面向具有未知时变侧滑角的欠驱动无人水面艇路径跟随的预测自适应视线制导控制

《Actuators》：Predicted Adaptive Line-of-Sight Path Following Control for Underactuated USVs with Unknown Time-Varying Sideslip Angles

　　

本文针对欠驱动无人水面艇（Unmanned Surface Vehicles, USVs）的路径跟随控制问题开展研究，并提出了一种基于预测自适应视线制导（Predicted Adaptive Line-of-Sight, PALOS）的控制方案。在制导层，引入预测技术与自适应机制，以消除传统视线制导（Line-of-Sight, LOS）方法中关于小侧滑角的固有假设，从而实现对时变侧滑角的在线估计与动态前馈补偿。在控制层，将径向基函数（Radial Basis Function, RBF）神经网络与虚拟参数学习技术相结合，用于在线逼近总不确定性，该不确定性包括建模误差与外部扰动。进一步构建了一种基于终身学习（lifelong learning）机制的自适应控制方案，其中历史知识通过反馈项进行构造与保留，以实现知识保持与按需复用，从而提升控制效率并缓解灾难性遗忘（catastrophic forgetting）。此外，自触发机制作为知识迁移工具，可降低通信开销、放宽传输条件，并严格避免芝诺（Zeno）行为。通过理论推导可证明，闭环系统中的所有信号均一致终极有界（uniformly ultimately bounded, UUB）。基于1:70 CyberShip II缩比船舶动力学模型并在复杂海况下开展的综合数值仿真验证了所提方法的有效性与工程实用性。

该文发表于《Actuators》，围绕复杂海洋环境下欠驱动无人水面艇（USVs）路径跟随控制中的关键瓶颈展开研究。研究背景在于，船舶航行过程同时受到模型参数不确定性、强非线性水动力学特征以及风、浪、流引起的时变外界扰动共同影响，而多数船舶仅依赖螺旋桨与舵产生控制输入，控制自由度少于系统运动自由度，因而属于典型欠驱动系统。这一结构性特征使横向运动无法被独立直接驱动，导致路径跟随问题在理论与工程上都更具挑战性。与此同时，传统视线制导（LOS）虽已成为欠驱动USVs路径跟随的主流方法，但常规LOS通常忽略侧滑角影响，因此在存在海洋环境扰动时易产生稳态横向误差，并降低路径跟随精度。围绕这一问题，既有积分视线制导（ILOS）、自适应视线制导（ALOS）以及基于扩张状态观测器（ESO）的改进方法，分别从积分补偿、在线自适应估计和观测器重构等角度提升了性能，但对于大范围、快速变化的时变侧滑角，仍面临估计滞后、精度不足、参数整定复杂或切换抖振等局限。因此，构建一种能够对未知时变侧滑角、模型不确定性与外界扰动同时进行在线估计、前馈补偿与稳定控制的路径跟随框架，具有明确的理论价值和现实需求。

基于上述问题，研究人员提出了一种面向3自由度（3-DOF）欠驱动USVs的预测自适应视线制导路径跟随控制策略。该方法在制导层设计了PALOS制导律，通过预测器与自适应更新机制对侧滑角相关误差进行在线补偿，不再依赖传统LOS对“小侧滑角”的限制性假设。在控制层，研究人员进一步结合RBF神经网络、虚拟参数在线学习、动态面控制（Dynamic Surface Control, DSC）以及终身学习机制，分别对纵向速度控制与航向控制进行自适应补偿设计，并利用自触发协议在间歇通信条件下保留与重用历史知识，实现低通信负担下的稳定控制。理论分析表明，所提出的预测器、制导子系统以及整体闭环制导—控制系统均可保证一致终极有界稳定性，并且自触发机制能够避免芝诺行为。数值仿真则基于1:70 CyberShip II缩比模型，在圆形路径、降低触发频率条件以及S形变曲率轨迹条件下验证了方法的有效性、鲁棒性和适应性。

从方法上看，本文主要采用以下关键技术：其一，针对3-DOF欠驱动USV建立运动学与动力学模型，并在光滑参考路径假设下构造纵向与横向位置误差；其二，设计基于位置信息的预测器与PALOS制导律，实现时变侧滑角的间接在线估计与前馈补偿；其三，在控制层使用RBF神经网络逼近纵向与偏航通道中的总不确定性，并通过虚拟参数自适应律降低参数更新维度；其四，引入DSC避免虚拟控制量求导引起的“复杂度爆炸”；其五，设计包含历史参数注入的终身学习自适应律及自触发调度函数，实现知识保留、按需迁移和通信节约。本文未涉及生物样本或临床队列来源，验证方式为数值仿真。

在结果部分，论文首先给出“3-DOF USVs的PALOS制导”这一部分。研究人员在该部分中定义了曲线路径条件下的位置误差、路径切向角及侧滑角估计量，并通过构造预测器建立位置预测误差动态方程。随后，围绕预测器收敛性提出定理1，证明在适当设计参数下，预测误差可指数收敛到原点邻域内，且系统信号一致终极有界。这一结果表明，所设计预测器能够利用位置信息有效重建与侧滑相关的误差信息，为后续制导律补偿提供基础。接着，在同一部分中研究人员进一步构造PALOS制导律与路径参数更新律，并在定理2中证明制导子系统误差同样可指数收敛至原点邻域。该结果说明，相较于固定前视距离或被动观测补偿策略，PALOS可在未知时变侧滑存在时维持更稳定的路径收敛特性。

在“控制设计与稳定性分析”部分，论文将控制问题分解为纵向控制与转向控制两个子模块。于“纵向控制”小节中，研究人员首先设计期望纵向速度，并构造纵向速度误差模型；在此基础上，利用RBF神经网络逼近未知非线性函数，同时引入虚拟参数学习机制，将模型不确定性与纵向外界扰动统一纳入总不确定性补偿框架，最终得到纵向控制律及其自适应更新律。该部分的核心结论在于：纵向控制器无需精确已知水动力学参数，即可通过神经网络和少量自适应参数更新实现对复杂不确定性的在线抑制。

在“转向控制”小节中，研究人员定义航向跟踪误差，设计虚拟偏航角速度，并引入一阶滤波器实现DSC结构，从而避免对虚拟控制量直接求导带来的复杂性增加。随后，同样使用RBF神经网络和虚拟参数学习机制对偏航通道中的未知动力学与扰动进行在线逼近，构造偏航控制律和自适应律。进一步地，文中在该部分提出自触发知识保持协议，通过调度函数决定历史参数估计信息何时注入当前自适应律，从而在不需要连续监测触发条件的情况下，实现历史知识的按需迁移。论文指出，该机制既减少了计算与通信负担，也有助于缓解灾难性遗忘问题。

在“稳定性分析”小节中，研究人员基于向量反步（vector backstepping）设计框架，构造包含速度误差、自适应参数误差以及动态面滤波误差在内的复合李雅普诺夫（Lyapunov）函数，并提出定理3。通过将预测器、PALOS制导律、纵向与偏航控制律、自适应律以及一阶滤波器统一纳入闭环分析，证明所有闭环信号在外部时变扰动与模型动态不确定性共同作用下均保持一致终极有界。随后，研究人员进一步结合自触发调度函数给出触发间隔下界分析，证明相邻两次触发之间存在正下界，因此系统不会产生芝诺行为。这一理论结果从稳定性和可实现性两个层面支撑了方法的完整性。

在“仿真结果”部分，论文先通过“数值仿真中的假设验证”说明模型设置与理论假设的一致性。研究人员设置了有界时变环境扰动信号，并使用CyberShip II名义参数生成非线性项，但控制器本身并不直接调用这些显式模型，而是通过RBF神经网络在线逼近总不确定性。参考路径选取为圆形路径，其一阶与二阶导数均有界，从而满足文中的有界扰动、未知非线性和光滑路径三项基本假设。

在“所提PALOS控制方法优越性验证”小节中，研究人员将PALOS与传统纯视线制导（Pure LOS, PLOS）进行对比，两者均采用基于预测器的侧滑角估计，但PLOS使用固定前视距离且不含自适应补偿。结果表明，在路径跟随轨迹上，PALOS能够更准确地贴合期望路径，而PLOS出现稳态偏差；在位置误差方面，PALOS的纵向误差与横向误差分别在有限时间内收敛到较小范围，而PLOS保留明显持续误差；在速度误差方面，PALOS的纵向速度跟踪优于PLOS，偏航角速度跟踪则两者相近；在控制输入方面，PALOS的纵向推力与偏航力矩均保持有界；在侧滑角估计方面，两种方法的估计误差都能收敛到较小范围；在自适应参数方面，参数收敛到有界常值，说明未出现无界增长。综合这些结果，论文认为PALOS相较PLOS在跟踪精度与稳态性能上具有明显优势。

在“终身学习机制验证”小节中，研究人员通过降低触发频率开展补充仿真，用于检验历史知识保持与迁移机制在间歇通信条件下的作用。结果显示，触发次数显著减少，而系统仍能保持稳定路径跟随，尽管稳态误差界与瞬态振荡略有增大，但各类误差与控制输入均保持有界，侧滑角预测与速度跟踪性能也维持在可接受范围内。该结果表明，终身学习机制配合自触发协议能够在减少通信负担的同时维持控制性能，增强方案在带宽受限海洋应用中的部署可行性。

在“非规则轨迹验证”小节中，研究人员进一步将所提方法应用于曲率连续变化的S形路径，并保持圆形路径场景下的全部控制参数不变。仿真结果表明，PALOS框架仍能实现准确跟踪，位置误差在有限时间内收敛，航向误差保持有界，侧滑角估计精度与圆形路径场景相当。该结果说明，所提方法对不同路径几何形态具有较好的参数鲁棒性和泛化能力，无需针对特定路径重新整定参数。

在讨论层面，论文的核心意义在于，它将侧滑角预测补偿、神经网络自适应逼近、历史知识保留与自触发传输机制集成到统一的欠驱动USV路径跟随框架中，系统回应了复杂海况下路径跟随控制面临的多个关键问题。其一，PALOS通过引入预测技术与自适应补偿，突破了传统LOS对于小侧滑角条件的依赖，提高了对大幅时变侧滑的适应能力。其二，控制器以低维虚拟参数学习配合RBF神经网络补偿总不确定性，降低了在线学习复杂度。其三，终身学习与自触发机制的结合使历史知识得以在当前任务中重用，在保证稳定性的同时减少通信负担，并避免连续触发监测需求。整体而言，论文强调的不是单一模块性能提升，而是在制导、控制、学习与调度多个层面形成协同设计，从而提升欠驱动USV在复杂环境中的控制精度、鲁棒性与工程可实施性。

研究结论部分可译为：本文引入预测技术、终身学习机制与自触发机制，构建了一种针对未知时变侧滑角条件下3自由度欠驱动USV的参数化路径跟随控制框架。首先，在制导层融合预测技术与自适应机制，以克服传统LOS方法中固有的小侧滑角假设限制。随后，在控制层设计了一种基于终身学习机制的自适应神经网络控制律，其中历史知识通过反馈项进行构造与保持，以实现有效知识保留、提升控制效率并缓解灾难性遗忘问题。自触发机制作为迁移工具，可实现历史知识复用，同时放宽对迁移条件的严格要求。理论分析证明了闭环系统一致终极有界稳定性，并表明自触发机制能够避免芝诺行为。基于1:70 CyberShip II缩比船舶动力学模型的综合数值仿真验证了所提方案的有效性与可行性。