基于有限导航、通信与观测条件的低成本水下车辆(AUV)集群控制

《Sensors》：Controlling a Swarm of Low-Cost Underwater Vehicles Under Conditions of Limited Navigation, Communication and Observation

　　

本研究探讨在导航不准确、声学通信受限及声纳观测噪声等现实水下条件下，自主水下车辆(AUV)集群的控制问题。研究人员提出一种新颖的基于轨迹声纳算法(Trail Sonar-Based Algorithm, TSBA)用于领导者-跟随者集群控制。与传统反应式方法不同，TSBA将稀疏声学通信与任务计划先验知识相结合，实现对被跟踪车辆状态的预测估计，减少对连续信息交换的依赖。为评估其有效性，研究人员在融合导航漂移、声纳测量误差及真实低成本AUV数据驱动模型的仿真环境中，将TSBA与基于机器学习的控制器(NSCSUV)进行比较。所提出的车辆模型平均速度误差为0.107 m/s，平均航向误差为14.25°，为控制器评估提供现实基础。仿真结果表明，TSBA在编队保持方面持续优于神经网络方法，同时生成更平滑的控制指令且仅需最少水下通信。尽管存在传感器不准确与通信约束，该算法仍维持稳定集群行为。最后，真实水下车辆实验证实了所提方法在实际作业条件下的实用性与鲁棒性。

该研究针对自主水下车辆(AUV)在多车协同（集群/Swarm）作业中面临的三大现实约束展开：水下环境导致导航精度随时间漂移（Navigation Drift）、声学通信（Acoustic Communication）带宽极低且不可靠、声纳（Sonar）等观测传感器存在噪声且探测范围受限。现有多数研究假设理想通信与完美导航，难以适用于低成本AUV的实际部署。为此，研究人员开展了一项结合预测性任务计划与稀疏通信的领导者-跟随者（Leader–Follower）集群控制研究，提出Trail Sonar-Based Algorithm（TSBA），并在数据驱动的真实车辆模型及实地实验中验证其相较于神经控制系统的优越性，论文发表于《Sensors》。

研究人员采用的主要关键技术方法包括：构建基于数据驱动（Data-Driven）的模块化车辆模型，利用前馈神经网络（FFNN）与循环神经网络（RNN）分别建模速度与航向，通过Hill Climb Modular Assembler Encoding（HCMAE）进化算法优化；设计TSBA算法，融合任务航点（Waypoint）先验知识与声纳观测进行状态估计与轨迹点计算；以Neural System for Controlling a Swarm of Underwater Vehicles（NSCSUV）作为对照，后者基于双RNN结构；在MOOS-IvP仿真环境中引入最大航向误差5°、速度误差0.3 m/s及声纳测距误差2 m等扰动进行比对；最终于波兰Kosobudno湖利用实车（含不同构型车辆）进行表面验证，导航数据通过带浮标的GPS获取并人为叠加误差模拟水下条件。

1. Introduction

研究人员指出水下集群相比空地机器人更具挑战性，现有文献常忽略通信限制、导航漂移及观测噪声。传统Trail算法属反应性（Reactive）控制，TSBA将其改造为预测性（Predictive）控制，引入任务计划知识、状态估计与进化优化的参数化速度控制，明确其需预定义任务计划及对领导者突发变速敏感的局限性。

2. Vehicle Model

研究人员放弃传统的六自由度物理建模（因水动力参数难辨识），采用数据驱动黑盒方法。速度模型（Speed Model, SM）采用模块化FFNN，区分直行与转向状态并通过滑动窗口输入；航向模型（Heading Model, HM）基于RNN，依据平均车速阈值判断运动模式。模型训练数据来自真实AUV在2 m深度的18次独立任务日志（含矩形与往返轨迹，速度1–2 m/s），按任务级划分训练与验证集，最终SM平均误差0.107 m/s，HM平均误差14.25°。

3. Control Algorithms

3.1. TSBA

研究人员设定跟随者已知全局部任务计划及领导者当前航点编号（仅此通过声学传输）。算法分三阶段：基于声纳方位距离与ROI（Region of Interest）启发式选靶进行被跟踪对象状态估计（速度取任务计划值，航向由航点推算，位置由观测转换）；依编队(Formation)参数计算轨迹点(Track Point)；通过带距离阈值的参数化公式计算期望航向与速度。指出其局限在于依赖航点更新频率及速度控制简化。

3.2. NSCSUV

研究人员采用两个RNN实例：Line Formation Neural Network初始纵向编队，Formation Control Neural Network维持窄/宽编队。输入为扇区距离、方位及领导者声传编队参数，无任务计划知识，输出直接为速度与航向控制量。

4. Experiments

4.1. Designing Vehicle Models

研究人员利用GNSS浮标与卡尔曼滤波（Kalman Filter）同步推进指令与运动状态，HCMAE优化中固定滑动窗口H=5，分别用速度误差均方与含直行/转向权重的航向误差及参考点奖励函数作为适应度（Fitness），验证集显示模型能复现车辆动态，最大误差出现在高速急转末段但不影响控制。

4.2. Comparison Between TSBA and NSCSUV

研究人员在4000 m训练轨迹上以HCMAE优化两算法（4跟随者+1领导者），窄编队距15 m、宽编队距5 m。仿真引入导航与声纳扰动，评价准则为平均距离误差E_dist、方位误差E_bear、航向变化E_Δψ、速度变化E_Δv。结果显示TSBA在E_dist、E_Δψ、E_Δv上优于NSCSUV（编队距维持更佳且控制平滑节能），NSCSUV仅E_bear略优但伴随高频机动。TSBA在领导者降速转直段曾出现跟随者超车回转，经修改轨迹点计算函数缓解但性能微降。通信方面二者频率同赖航点变更，若无预存计划TSBA单次负载更大。

4.3. Verification Under Real Conditions

研究人员于Kosobudno湖用3台不同构型车（1领导+2跟随）验证TSBA（未测NSCSUV因动力学不匹配及响应慢有风险）。表面GPS加扰模拟水下，窄编队距10 m（含浮标缆），V编队距15 m。十次任务平均达编队时间、距离均方误差（MSE）与相对航向MSE量化性能，证实TSBA在导航不准下仍能稳编队，观测大误仅致航向频繁修正未破编队；弯道滞后超车问题沿用前述修正函数消除碰撞风险但编队精度微降。

5. Conclusions

研究人员总结TSBA与NSCSUV均基于单邻车跟踪假设，在数据驱动的模块化（速度/航向、直行/转向分离）车辆模型与进化优化基础上比较，TSBA距控优且指令平滑能耗低，NSCSUV方位控优但机动频。实测试验证TSBA多编队有效性及限速修正必要性。TSBA局限在于依赖被跟踪车任务参数先验，若航点变更超声通信承载致信息过时，则前视声纳（FLS）仅能提供不确定相对位姿使估计误差累积，需未来敏感性分析。研究表明简单编队控制非难，可靠邻车定位（尤浅水声纳受底回波与尾流扰）方为核心挑战。

讨论部分指出，虽然TSBA在稳定轨迹下表现优异，但其性能受限于声学通信更新任务参数的能力，当领导者需频繁避障变航点时，预测失效风险增加。FLS（Forward-Looking Sonar）每2 s一次的不确定观测不足以单独支撑高速变动机动下的状态估计。此外，经典模型驱动在水下车辆因水动力系数难测而失效，数据驱动模块化NN结合进化算法是更现实的仿真前置步骤。实测试验中浅湖底混响与推进器尾流是观测主要噪声源，超越车辆本体回声影响。研究证实在低本导航与受限通信下，融合先验计划的预测控制比纯反应式NN更具稳定性与能效。

结论部分翻译总结：本研究提出并对比两种集群控制算法，即代表较简算法的TSBA与神经网络实现的NSCSUV，均基于每车仅跟踪一邻车假设。仿真前构建可靠数据驱动车辆模型，经典模型驱动失效而模块化NN成功，关键在速度航向分离及直曲建模。算法经进化优化与神经网络车辆模型比较，TSBA在维持期望间距更有效，NSCSUV方位维持更准，但TSBA控制更稳定（航向速度变化小）致能耗低。实测试验证TSBA多编队有效性，速度匹配问题致不良机动甚至碰撞已解，但编队精度微降。TSBA局限在依赖被跟踪车任务参数先验，若变更超通信时效则FLS成主信源（仅每2 s不确定相对位置无速度航向深），致估计误差累积编队退化，需未来量化通信约束与参数变更率关系。总体表明简单编队控制无需极复杂算法，可靠被跟踪对象定位比控制本身更难，浅湖声纳受底表回波与推进尾流扰证实此点。