极地地区具有状态观测功能的自主水面舰艇双通道事件触发编队控制

《Ocean Engineering》：Dual-channel event-triggered formation control of autonomous surface vehicles with state observation in polar regions

　　刘瑞林|张文军|白薇薇|徐海通|C. Guedes Soares•本文提出了一种基于自适应神经网络的状态观测器（NNSOB），用于估算系统状态。•该神经网络结合自适应技术，用于近似处理系统模型中的不确定性。•在传感器到控制器（S–C）通道以及控制器到执行器（C–A）通道中均引入了事件触发机制（ETM）。引言随着海上运输的发展（Liu和Soares，2025；Liu和Soares，2026），以及资源开发规模的扩大和对极地导航需求的增加，北极航线正逐渐转变为常规商业航行路线（Yang等人，2024；Fedi等人，2024；Y. Liu等人，2025）。因此，极地导航越来越受到研究界的关注。例如，Xue等人（2025）研究了极地航线规划策略，Mohapatra等人（2025）探讨了船舶与海冰之间的水动力相互作用，而R. Liu等人（2025）则研究了自主水面船在破冰环境下的导航问题。值得指出的是，自主水面船具备较高的自主性，这使其特别适合在极地恶劣环境中执行运输任务（Hinostroza等人，2021；Xu和Guedes Soares，2023；Xu等人，2020）。此外，多艘自主水面船的协同导航能够提升运输能力，提高北极航线的经济效益（Peng等人，2019；Peng等人，2020；Hinostroza等人，2019）。因此，针对极地地区自主水面船编队导航的研究具有重要的工程应用价值，有助于极地海上运输的发展。然而，由于极地气温极低且地处高纬度地区，自主水面船的极地导航仍面临严峻的环境挑战，这些挑战对航行安全构成严重威胁。首先，极地地区的基础设施较为落后，卫星信号覆盖也不完善，这些都可能导致航行过程中出现定位偏差（Noh等人，2023）。此外，船载传感器在低温、冰雪遮挡以及电磁干扰作用下容易性能下降甚至失效，从而导致速度测量困难（Huang等人，2022；Q. Wang和Z. Liu，2025）。这些问题大大限制了那些依赖精确状态测量的传统控制方法的应用效果（Huang等人，2023；Liu和Guo，2025；Wang等人，2024）。为了解决这一问题，人们已经为在传感器受限条件下运行的自主水面船开发了几种基于观测器的控制方法（Gu等人，2019；Ma等人，2022；S. Liu等人，2024）。不过，这类方法在极地环境中的适用性尚未得到充分研究。因此，开发一种无需或仅需少量精确状态测量数据的极地环境专用状态观测器具有重要意义。其次，极地地区的水文状况极为复杂。一方面，极地地区的海洋外部扰动是时变且难以预测的，无法通过船载设备直接检测到（Do等人，2004；Jin，2016；Park和Yoo，2024）。为应对这一问题，一些研究假设扰动幅度是有限的（G. Zhang等人，2025），从而使控制器设计更为可行；还有些研究则引入扰动观测器来估计这些扰动（Liu等人，2023；Y. Wang和Z. Liu，2025）。另一方面，自主水面船在含冰水域中的水动力参数难以准确确定，这就导致了模型不确定性（Xu和Guedes Soares，2025；Park和Yoo，2022）。对于那些依赖精确数学模型的传统反步控制方法来说，这类不确定性使得控制器设计变得十分困难。通常，人们会使用神经网络（NNs）（Rout等人，2020）或模糊逻辑系统（FLSs）（Zhou等人，2020）作为近似工具来估算未知的动态特性。因此，出现了大量结合一阶滤波器的神经网络/模糊控制算法，这类算法避免了控制器设计过程中反复进行微分运算的问题（Liu和Guo，2025；G. Zhang等人，2025）。这些不确定性问题给极地编队控制器的设计带来了巨大挑战。因此，本研究的另一个目标就是开发出一种能够有效缓解模型不确定性和外部扰动影响的鲁棒控制策略。最后，极地地区的通信资源极为匮乏。此外，硬件设备在低温环境下长期运行时也更容易出现磨损和故障。频繁发送控制信号不仅会消耗宝贵的通信带宽，还会加速设备的损耗（Deng和Zhang，2020）。针对这一问题，事件触发控制（ETC）提供了一种有效的解决方案，即只有在满足预定义的事件触发条件时才发送信号（Wang和Zong，2024；W. Zhang等人，2025）。现有的研究提出了静态ETC方案（Wu等人，2024）、动态ETC算法（Zhu等人，2023）以及切换式ETC策略（Zhou等人，2024），以此降低信号传输频率。最近，人们还开发了更先进的ETC框架，以提高通信效率并增强系统在网络攻击下的稳定性，例如Liu和Chang在2024年的研究，以及X.M. Liu等人在2024年的研究。不过，目前大多数ETC方法主要着眼于减少从控制器到执行器（C-A）通道的信号传输，而对于传感器到控制器（S-C）通道的通信负担则关注较少。这样一来，整体的通信带宽就无法得到充分利用或有效节省。对于通信资源极为有限的极地环境而言，将事件触发机制嵌入编队控制器中，同时减少两个通道的信号传输，对于实现长期的极地导航具有重要意义，因为这能够显著减轻通信负担，降低设备磨损程度。综上所述，极地编队导航面临着定位误差、速度测量困难以及通信限制等多重关键问题。基于上述分析，本文提出了一种基于状态观测器的双通道事件触发编队控制算法，用于极地环境中的自主水面船导航。本研究的主要贡献在于将状态观测、自适应近似以及双通道事件触发机制整合到一个统一的框架之中，从而实现极地环境下的可靠编队控制，具体贡献如下：(1)考虑到极地环境中的定位偏差和速度测量困难，本文设计了一种基于自适应神经网络的状态观测器（NNSOB），用于估算自主水面船的状态。与那些依赖精确状态测量的现有方法（Fossen，2011；Huang等人，2023；Liu和Guo，2025；Wang等人，2024）不同，所提出的观测器即便在存在定位误差或速度测量数据缺失的情况下，也能为自主水面船的位置、航向和速度状态提供可靠的估算值，从而提升了其在极端极地条件下的航行安全性和鲁棒性。(2)本文建立了一种双通道事件触发编队控制算法。与那些仅关注C-A通道信号的常规事件触发方法（Deng和Zhang，2020；Wu等人，2024；Zhu等人，2023；Zhou等人，2024）不同，所提出的方法还将事件触发机制引入了C-A通道和S-C通道。这样一来，两个通道的信号更新频率都能得到同步降低，从而更高效地利用通信资源，同时降低设备磨损的风险。这一框架尤其适用于在通信条件受限的极地环境中进行自主水面船的长期编队导航。本文的其余部分结构如下：第2节介绍问题的建模方式；第3节阐述基于自适应神经网络的状态观测器设计；第4节介绍双通道事件触发控制器。第5节给出仿真示例，最后第6节对全文进行总结。章节片段多艘自主水面船系统描述对于由N艘自主水面船组成的舰队，第i艘自主水面船的通用运动学和动力学关系可通过以下方程式表示（1）：η?i=J(ψi)νiMiν?i?Ci(νi)νi?Di(νi)νi?dwi=τi其中，ηi=[xi,yi,ψi]T∈R3表示位置和航向角的状态向量，νi=[ui,vi,ri]T∈R3分别表示船舶在纵摇、横摇和垂荡方向上的速度向量。J(ψi)为三自由度旋转矩阵，其表达式为J(ψi)=cos(ψi)?sin(ψi)0sin(ψi)cos(ψi)0001。Mi状态观测器的构建在本小节中，为了解决极地定位偏差问题，将设计一种基于自适应神经网络的状态观测器。根据引理1，利用RBFNNs来近似处理方程式（1）中的非线性不确定性Fi(νi)，可得Fi(νi)=∑zu,v,rHziWziTBzi(νi)+Oi其中，Hui=[1,0,0]T，Hvi=[0,1,0]T，Hri=[0,0,1]T。Oi=[o?ui,o?vi,o?ri]T∈R3。由此，方程式（1）可以重新整理为如下形式：η?i=J(ψi)νiν?i=Mi?1(∑zu,v,rHziWziTBzi(νi)+Gi?i+Oi+dwi)接着，构建NNSOB的表达式为η??i=J(ψ?i)ν?i双通道事件触发机制在设计控制器之前，本小节将介绍两种事件触发机制，这两种机制分别用于降低S-C通道和C-A通道的信号更新频率。具体的事件触发机制设计如下：(1) S-C通道事件触发机制：为降低S-C通道的信号传输量，也就是降低传感器检测到的位置误差Πei和航向角误差ψei信号的输出频率。这些信号的传输形式可表示为Π?ei(t)=Πei(tkΠei)，t∈[tkΠei,tk+1Πei)ψ?ei(t)=ψei(tkψei)，t∈[tkψei,tk+1ψei)以及ETM仿真结果在本节中，将通过两个仿真案例来验证所提出的控制策略。首先，第5.1节将对海洋环境下的编队控制进行仿真分析。随后，第5.2节将通过对比仿真来凸显所提算法的优势。运输车辆的动力学特性采用Fossen（2011）提出的集装箱船模型来描述。而环境扰动则用一阶马尔可夫模型来表示。结论本文提出了一种基于状态观测器的双通道事件触发控制算法，用于极地水域中的自主水面船导航。该控制方案充分考虑了极地导航过程中的实际问题，如定位误差、速度测量不准确以及通信限制等问题，能够有效提升系统的安全性和鲁棒性。首先，本文设计了一种基于RBFNN的状态观测器，用于估算自主水面船的状态，从而有效降低了CRediT作者贡献声明刘瑞林：撰写——初稿、软件应用、项目管理、方法设计。张文军：撰写——审阅与编辑、项目管理、资金获取、概念构思。白薇薇：撰写——审阅与编辑、结果验证、形式化分析。徐海通：撰写——审阅与编辑、结果验证、形式化分析。C. Guedes Soares：撰写——审阅与编辑、结果验证、形式化分析。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。