一种针对具有方位推进器饱和现象的过驱动无人水面艇的混合容错控制分配方法:实验系统辨识与HITL验证
《Ocean Engineering》:A hybrid fault-tolerant control allocation for an over-actuated USV with azimuth thruster saturation: Experimental system identification and HITL validation
【字体:
大
中
小
】
时间:2026年08月13日
来源:Ocean Engineering 6.3
编辑推荐:
•一种基于机器学习的OEM系统识别方法可用于估算关键的水动力参数。•针对过度驱动的无人水面艇,提出了一种混合QP-RPI控制分配策略。•还引入了一种容错控制分配策略。•仿真与HITL实验结果证明了所提方法的有效性。
1. 引言
近年来,由于在海上运输、海上巡检、港口作业以及工业
•一种基于机器学习的OEM系统识别方法可用于估算关键的水动力参数。•针对过度驱动的无人水面艇,提出了一种混合QP-RPI控制分配策略。•还引入了一种容错控制分配策略。•仿真与HITL实验结果证明了所提方法的有效性。
1. 引言
近年来,由于在海上运输、海上巡检、港口作业以及工业物流等领域有着广泛的应用,无人水面艇越来越受到重视(Ferri等人,2014;Bang等人,2025)。无人水面艇可作为通信中继平台,连接水面上下运行的系统(Cho等人,2020;Vasilijevi?等人,2018)。在这样的应用中,将方向约束纳入姿态保持机制中具有显著优势。例如,当无人水面艇在自主水下艇的发射和回收操作中充当支撑平台时,保持固定的位置和姿态能够大大简化对接过程。通过稳定无人水面艇的位置和姿态,发射和回收任务可有效转化为静态对接问题(Tian等人,2024;Douguet等人,2024)。因此,无人水面艇需要具备高机动性、精确的运动控制能力,以及较强的环境干扰和推进力限制抵御能力。
推进系统的配置对无人水面艇的机动性和能耗有着重要影响。目前已有多种无人水面艇的推进系统配置被研究过,其中在船尾安装两台推进引擎的差速驱动配置最为常用(Park等人,2017;Gan和Xiang,2017)。这种配置使得车辆即便在极低或零前进速度下也能实现高效的转向操作。然而,由于无法直接控制横向移动,该系统本质上缺乏机动性(Zhao等人,2020;Wang等人,2019;Wang和Pan,2019)。
为提升机动性和操作灵活性,现代无人水面艇的设计中越来越多地采用方位推进器(Arditti等人,2015;Tanakitkorn和Phoemsapthawee,2022)。与传统固定方向的螺旋桨不同,方位推进器可以围绕垂直轴旋转,从而使船舶能够在任意方向产生推力(S?rdalen,1997;Lexau等人,2023)。当使用多个方位推进器时,无人水面艇就变成了一个过度驱动系统,即执行器的数量超过了所需控制的自由度数量(Na?等人,2015)。这种过度控制带来了诸多优势,包括更好的控制性能、冗余性以及容错能力(Liu等人,2023;Zhang等人,2022)。但同时,它在控制系统设计中也带来了巨大挑战,尤其是在如何在遵循推力限制和方位旋转饱和度等物理约束的前提下,为每个执行器分配合适的力和扭矩方面。
图1. 自主无人水面艇的顺序操作场景。正因如此,控制分配成为过度驱动无人水面艇系统中的关键组成部分(Qi等人,2025;Skulstad等人,2023)。诸如伪逆法或菊花链法之类的传统方法属于无约束优化问题(Thai等人,2025;Fossen和Johansen,2006;Tanakitkorn和Phoemsapthawee,2022;S?rdalen,1997)。这些方法忽略了推进系统固有的物理约束,比如力的大小以及力的变化速率。此外,方位角的最大/最小值及其变化速率也必须加以考虑。因此,这些方法可能会生成不切实际的指令,导致无法满足运动控制器的力需求。而且,尽管这些研究探讨了过度驱动系统的控制分配问题,但关于容错控制分配的论述较为有限。在实际的无人水面艇运行过程中,由于推进器老化、推进器完全失效或推进器效能下降等原因,可能会出现执行器故障。另外,许多近期研究主要聚焦于运动控制的设计,侧重于运动学或动力学层面(Wang等人,2023;Van,2019;Yu等人,2019;Wang等人,2019;Thai等人,2026)。与此同时,推进器及其相关机构的作用往往被忽视。在实际的海洋系统中,执行器的限制、饱和现象以及分配约束对实时性能起着至关重要的作用。忽略这些因素可能会导致控制指令不可行,或在实际平台上难以实施,进而降低跟踪精度和运行可靠性。近期关于安全关键型及容错控制的研究强调了在存在干扰、执行器故障、攻击以及通信限制等非理想条件下保持可靠性能的重要性。已有研究对无人机及无人机群领域的保性能控制方法进行了系统性综述,包括漏斗控制、预定性能控制以及屏障李雅普诺夫函数方法(Yu等人,2025)。此外,还有研究通过整合事件触发式通信、分数阶微积分以及区间型2模糊神经网络,为多架固定翼无人机开发出了改进型的容错跟踪控制方法,以此来补偿风效作用下的未知非线性因素和执行器故障(Yu等人,2023)。
总体而言,现有研究存在三大局限性:(1)未能明确处理执行器饱和或方位角约束问题;(2)在多模式任务中持续应用这些约束时,计算负担会增加;(3)研究主要聚焦于运动控制器层面,或假设了简化的执行器模型。同时,平面力分配、方位角指令、螺旋桨转速以及执行器故障之间的关联性也缺乏充分阐述。因此,本研究提出的框架结合了QP分配的约束处理能力和RPI分配的计算效率,还考虑了实体执行器的饱和现象和故障重配置问题,并验证了整个自主任务流程。如图1所示,完整的自主任务流程共分为五种顺序操作模式,即离泊、航点跟随、动态定位、靠近以及在码头停靠。本研究的主要贡献如下:
•基于最大似然输出误差法的实验系统识别方法被用于利用实验操控数据估算无人水面艇的关键水动力参数(Jategaonkar,2006)。该识别模型在保留原有物理结构的同时,能够高精度地再现实测的纵摇、横摇和偏航动态特性,从而为后续的导航、控制以及控制分配设计提供可靠依据。
•提出了一种结合QP法和RPI法的混合控制分配策略,用于将广义控制力和力矩转换为具体的执行器指令(Oppenheimer等人,2006;Vu等人,2021)。该分配方案明确考虑了方位角和转速方面的执行器饱和约束,从而确保所设计的过度驱动无人水面艇能够获得可行且可靠的执行器指令。
•通过根据执行器效能信息重新配置分配约束,提出了一种容错控制分配策略。系统会根据执行器故障及时更新控制效能矩阵和权重矩阵,从而使系统能够保持可控性,并利用较少数量的有效执行器完成任务。
•全面的仿真结果与HITL实验结果均证明了所提方法在正常工况以及方位推进器故障场景下,能够有效支持无人水面艇执行离泊、航点跟随、动态定位、靠近码头以及停靠等多种自主任务。
本文的其余结构如下:第2节介绍无人水面艇的运动学和动力学建模以及执行器配置情况。第3节阐述如何通过实验数据集进行非线性系统识别,以获取未知参数。第4节描述集成LOS引导的控制策略。第5节介绍混合控制分配方法。第6节展示仿真结果。第7节介绍HITL实验的设置及结果分析。第8节对全文进行总结。
图2. 四方位推进器无人水面艇模型。
2. 数学建模
考虑如图2所示、拥有4个方位推进器且具有3自由度的无人水面艇,其运动学方程如下所示(Fossen,2011):
(1) η?=R(ψ)ν
其中η=[x,y,ψ]T是地球固定坐标系下的位置向量,x和y分别表示船舶的北向和东向位置,ψ为船舶的朝向角度。ν=[u,v,r]T是机体固定坐标系下的速度向量,u和v分别表示纵摇速度和横摇速度,r为航向变化率。R(ψ)是从机体固定坐标系到地球固定坐标系的旋转矩阵,表达式为:
(2) Rψ=cosψ?sinψ 0 sinψcosψ
0 0 1
由此,方程(1)可展开为:
(3) x?=ucosψ?vsinψ
y?=usinψ+vcosψ
ψ?=r
无人水面艇的动态特性由标准的3自由度非线性操纵模型描述:
(4) Mν?+C(ν)ν+D(ν)ν=τ
其中ν=[u,v,r]T是机体固定坐标系下的速度向量,包含纵摇速度、横摇速度和航向变化率,τ为广义力向量。
惯性矩阵M包含了刚体效应和附加质量效应,其表达式为:
(5) M=m?Xu? 0 ?myg?Xr?
0 m?Yv? mxg?Yr?
?myg Nu? mxg?Nv?
Iz Nr?
其中m为船舶的质量,Iz为偏航转动惯量,(xg,yg)表示机体固定坐标系下的重心位置。矩阵C(ν)反映了由刚体运动和附加质量效应共同产生的科里奥利力和离心力:
(6) C(ν)=
0 0 ?m(xgr+v)+Yv?v+Yr?r
0 mu ?Xu?um(xgr+v)?Yv?v+Yr?r?mu+Xu?u
0 0
矩阵D(ν)描述了水动力阻尼效应,包括线性和非线性阻力项:
(7) D(ν)=
Xu+X|u|u|u| 0 0
Yv+Y|v|v|v| +Y|r|v|r|
Yr+Y|v|r|v| +Y|r|r|r|
0 Nv+N|v|v|v| +N|r|v|r|
Nr+N|v|r|v| +N|r|r|r|
在本研究中,包括Xu?、Yv?、Nr?、Xu、Yv和Nr在内的主要水动力系数被视为未知参数,将通过基于机器学习的OEM方法进行识别,具体内容见第3节。广义控制输入定义为τ=[τX,τY,τN]T,包括纵摇力、横摇力和偏航力矩。关于该系统的更详细运动学和动力学知识,可参考Fossen(2011)的相关著作。在本研究中,向量τ是由本研究新提出的四种方位推进器产生的。对于第i个推进器(i=1,…,4),Fi表示其推力大小,αi表示以机体固定坐标系中向下的z轴为基准顺时针测量的方位角。第i个方位推进器产生的推力Fi是螺旋桨转速ni(单位:弧度/秒)的非线性函数,其模型表达式为:
(8) Fi=kposni|ni|,当ni>0时;
Fi=knegni|ni|,当ni≤0时。
其中kpos和kneg分别表示正向旋转和反向旋转时的推力系数。在本研究中,采用T200推进器作为推进单元(Blue Robotics,2026)。图3a和图3b分别展示了推进器力与转速之间的关系以及功率消耗与转速之间的关系の仿真结果与实验结果的对比。结果表明,基于模型的推力特性与实验测量数据高度吻合,验证了所采用的推力-转速模型的有效性。
图3. 螺旋桨转速与执行器特性之间的非线性关系。(a) 推力Fi作为转速ni的函数;(b) 功率消耗Pi作为转速ni的函数,可见Pi与ni之间存在三次方关系。
图2展示了机体固定坐标系以及四个方位推进器的局部正力方向。推进器1和2的正向纵向推力方向与Xb轴的正方向一致,而推进器3和4的正向纵向推力方向则与之相反。因此,如方程(13)所示的推力配置矩阵B中的符号,用于体现从局部执行器力方向到共同机体固定坐标系的转换关系。这四个推进器是根据其在图2中的实际位置进行编号的。参数li和di(其中i=1,…,4)分别表示从船舶重心到第i个推进器的纵向和横向力臂长度。
第i个推进器产生的相应纵摇力和横摇力分量可表示为:
(9) Fxi=Ficos(αi)
Fyi=Fisin(αi)
每个推进器产生的偏航力矩Ni取决于其相对于船舶质心的几何位置,可通过适当的力臂距离来表示:
(10) Ni=Fxidi+Fyili
其中Fxi和Fyi分别表示第i个推进器在纵摇方向和横摇方向上的推力分量。参数di=0.21m和li=0.7m分别表示从推进器位置到无人水面艇重心的横向和纵向距离。
为便于进行控制分配,定义了一个扩展力向量,其表达式为:
(11) f=[Fx1,Fy1,Fx2,Fy2,Fx3,Fy3,Fx4,Fy4]T
因此,广义力向量可以用简洁的形式表示为:
(12) τ=Bf
其中B是由方位推进器的空间布局确定的推进器配置矩阵,其表达式为:
(13) B=
1 0 1 0
0 ?1 0 ?1
0 0 1 0
1 0 ?1 0
d1l1 d2l2 d3l3 d4l4
图4. 无人水面艇测试平台概览:(a) 实验平台;(b) 硬件架构。
3. 系统识别
3.1 基于最大似然的输出误差识别
图4展示了本研究所使用的实验用无人水面艇平台。该船舶的质量为35.82千克,长度为1.42米,宽度为1.02米,高度为0.65米。该测试平台型无人水面艇系统可划分为三个主要子系统:执行系统、感知与机载控制系统以及通信接口。执行系统由四个方位推进器及其对应的伺服电机组成。每个推进器可通过调节其方位角在任意方向产生推力,从而实现过驱动力输出,提升机动性及故障容忍能力。感知与机载控制系统包含全球定位系统以及惯性测量单元传感器,其中惯性测量单元直接集成在PX4飞行控制器中。PX4作为核心处理单元,负责接收传感器数据、进行实时状态估算,并通过脉宽调制信号控制执行器。包括引导、控制及控制分配在内的各类控制算法均在Simulink环境中开发,之后被部署并编译为可在PX4硬件上运行的程序。通信子系统则用于将无人水面艇与地面控制站相连。在此架构中,会使用遥测模块在PX4与运行QGroundControl的笔记本电脑之间建立无线通信。QGroundControl软件可用于监控系统状态、可视化任务执行过程,并记录运行期间的实验数据。
为获得无人水面艇的动态模型,需利用基于机器学习的优化方法确定关键的未知流体动力学参数。该无人水面艇的运动特性由一个非线性状态空间模型描述,其形式为:x?(t)=f(x(t),τ(t),Θ),y(t)=h(x(t),Θ),其中x(t)表示状态向量,τ(t)为控制输入,y(t)为测量得到的输出向量,Θ则为未知流体动力学参数构成的向量。在本研究中,若干关键的流体动力学系数被视为未知量,需通过实验中的机动数据来估计。所选取的参数向量表达式为Θ=Xu?Yv?Nr?XuYvNrT,其中包含了与附加质量相关的项Xu?、Yv?和Nr?,以及线性阻尼系数Xu、Yv和Nr。选择这些参数是因为它们对无人水面艇的低速机动特性有着重要影响,同时也会显著影响其对纵摇、横摇和偏航响应的预测精度。通过聚焦于最具影响力的系数,既能让识别问题保持可解决性,又能保留系统动力学的基本物理特性。
测量得到的输出向量定义为y(k)=u(k)v(k)r(k),其中u(k)、v(k)和r(k)分别代表纵摇速度、横摇速度和偏航率。这些变量被选作识别时的主要输出指标,因为它们直接反映了受未知流体动力学参数影响的机动特性。k则表示与采样数据相对应的离散时间索引。对于给定的候选参数向量Θ,会利用实测输入序列及初始条件,对非线性模型在实验时间范围内进行数值积分。由此得到的模拟输出记为ysim(k,Θ)=hx(k;Θ),Θ,其中x(k;Θ)是根据公式(14)计算得出的。输出误差则定义为实测结果与模拟结果之间的差异:e(k,Θ)=ymeas(k)?ysim(k,Θ)。从统计学角度而言,输出误差被假设为均值为零的高斯随机过程,其协方差矩阵为R,即e(k,Θ)~N(0,R),这里的R是输出误差的协方差矩阵,可由R=E[e(k,Θ)e(k,Θ)T]得出。基于这一假设,给定参数向量Θ时,实测数据对应的似然函数可表示为(L(Θ)=∏k=1N1(2π)p|R|exp?12e(k,Θ)TR?1e(k,Θ)),其中N为采样数据点的数量。最大化似然函数等价于最小化负对数似然值。在忽略与Θ无关的常数项后,参数估计问题可表述为(Θ?=argminΘ∈ΩΘ∑k=1Ne(k,Θ)TR?1e(k,Θ)),其中ΩΘ是由先验物理知识及实际约束条件所确定的可行参数集合。若将权重矩阵定义为W=R?1,那么公式(21)中的机器学习估计问题便可转化为传统的优化方法形式:J(Θ)=∑k=1Ne(k,Θ)TWe(k,Θ)。因此,在高斯噪声假设下,机器学习估计器与传统优化方法的结果是等价的。这种等价性为识别问题提供了清晰的统计解释,即最优参数向量是通过以概率方式最小化实测输出与模拟输出之间的差异而获得的。由于模拟输出通过非线性系统动力学隐式地依赖于参数向量,因此公式(21)中的优化问题是非线性的。所以需要借助数值优化算法对参数进行迭代估计,不断重复模拟非线性模型并更新参数向量,直至在整个识别过程中输出误差降至最小。所提出的基于机器学习的优化方法的一个显著优势在于,整个估计过程中都能保留基于非线性物理特性的模型结构。该方法可直接调整具有物理意义的流体动力学系数,确保所识别的参数既具备可解释性,又与实际的海洋动力特性相符。在这一研究中,这一特性尤为重要,因为所建立的模型不仅要能够再现实测的运动响应,还需为后续的引导、控制及控制分配设计提供支撑。因此,所提出的方法在估计精度、统计严谨性以及物理可解释性之间实现了良好的平衡。
3.2 识别结果与模型验证
本小节将介绍参数识别结果及相应的模型验证情况。流体动力学系数是通过基于机器学习的优化方法进行估计的,文中同时总结了这些参数的统计特性及定量验证结果。此外,还通过定性与定量相结合的方式,将模拟结果与实测数据进行对比,进一步评估所识别模型的准确性。表1汇总了所识别的流体动力学参数及其对应的不确定性水平。可以看出,所有估算出的参数标准差都相对较小,相对标准差也较低,这表明识别结果的可靠性很高。尤其是Xu?的相对标准差均低于6%,而Xu和Nr的相对标准差大多在0.1%到1.5%之间。这说明实测数据为参数的可靠估算提供了足够的激励条件。图5展示了识别过程的收敛情况,图中给出了残差协方差矩阵R的行列式变化趋势。可以看到,在初始迭代阶段,代价函数下降得非常快,仅需几步就能趋于一个近乎恒定的值。具体而言,代价函数从初始阶段的10?3量级下降到收敛时的约5.33×10?6量级。这一表现说明优化过程既高效又具有数值稳定性。快速的收敛速度也表明初始参数值选取合理,而且所提出的基于机器学习的优化方法非常适合当前这类识别问题。从物理层面来看,所识别的参数与海洋航行器动力特性的预期特征一致,这也进一步证明了所提出的基于机器学习的优化方法保持了模型的物理可解释性。
表1 识别出的流体动力学参数及其统计不确定性
| 参数 | 估算值 | 标准差 | 相对标准差(%) |
|------|--------|--------|----------------|
| Xu? | 1.3985e?01 | 8.3669e?03 | 5.98 |
| Yv? | -7.7620e+00 | 9.1964e?02 | 1.18 |
| Nr? | -7.7623e?01 | 1.0235e?02 | 1.32 |
| Xu | -3.0282e+01 | 3.0608e?02 | 0.10 |
| Yv | -8.5982e+01 | 1.0985e+00 | 1.28 |
| Nr | -6.0819e+00 | 3.5224e?02 | 0.58 |
注:标准差表示估算参数的离散程度;相对标准差是以标准差除以参数绝对值再乘以100%得到的百分比。
下载:高分辨率图像(315KB)
下载:完整尺寸图像
图5 基于机器学习的优化方法中R行列式值的收敛情况
为了进一步验证所识别模型的有效性,如图6所示,将模拟结果与实测数据在纵摇速度u、横摇速度v以及偏航率r这三个方面进行了对比。对于纵摇速度u,所识别模型能够较为准确地捕捉到整体的趋势以及瞬态行为。在大多数工作区域内,模拟结果与实测数据十分接近,只是在快速变化时会出现轻微偏差,这可能源于未被考虑到的非线性效应或执行器动态特性。对于横摇速度v,实测结果与模拟结果之间的差异更为明显。这也是可以理解的,因为横摇运动通常对环境干扰、耦合效应以及测量噪声更为敏感。尽管如此,所识别模型依然能够呈现横摇运动的整体趋势,这对于以控制为导向的建模来说已经足够。至于偏航率r,模拟结果与实测结果的一致性相当好,尤其是在反映转向运动的幅度和时机方面。这表明偏航运动特性能够被所识别模型很好地刻画。表2列出了所识别模型的各项定量性能指标。这些指标的定义如下:RMSE=1N∑k=1N(yk?y?k)2,NRMSE=RMSEymax?ymin,MAE=1N∑k=1N|yk?y?k|,FIT=1001?‖y?y?‖‖y?y?‖。下载:高分辨率图像(289KB)
下载:完整尺寸图像
图6 纵摇速度u、横摇速度v以及偏航率r的实测结果与模拟结果对比
表2 识别模型的定量性能指标
| 输出量 | RMSE | NRMSE | MAE | FIT(%) |
|--------|------|-------|-----|---------|
| u | 0.1893 | 0.0817 | 0.1414 | 49.03 |
| v | 0.1186 | 0.1416 | 0.0951 | 19.61 |
| r | 0.1029 | 0.0514 | 0.0807 | 61.66 |
注:RMSE表示均方根误差,NRMSE为归一化均方根误差,MAE为平均绝对误差,FIT表示模型拟合百分比。
该模型在偏航率方面的拟合百分比约为61.66%,在纵摇速度方面的拟合百分比约为49.03%,说明这两个方面的精度处于中等至较好的水平。而横摇速度的拟合百分比则较低,仅为19.61%,这意味着使用现有的模型结构及测量数据,较难准确捕捉横摇运动的特性。从RMSE和NRMSE的值也可以看出类似的趋势,即纵摇和偏航运动的预测误差相对较小,而横摇运动的预测误差则相对较大。总体而言,这些结果表明所识别模型能够捕捉系统中主要的运动特性,尤其是对引导和控制应用而言最为关键的纵摇和偏航方向。因此,该模型被认为具有足够的精度,可应用于后续的引导、控制以及控制分配设计工作中。虽然所识别出的横摇运动模型的FIT值低于其他运动方向,但这一局限性并不会直接影响所提出的控制分配算法的构建。本研究中所使用的PID控制器属于反馈式控制器,并不直接依赖所识别出的横摇流体动力学系数。此外,QP-RPI控制分配框架主要是根据执行器配置矩阵、推力与速度的关系、执行器饱和限制以及故障状态等因素构建的,因此执行器的重新分配机制并非直接由横摇模型决定。不过,横摇模型精度不足可能会影响仿真以及HITL测试中横向运动的定量预测,因为HITL测试平台是基于模型构建的。因此,HITL测试的结果应被视为实时系统实现及闭环集成验证的结果,而非全尺寸实地试验的完全替代方案。未来的工作将包括收集更多具有更丰富横向激励条件的实验数据、进行残差分析以及开展实地验证,以此提升横摇运动模型的可靠性。
下载:高分辨率图像(149KB)
下载:完整尺寸图像
图7 二维路径引导
4 引导与控制器
4.1 视线引导(LOS)
如图7所示,一条平滑的平面路径可通过参数形式p(θ)=(xp(θ),yp(θ))来描述,其中p(θ)为路径参数,该曲线会经过一系列航点(xj,yj),其中j=1,2,…,Np。在某一点上,路径切线方向的朝向由切线角度γp(θ)=atan2yp′(θ),xp′(θ)来确定,此处xp′(θ)=?xp?θ,yp′(θ)=?yp?θ分别为xp和yp关于θ的偏导数。对于位于(x,y)位置的航行器而言,横向误差可通过与由(xp(θ),yp(θ))定义的路径切线参考框架之间的正交距离来计算,其计算公式为0ye=R(γp(θ))Tx?xp(θ)y?yp(θ),其中R(γp(θ))=cosγp(θ)?sinγp(θ)sinγp(θ)cosγp(θ)。将公式(28)展开后可得:y?yp(θ)=?1tanγp(θ)(x?xp(θ)),进而可得到横向误差的表达式:ye=?(x?xp(θ))sinγp(θ)+(y?yp(θ))cosγp(θ)。对公式(31)求时间导数后可得:y?e=?(x??x?p(θ?))sinγp+(y??y?p(θ?))cosγp?[(x?xp(θ?))cosγp+(y?yp(θ?))sinγp]γ?p。将公式(3)、(27)以及(30)代入公式(32)并整理后,可得到y?e的表达式:y?e=?ucosψsinγp+usinψcosγp+νsinψsinγp+νcosψcosγp。引入U=u2+v2>0表示合速度,β=atan2(v,u)表示侧滑角,那么公式(33)可写成幅频形式:y?e=Usin(ψ?γp+β)。假设在路径跟随过程中侧滑角较小且保持不变,即β?=0,此时有sin(β)=β且cos(β)=1,那么公式(34)可改写为:y?e?Usinψ?γp+Ucosψ?γpβ。由于路径切线角度γp是已知的,且横向误差ye是可以测量的,因此可确定所需的航向为:ψd=γp+tan?1?1Δ,其中0<δmin≤δ≤δmax为前瞻距离(fossen, 2011)。
下载:高分辨率图像(171kb)
下载:完整尺寸图像
图8 任务控制架构
下载:高分辨率图像(193kb)
下载:完整尺寸图像
图9 位置控制架构
4.2 控制器设计
本研究采用pid控制器,是因为本文的重点在于提出混合型的qp-rpi容错控制分配框架,而非开发新的运动控制律。pid控制器能够以简单直观的方式为控制分配器生成所需的广义力(纵摇力和横摇力)以及偏航力矩。与更复杂的控制器相比,pid控制器的计算成本更低,所需模型信息更少,也更容易在hitl平台上实现实时控制。 2011)。 下载:高分辨率图像(171kb) 下载:完整尺寸图像 图8 任务控制架构 下载:高分辨率图像(193kb) 下载:完整尺寸图像 图9 位置控制架构 4.2 控制器设计>δmin≤δ≤δmax为前瞻距离(fossen, 2011)。
下载:高分辨率图像(171kb)
下载:完整尺寸图像
图8 任务控制架构
下载:高分辨率图像(193kb)
下载:完整尺寸图像
图9 位置控制架构
4.2 控制器设计
本研究采用pid控制器,是因为本文的重点在于提出混合型的qp-rpi容错控制分配框架,而非开发新的运动控制律。pid控制器能够以简单直观的方式为控制分配器生成所需的广义力(纵摇力和横摇力)以及偏航力矩。与更复杂的控制器相比,pid控制器的计算成本更低,所需模型信息更少,也更容易在hitl平台上实现实时控制。>这有助于更清晰地评估所提出的分配策略的效果,包括执行器饱和处理以及故障引发的控制重新分配。需要指出的是,该分配框架并不限于PID控制,未来还可以与其他先进的运动控制器结合使用。图8展示了任务模式控制架构,用于控制冲击速度和航向角。冲击力可通过以下公式计算:(37)τX=Kpueu+Kiu∫eudt+Kdue?u,其中eu=ud?u为期望速度与实际速度之间的车辆速度误差。对于航向自动控制,引入航向误差eψ=ψd?ψ,并将其映射到[?π,π]区间内,其中ψd是根据视距引导计算得出的,此时航向力矩的计算公式为:(38)τN=Kpψeψ?Kdr。在位置控制模式下,如图9所示,首先引入地球坐标系中的x和y位置误差,分别为exE=xd?x和eyE=yd?y,然后这些误差会被转换为机体坐标系下的数值,公式为:(39)exbeyb=cosψsinψ?sinψcosψexEeyE。随后,冲击速度和摇摆速度的外环控制器可分别表示为:(40)ud=Kpxexb+Kix∫exbdt+Kdxe?xb,vd=Kpyeyb+Kiy∫eybdt+Kdye?yb。接着,内环速度控制器会生成相应的广义力,公式为:(41)τX=Kpueu+Kiu∫eudt+Kdue?u,τY=Kpvev+Kiv∫evdt+Kdve?v。最后,根据执行器的物理限制,对冲击力、摇摆力和航向力矩进行饱和处理。在过度驱动的推进系统中,如何将这三个广义控制输入分配给由推进器转速和方位角构成的8个执行器指令,是一个关键挑战。这就需要开发有效的控制分配策略,具体内容将在下一节中介绍。
5. 控制分配方法
5.1 基于QP的容错控制分配
控制分配问题被构建为一个QP优化问题,旨在最小化执行器输出与分配误差的加权之和(Vu等人,2021年)。目标函数定义为(42)J=minF,sFTWF+sTQs,同时需满足约束条件(43)BQPF=τd+s,Fmin≤Fi≤Fmax,其中F=[F1,F2,F3,F4]T为推进器力矢量,τd代表包含[τX,τY,τN]的控制器输出;s为松弛变量,W和Q为正定权重矩阵。引入松弛变量的目的是为了在存在执行器饱和时确保问题的可行性,而权重条件Q?W则确保在可行情况下优先实现期望的广义力跟踪。BQP即为QP控制分配矩阵,它通过结合方程(9)和(10)计算得出,第i个推进器对广义力矢量的贡献可表示为(44)τi=FxiFyiNi=cos(αi)sin(αi)dicos(αi)+lisin(αi)Fi。将四个方位推进器的推力大小组成向量(45)u=F1F2F3F4T后,广义力矢量可简洁地表示为(46)τ=BQPu,其中BQP的每一列可表示为(47)BQP(i)=cosαisinαidicosαi+lisinαi。需要说明的是,在基于QP的分配器中,方位角并非作为决策变量来处理。该分配器主要应用于对摇摆运动要求较高的位置控制模式。由于水下无人艇平台的物理方位伺服范围仅限于[?π/4,π/4],因此方位角被设定为该范围内的固定值,且具体取值为α1,α2,α3,α4=π/4,?π/4,?π/4,π/4。这样一来,QP问题只需优化与推力或螺旋桨转速相关的四个变量,而非同时优化推力大小和方位角,从而减少了决策变量的数量,提升了QP分配器的计算效率。为实现容错运行,可通过修改优化问题的可行集,将执行器故障信息直接纳入QP模型中。一旦检测到某个方位推进器出现故障,其对应的推力约束会被收紧,即Fimin=Fimax=0,以此迫使该故障执行器停止工作。重要的是,这种修改不会改变成本函数的结构或等式约束,而是直接缩小可行解空间,以反映执行能力的丧失。在受限的可行解空间内,QP优化器会自动将所需的控制力在其余正常工作的推进器之间重新分配。当由于自由度降低而导致精确的力跟踪变得不可行时,就会启用松弛变量来维持问题的可行性。由于设置了Q?W,只要在物理上可行,分配器就会优先保证力的精确跟踪,否则则逐步退化为最接近的可行解。在指令层面,出现故障的推进器会被设置为零推力且方位角保持中性,从而确保执行器的安全以及控制指令的一致性。
5.2 基于RPI的容错控制分配
伪逆方法是一种约束优化技术,需要对通常为非方阵的B矩阵进行伪逆运算,如公式(13)所示(Oppenheimer等人,2006年)。首先,最优函数的构建方式如下:(48)f=argmin‖f?fd‖W2=f?fdTWf?fds,同时需满足约束(49)Bf=τ,其中W=WuTWu为权重矩阵。首先,在不考虑推进器和倾斜角约束的情况下,可引入拉格朗日函数,表达式为(50)Lf,λ=12f?fdTWf?fd+λTBf?τ。对f和λ求偏导数并令其等于零,可得:(51)?L?f=Wf?fd+BTλ=0,?L?λ=Bf?τ=0。进而可得到:(52)?W?1BTλ+fd=fBfd?W?1BTλ=τ。最终可得出结果:(53)f=fd+B?τ?Bfd,其中B?=?W?1BTBW?1BT?1为B的伪逆。权重矩阵W可为控制执行器之间的分配提供便捷的调整机制,还可用于间接考虑执行器的位置限制。尤其可将W的对角元素设计为对应推力指令的函数,使得当执行器接近其物理极限时,权重随之增大。不过,这种传统的伪逆方法并未明确强制执行器位置约束,因此无法保证控制指令始终处于允许范围内,比如αmin≤α≤αmax或nmin≤n≤nmax。尽管如此,该方法仍可用于为更复杂的基于优化的方法生成偏好向量,以用于进行鲁棒性分析。RPI控制分配方法遵循与经典伪逆解类似的流程,但通过迭代重新分配过程来明确处理执行器饱和问题。首先,当W=I时,可通过伪逆映射得到无约束分配结果,公式为(54)f=BT(BBT)?1τ,其中f=[Fx1,Fy1,…,Fx4,Fy4]T包含了所有方位推进器的平面力分量。随后可计算出每个推进器的方位角,公式为(55)αi=atan2(Fyi,Fxi),并将结果限制在允许区间[?π/2,π/2]内。如果所有计算得到的方位角都符合物理限制条件(56)αmin≤αi≤αmax,则算法结束,采用初始的伪逆解。若有一个或多个推进器的方位角超出限制,那么对应的力向量会被投影到最近的合法边界上,同时保持其大小不变,这样就得到了饱和后的控制向量fd。之后,可通过将伪逆运算中使用的分配矩阵B1中对应列的值设为零,以及增大权重矩阵Wu中对应对角元素的值,来避免对这些已饱和的通道进行进一步调整。接着,可根据修正后的矩阵B1计算出加权伪逆增益,公式为(57)G=Wu?1B1TB1Wu?1B1T?1,随后再根据公式(58)f=fd+Gτ?Bfd重新分配控制输入。需要强调的是,虽然RPI运算符使用了修正后的矩阵B1来排除已饱和的执行器,但必须通过原始分配矩阵B及Bfd项来计算这些饱和指令的广义力贡献,这样才能确保在重新分配过程中正确保留饱和执行器的影响。这一重新分配过程会不断重复,直到不再出现新的执行器饱和情况,或者达到预设的最大迭代次数。最终,得到的平面力分量可通过公式(59)Fi=sign(Fxi)Fxi2+Fyi2转换为方位角和螺旋桨转速,然后再通过推力到转速的映射公式(60)ni=?Fikpos,Fxi≥0??Fikneg,Fxi<0,并将其限制在允许范围[nmin,nmax]内。图10展示了所提出的基于RPI的容错控制分配策略。当某个方位推进器发生故障时,可通过以下步骤将该故障执行器排除在重新分配过程之外:下载:下载高分辨率图像(787KB)下载:下载全尺寸图像图10. RPI容错控制分配。1. 第一阶段——故障处理:(a)故障检测与执行器隔离:当检测到第i个推进器出现故障时,其对应的平面力分量会被设置为零,即(Fxi,Fyi)=(0,0)。这样一来,该故障执行器就不再对力或力矩的产生起到任何作用。(b)分配矩阵修改:将修正后的分配矩阵B1中对应该故障执行器的列设置为零,从而将其从加权伪逆重新分配过程中排除。(c)权重矩阵调整:大幅增加与故障执行器相关的权重矩阵Wu的对角元素,以此限制对该故障通道的进一步调整,确保其在整个迭代过程中始终保持不活跃状态。2. 第二阶段——迭代饱和与重新分配:(a)约束检查与饱和处理:根据平面力分量计算出方位角,并与其对应的执行器限制条件进行比对。如果出现饱和现象,那么该执行器的指令就会被限制在固定值,作为后续重新分配步骤的输入。(b)加权重新分配:根据修正后的矩阵B1,利用加权伪逆增益计算出重新分配后的控制输入。同时,通过使用原始分配矩阵B计算的Bfd项,保留那些固定指令的广义力贡献。(c)健康执行器的补偿:其余正常工作的推进器会自动重新分配所需的控制力,以弥补因故障导致的执行能力损失,同时保持期望的广义力水平。3. 第三阶段——输出计算:(a)最终执行器指令生成:将平面力分量转换为推力大小和方位角指令。对于出现故障的执行器,其最终指令会被明确设置为零推力且方位角也为零,从而确保执行器的安全以及系统状态的一致性。这种设计使得基于RPI的分配器能够在保持可行性、数值稳定性和实时计算效率的同时,妥善处理执行器故障问题。图11展示了所提出的自主靠泊系统的整体架构,该系统整合了任务管理、控制功能以及容错控制分配功能。整个流程始于路径规划模块,该模块负责提供参考航点以及任务目标。基于这些参考信息,系统会通过五种顺序运行的模式来控制自身的运行,这五种模式分别为脱离靠泊模式、航点跟随模式、动态定位模式、靠泊接近模式以及最终靠泊模式。每种模式会根据具体的任务需求启用不同的控制策略。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图11. 所提出系统的整体控制框架与状态管理。•位置控制器:在脱离靠泊模式(模式1)、动态定位模式(模式3)以及最终靠泊模式(模式5)中会采用该控制器。–在以位置控制为主的模式下,比如脱离靠泊、动态定位和最终靠泊阶段,会应用基于QP的控制分配方法。在这些阶段,控制目标要求在力与力矩的产生方面具备高精度,同时还需严格遵循执行器的各种限制条件,比如饱和限制和方位角范围限制。QP优化模型会将这些约束条件直接纳入优化问题中,从而确保生成可行的执行器指令,并最小化分配误差。在低速行驶或接近平衡状态的情况下,这一点尤为重要,因为微小的力偏差就可能导致较大的位置误差,甚至引发系统不稳定。•运动控制器:在航点跟随模式(模式2)和靠泊接近模式(模式4)中会采用该控制器。–在航点跟随和接近阶段,系统处于以运动控制为主的模式,此时控制目标主要是轨迹跟踪,由于引导和反馈控制回路的固有稳定性,系统对较小的分配误差不太敏感。因此,采用计算效率较高的RPI方法是非常合理的,它不仅能够提供足够的控制性能,还能显著减轻计算负担,有利于实现实时控制。从计算角度而言,基于QP的分配方法需要在每个采样时刻都解决一个在线优化问题,这对于嵌入式平台来说可能会带来较高的计算成本。相比之下,RPI方法则能给出封闭形式或迭代形式的解,其计算复杂度要低得多。因此,所提出的混合策略能够在分配最优性与实时可行性之间取得平衡。此外,执行器故障信息也会被直接纳入QP和RPI两种容错控制分配机制中。一旦发生故障,分配器就会通过排除出现故障的推进器,将所需的控制力在其余正常工作的执行器之间重新分配。之后,这些计算得到的指令会通过PWM生成器发送给实际的执行器,进而驱动方位伺服装置和推进电机。水下无人艇模型则会向控制系统反馈信息,从而形成闭环控制结构。下载:下载高分辨率图像(424KB)下载:下载全尺寸图像图12. 仿真环境设置。下载:下载高分辨率图像(573KB)下载:下载全尺寸图像图13. 不同任务模式下的车辆轨迹。图中用五种不同颜色标注的线条代表了不同的运行模式,其中模式1(脱离靠泊)为橙色,模式2(航点跟随)为蓝色,模式3(动态定位)为绿色,模式4(靠泊接近)为紫色,模式5(最终靠泊)为黄色。下载:下载高分辨率图像(591KB)下载:下载全尺寸图像图14. 在所提出的混合QP–RPI控制分配框架下的系统状态响应。图15展示了在所提出的混合QP–RPI控制分配框架下,推进器转速与方位角响应的情况。不同颜色的阴影区域代表不同的操作模式:模式1(离泊)用橙色表示,模式2(航点跟随)用蓝色表示,模式3(动态定位)用绿色表示,模式4(接近)用紫色表示,模式5(靠泊)用黄色表示。下载:下载高分辨率图像(774KB)下载:下载全尺寸图像
图16对比了任务过程中期望的广义力与偏航力矩与控制分配所产生的相应数值。
6. 仿真结果
6.1 所提控制分配方法的评估
图12展示了USV模型的Simulink框架,系统参数则是在第3节中获得的。图13显示了载体的轨迹,根据当前的任务模式以不同颜色标注。仿真结果表明,USV成功完成了整个任务序列,并且在没有失去机动性或出现模式转换不稳定的情况下到达了最终靠泊区域。在航点模式下,载体能够沿着预定路线平稳行驶,在最长的行驶距离上持续调整航向。在动态定位、靠泊接近以及靠泊模式下,其运动也表现出很高的精度,这表明所提出的分配框架能够有效适应各个任务阶段不同的控制需求。特别是在定位模式下,基于QP的控制分配通过明确约束执行器并最小化力分布误差,从而保持精确的定位,这在低速状态以及靠近靠泊点、动态定位点和靠泊位置时尤为重要,因为微小的力偏差都可能导致较大的位置误差。而基于RPI的控制分配则由于计算复杂度较低且精度足够,能够在定向阶段实现平稳运动,因为此时系统处于以运动为主的模式,对较小的分配误差不太敏感。
相应的状态响应如图14所示。在航点跟随阶段,纵向速度几乎保持恒定,而在与定位相关的模式下,尤其是接近动态定位点和最终靠泊点时,纵向速度会适当降低。这种行为与任务目标一致,也证明了分配器切换策略得到了恰当协调。此外,在整个任务过程中所有状态都保持在一定范围内,航向响应也与所需的路径跟随和靠泊方向保持一致。总体而言,这些结果表明,所提出的混合分配框架在满足不同任务阶段的机动需求的同时,仍能保持理想的闭环性能。
图15中的执行器响应提供了更多见解。可以看出,控制分配输出会根据当前的任务模式发生显著变化,这反映了平移运动、转向以及精确定位所带来的不同驱动需求。重要的是,所有转速指令始终保持在规定的范围[nmin,nmax]内,整个任务过程中所有方位角也都保持在±45°的转向限制范围内。这表明所提出的分配器在满足物理执行器约束的同时,仍能为机动和定位任务提供足够的控制能力。
推进器2和4的转速出现快速振荡,主要发生在航点跟随模式下的急转弯动作期间(如图15中110秒到120秒所示)。在此期间,控制器为了校正航向会产生较大的瞬态偏航力矩需求,同时试图将纵向速度维持在接近其恒定参考值的状态。但由于执行器饱和以及可实现的力/力矩范围有限,分配到的偏航力矩无法完全跟上期望值,如图16所示。因此,RPI分配器会迅速将剩余的控制需求重新分配给其他可用推进器。由于RPI方法不包含执行器速率惩罚,所以在接近饱和或方位角边界时可能会出现快速的指令变化。这种效应可能会因正向/反向推力的切换而进一步加剧。因此,观察到的振荡仅出现在急转弯阶段,并不表明闭环系统存在稳定性问题。
所提出的混合分配器会根据任务级的操作模式在QP方法和RPI方法之间切换。需要指出的是,这种切换并非随意或高频进行,而是由有限状态的任务逻辑生成切换信号,仅在预定的任务转换点发生变化。两种分配方法都受到相同的执行器约束,包括推力或螺旋桨转速饱和以及方位角限制。因此,两种分配模式下的执行器指令都保持在一定范围内。如图16所示,期望的广义力与分配后的广义力之间的差值可视为有界分配误差Δτ=τd?τCA。在有界的控制器指令和有界的执行器限制条件下,该分配误差也保持在一定范围内,相当于对闭环运动系统的有界扰动。仿真和HITL实验结果均表明,在包括分配器切换在内的整个任务过程中,USV的状态和执行器指令都保持在一定范围内。不过,基于停留时间或多重李雅普诺夫函数来严格证明切换系统的稳定性超出了本研究的范围,未来将结合QP与RPI分配模式之间的速率限制过渡平滑技术对此进行研究。
总体而言,仿真结果验证了所提出的混合QP–RPI控制分配框架能够成功支持过度驱动型USV的完整任务运行,同时兼顾执行器约束并保持任务级的机动性。结果还表明,根据任务目标切换分配器是一种有效的策略,它能够在统一的自主靠泊场景中结合两种分配方法的优点。
表3 执行器利用率与计算成本的定量比较
指标 伪逆分配器 QP分配器 混合QP-RPI分配器 CPU墙钟时间[s] 14.576 37.486 25.104 仿真任务持续时间[s] ≈700 ≈270 ≈270 螺旋桨转速RMS[rps] 97.54 1161.500 139.490 执行器命令总变化量TV[n] [rps] 2.575×10^7 3.026×10^4 6.516×10^5 执行器速率平均绝对值|n?| [rps/s] 821 4.228 8.143 578.36 方位角RMS[deg] 31.026 452 9.901 执行器角度命令总变化量TV(α) [deg] 1.030×10^5 0 3.136×10^3 方位角速率平均绝对值|α?| [deg/s] 32.847 0 2.7839 注:RMS表示执行器指令的均方根值,公式为RMS(x)=1/√N∑i=1^N∑k=1^Nxi,k^2。TV表示总变化量,公式为TV(x)=∑i=1^Na∑k=1^N?1xi,k+1?xi,k。执行器速率的平均绝对值为Mean|x?|=1/Na(N?1)∑i=1^Na∑k=1^N?1xi,k+1?xi,kΔt,其中x∈{n,α},Na=4为推进器数量,N为采样点数,Δt为采样间隔时间。
6.2 控制分配方法的定量比较
表3给出了所提混合QP-RPI分配方法的执行器利用率与计算效率的定量比较。在相同的任务场景下,对传统的伪逆分配器、纯QP分配器以及所提出的混合QP-RPI分配器进行了测试。评估指标包括CPU墙钟仿真时间、仿真任务持续时间、螺旋桨转速RMS值、倾斜角RMS值、执行器命令的总变化量以及执行器速率的平均绝对值。
伪逆分配器的CPU墙钟仿真时间最短,为14.576秒,但完成任务所需的仿真时间约为700秒,而且产生的执行器指令存在严重的振荡现象。纯QP方法和混合QP-RPI方法均在大约270秒内完成了任务。不过,纯QP分配器的CPU墙钟仿真时间最长,为37.486秒。而所提出的混合QP-RPI方法将这一时间缩短到了25.104秒,相比纯QP方法降低了33.03%。此外,与纯QP方法相比,混合QP-RPI方法还将螺旋桨转速RMS值降低了13.63%,倾斜角RMS值降低了33.55%,同时保持了相近的纵向速度跟踪精度。
与伪逆分配器相比,所提出的混合QP-RPI方法显著减少了执行器的抖动现象。螺旋桨转速的总变化量减少了97.47%,执行器速率的平均绝对值减少了92.96%。对于倾斜角执行器而言,倾斜角的总变化量减少了96.95%,伺服速率的平均绝对值减少了91.52%。这些结果表明,所提出的分配器既避免了伪逆方法中出现的严重执行器振荡现象,又比纯QP方法需要更少的计算资源。因此,所提出的混合QP-RPI方法在任务完成时间、执行器利用率、执行器平滑性以及计算成本之间取得了更好的平衡。
7. 实验验证
7.1 实验装置
如图17所示,整体的HITL系统由两个主要部分组成:一台用于实时建立系统模型的高速工作站CPU,以及一台基于PX4的嵌入式控制器,用于执行引导和控制功能。这种架构能够在保证实验开发灵活性和安全性的同时,对USV系统进行真实的闭环验证。
•高速CPU作为USV系统模型的实时运行平台,该模型整合了运动学方程、动力学模型以及执行器动态特性。由于具有较高的更新频率,CPU能够确保系统状态——包括位置、速度、航向以及执行器响应——的确定性计算和低延迟处理。通过不断接收来自PX4控制器的控制指令,并实时更新模拟的系统状态,该模块能够精准模拟USV的物理行为。这样的集成使得能够在真实的工作条件下对控制性能进行高保真测试,同时避免了全尺度实地试验可能带来的风险。
•Pixhawk自动驾驶板则作为系统的嵌入式控制单元(PX4 Autopilot,2025)。它负责执行引导、控制以及控制分配算法,包括航点引导、运动控制以及推力分配逻辑。这些算法是在MATLAB/Simulink环境中开发的,然后作为嵌入式代码部署在Pixhawk平台上。在运行过程中,Pixhawk会接收来自高速CPU的实时状态反馈,计算出相应的控制指令,再将执行器级别的指令(PWM信号)发送回系统模型。这种双向通信使得Pixhawk能够像在实际船上那样工作,从而为所提出的控制策略在稳定性、鲁棒性以及实时可行性方面提供真实的评估依据。下载:下载高分辨率图像(330KB)下载:下载全尺寸图像
图17 HITL环境搭建情况。下载:下载高分辨率图像(274KB)下载:下载全尺寸图像
图18 情况2和3中第一台推进器出现故障时的USV。下载:下载高分辨率图像(409KB)下载:下载全尺寸图像
图19 三种运行条件下的轨迹对比:正常工况(情况1)、具备故障感知的控制分配(情况2)以及无故障感知的控制分配(情况3)。任务流程包括离泊(起始点至WP1点,即离泊点)、航点跟随(WP1–WP5)、动态定位(WP5–WP6,即DP点)、接近(WP6至靠泊起点)以及靠泊(靠泊起点至靠泊点)。下载:下载高分辨率图像(529KB)下载:下载全尺寸图像
图20 三种运行条件下的横向误差对比。不同颜色的阴影区域代表不同的操作模式:模式1(离泊)用橙色表示,模式2(航点跟随)用蓝色表示,模式3(动态定位)用绿色表示,模式4(接近)用紫色表示,模式5(靠泊)用黄色表示。下载:下载高分辨率图像(918KB)下载:下载全尺寸图像
图21 三种运行条件下的系统状态对比。不同颜色的阴影区域代表不同的操作模式:模式1(离泊)用橙色表示,模式2(航点跟随)用蓝色表示,模式3(动态定位)用绿色表示,模式4(接近)用紫色表示,模式5(靠泊)用黄色表示。下载:下载高分辨率图像(884KB)下载:下载全尺寸图像
图22 三种运行条件下的执行器输出对比。不同颜色的阴影区域代表不同的操作模式:模式1(离泊)用橙色表示,模式2(航点跟随)用蓝色表示,模式3(动态定位)用绿色表示,模式4(接近)用紫色表示,模式5(靠泊)用黄色表示。表4 三种运行条件下纵向速度与航向跟踪误差的均方根值。模式 RMSE(eu) [m/s] RMSE(eψ) [deg] 情况1(正常工况) 情况2(具备故障感知) 情况3(无故障感知) 情况1(正常工况) 情况2(具备故障感知) 情况3(无故障感知) 模式1 0.0866 590.0838 390.1068 12.7563 2.8645 10.298 模式2 0.0554 610.0614 450.0806 2840.7564 5.1393 8.952 模式3 0.1399 00.1510 90.1178 411.3161 0.9511 6.606 模式4 0.0962 100.1258 00.1119 135.4943 3.0793 9.579 模式5 0.1001 90.1550 80.1623 61.0437 3.1682 16.297 注:模式1:离泊;模式2:航点跟随;模式3:动态定位;模式4:接近;模式5:靠泊。表5 三种运行条件下的平均横向误差。模式 情况1(正常工况) 情况2(具备故障感知) 情况3(无故障感知) 模式1 0.0671 040.0811 840.53768 模式2 1.1711 1.4557 1.3484 模式3 0.3714 70.4233 10.51552 模式4 0.2833 31.2073 2.0917 模式5 0.1717 30.2099 0.39242 注:模式1:离泊;模式2:航点跟随;模式3:动态定位;模式4:接近;模式5:靠泊。表6 三种运行条件下各操作模式的完成时间(秒)。模式 情况1(正常工况) 情况2(具备故障感知) 情况3(无故障感知) 模式1 24.464 24.316 47.268 模式2 87.072 90.920 83.252 模式3 46.172 45.864 64.016 模式4 23.136 42.484 32.652 模式5 25.172 33.424 53.696 总计 206.016 237.008 280.884 注:模式1:离泊;模式2:航点跟随;模式3:动态定位;模式4:接近;模式5:靠泊。模式5的完成时间是指直到距离靠泊点首次小于0.1米时的时间。表7 三种运行条件下各推进器的平均功耗。推进器 情况1(正常工况) 情况2(具备故障感知) 情况3(无故障感知) 推进器1 17.679 00 推进器2 17.700 27.7462 1.070 推进器3 14.969 24.9191 9.698 推进器4 15.379 26.3121 9.0417实验结果与讨论
为验证所提出的自主引导、控制及控制分配框架的可行性,我们在三种运行条件下进行了HITL实验:
•案例1(正常运行):四个方位推进器均正常工作。
•案例2(考虑故障的控制分配):假设推进器1完全无法使用,既不产生推力,其伺服旋转功能也被禁用。控制分配算法会根据检测到的故障进行更新,通过重新配置执行器约束集和控制有效性矩阵来排除出现故障的推进器。具体而言,推进器1的推力范围被设定为F1min=F1max=0,对应分配矩阵B1中的该列数值也被设为零,从而使其在力生成过程中不再起作用。
•案例3(不考虑故障的控制分配):推进器1同样无法使用,但控制分配算法仍假设为正常的四推进器配置,无需任何调整。
在存在故障的案例(案例2和案例3)中,如图18所示,推进器1完全处于关闭状态。案例2与案例3的核心区别在于控制分配模型是否根据执行器故障进行了更新。因此,这两种案例之间的性能差异直接体现了在执行器故障情况下保持分配模型一致性的重要性。
三种运行条件下的轨迹如图19所示。需要说明的是,整个任务被划分为五种运行模式:从初始点到达 waypoint 1(靠泊点)时,载具处于靠泊前模式;从靠泊点到达 waypoint 5后,转为路径跟随模式;在waypoint 5与waypoint 6(动态定位点)之间,载具执行动态定位;从动态定位点到达靠泊起点时,处于接近模式;最后则是靠泊模式。横向轨迹误差(CTE)与系统状态分别如图20和图21所示。相应的定量性能指标则总结在表4和表5中。总体而言,如图19所示,无论在何种情况下,该无人水面艇都成功完成了包括靠泊前、路径跟随、动态定位、接近以及靠泊在内的全部自主任务。不过,根据是否将执行器故障 properly纳入控制分配过程,路径质量与跟踪稳定性存在显著差异。
在正常运行状态(案例1)下,载具能够以最小的偏差沿着预定轨迹行进,且各模式间的切换十分平滑。这一特点体现在跟踪指标上——所有模式下的航向误差和瞬时速度误差都保持在较低水平(见表4),同时大多数阶段的CTE也处于最小值(见表5)。这些结果表明,完整的推进能力有助于精确实现指令要求的合力,从而实现稳定且精准的机动控制。当在控制分配过程中明确考虑执行器故障时(案例2),无人水面艇依然能够完成任务,但性能会有一定程度的下降。尽管与案例1相比,尤其是在动态定位和靠泊阶段,会出现更明显的瞬态振荡,但载具仍能持续趋近于预定轨迹和最终靠泊位置。相比之下,在不考虑故障的案例(案例3)中,路径会出现明显扭曲,对准状态持续不佳,跟踪稳定性也大幅降低,尤其是在任务后期。例如,在模式1(靠泊前)和模式4(接近阶段),案例3的最大CTE分别为1米和3米,而案例2的相应数值约为0.5米和2米,相比案例3至少降低了30%。这一对比表明,将执行器故障信息纳入控制分配层对于在性能下降的情况下维持可靠运行至关重要。
三种运行条件下的任务效率可通过表6中记录的各模式持续时间来评估。在正常运行状态(案例1)下,由于具备完整的推进能力以及均衡的力生成机制,载具以最短的总时间完成了任务,大约为206秒,且各模式间的切换十分平滑,没有出现明显的延迟。当在控制分配中考虑执行器故障时(案例2),任务时间会有适度增加,尤其是在接近和靠泊阶段。这种增加是意料之中的,因为剩下的三个推进器必须在可用的力范围内满足相同的运动目标,不得不承担起替代失效推进器的功能。而在不考虑故障的案例(案例3)中,任务时间则最长,约为280秒。从表6可以看出,模式1和模式5(即靠泊前和靠泊阶段)的延迟最为明显,而这正是对低速机动性、航向对准以及横向收敛要求最高的阶段。其原因在于,控制分配仍然会为实际上无法产生推力的失效推进器分配控制力,导致部分计算出的控制力无法实际实现,进而减缓载具的反应速度,延长其达到目标状态的时间。
图22中的执行器响应数据以及表7中的平均功率值,进一步揭示了系统在推进器1失效时的应对方式。需要说明的是,推进功率是根据实验中确定的T200推进器模型来计算的,其表达式为P=a|n|3,其中a=6.838718×10?6,如图3所示。在正常运行状态下,四个方位推进器的推进力分布较为均衡,相应的功率需求也均匀分布。一旦发生故障,案例2中的故障感知控制分配机制会立即重新分配所需的力和力矩,由其余三个正常工作的执行器来承担。如图22所示,这会导致电机指令幅度增大,方位角的变化也更频繁。表7也反映了同样的趋势——推进器2至4的平均功率相比正常运行状态有明显上升。有趣的是,案例3中正常工作推进器的平均功率似乎低于案例2,但这并不能视为能源效率的提升。因为不考虑故障的分配机制仍然认为失效的推进器是可用的,所以部分计算出的控制力会被分配到实际上无法工作的通道上,无法用于有效的推进。换言之,案例3中看似较低的功率需求并非效率更高的表现,而是控制力分配不合理的体现。相比之下,案例2中额外消耗的能量则被有效用于确保力的可行性、航向控制以及最终状态的稳定达成。
总体而言,实验结果一致表明,所提出的故障感知控制分配机制能够在保持性能与控制能耗之间实现切实可行的平衡。虽然它无法在推进器失效后完全恢复到正常状态,但依然能够维持自主运行所需的关键闭环特性,包括可接受的跟踪精度、受控的系统响应、可靠的靠泊机动能力以及任务完成能力。相比之下,不考虑故障的案例(案例3)即便面临相同的硬件故障,也会出现更大的路径偏差、更差的靠泊精度以及更长的任务执行时间。因此,故障容错控制分配机制(案例2)所展现的改进,正是得益于所提出的控制分配重构方案。
8. 结论
本文提出了一种基于QP与RPI方法混合架构的、适用于无人水面艇全自主任务的故障容错控制分配框架。该方法采用了基于机器学习的OEM技术,从实验数据中识别出系统关键的水动力参数。框架采用了基于模式的分配策略:在对位置精度要求较高的阶段,使用QP方法来处理执行器约束问题;而在路径跟随和靠泊接近阶段,则借助RPI方法提升计算效率。为应对执行器故障,该框架引入了故障感知控制分配机制,用于排除出现故障的推进器,并将控制力重新分配给其余正常工作的执行器。所提出的方法通过数值模拟与HITL实验得到了验证,实验结果表明,与不考虑故障的策略相比,该方案能够提升跟踪性能,并更高效地利用执行器资源。
未来的工作将把所提出的混合QP–RPI分配器与在线故障检测与隔离模块相结合。此外,还将研究基于观测器与滤波器的方法,如卡尔曼滤波器、扩展卡尔曼滤波器、未知输入观测器以及基于残差的分析方法,以便准确识别出现故障的推进器、故障类型及其剩余性能。该扩展框架还将针对部分性能下降、方位伺服故障、执行器卡滞故障、检测延迟、误报警以及故障信息不确定等情况进行测试。
虽然HITL实验验证了该框架的实时实现能力及闭环集成效果,但基于模型的系统无法完全再现现实世界中的所有不确定性。未来的工作还将把所提出的混合QP–RPI分配框架与先进的运动控制器相结合,包括滑模控制、模型预测控制、主动干扰抑制控制以及时延控制等。这些方法将有助于提升系统的抗干扰能力、约束处理能力、预测性故障容错性能,同时减少对高精度水动力模型的依赖。此外,还将通过基于卡尔曼滤波器的估计算法来降低传感器噪声的影响。螺旋桨与方位伺服的动力学特性也将被纳入分析范围,同时还会研究基于预测器的补偿方法、史密斯预测器、MPC以及执行器速率约束,以解决执行器响应滞后和通信延迟问题。
CRediT作者贡献说明
Ba-Hoa Thai:写作——审稿与编辑,写作——初稿撰写,验证,软件开发,方法设计,形式化分析,数据整理,概念构建。
Huyntae Bang:软件开发,方法设计。
Jiwoong Ha:写作——审稿与编辑,软件开发。
Eungtai Kim:写作——审稿与编辑,方法设计。
Wonkeun Youn:写作——审稿与编辑,项目监督,项目管理,实验实施。