队机动控制及其柔性时间预设性能方法

《Engineering Applications of Artificial Intelligence》:Distributed Lyapunov-based model predictive formation control for unmanned surface vehicles with flexible-time prescribed performance

【字体: 大 中 小 】 时间:2026年04月08日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  本文研究了复杂时变海洋环境中,在非线性扰动和输入约束条件下无人水面艇(USV)编队的协同机动控制问题。为解决编队演化与速度调节之间的耦合问题,研究人员建立了路径参数化编队模型,以解耦空间动态与时间动态,从而在保持几何一致性的同时实现位置与速度的协调控制。为提升

  
本文研究了复杂时变海洋环境中,在非线性扰动和输入约束条件下无人水面艇(USV)编队的协同机动控制问题。为解决编队演化与速度调节之间的耦合问题,研究人员建立了路径参数化编队模型,以解耦空间动态与时间动态,从而在保持几何一致性的同时实现位置与速度的协调控制。为提升瞬态性能与稳态性能,研究人员构建了一种柔性时间预设性能(FTPP)机制,用于形成非对称且时变的性能边界。不同于传统预设性能设计,FTPP生成的变换误差被进一步嵌入分布式Lyapunov模型预测控制(DLMPC)框架的收缩约束中。这种耦合使预测控制器在优化受约束控制输入的同时,继承FTPP的收敛特性以及辅助控制器的稳定性,进而提高跟踪精度、加快收敛并减小超调。为增强扰动估计能力,研究人员将特征增强神经预测器(FENP)集成到DLMPC框架中。与传统径向基函数(RBF)神经预测器相比,所提出的FENP引入了基于Hadamard积的特征增强机制,以丰富神经网络输入表征并改进对复杂非线性不确定性的逼近能力。仿真结果表明,所提出的DLMPC–FTPP–FENP框架在复杂海洋扰动下实现了精确的编队机动、快速收敛和鲁棒的闭环性能。
该文发表于《Engineering Applications of Artificial Intelligence》,聚焦复杂海洋环境下无人水面艇(USV)编队协同机动控制中的性能约束、扰动补偿与输入受限问题。研究背景在于,多USV系统在海洋探测、资源勘测和水下设施巡检等任务中具有重要应用价值,但真实海洋环境中普遍存在非线性流体动力学效应、模型不确定性以及时变海流扰动,这使得编队系统很难同时实现几何构型精确保持、速度协调调节、瞬态过程平滑以及闭环鲁棒稳定。已有轨迹跟踪方法通常将运动严格绑定于时间,环境突变时容易出现超调;路径跟随方法虽能解耦空间与时间演化,却缺乏对时序性能的显式约束,难以兼顾安全性与动态性能。与此同时,传统模型预测控制(MPC)虽擅长处理约束,但面对USV强非线性和不确定扰动时,其瞬态性能整形能力和鲁棒补偿能力仍有限。因此,有必要发展一种能够融合性能约束、稳定性保证、扰动学习补偿与分布式协同优化的新型控制框架。

围绕上述问题,研究人员提出了一种融合柔性时间预设性能(FTPP)与特征增强神经预测器(FENP)的分布式Lyapunov模型预测控制(DLMPC)方法。核心思想是,首先利用路径参数化方法和参数更新律,将编队机动中的空间运动与时间动态解耦,使系统能够在保持队形几何一致性的同时,对位置和速度进行协调调节;其次,以FTPP构造非对称、时变且可根据初始误差与预设收敛时间灵活调整的性能边界,再将其诱导的误差变换嵌入DLMPC优化问题中的收缩约束,使预测控制器不仅满足输入约束,还能继承预设性能的误差收敛特征与Lyapunov辅助控制器的稳定性;最后,引入FENP对未建模流体动力学与外部海洋扰动进行在线估计和补偿,通过特征增强机制提升神经网络对复杂非线性不确定性的逼近能力。论文结论表明,该框架能够在受约束条件下实现更优的编队机动综合性能,在收敛速度、超调抑制、跟踪精度及闭环鲁棒性之间取得更佳平衡,具有较强的工程应用意义。

从方法层面看,本文主要采用了三类关键技术。其一,基于路径参数化(path parameterization)与参数更新律构建编队机动模型,用于解耦空间与时间动态并实现分布式协同控制;其二,设计柔性时间预设性能(FTPP)机制,并将其误差变换嵌入分布式Lyapunov模型预测控制(DLMPC)的收缩约束,以同时满足稳定性、性能约束与输入限制;其三,构建特征增强神经预测器(FENP),在传统径向基函数神经预测器基础上引入Hadamard积特征增强,并通过预测误差驱动的自适应学习律实现扰动在线估计与补偿。本文基于仿真开展验证,未报告外部样本队列来源。

以下结合论文主体结构对研究内容进行解读。

Notations
论文首先给出了全文使用的数学记号,包括实矩阵空间、单位矩阵、对角阵构造、绝对值、Euclidean范数、矩阵最大与最小特征值、符号函数、指数函数、Kronecker积以及Hadamard积等。这一部分虽然属于形式化铺垫,但其意义在于为后续分布式编队建模、Lyapunov稳定性分析、神经网络特征增强表示以及预测控制优化问题的严格推导提供统一符号基础。

Design of the DLMPC framework
这是全文的方法学核心部分。研究人员将所提出的控制框架划分为三个环节:首先是FENP扰动估计器的设计,其目标在于对USV系统中的未知非线性扰动、未建模流体动力学和外部海洋干扰进行在线近似与补偿。相较传统RBF神经预测器,FENP通过基于Hadamard积的特征增强机制扩充输入表示能力,因此更适于刻画复杂扰动的高阶耦合特征。并且,网络权值更新不是直接由跟踪误差驱动,而是由状态预测误差驱动,从而提高学习效率并改善过渡过程。

其次,研究人员设计了基于FTPP的引导律。该机制针对编队跟踪误差构建非对称、时变的性能边界,使误差演化不再局限于传统对称且固定的预设性能形式,而是能够依据初始状态和给定收敛时间进行灵活整形。这一设计直接服务于编队机动中的瞬态控制需求,使系统在复杂环境中既可加快误差收敛,又能减小超调和剧烈波动。

再次,研究人员将上述两部分进一步并入DLMPC控制器。与常规DLMPC仅强调分布式优化、输入约束处理和Lyapunov稳定性不同,本文将FTPP诱导的变换误差嵌入预测优化问题的收缩约束中。由此,预测控制器在每一时域滚动优化中,不仅显式考虑输入受限条件,还同时体现误差性能约束和辅助稳定控制器的收敛特性。这意味着闭环系统在控制分配层面兼顾了稳定性、可行性、性能整形和抗扰能力,是本文相较现有方法的主要创新所在。

Stability analysis
在稳定性分析部分,研究人员针对闭环系统的三个组成子系统展开讨论,即FENP子系统、运动学子系统和动力学子系统。该部分的核心任务是证明所提出框架在扰动估计、误差变换约束和预测控制联合运行下,仍能保持闭环稳定性与收敛性。根据摘要与正文概述可知,DLMPC通过Lyapunov约束继承了辅助控制器的稳定性质,而FTPP误差变换的嵌入进一步强化了闭环系统的收缩特性。换言之,系统误差不仅被限制在预设的性能包络之内,而且其动态演化具备可证明的收敛趋势。稳定性分析因此为后续仿真结果提供了理论支撑,也说明该方法并非单纯追求控制输入优化,而是在严格稳定性框架下实现性能提升。

Simulation result
仿真部分设置了两组对比研究以验证所提框架的有效性。

第一组仿真主要比较四种控制策略:DLMPC(FTPP)、DLMPC、BSC(FTPP)和BSC。该组研究从编队轨迹、跟踪误差、收敛行为与控制输入等方面进行评估。通过这种对比,研究人员意在说明两个层面的改进作用:一方面,相较于传统反步控制(BSC),DLMPC框架在处理输入约束和提升闭环协调优化方面具有优势;另一方面,在DLMPC框架中引入FTPP后,系统的瞬态与稳态性能进一步改善。由论文摘要和引言总结可知,DLMPC(FTPP)在跟踪精度、收敛速度和超调抑制方面优于常规DLMPC与BSC类方法,表明FTPP嵌入收缩约束的设计确实增强了误差调节能力和闭环性能保证。

第二组仿真用于验证FENP的作用,比较对象为FENP、传统RBF神经预测器(RBFNP)以及无神经补偿情形。该组结果重点考察跟踪性能与扰动估计效果。论文指出,FENP由于采用了Hadamard积特征增强机制,提升了输入特征表达能力,因此对复杂非线性海洋扰动的逼近能力优于传统RBFNP。同时,预测误差驱动的权值自适应律提高了学习效率,减小了瞬态超调,并实现了更快收敛和更高估计精度。综合而言,该部分结果证明了FENP不仅是一个附加模块,而是对整个DLMPC–FTPP框架抗扰鲁棒性和高精度控制能力具有关键支撑作用。

Conclusion
结论部分指出,本文研究了存在扰动和输入约束条件下的USV编队协同机动控制问题。所提出的DLMPC(FTPP)框架结合基于FENP的扰动补偿机制,改善了受约束编队机动中的瞬态调节性能、跟踪精度与闭环鲁棒性。仿真结果表明,该方法在收敛速度、超调抑制、跟踪性能等方面实现了更优的总体平衡。

总体讨论来看,本文的学术价值主要体现在三个方面。第一,在编队任务建模层面,研究人员将机动控制问题重构为参数化路径跟随问题,通过路径参数与更新律实现空间—时间动态解耦,这为多USV系统同时调节构型与速度提供了统一框架。第二,在性能约束控制层面,研究人员突破了传统预设性能控制(PPC)边界对称且固定所带来的保守性,将柔性时间预设性能机制与分布式Lyapunov模型预测控制深度耦合,使性能包络、稳定性约束与输入优化形成统一设计。第三,在不确定性补偿层面,本文针对海洋环境下复杂非线性扰动难以准确刻画的问题,提出FENP增强神经预测器,相较常规RBF结构展现出更好的特征表示和在线学习能力。就应用意义而言,该研究为复杂海况下USV编队的高性能协同机动提供了一种兼顾约束处理、误差整形和扰动补偿的系统性方案,对海洋无人系统自主协同控制具有现实参考价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号