无人船智能路径跟踪控制设计

摘要：随着海洋资源开发与智能航海技术的快速发展，无人船（USV）在环境监测、军事侦察、物流运输等领域的应用日益广泛。路径跟踪控制作为无人船自主导航的核心技术，需在复杂海洋环境中实现高精度与强鲁棒性。本文提出了一种基于模型预测控制（MPC）与模糊逻辑的混合智能路径跟踪控制策略，结合自适应视线导航算法（ALOS）与动力学优化，通过仿真验证了算法在动态干扰下的有效性。实验结果表明，横向跟踪误差小于0.5米，航向角偏差低于2°，优于传统PID与滑模控制方法。

关键词：无人船；路径跟踪；模型预测控制；模糊逻辑；自适应视线导航

1. 引言

党的十八大以来，以习近平同志为核心的党中央高度重视海洋强国建设。习近平总书记就经略海洋发表一系列重要论述，涉及发展海洋经济、加快海洋科技创新步伐、保护海洋生态环境、推进21世纪海上丝绸之路建设、构建海洋命运共同体等方方面面，为推动海洋强国建设指明了前进方向，提供了根本遵循。

近年来，物联网、大数据、人工智能等新科技的发展及其在航运、船舶工业领域的融合运用，促进了无人船技术及其商业化的快速发展，欧盟、日本、韩国等世界主要造船国家纷纷进行相关研发试验并取得了丰硕成果。无人船（USV）是一种无人操作，以遥控或自主方式在水面航行的智能化系统，具有体积小、速度高、成本低和无人员伤亡风险等优点。数据显示，2014年全球无人船行业市场规模仅1亿美元，2021年增至13.1亿美元，期间增长率为44.41%。我国也非常重视无人船等人工智能产业的发展，2021年我国无人船行业市场规模达到4.81亿元，同比增长21.12%。随着无人船技术的逐渐成熟，将会有越来越多的无人船投入运营，促进无人船市场规模不断壮大。这进一步说明无人船对于船舶行业以及海洋强国的重要性。在这样的大背景下，研究无人船的意义愈加重大。尽管与传统有人驾驶船相比，无人船在降低运营成本、减少人为因素风险、保护海洋环境以及克服海上艰苦工作条件等方面有一定优势，然而在我国，使用无人船还很少见。但在业内人士看来，未来河海各种危险或重复枯燥的工作，都将朝无人化发展，而要想实现这一设想，对无人船还需要进一步的创新，对于无人船运动路径的跟踪控制设计便是一大创新点。

无人船的路径跟踪控制旨在通过实时调整推进器与舵角指令，使其精确跟踪预设路径。然而，海洋环境中的风浪流扰动、船舶动力学非线性特性及执行器饱和等问题，对控制系统的鲁棒性提出了更高要求。传统方法如PID控制易受参数漂移影响，而滑模控制存在高频抖振缺陷。近年来，模型预测控制（MPC）凭借其滚动优化与约束处理能力，成为研究热点。

国内无人船用途多为测绘、水文和水质监测。目前，我们已经对这一设计进行了初步的研究，对LOS制导算法进行了初步的学习和研究。LOS制导是一种基于视线的制导方法，其中L0S代表"Line of Sight"。它是-种常用的制导方式，主要用于导弹、飞行器、导航系统和自动驾驶车辆等领域。

LOS制导具有许多优点，例如简单、高效、实时性强等。它不需要复杂的算法和模型，只需要基本的几何和物理原理。此外，LOS制导还可以在目标的动态变化和环境的不确定性下保持稳定的追踪和制导能力。然而，LOS制导也存在一些局限性。例如，它受到目标和导航系统之间的可视性限制，如果目标被阻挡或脱离视线范围，制导系统就无法正常工作。此外，L0S制导还受到外部干扰和环境扰动的影响，这可能会导致制导的不准确性。

本文创新点包括：

1. 混合控制架构：将MPC的全局优化与模糊逻辑的实时补偿结合，提升复杂环境下的跟踪精度。

2. 自适应视线导航：动态调整接纳圆半径，避免路径切换时的航向突变。

3. 动力学约束优化：引入舵角增量约束与舵机饱和补偿，确保控制指令的物理可实现性。

2. 无人船运动建模与路径跟踪问题

2.1 三自由度运动模型

无人船的水平面运动可简化为纵荡、横荡与艏摇三自由度模型，其运动学方程为：

动力学方程则包含水动力阻尼与推进器作用力，如上式所示。

2.2 路径跟踪问题定义

路径跟踪的目标是使无人船当前位置（x，y）与期望路径点（xd，yd）的横向偏差最小化。通过视线导航（LOS）算法将路径跟踪转化为航向控制问题，计算期望航向角ψd：

3. 智能路径跟踪控制设计

3.1 模型预测控制（MPC）框架

MPC通过滚动时域优化生成控制序列，其核心步骤如下：

1. 路径离散化：将期望路径离散为密集位点集合，裁剪不符合运动规律的位点。

2. 参考点预测：根据当前速度与预测窗口大小，确定未来时刻的参考点集合。

3. 目标函数优化：最小化位置误差、航向偏差与舵角增量加权和：

其中，Np为预测步长，w1=50，w2=1，w3=1000。

3.2 模糊逻辑补偿器

为应对模型不确定性，设计模糊逻辑补偿器动态调整MPC权重：

- 输入变量：横向偏差ey及其变化率e˙y。

- 输出变量：权重系数w1与w2的自适应调整。

模糊规则库基于专家经验构建，例如“若ey大且e˙y正，则增大w1以强化位置跟踪”。

3.3 自适应视线导航（ALOS）

传统LOS算法固定接纳圆半径，易导致路径切换时的航向振荡。本文引入自适应半径公式：

Radapt=ηL（1+γsinθ）

其中，L为船长，θ为路径夹角，γ∈[−1，1]为曲率调节系数。

4. 仿真实验与结果分析

4.1 实验设置

在MATLAB/Simulink中搭建无人船模型，对比MPC-模糊混合控制、传统PID与滑模控制性能。环境干扰设置为：风速5 m/s、海流速度0.3 m/s。

4.2 结果分析

1. 路径跟踪精度：MPC-模糊控制的横向误差均值为0.3 m，较PID（1.2 m）与滑模控制（0.8 m）显著降低。

2. 鲁棒性测试：在突风干扰下，混合控制的最大航向偏差为1.5°，而PID与滑模分别达到4°与3°。

3. 计算效率：单次MPC优化耗时15 ms，满足实时性需求。

5. 结论与展望

本文提出的MPC-模糊混合控制策略在复杂海洋环境中展现了高精度与强适应性。未来研究方向包括：

1. 多传感器融合：引入激光雷达与视觉数据提升环境感知能力。

2. 深度强化学习：结合离线训练与在线优化，降低计算负荷。

3. 异构系统协同：拓展至无人机-无人船协同作业场景。

参考文献

姚建喜，卢冠宇. 一种无人船路径跟踪控制方法[J]. 舰船科学技术， 2024， 46（5）： 109-114.

He Z.， Fan Y.， Wang G.， et al. Global finite-time PLOS-OCCs guidance and adaptive integral sliding mode path following control for unmanned surface vehicles[J]. Ocean Engineering， 2024， 297： 117227.

范云生. 异构类子母式海空机器人系统的自主协同控制[J]. 青年科学基金项目， 2016， 51609033.

王洋，李道亮. 基于智能预测控制的水面无人船路径跟踪方法[J]. 中国航海， 2022， 45（3）： 56-63.

Wang Y.， Cao J.， Sun J.， et al. Path following control for unmanned surface vehicles： A reinforcement learning-based method with experimental validation[J]. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（9）： 5210-5221.

作者简介：陈博武（2004-），男，汉族，山西临汾人，大连海洋大学本科生，研究方向：无人船智能路径跟踪控制设计；马新雨（2004-），男，汉族，辽宁铁岭人，大连海洋大学本科生，研究方向：无人船智能路径跟踪控制设计。