时变波浪入射角下无人水面艇的路径跟随:仿真与实地实验
《Ocean Engineering》:Unmanned surface vehicle path-following under time-varying wave encounter angle: Simulation and field experiment
【字体:
大
中
小
】
时间:2026年03月03日
来源:Ocean Engineering 6.3
编辑推荐:
王祥|赵永生|穆东东|朱贵兵|孙晓杰中国大连116026,大连海事大学海洋电气工程学院摘要本研究通过提出一种考虑波浪特性的建模与控制框架,解决了无人水面艇在时变波浪环境中的路径跟踪问题。通过将Pierson–Moskowitz(PM)谱与实时波浪遭遇角相结合,建立了动态波浪扰动模
王祥|赵永生|穆东东|朱贵兵|孙晓杰中国大连116026,大连海事大学海洋电气工程学院摘要本研究通过提出一种考虑波浪特性的建模与控制框架,解决了无人水面艇在时变波浪环境中的路径跟踪问题。通过将Pierson–Moskowitz(PM)谱与实时波浪遭遇角相结合,建立了动态波浪扰动模型,实现了从波浪谱特征到无人水面艇横摇力和纵摇力的非线性映射。这使得能够在不同海况下实时模拟波浪场和水动力载荷。基于该模型,设计了一种融合有限时间视距引导与RBF(径向基函数)神经网络的控制策略。在引导回路中加入实时侧滑角估计,以提高在随机波浪激励下的路径跟踪精度。该方法采用实际的波浪诱导力而非理想化的正弦波扰动,并通过仿真验证了其有效性。最后,将该控制策略应用于无人水面艇平台,并在特定海况下的实地实验中进行了验证。结果表明,所提出的方法能够在真实的、时变的海况下保持稳定的路径跟踪性能,有效衔接了基于波浪谱的建模与实际工程应用。引言作为智能海上导航平台,无人水面艇已成为探索和利用海洋资源的重要工具。其紧凑的尺寸和轻巧的结构使其具有很高的灵活性,能够进入大型船只难以到达的区域。此外,无人水面艇还可搭载各种先进的船载系统,包括高分辨率成像设备、声纳技术以及复杂的通信装置,这些大大提升了其作业能力。这些特点使得无人水面艇能够执行多种任务,如海洋环境监测、海底勘测以及紧急搜救行动。郑和刘(2025)对无人水面艇的应用及支撑技术进行了全面概述,指出在复杂且不确定的海洋环境中,对强大控制策略的需求日益增加。路径跟踪是一项基本的控制任务,要求飞行器在没有明确时间限制的情况下趋近并保持在预定的路径上。在现有方法中,视距引导仍是应用最广泛的策略之一。Fossen等人(2003a)提出了用于直线路径跟踪的传统视距引导法则;然而,它并未明确解决由环境干扰引起的侧滑问题。一种直接的补偿侧滑的方法是使用加速度计和GNSS接收机等船载传感器来测量侧滑(Fossen,1994),但这些测量结果不可避免地会受到传感器噪声和不准确性的影响。为了减少对直接测量的依赖,王等人(2015a)在视距引导框架中加入了积分作用,以减轻持续性的干扰。此外,王等人(2015b)提出了一种具有自适应侧滑补偿的视距法则,通过自适应机制估计侧滑角;不过,这种方法通常假设侧滑角变化缓慢,可能不符合实际的多变条件。为更好地处理时变的侧滑动态,人们开发了基于观测器的引导方法。具体而言,Fossen等人(2003b)设计了一种自适应侧滑观测器,Breivik和Fossen(2005)则提出了一种线性扩展状态侧滑观测器,以提高对时变侧滑角的适应性。对于未知且时变的海洋电流,Fossen和Lekkas(2017)设计了直接和间接的非线性路径跟踪控制器,并结合自适应积分视距(AILOS)引导法则,从而降低了电流干扰对无人水面艇的影响。在此框架基础上,郑和孙(2016)进一步改进了AILOS方法,通过引入径向基函数神经网络和辅助系统,以应对参数不确定性和输入饱和问题。尽管有了这些进展,消除外部干扰引起的侧滑仍然是一个挑战(Breivik和Fossen,2005;Fossen等人,2003b;Fossen和Lekkas,2017;郑和孙,2016)。对于欠驱动的无人水面艇来说,这个问题尤为关键,因为侧滑会显著降低路径跟踪精度。例如,江等人(2025)针对受波浪扰动影响的无人水面艇,考虑到视野限制,开发了一种强大的预测视觉伺服框架,证明了其在复杂海洋环境中的更好跟踪性能。由于直接测量侧滑容易受到噪声影响,因此开发可靠的侧滑补偿方法仍是一个重要的研究方向。在引导系统生成参考信号后,控制子系统则是执行路径跟踪的核心组件。现有的无人水面艇控制方法大致可分为传统方法和智能方法两类。传统控制器包括PID控制和基于反步法的设计(Li等人,2022;Zhou等人,2021),以及滑模控制(SMC)(Abrougui等人,2021;Gonzalez-Garcia和Castaneda,2021;Xiao等人,2018)。智能控制策略包括模糊控制(Taghieh等人,2022;Wang等人,2017)、基于神经网络的控制(Han等人,2023;Wang等人,2019)以及事件触发控制(Zhang等人,2023;Zhang等人,2022)。在实际应用中,由于推进器和舵的物理极限导致的执行器饱和是一个重大问题。为了增强对饱和的抵抗能力,穆等人(2017)和邱等人(2019)提出了一种动态辅助饱和系统。类似地,郑和孙(2016)在AILOS框架中整合了带有RBF神经网络的辅助系统,以同时应对参数不确定性和输入饱和问题。为了抑制干扰,余等人(2019)提出了一种结合积分滑模控制和RBF神经网络的自适应路径跟踪控制器。为了降低计算复杂度,刘等人(2016)在线估算神经网络权重的范数作为调节参数,从而在控制性能和实时实现之间取得平衡。然而,大多数现有方法主要针对恒定或缓慢变化的干扰,对于快速变化的波浪诱导干扰效果不佳,这限制了它们在真实海洋环境中的应用。波浪扰动会显著影响无人水面艇的导航和控制性能。Chen等人(2021)、Huang等人(2021)以及Song等人(2022)通过数值仿真和6自由度模型,研究了不同海况下无人水面艇的运动情况,分析了其升沉、俯仰和横滚响应,为时变波浪条件下的路线规划和控制器调优提供了支持。然而,许多路径跟踪研究仍将波浪简化为恒定或正弦波扰动(Fu和Wang,2021;Li等人,2020),这无法充分体现真实的海洋变化特性。因此,准确建模时变的波浪力对于控制设计和仿真精度都至关重要。人们已经探索了多种波浪建模方法。Li(2012)提出了几何方法,因其简单但随机性有限,而物理方法虽然计算成本更高,但能提供更高的真实性(Chen,1995)。为了提高实时仿真质量,人们开发了谱纹理方法(He等人,2005)、多网格方法(Tolman,2008)以及基于平滑粒子流体动力学的方法(Altomare等人,2021)。此外,还使用了Torsethaugen谱(Zhang,2015)和随机有限波浪谱(RFWS)(Zong等人,2019)来生成更真实或极端的海况条件。受这些研究的启发,本文开发了一种波浪建模方案,为无人水面艇的路径跟踪控制生成动态扰动,从而提升仿真真实性并支持实际控制器的验证。本文重点研究在实际波浪扰动条件下无人水面艇的路径跟踪控制问题。大多数现有的无人水面艇路径跟踪研究都将波浪简化为正弦/余弦函数,且缺乏通过实船实地实验的验证,导致理论设计与实际应用之间存在差距。为了解决这一问题,本文的主要贡献如下:(1)将PM谱与动态遭遇角计算相结合,建立了一个时变波浪扰动模型,反映了从波浪谱特征到无人水面艇横摇力和纵摇力的非线性映射。实现了在不同海况下波浪表面和力扰动的实时仿真,再现了真实波浪的关键特征,如随机相位叠加和频率依赖的能量分布。通过与现场浮标测量的比较分析,验证了所提波浪模型的准确性,确保其能够反映实际海况扰动,关键波浪参数的测量值与仿真值之间的平均误差保持在较小范围内。(2)将实时估计的侧滑角纳入有限时间视距引导法则,并将真实的波浪扰动模型集成到基于RBF的自适应控制器中,重点解决现有研究中常被忽视的实际海况扰动问题。这使得能够对时变的波浪力进行在线补偿,确保欠驱动的无人水面艇在随遭遇角变化的实际波浪扰动下仍能保持跟踪精度和稳定性。(3)通过仿真和实地实验进行系统性验证。采用了两阶段验证方式:仿真将所提波浪模型与传统的正弦波模型进行比较,以验证其优越性;并在I类和II类海况下对真实的无人水面艇进行实地实验。一致的仿真和实验结果证明了该方案在真实波浪中的稳定性能,弥合了理论与应用之间的差距。本文结构如下:第2节介绍预备知识与问题表述,包括基本引理和无人水面艇动力学模型,以及波浪遭遇角的定义。第3节详细阐述真实海况扰动的仿真,涵盖波浪谱分析、建模以及波浪力推导。第4节聚焦于侧滑角观测与引导法则的设计。第5节描述了运动控制器的设计过程。第6节给出了仿真和实地实验结果,验证了所提策略的有效性。片段预览预备知识引理1(Shtessel等人,2007)?˙0=?λ0Z1n+1|?0|nn+1sgn(?0)+?1,?˙1=?λ1Z1n|?1??˙0|nn+1sgn(?1??˙0)+?2,??˙n?1=?λn?1Z12|?n?1??˙n?2|12sgn(?n?1??˙n?2)+?n,?˙n∈?λnZsgn(?n??˙n?1)+[?Z,Z]。引理1描述了有限时间微分器的动态特性,其中?i和λi分别代表状态变量和设计增益。这里,n∈N表示微分器的阶数,Z?>?0是微分器动态中已知的总不确定性界限;因此最后一个方程用[?Z,Z]表示。引理2杨氏波浪谱模型分析波浪能量谱反映了不同频率和传播方向上的波浪能量。PM谱常用于模拟开阔海域的波浪,其数学表达式为Moskowitz(1964):Sζ(ω)=8.1×10?3g2ω5exp[?0.74(gvwindω)4],其中vwind是在平均海平面以上19.5米处测得的风速,g为重力加速度。该谱图描述了频率域内的能量分布,量化了波浪能量在不同频率上的分配情况。侧滑角观测与引导法则在本节中,设计了一种有限时间观测器,以精确估计可能超出小角度近似范围的时变侧滑角β。据此,方程(12)中的横向误差动态可以重新表述为:y˙e=γ(u,ψ,ψF,β)+usin(ψ?ψF)?ψ˙Fx,其中非线性项γ定义为:γ(u,ψ,ψF,β)=ucos(ψ?ψF)tanβ。需要注意的是,侧滑角定义为β=arctan(v/u),因此tanβ=v/u,utanβ=v。所以,方程(26)中的合并项可以重新写为动力学与控制设计本章设计了无人水面艇的纵摇和横摇运动控制器,以便跟踪引导系统发出的期望信号,同时使用RBF神经网络来近似模型不确定性和外部干扰。为简化表达,方程(11)中的横摇和纵摇动态通过用相应的惯性系数除以两边,以标准化形式表示。定义标准化的控制输入τˉu?τum11,τˉr?τrm33。那么(11)可以等价表示为u˙=Fu+τˉu+du,r˙=Fr+τˉr+dr。需注意仿真中使用的无人水面艇模型参数取自Wang等人(2025)的研究,m11=2652.52,m22=2825.57,m33=4201.68;d11=848.13,d22=10162.44,d33=22721.63。对于控制策略,设计的参数设置为:ku=5,ks=1,Δ=15,kψ=1,kr=1,ξr=3,σr=0.05,Γr=500I21×21,ξu=3,σu=0.05,Γu=700I21×21。视距前视距离Δ是通过平衡横向误差的收敛速度和生成的引导指令的平滑度来选择的。过小的Δ可能导致振荡结论本研究通过一种综合的、考虑波浪特性的控制框架,涵盖了建模、引导、控制及验证等方面,解决了无人水面艇在时变波浪遭遇角条件下的路径跟踪问题。该框架通过将PM谱与实时遭遇角相结合,建立了动态波浪扰动模型,实现了从波浪谱特征到无人水面艇横摇力和纵摇力的非线性映射。所提出的自适应控制策略采用了具有侧滑补偿的有限时间视距引导法则以及基于RBF神经网络的控制方法。CRediT作者贡献声明王祥:撰写——初稿、项目管理、数据整理。赵永生:指导。穆东东:指导。朱贵兵:指导。孙晓杰:指导。利益冲突声明1)我们确保本文为原创作品,不存在泄露国家秘密或侵权行为。如果出现此类问题,我们将承担全部责任。2)我们确保作者资格不存在争议。如果出现作者权归属的争议,我们将承担所有责任。3) 本文清晰地说明了文中引用他人成果的相关情况。4) 我们保证本文不会提交致谢部分。本项工作得到了中国国家重点研发计划(项目编号2022YFB4301401)、国家自然科学基金(项目编号52301360、61976033)、辽宁省试点基地建设与试点验证计划项目(项目编号2022JH24/10200029)、中国交通教育研究会2024–2026年度教育科学研究项目(项目编号JT2024YB097)以及大连市重点科技研发项目的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号