無人水下航行器控制技術的發展?

劉 洋 孫顯鵬 徐 超 孫玉祥 孫玉臣，3 丁思芃

（1.海軍工程大學教務處 武漢 430033）（2.92330部隊 青島 266000）（3.海軍工程大學兵器工程學院 武漢 430033）（4.海軍工程大學電子工程學院 武漢 430033）

1 引言

無人水下航行器（Unmanned Underwater Vehicles，UUV）具備成本低、體積小、重量輕、靈活性強、可靠度高等多方面優勢，近年來在軍事等海洋領域所受到的重視逐步提高［1］，并在軍事反潛、反水雷、海域偵查、封鎖與反封鎖等方面發揮越來越大的作用。目前世界各國入列使用的UUV 已達幾千艘，相對潛艇等有人控制的航行器，UUV 的控制系統顯著不同。由于海洋環境復雜多變，UUV 運動過程中受海浪、海流及海底地形等因素干擾，導致水動力參數及相關非線性阻尼參數的不確定，結合UUV 水下空間運動模型非線性、強耦合且參數可變的五自由度不確定等特點，UUV 難度較高的控制系統設計對控制精度、性能穩定及魯棒性等都提出了很高要求［2～3］。

2 國內外UUV控制技術現狀與分析

2.1 國外研究狀況

為提高“Ocean Explorer”無人水下航行器分別在水平與垂直方向的控制精度與魯棒性，Song Feijun 等［4］基于滑模控制（Sliding Mode Control，SMC）和模糊控制（Fuzzy Control，FC）設計了滑模模糊縱傾控制器和航向控制器。實艇試驗結果表明，該控制算法抗干擾能力強，大大縮短了連續控制時間。

Campa Giampiero 等［5］針對UUV 航跡跟蹤控制品質受模型線性化、水動力參數攝動等因素影響，提出了基于神經網絡的在線運動線性控制器，試驗驗證了該算法的有效性。

C.Silvestre 等［6］基于非線性變增益控制，對UUV 運動控制品質受無法直接測量的運動狀態影響的問題，提出了一種簡化算法，該算法結合線性矩陣不等式（LMI）理論，由一系列降階次的控制器組成。海試試驗結果表明，利用非線性變增益控制方法設計的線性輸出反饋控制器簇可在航行器“INFANTE”狀態變量不可全部測量的情形下滿足深度控制要求，并控制效果良好。C.Silvestre 等又將該算法應用于水平面控制系統，試驗驗證了其有效性，且參數調節簡單［7］，適合實際應用。

Ji-Hong Li等［8］假設UUV的縱傾始終處于局部較小的條件下，基于非線性控制和自適應控制理論提出了一種深度控制算法。理想假設條件下該算法能夠使UUV 在快速過渡過程中保持高精度控制，但理想假設條件較難滿足，原因是UUV 在實際工作過程中，不同航速工作點下潛時會受到不同外界環境影響，且影響程度較大。該非線性自適應控制算法經修正后，可以實現該算法超出假設范圍后的深度控制，抑制模型誤差引起的干擾。

針對細長形欠驅動UUV 的路徑跟蹤控制問題，Woolsey 等［9］基于李雅普諾夫穩定性理論研究了獨立執行機構數量少于運動自由度情形下的欠驅動系統穩定性問題，并在粘性力和粘性力矩取最小范圍約束時利用李雅普諾夫直接法推導了一種新型控制算法，試驗驗證了該算法有效。

T.I.Fossen［10］將UUV 空間路徑跟蹤控制分為三類:點跟蹤、路徑跟隨及軌跡跟蹤，并利用牛頓-歐拉方程描述UUV 動力學模型，對該6-DOF 微分方程進行詳細分解，對欠驅動無人水下航行器的運動控制方法進行了深入探討，基于李雅普諾夫穩定性理論及其他非線性控制方法設計了路徑跟蹤控制器。三類跟蹤模式的控制效果表明根據不同任務需求制定設計方案可提高控制器設計效率，并能夠滿足控制要求。

Lionel Lapierre 等［11］結合李雅普諾夫函數修正了滑模控制器參數，并提出了魯棒非線性滑模控制策略，提高了誤差收斂速度，使UUV 在外界干擾環境下按照預期航跡進行定速航行。

Ken Teo 等［12］針對UUV 入塢控制問題，設計了TSK 模糊推理系統，并在模糊控制基礎上加入補償控制器，仿真結果證明了，該方法可使UUV 在海流干擾作用下按期望速度定速入塢。

Erkan K 等［13］為優化傳統PID 控制算法，引入了模糊神經網絡進行補償控制，并將模糊神經網絡在線學習與滑模控制理論相結合，獲得了更佳的UUV航跡跟蹤效果。

針對典型MIMO 非線性系統的軌跡跟蹤問題，Bing Chen 等［14］將模糊控制理論應用于反步控制算法中，結合李雅普諾夫函數提出參數自適應率，使閉環系統跟蹤誤差全局收斂。

Yuntao Han 等［15］提出了基于反步控制算法的動態逆控制策略，內環回路通過動態逆控制實現對UUV 非線性方程的解耦，外環回路利用反步控制算法提出控制率以保證系統的全局穩定性，仿真結果表明了控制策略的可行性。

Guoqing Xia 等［16］采用了基于自適應神經網絡的觀測系統以實現對UUV 運行過程中所受的海流干擾及模型中水動力參數的攝動觀測，并結合李雅普諾夫理論提出網絡權重自適應率，仿真結果驗證了算法可行。

Li Ye 等［17］將UUV 水下空間運動問題解耦，采用PID 控制策略對UUV 的水平方向運動和縱深方向運動進行獨立控制，通過模糊自適應策略對PID增益參數進行實時修正，并引入補償控制器以提高UUV六自由度的運動控制精度。

Li Juan 等［18］基于Serret-Frenet 坐標系建立了UUV 三維路徑跟蹤誤差模型，將誤差模型分解為三個子系統并逐級設計虛擬控制率，仿真結果表明在外界擾動下跟蹤誤差收斂迅速，控制效果理想。

2.2 國內研究狀況

劉學敏等［19］針對FC、神經網絡控制算法設計參數調節困難的問題，結合FC 和PID 控制的特點推導出一種適用于UUV 定點控制和路徑跟蹤控制的非線性控制器。大量水池、海試試驗表明該算法抗海流、海浪等干擾的能力強，控制效率高，控制精度優，克服了UUV 非線性動力學特性對控制器設計所造成的困難。

陳海洪等［20］基于SMC和FC理論設計了一種解決UUV 在外界干擾下“CR-02”階躍指令響應較差問題的算法，仿真及水池試驗均表明該算法能夠有效抑制外界干擾對控制造成的誤差，魯棒性強，穩定性高，且可快速穩定。

劉建成等［21］基于自學習理論改進了Sigmoid控制算法，使該算法具有自學習能力，可以根據UUV當前狀態與控制目標的誤差，在初始參數變化的條件下對控制器參數進行實時自主調整。解決了Sigmoid 控制器對運動控制的初始狀態要求嚴格、參數設計經驗要求高的問題，數值仿真試驗結果表明該算法有效。

何斌等［22］基于自抗擾控制技術（ADRC）設計了一種UUV 控制算法。該控制算法利用擴張狀態觀測器估計航行器的內、外部擾動，對其進行補償，并采用跟蹤微分器設計跟蹤目標的過渡過程。仿真結果表明該算法深度控制響應的超調量為零，魯棒性和抗干擾能力強，通過航行器深度控制試驗，驗證了該算法有效。

畢鳳陽等［23］基于SMC 和FC 理論，結合自適應控制思想，提出一種自適應模糊變結構控制器，解決了欠驅動UUV 干擾抑制能力受模型不確定時滯特性影響的問題。仿真試驗結果表明該控制器能高效抑制建模誤差、控制輸入時滯及水動力參數時變等引起的擾動，控制性能較一般SMC 方法有較大提高，有效減少了抖振發生的程度和概率。

杜亮等［24］在UUV 縱傾小范圍變化假設條件下，建立了垂直面的線性化動力學模型，基于模型預測控制理論，使用在線優化策略設計了一種模型預測控制器，意在解決UUV 近水面航行時深度控制受海浪影響而波動的問題。試驗結果表明，在三級海況條件下，該算法能夠保持UUV 航行深度相對穩定，且有較好的動態控制品質。

佘明洪［25］基于流體力學理論，引入濾波函數進行平滑處理，提出了基于NURBS 曲線擬合法的無人水下潛航器的路徑控制方法。實驗驗證，在無人水下潛航器路徑控制方面，該控制方法所需時間及精度均要優于傳統的方法，具有一定的實用性。

劉青［26］通過建立UUV 的五自由度的運動學數學模型，將模型中存在的建模動態和外界環境干擾等因素，等效為系統干擾項，按照運動平面解耦方法簡化模型得到縱傾角模型和深度控制模型。在縱傾角和深度控制上采用動態面滑模和自適應相結合的算法，分別設計縱傾角控制器和深度控制器，使系統能夠在控制過程中動態估計系統的不確定參數，消除反步法引起的微分項膨脹，仿真研究結果驗證了深度-縱傾控制策略不僅有效限制了縱傾角，而且調節時間少。

針對傳統無人水下航行器智能控制范圍較小的實際，李聰等［27］優化了PID 控制器，根據水域深度變化切換不同控制方式。使用粒子群算法對智能控制方式進行規劃并進行最優選擇，實現航行智能控制。試驗結果驗證，所設計的控制系統能在水下2000m 內進行有效控制，比傳統控制系統多出800m的有效范圍。

為減小UUV 大機動時動力學耦合對滾動產生的影響，張秦南等［28］提出了大機動情況下滾動通道模型參考自適應變結構控制方法，將耦合作為干擾處理，同時采用模型參考自適應控制提高系統魯棒性。仿真結果表明，該方法可以有效解決大機動時滾動通道的耦合問題。

付俞鑫［29］建立了大地坐標系下的UUV 五自由度數學模型，采用模糊神經網絡補償PD 航跡跟蹤控制策略中的靜態誤差，采用模糊神經網絡逼近滑模控制算法提高控制系統的學習能力，基于李雅普諾夫穩定性及投影定理實現滑模控制理論網絡參數的在線學習。采用自組織模糊神經網絡逼近反饋線性化控制算法中的不確定項，加入滑模控制器抵消外界擾動，從而減小模糊神經網絡的運算負荷。仿真驗證該方法能較好實現對UUV 的控制。

賈鶴嗚等［30］基于虛擬向導建立UUV 航跡跟蹤誤差，基于工程解耦的思想設計了非線性迭代滑模控制算法，消除了舵角的抖振，減小了穩態誤差。同時提出了基于神經網絡的自適應輸出反饋控制方法［31］，控制器由動態補償的輸出反饋控制項、神經網絡自適應控制項及魯棒控制項共同組成，且由線性觀測器提供神經網絡自適應學習信號，該方法可有效抑制海流干擾，實現UUV 三維航跡的精確跟蹤。

高劍等［32］結合自適應積分反步控制算法，在閉環反饋控制中加入積分項，提高了UUV 對未建模動態特性的魯棒性，克服了參數變化與海流干擾。

徐健等［33］提出了一種定義虛巧速度誤差變量的反步控制設計策略，有效解決了基于視線引導的傳統反步法中存在的奇異值問題，并對傳統反步法的復雜計算進行簡化，最終結合李雅普諾夫函數設計了欠驅動UUV的三維航跡跟蹤控制器。

張偉等［34］針對UUV 回收運動控制，結合模糊和解耦理論設計了一種解耦補償器。經過模糊推理的合成運算和清晰化運算，計算出解耦補償量。仿真結果表明該方法在UUV 回收控制中應用價值較高。

陳世利等［35］針對僅依靠航向PID 控制的矢量推進UUV 高速轉向時航跡跟蹤效果差的問題，提出了航向控制與航速控制雙閉環的控制方法，在航行器高速轉向時，控制器在調整航向的同時依據航向環偏航角差實時控制航速環UUV 轉向目標速度。經理論分析和實驗驗證，在UUV 轉向時，該控制算法可以更好地實現航跡跟蹤，實際航行軌跡與目標航跡的最大偏差可控制在10m以內。

3 無人水下航行器控制技術所面臨的挑戰

無人水下航行器控制雖然可借鑒潛艇等傳統有人水下航行器控制的成功經驗和技術，但受無人水下航行器自身承載能力、控制能力和控制方式等多方面的影響，諸多航行器控制研究仍只停留于理論方面，在實際應用中，仍面臨諸多技術挑戰，主要表現在［36］:

1）與傳統有人航行器相比，目前的UUV 采用“人在回路中”等控制方式較為普遍［37］。由于水下通信條件的限制，岸基操控人員無法實時全面實現對航行器的遙控，而半自主或自主控制方式又對UUV 本身及其子系統設備控制的智能化程度要求很高，尤其在因故障等導致的欠驅動條件下運動控制、便利性的布放回收、集群化協同化作戰以及協調UUV 集群內部的載荷設備綜合控制等方面提出了非常高的要求［38］。

2）在實用環境方面，相對于潛艇等傳統有人航行器，目前的UUV 體型和噸位較小，在運動過程中容易受到風、浪、流及水面海底邊界條件等外界環境的干擾，且該干擾具有不確定性和時變特性，在UUV 發射和回收子系統設備的過程中，控制參數也會發生時變，進而確定UUV 姿態難度大，可能會影響其子系統設備工作的可靠度［39］。

3）實際使用過程中，由于故障或者高速運動時橫向推進失效，正常驅動的UUV 將會工作于欠驅動狀態，并造成UUV 運動的非線性。而水動力系數會隨著UUV 的運動狀態及邊界條件的變化而不斷復雜變化，這使欠驅動運動系統變得更加非線性。且欠驅動系統具有二階非完整性約束，該系統不能被任何光滑的非時變的反饋控制律鎮定，這給穩定工作增加了難度。

4）由于海洋環境的復雜多變、水下目標數據收集難度大，水下大數據構建尚不完備，在一定程度上限制了水下航行器控制技術的進一步發展。目前，采用以專家知識為基礎的人工智能系統來實現航行器自主控制是一個趨勢，但仍需要在附加設備資源管控、控制通道構建、控制故障診斷與容錯處理、水下協同控制等多個方面進一步突破具備自學習能力和自適應能力的水下控制方法。

4 無人水下航行器控制技術的發展

伴隨計算機等技術的發展，UUV 的控制系統也完成了由機械式向數字式的轉變，隨著嵌入式計算機技術的成熟，其在UUV 控制系統中也得到了廣泛應用，使UUV 縮小了體積，降低了功耗，提高了可靠性。除此之外，UUV 控制系統在其他方面也得到了較大發展。

1）分布式控制及總線通信的應用

現有的兩種UUV 運動控制結構中，分布式控制結構與集中式控制結構相比優勢明顯，分布式結構對通信要求低，可靠性強，易于實現航行器模塊化設計，提高系統各模塊的復用率，降低開發周期和成本［40］，所以在工程應用中較為流行。但分布式結構對UUV 系統內部通信網絡要求較高，必須滿足高效、穩定、安全和同步的要求。

現場總線技術的發展，已經可以滿足分布式運動控制結構的要求。運動控制網絡通信協議種類較多且并無統一標準，目前受業界認可的多種主流通信協議中，CAN 總線由于擁有極高的網絡利用率，可以實現一點對一點、一點對多點和全局廣播多種方式，有望成為普遍應用的與分布控制系統相結合的方式［41］。

2）控制器設計的多樣化

目前針對UUV 控制問題主要采用的控制策略有多種，在使用中各有特點［42］。

PID 是最早出現的控制策略之一，該算法簡單、可靠性及穩定性高，可與多種控制算法結合構成智能PID 控制等多種新型算法。但單純的PID算法僅適用于線性系統，不能直接應用于水下航行器這一非線性系統，故此算法不能直接工程應用，必須進行優化。

滑模控制［43］是一種典型的非線性反饋控制策略，可以使運動逐步趨于穩態。該算法對參數變化和外部擾動的魯棒性很強，在工程中應用廣泛［44］，但其算法的不連續性會導致控制器輸出產生抖振［43］。

反步控制是一種遞推控制策略，可以將高階非線性系統分解為不超過系統階數的子系統，該策略引入李雅普諾夫函數設計每個子系統的虛擬控制率以保證各子系統收斂，最終獲得整個閉環系統的實際控制率。

模糊控制是一種智能的經驗控制方法，具有設計簡單、穩定性好、可以方便解決非線性問題等特點，該算法無需掌握系統精確的數學模型，可有效應用于復雜的不確定性非線性系統的控制問題中［45］。但由于模糊控制算法復雜，對主觀經驗要求較高，量化因子［46］的選取在很大程度上會對控制精度產生影響，故設計難度大，當系統控制規則復雜多變或對精度要求較高時，控制效果往往不理想。在實際應用中，常與其他算法結合使用，進而成為一種比較理想的控制策略［47］。

神經網絡控制也是一種智能控制方法，其與控制理論相結合，能以任意精度趨近非線性系統，適合用于復雜非線性控制系統的設計，其學習系統還能夠在無需精確數學模型的基礎上適應UUV 周圍變化緩慢的環境，所以在工程中應用廣泛［48］。但神經網絡在自適應過程中不能對快速變化的外部環境做出較好的調節，無法滿足控制的實時性要求。

3）更多功能模塊的需求

UUV 設計使用的最終目的是為了搭載更多功能模塊，執行探測目標、收集水下數據、發射及回收子系統等多樣化水下任務。隨著水下光學、水聲等傳感器系統的小型化發展，UUV 將在水下探測和通信能力上不斷提高，并可實現自身的更加小型、隱身。由于UUV 的尺寸相對較小，搭載魚水雷等水下武器的能力有限，為實現對較大海域的戰術控制，一般可采取協同化、集群化的作戰方式，這也是對水下無人與無人、有人與無人等平臺之間的通信能力提出了更高要求。

4）仿生控制方式的借鑒

由于魚類等水下生物在控制方式上獨特且成熟，其控制運動的CPG方法能夠在節律性輸入不足的情況下產生節律性輸出，具有良好的機動性、穩定性和推進效率，若能采用仿生手段將生物的各種控制方式引入UUV 控制，滿足航行器節律性控制信號特征的需求，將會使仿生多自由度水下航行器的控制更加高效穩定。

5 結語

隨著美國“第三次抵消戰略”的提出，面對無人水下航行器愈加廣闊的應用前景，不論在軍用還是民用方面，世界各國都正在加緊研制與開發采用最新高科技成果的無人水下航行器。在科技進步的推動下，未來的無人水下航行器結構將更加簡單，功能更加多樣，自適應能力更加強大，可以執行更多的復雜任務，應用范圍進一步擴大，在我國的海洋戰略中，將扮演極其重要的角色。隨著計算機及水下通信等關鍵技術問題的攻克［49］，未來的無人水下航行器性能必將大大提高，應用也將更加廣泛。