高速自主水面艇的状态相关诺莫托建模

《Ocean Engineering》：State-dependent Nomoto modeling for high-speed autonomous surface vessels

　　

•状态依赖的野本模型扩展，涵盖舵角、舰艇速度和加速度。
•模型参数在单次数自由航行海试中不到一分钟内得出。
•数学模型与横摇和纵摇子模型耦合，将舰艇表示扩展为四自由度 (4DOF)。
•识别模型保持高预测决定系数 (R2>0.88)。

引言
自主水面舰艇 (ASV) 被用于近海环境监测、水文测量、港口检查和无人防御行动 (Liu et al., 2016, Bertaska et al., 2015, Zhuang et al., 2019, Peng et al., 2021)。这些平台的制导、导航与控制 (GNC) 系统开发需要部署前验证。软件在环 (SiL) 测试常用于此目的，因为它减少了现场试验成本，加速了开发周期，并允许在没有操作风险的情况下评估非正常工况 (Fossen, 2011)。然而，SiL 环境的效用取决于其舰艇被控对象模型的准确性。如果被控对象模型识别不佳，在仿真中表现良好的控制算法可能在物理水域试验中失败，从而破坏验证过程。

一阶野本方程 (Nomoto et al., 1957) 是广泛用于水面舰艇的降阶操纵模型。选择它是因为其结构简单，并且可以从标准的之字试验或阶跃舵角试验中识别，而无需专用的带拖试验水池设施 (Sutulo et al., 2014)。然而，该模型假设静态操纵指数。经典野本模型的理论推导依赖于在恒定逼近速度下的直航运动周围进行线性化。因此，转舵增益 K 和时间常数 T 被视为固定常数，这将横向和偏航运动与纵向纵荡动力学解耦。在实践中，这些指数随操作条件的变化而变化。在涉及大舵角或高速转换的操纵过程中，纵荡速度、纵荡加速度和舵位置的变化会改变水动力和舵力矩。静态野本参数无法解释这些瞬态变化。

本文介绍了一种一阶野本模型的状态依赖扩展来解决这一局限性。该框架不再将它们视为常数，而是将 K 和 T 表述为舵角、纵荡速度和纵荡加速度的函数。该表述通过包含这些运动学变量来考虑稳态和瞬态操纵。横摇和纵摇子模型是使用计算出的偏航角速度和输入的纵荡速度确定的，这将被控对象表示扩展为四自由度。这种方法在保持经典野本模型结构的同时对其进行修改，以计算在变化速度条件下的开环仿真。

该框架无需预先了解舰艇的水动力学系数即可运行，从单次数自由航行试验中计算参数集。识别通过多阶段流水线执行：
•首先，零相移移动平均滤波器去除惯性传感器数据中的高频噪声，且不引入时间滞后，避免了标准因果滤波器固有的参数偏差。（预训练的时间序列基础模型 TimesFM 也在本节第 3.5 节中作为低滞后因果去噪器进行了探索；发现其作为去噪器的准确性取决于数据集，未被用于生产环境。TimesFM 角色的更广泛消融分析在第 4.5 节中报告。）
•去噪后，自适应窗口最小二乘算法从特定的瞬态段中提取局部化参数序列。
•通过 L2 正则化岭回归将这些参数序列映射为线性结构。
•最后，全局 L-BFGS-B 求解器通过最小化通过零阶保持 (ZOH) 数值积分评估的递归偏航角速度预测损失来细化这些参数。

此顺序流水线保持了物理一致性，并在大约 1 分钟内收敛，允许无需手动调整即可进行参数化。

为了支持该框架，开发了一个定制的 ROS 2 软件在环 (SiL) 环境。该模型采用开环验证模式，使用记录的海试输入驱动模型，以将仿真响应与测量的舰艇行为进行比较。

本研究的主要贡献是引入了一种状态依赖的操纵模型，并由经验识别框架支持并集成到仿真架构中。具体贡献如下：
1.野本模型的新型状态依赖参数化，K(δ,u,u?) 和 T(δ,u,u?)，明确地将纵荡加速度 (u?) 作为一阶修饰符纳入其中。这一理论扩展捕捉了传统静态或速度调度模型所忽略的高速瞬态非线性。
2.计算轻量级的多阶段灰箱识别流水线。这一新颖框架顺序集成窗口 OLS、岭回归和有界 L-BFGS-B 优化，从单次数自由航行试验中提取高度相关的状态参数，完全绕过了对先验水动力学数据的需求。
3.将识别出的状态依赖被控对象与经验横摇和纵摇子模型实际集成到软件在环 (SiL) 架构中。
4.已探索并利用 TimesFM 模型作为野本模型参数化在各种设置中的校正器。

五阶段识别流水线（第 3.5 节）和 ROS 2 SiL 集成（第 3.3 节）在此作为支持参数化的基础设施呈现。

本文其余部分组织如下。第 2 节综述了有关操纵建模、系统识别和海上 SiL 环境的相關工作。第 3 节定义了任务，描述了受测舰艇，详细介绍了 SiL 环境，并推导了混合识别流水线。第 4 节展示了跨试验验证结果和基准比较。第 5 节讨论了研究结果。第 6 节总结全文并概述未来工作。

章节片段

文献综述
为了涵盖与本研究的相關不同领域，文献综述分为五个小节。首先介绍船舶操纵数学模型，其次是船舶操纵的系统识别方法、数据驱动和机器学习方法、时间序列基础模型，以及有关船舶仿真环境的研究。每个小节最后都在本研究的具体方法和贡献的背景下阐述先前的研究。

方法论
本节描述了整体研究任务、受调查的舰艇、SiL 仿真环境以及混合参数识别流水线。图 2 提供了从原始海试数据到 SiL 验证结果的完整端到端工作流的高级概述。

结果
结果分为五个部分。第 4.1 节描述了两个海试数据集的特征，并定义了贯穿全文使用的 2 × 2 验证设计。第 4.2 节报告了识别出的参数及其背后的统计证据。第 4.3 节通过基准比较、超参数敏感性扫描和流水线消融分析，确立了准确性的来源。第 4.4 节评估了识别出的被控对象在与原始舰艇测量值进行开环重放时的表现，并分解了...

讨论
交叉验证结果表明，状态依赖的参数化处于简单的常数参数操纵模型和更复杂的多自由度公式之间一个有用的中间地带。参数向量在两个操作数据集之间的跨应用导致最大偏航角速度 RMSE 增加不到 15%，这支持了识别系数在两种状态之间的一致性。尽管如此，这一结果应被解释...

结论
本研究介绍了一种一阶野本操纵模型的状态依赖扩展，并结合了一种用于高速自主水面舰艇 (ASV) 的混合灰箱识别方法。该公式将野本指数 K 和 T 表示为舵角、纵荡速度和纵荡加速度的函数，并增加了一个偏航角速度偏置项，直接从自由航行海试中计算所有参数，无需先验水动力学数据或带拖试验。因为...

CRediT 作者贡献声明
Ceyda Depeharman: 写作 – 初稿，可视化，验证，软件，调查。Ramazan Toprak: 资源，形式分析，数据整理。Abdulbaki Kocer: 资源，形式分析，数据整理。Gulcin Yarimay: 资源，项目管理，资金获取。Omer Kemal Kinaci: 写作 – 初稿，验证，监督，软件，项目管理，方法论，调查，形式分析，数据整理，概念化。

竞争利益声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文中报告的工作。

致谢
本研究通过机械与化学工业公司 (MKE) 的内部研发资金资助。MKE 的子公司 Anadolu Robotik 提供了技术基础设施和机构支持。最后一位作者得到了伊斯坦布尔理工大学科学研究项目部的支持。

Ceyda Depeharman|Ramazan Toprak|Abdulbaki Kocer|Gulcin Yarimay|Omer Kemal Kinaci