《Frontiers in Marine Science》:Energy-efficient multimodal motion control of hybrid underwater gliders based on an optimized model predictive active disturbance rejection framework
编辑推荐:
混合水下滑翔机(Hybrid Underwater Glider, HUG)是开展长航时、大范围海洋观测的关键平台。然而,在复杂动态海洋环境中实现精确轨迹跟踪仍是一项重大挑战。该研究针对HUG多模态轨迹跟踪问题,提出一种集成自抗扰控制(Active Distu
混合水下滑翔机(Hybrid Underwater Glider, HUG)是开展长航时、大范围海洋观测的关键平台。然而,在复杂动态海洋环境中实现精确轨迹跟踪仍是一项重大挑战。该研究针对HUG多模态轨迹跟踪问题,提出一种集成自抗扰控制(Active Disturbance Rejection Control, ADRC)、模型预测控制(Model Predictive Control, MPC)和自适应视线(Adaptive Line-of-Sight, ALOS)的复合控制框架。首先,建立六自由度动力学模型,设计ALOS,通过动态调整前瞻距离和深度-俯仰耦合机制,实现水平与垂直运动的解耦和平滑制导。其次,验证扩展状态观测器(Extended State Observer, ESO)对系统总扰动的实时估计;MPC替代传统非线性状态误差反馈(Nonlinear Law State Error Feedback, NLSEF),利用滚动优化策略处理执行器物理约束和状态约束,从而增强控制器的预测能力和鲁棒性。最后,通过多模态任务仿真验证框架性能。仿真结果表明,该框架显著优于传统方法。轨迹跟踪过程中,水平跟踪误差保持在3 m以内,深度偏差降至0.52 m;在定深航行阶段,深度波动小于0.15 m。该方法有效解决了模型不确定性和多模式切换下的协同控制挑战。
研究背景与问题:海洋覆盖地球表面约71%,对全球气候调节和资源开发具有重要意义,但传统海洋观测技术受高压、黑暗和广阔环境限制。水下滑翔机(Underwater Glider)依靠调节净浮力和内部质量块重心实现锯齿滑翔,具有长航时优势,但传统浮力驱动水下滑翔机航速通常低于1 kn,机动性差,在强流中难以精确轨迹跟踪或定点观测。混合水下滑翔机(Hybrid Underwater Glider, HUG;集成螺旋桨推进与浮力驱动的平台)兼具长航时和高机动性,但具有欠驱动、强非线性、强耦合等特征。真实海洋中存在未知时变海流、内部参数扰动和模型不确定性,传统PID、反馈线性化鲁棒性不足;PID易超调和稳态误差,滑模控制存在抖振,自抗扰控制(Active Disturbance Rejection Control, ADRC;通过估计并补偿总扰动实现控制的策略)的非线性状态误差反馈(Nonlinear Law State Error Feedback, NLSEF)难处理执行器物理约束,模型预测控制(Model Predictive Control, MPC;基于滚动时域优化的约束控制方法)对模型精度和扰动敏感。多模式浮力驱动、螺旋桨驱动和混合驱动之间的平滑切换与协同控制仍是挑战。因此,研究人员提出ADRC、MPC和自适应视线(Adaptive Line-of-Sight, ALOS;将位置偏差转换为航向或俯仰参考的制导方法)复合框架,以解决HUG三维路径跟踪中的模型不确定性、环境扰动和多模态协同控制问题。相关研究包括Ma Yuyin等对分数阶自抗扰控制的探索、Wang Jieru等对水下滑翔机运动建模与稳定性分析、Wu Hongyu等基于最速降线的轨迹设计;平台方面包括Webb Research的“Slocum Glider”、University of Washington Applied Physics Laboratory的“Seaglider”、Rutgers University的“Twin-Body Glider”、Teledyne Marine的“Slocum G3”、Tianjin University的“Haiyan”系列和Shenyang Institute of Automation的“Haiyi”系列。
主要关键技术方法:建立HUG六自由度动力学模型,定义惯性、载体和速度坐标系;设计三维ALOS,依据横向误差自适应调整前瞻距离Δ,采用深度-俯仰耦合将深度误差映射为俯仰修正;使用切向S型优化跟踪微分器(Tangent-S type Optimized Tracking Differentiator, TSTD)安排过渡;设计扩展状态观测器(Extended State Observer, ESO;实时估计系统状态和总扰动的观测器)估计模型不确定性和环境扰动构成的总扰动;以MPC替代NLSEF,在线局部线性化、零阶保持离散并滚动优化,处理舵角±20°、舵速±5°/s、浮力调整率、俯仰角±30°和攻角等约束。仿真平台为自研HUG原型,引入关键水动力系数较标称值高20%的模型不确定性;海流来自HYCOM 2024年9月5日9:00后处理数据,空间分辨率约1/12°、时间分辨率3 h,海域为15°N–25°N、122°E–127°E。对比PID、MPC、ADRC和ADRC-MPC。
2 混合驱动水下滑翔机数学模型:研究人员建立六自由度动力学模型,定义广义位置和姿态、线速度和角速度,推导质量矩阵,考虑固定部件、可移动电池、净浮力和附加流体动能,为制导控制提供模型基础。
3 ALOS制导设计:3.1 水平面制导:将位置偏差转化为航向偏差,设计基于横向误差e
y的自适应前瞻距离,期望航向综合路径切向、侧滑角和自适应LOS修正。3.2 深度制导:引入深度误差e
z至俯仰补偿,动态增益随深度误差变化率调整,最终俯仰为路径俯仰与补偿之和。3.3 参数敏感性分析:分析前瞻距离敏感系数h和深度-俯仰耦合阻尼因子λ;h小响应快但航向突变,h大平滑但稳态误差增大;λ小俯仰抖动,λ大响应慢;取折中参数以平衡精度和平滑性。
4 MPC优化ADRC设计:4.1 TSTD:采用切向S型优化跟踪微分器,减少超调,微分输出平滑单峰,具低通滤波特性,噪声抑制提高70%以上。4.2 ESO:对滚转、俯仰、偏航设计独立ESO,以俯仰为例将非线性耦合、水动力不确定、参数失配和环境扰动合并为总扰动F
θ,构造三阶线性ESO,通过带宽配置实现状态和扰动渐近估计。4.3 MPC嵌入ADRC:MPC替代NLSEF,接收ESO状态估计和TSTD参考,局部线性化后零阶保持离散,成本函数惩罚跟踪误差、控制增量和控制量,显式处理执行器和状态约束,滚动优化并施加首个控制增量。相对NLSEF直接补偿,MPC在未来预测时域内主动规划,满足约束并提高平滑性。
5 对比实验结果:5.1 试验准备:基于自研HUG原型,仿真引入模型不确定和海流,控制器不获知海流,由ESO在线估计补偿;与PID、MPC、ADRC、ADRC-MPC比较,参数均经优化。5.2 常规滑翔测试:PID深度偏差4.52 m、水平45.68 m、终点38.54 m;MPC为3.07、28.31、22.17 m;ADRC为2.04、20.68、15.73 m;ADRC-MPC为1.23、12.29、8.05 m;ADRC-MPC-ALOS为0.52、9.51、3.37 m,水平精度提高80%,深度精度提高89%,三维误差降低81%。该模式下X轴以2.0 m/s匀速至600 m,Y轴±8 m,下潜深度速率0.25 m/s,横滚±2°,偏航±3°。5.3 混合驱动测试:PID最大深度偏差4.22 m,MPC 2.84 m,ADRC 1.58 m,ADRC-MPC 1.25 m,ADRC-MPC-ALOS 0.42 m;X轴400 m,平均1.0 m/s,Y轴±3 m,恒深±0.8 m,横滚±4°,偏航约60°、波动±1.5°。5.4 多模态任务轨迹跟踪:完成滑翔至目标区、定深穿越、返回滑翔,滑翔阶段水平误差±3 m,定深阶段深度精度±0.15 m,返回终点偏差3 m。5.4 控制努力与能耗:比较总能耗、舵平均绝对控制变化(Mean Absolute Control Variation, MACV)和螺旋桨推力方差;PID为125.4 kJ、4.82°/s、215.6 N
2;MPC为98.2、3.5、19.8;ADRC为87.6、2.9、48.4;ADRC-MPC为68.3、1.86、4.5;ADRC-MPC-ALOS为54.7、1.12、2.2,比PID能耗降低56.3%,并降低机械磨损。
讨论与结论部分:该研究面向混合驱动水下滑翔机高精度、鲁棒三维轨迹跟踪问题,提出ADRC、MPC和ALOS复合控制框架。ALOS通过根据跟踪误差动态调整前瞻距离,提供实时自适应航向指令;ADRC框架通过ESO有效估计并补偿模型不确定性和环境扰动等扰动。通过以模型预测控制器替代传统ADRC系统中的NLSEF实现性能提升,该方法充分利用MPC预测能力主动管理系统动态和约束,通过处理执行器饱和和状态限制,显著提高性能,增强下潜或上浮过程中姿态稳定性并提高跟踪精度,定深航行时深度误差降至0.15 m以内。针对混合推进和多模态轨迹跟踪任务的仿真试验验证了所提方法的有效性;与其他控制方法相比,ADRC-MPC-ALOS控制保持高精度三维轨迹跟踪,水平误差控制在3 m以内,展示平滑模式切换、稳定姿态控制和精确运动解耦。所提ADRC-MPC-ALOS控制框架提供高性能、鲁棒且约束感知的控制方案,增强混合驱动水下滑翔机的运行自主性和任务能力,为长期环境监测、海底地形测绘和受限区域隐蔽航行等挑战性任务奠定基础。未来工作将聚焦于在自研HUG原型机载计算机上实时实现所提控制框架;特别关注在线MPC优化计算负担、机载计算限制对允许采样周期的影响、传感器噪声对ESO估计精度的影响以及控制参数在线自适应整定,并将通过硬件在环实验和后续海试进一步评估。