安庆市网站建设_网站建设公司_全栈开发者_seo优化

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要
本文介绍了一个旨在自主驾驶无人水面车辆（USV）前往一组航点的模型预测控制（MPC）算法。该算法的设计被认为对在海洋环境中遇到的环境干扰具有鲁棒性。
由于本工作旨在作为概念验证，因此对USV和干扰的建模已经简化。对于真实世界的实施，应考虑更准确的建模。
介绍
这项工作是在前一项工作的基础上进行的，前一项工作的目标是自主控制USV通过一组航点。实施了一个带有恒定位置参考（即当前航点）跟踪的MPC算法，但这种控制方案并未取得良好的跟踪性能。问题可能源于在全局坐标系中对位置变量进行的优化是非线性的。因此，决定重新设计MPC策略，使优化更简单，使用角度和前向速度变量（在船舶坐标系中完全线性的表达）进入优化问题。
在这个新版本中，算法试图在恒定的时间范围内跟踪角度和前向速度的参考值。船舶模型以更简单但准确的方式重新编写，并编写了一个“智能”参考提供算法，使系统对干扰更具鲁棒性。
首先将讨论USV的建模，然后是使用的跟踪策略。接着将解释参考提供算法（包括处理干扰），最后将介绍MPC算法和所获得的结果。
USV建模
本部分解释了用于描述USV行为的物理学，并说明了如何对其进行建模以便用于MPC方案。
物理描述
所研究的USV具有类似双体船的结构，每个船体末端都有两个固定的推进器。
下图提供了船只及作用于其上的力的图形视图。

跟踪
之前的部分涉及船只本地坐标系中描述的变量。但为了将船只驶向航点，需要估计船只的位置 - 或进行测量。为了实现这一点，使用了一种称为“死航行”（dead reckoning）的技术。
死航行
技术上讲，死航行等同于在一个时间步长内对船只的速度进行积分，初始条件为实际位置。
由于船只的速度是在其自身的本地坐标系中获得的，因此其在全局坐标系中的位置取决于船只的角度。
同样，将使用状态空间系统来实现这一点。然而，这个系统将是非线性的。
MPC算法
本部分将描述MPC算法以及如何在Matlab中实现它。
之前的MPC控制方案是优化船只在平面上的位置，以驱动它到达下一个航点。这种方法并未取得良好的结果，因为轨迹在任何意义上都不是最佳的。
可能是由于一个糟糕的优化问题引起的，因为船只在全局平面上的位置是由一个非线性系统给出的 - 这是由于船只坐标系和全局坐标系之间的参考框架变换。
因此，决定使用在船只坐标系中轻松表达的变量。注意到船只的角度和巡航速度应该足以控制船只。由于它们可以在船只坐标系中轻松表达，它们应该提供一个更易处理的优化问题。
在建模部分描述的扩展状态空间系统将用于MPC算法 - 加入了干扰的𝐷𝑥项。即使已经用于非扩展系统，标准的𝐴、𝐵符号也将用于其矩阵。
结果
本部分将展示根据本文描述的MPC算法获得的结果。
用于验证该算法的仿真基于包含10个航点的基准轨迹。USV必须按照规定顺序到达这10个航点。这个测试已经在有干扰和无干扰的情况下进行过 - 在第二个图中，粉色箭头表示干扰的方向。
下面的图中从左到右、从上到下分别表示：USV轨迹与航点、施加在每个电机上的推力、前进速度及其参考值、用于提供算法参考的状态向量中的角度、用于MPC算法的状态向量中的角度和𝑦轴船只速度。
在下面的第一个图中 - 无干扰的仿真 - 主要目标显然已经实现：算法以相当优化的方式驱动船只绕过所有航点。然而，观察到船只前进速度存在偏差 - 添加积分增益可能会解决这个问题。并且在第1000个时间步骤左右出现了一个无法解释的角度漂移。

在第二张图中 - 有干扰的仿真 - 主要目标同样已经被清晰地实现。然而，除了前面段落中指出的两个问题外，还出现了另外两个问题：由于与“最佳”路径的距离没有被优化，MPC算法并不关心其轨迹，只要所有航点都被到达，从而导致非最佳轨迹。此外，船只的𝑦轴速度不是一个优化标准，因此所有干扰都通过MPC直接影响船只。问题在于两个电机的角度不可控制，使得校正𝑦轴速度变得困难。

详细文档及数学模型见第4部分。

1. 无人船（USV）概述

1.1 定义与特性

无人水面艇（USV）是一种无需人工直接操控的水面机器人，具备自主/半自主航行能力，通过远程控制或预设程序执行任务。其核心优势包括：

• 多功能性：适用于海洋勘测、环境监测、搜救、军事防御等场景。
• 持久性：采用锂离子电池或太阳能供电，支持长时任务。
• 安全性：替代有人船执行危险任务（如反海盗、水雷清除）。

1.2 分类与技术参数

USV按三类标准分类：

• 自主等级：0级（遥控）至6级（协同自主）。
• 排水量：微型（<1吨）至超大型（>100吨），影响任务负荷与适航性。
• 航速：低速（<10节）至超高速（>50节），关联任务响应需求。

2. 模型预测控制（MPC）技术原理

2.1 核心机制

MPC是一种基于动态模型的前馈-反馈优化控制策略，其工作流程包括：

1. 预测模型：利用USV动力学/运动学模型预测未来状态（位置、航向等）。
2. 滚动优化：在有限时域内求解最优控制序列，最小化成本函数（如跟踪误差、能耗）。
3. 反馈校正：根据实际测量值实时调整预测偏差。

2.2 优势与适用性

• 多变量约束处理：直接集成状态/输入约束（如舵角限幅、速度范围）。
• 抗干扰能力：通过实时优化适应环境扰动（风浪、洋流）。
• 模型兼容性：支持线性（LMPC）与非线性模型（NMPC），后者精度更高但计算复杂。

3. 基于MPC的USV控制研究现状

3.1 轨迹跟踪与路径跟随

• LMPC vs NMPC：
  • LMPC计算效率高（10Hz实时控制），适合轻度非线性场景；NMPC精度更优但需高性能算力。
  • 实验表明：NMPC跟踪误差比LMPC低30%，但计算耗时增加50%。
• 自适应增强：
  • 自适应LOS导航：动态调节路径点接纳圆半径，提升转弯精度（横向误差减少40%）。
  • 补偿扩张状态观测器（ESO）：将模型非线性项与环境干扰视为集总扰动，实时估计并补偿。

3.2 容错控制与模型不确定性

• 推进器故障应对：
  • 结合MPC与反步控制，利用神经网络逼近未知动力学，实现故障下轨迹跟踪（误差收敛至<5%）。
• 在线参数辨识：
  • λ-LS-SVM算法：通过滑动数据窗更新模型参数，适应USV动态变化（如负载变动）。
  • RBF神经网络学习型MPC：修正名义模型误差，提升控制精度。

4. 关键技术挑战与解决方案

4.1 环境干扰不确定性

• 问题：风浪、洋流扰动具有强随机性，传统MPC假设干扰分布导致偏差。
• 解决方案：
  • 干扰观测器（NDO）：集成MPC与NDO，实时估计干扰并前馈补偿（位置误差降低60%）。
  • 多传感器融合：利用风速仪、水流仪构建实时干扰模型。

4.2 实时性与计算效率

• 问题：NMPC非凸优化求解慢，难以满足高速机动需求。
• 解决方案：
  • 硬件加速：CPLEX优化工具实现10Hz控制频率。
  • 智能优化算法：改进PSO算法加速MPC在线求解，响应时间缩短40%。

4.3 模型精度与鲁棒性

• 问题：线性模型在复杂机动下失效，NMPC参数调整复杂。
• 解决方案：
  • 分层控制架构：MPC顶层规划 + 底层执行器控制（如模糊PID）。
  • 学习型MPC：RBF-NN动态修正模型误差，适应不同海况。

5. 实际应用案例与性能验证

5.1 控制算法对比

5.2 典型测试案例

• "Sturgeon" USV测试：
  • 条件：洋流干扰下矩形路径跟踪。
  • 结果：MPC控制横向误差2.3m（比PID降低50%），收敛速度提升40%。
• 鱼雷型USV窄水道试验：
  • 方法：改进PSO-MPC控制器。
  • 结果：超调量<5%，抗干扰能力优于线性MPC。

6. 未来研究方向

1. 高海况自适应导航：结合波浪预测模型增强MPC鲁棒性。
2. 集群协同控制：多USV分布式MPC实现编队作业。
3. AI-MPC融合：集成深度学习预测环境变化，优化滚动时域目标。
4. 硬件在环仿真：构建数字孪生平台验证算法可靠性。

结论

MPC凭借其显式处理约束与扰动的能力，已成为USV高精度自主控制的核心方法。通过融合自适应导航（如LOS）、在线参数辨识（λ-LS-SVM）及容错设计（RBF-MPC），MPC在复杂海洋环境中展现出显著优势。未来研究需进一步平衡实时性与非线性优化精度，推动USV在军事、勘测等场景的规模化应用。

📚2 运行结果

部分代码：

%%%%%%%%%%% - Clean the workspace and close the open figures - %%%%%%%%%%%%
clear
%close all

%%%%%%%%%%%%%%%%%%% - Boat and simulation parameters - %%%%%%%%%%%%%%%%%%%%
m = 37; %Mass of the boat
D = 0.7; %Distance between the motors and the center of mass
I = 0.1; %Moment of inertia (arbitrary value, should be identified)
k = 0.1; %Viscosity coefficient (arbitrary value, should be identified)
Tfinal = 150; %Total simulation time
Te = 0.1; %Sampling period
V_cruise = 2; %Cruise velocity
i = 1; %Loop index
l = 1; %Boat width
h = 1.5; %Boat height

%%%%%%%%%%%%%%% - Vectors used to hold simulation data - %%%%%%%%%%%%%%%%%%
x = zeros(9, ceil(Tfinal/Te)); %State vector for angle reference
u = zeros(2, ceil(Tfinal/Te)); %Input vector
delta_u = zeros(2, ceil(Tfinal/Te)); %Input increment vector
a = zeros(5, ceil(Tfinal/Te)); %State vector for MPC
a_ref = zeros(1, ceil(Tfinal/Te)); %Angle reference

%%%%%%%%%%%%%%%%%%%%%%%%% - Mission planning - %%%%%%%%%%%%%%%%%%%%%%%%%%%%
%x_list = [2 4 32 40 25 10 2]'; %X coordinates of the waypoints
%y_list = [2 15 17 7 0 -5 2]'; %Y coordinates of the waypoints
x_list = [2 2 7 7 12 12 17 17 22 22]';
y_list = [2 22 22 2 2 22 22 2 2 22]';
nb_obj = size(x_list,1); %Number of objectives
r_list = [x_list y_list]; %Objective list containing X and Y data
current_obj = 2; %As the boat starts in the first
%waypoint, the current objective is 2

%%%%%%%%%%%%%%% - State-space system used for the MPC - %%%%%%%%%%%%%%%%%%%
%Initial conditions
a(:,i) = [0 0 1.4181 0 0]'; %Initial state vector
u(:,i) = [0 0]'; %Initial input vector
delta_u(:,i) = [0 0]'; %Initial input increment vector

%System matrices
A = [1 0 0 0 0;... %State matrix
Te 1 0 0 0;...
0 Te 1 0 0;...
0 0 0 1 Te;...
0 0 0 -k/m 1];
B = [D/(2*I) -D/(2*I);... %Input matrix
0 0; 0 0; 0 0; 1/m 1/m];

n_input = size(B,2); %Number of inputs
n_state = size(B,1); %Number of state variables

%Augmented system matrices
A_tilde = [A B; zeros(n_input,n_state), eye(n_input)]; %State matrix
B_tilde = [zeros(n_state,n_input); eye(n_input)]; %Input matrix
C_tilde = [0 0 1 0 0 0 0;... %Output matrix
0 0 0 1 0 0 0];
n_output = size(C_tilde,1); %Number of outputs

%%%%% - State-space system used to provide an angle reference vector - %%%%
x(:,i) = [2 2 1.4181 0 0 0 0 0 0]'; %Initial state vector

%Linearized state matrix
Fx = [1 0 0 0 0 Te*cos(x(3,i)) 0 -Te*sin(x(3,i)) 0;...
0 1 0 0 0 Te*sin(x(3,i)) 0 Te*cos(x(3,i)) 0;...
0 0 1 Te 0 0 0 0 0;...
0 0 0 1 Te 0 0 0 0;...
0 0 0 0 1 0 0 0 0;...
0 0 0 0 0 1 Te 0 0;...
0 0 0 0 0 -k/m 1 0 0;...
0 0 0 0 0 0 0 1 Te;...
0 0 0 0 0 0 0 -k/m 1];
%Linearized input matrix
Fu = [0 0; 0 0; 0 0; 0 0;...
D/(2*I) -D/(2*I); 0 0; 1/m 1/m; 0 0; 0 0];

%%%%%%%%%%%%%%%%%%%%%% - Disturbances modeling - %%%%%%%%%%%%%%%%%%%%%%%%%%
Dx = -0.02; %Disturbance surge on the X axis
Dy = 0.01; %Disturbance surge on the Y axis
alpha = angle(complex(Dx,Dy)); %Angle of the disturbance vector
Dk = [0 0 0 0 0 0 ... %Disturbance vector
(1/m)*Dx*cos(alpha-x(3,i)) 0 (1/m)*Dy*sin(alpha-x(3,i))]';

%%%%%%%%%%%%%%%%%%%%%%%%%% - MPC parameters - %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
nu = 2; %Control horizon
ny = 30; %Prediction horizon
r = zeros(n_output*ny,1); %Angle reference vector

%Matrices used for optimization
gainS = computeGainS(n_output, 1); %Steady-state gain
gainQ = computeGainQ(n_output, [2 0;0 1]); %Outputs running cost gain
gainR = computeGainR(n_input, 1); %Inputs running cost gain
Qbar = computeQbar(C_tilde, gainQ, gainS, ny);
Tbar = computeTbar(gainQ, C_tilde, gainS, ny);
Rbar = computeRbar(gainR, nu);
Cbar = computeCbar(A_tilde, B_tilde, ny, nu);
Abar = computeAbar(A_tilde, ny);
Hbar = computeHbar(Cbar, Qbar, Rbar);
Fbar = computeFbar(Abar, Qbar, Cbar, Tbar);

%State constraints vectors
%[theta_dot_dot theta_dot theta x_dot x_dot_dot U1 U2]
Cmin = [-100 -100 -2*pi 0 -10000 -1000*k/2 -1000*k/2]';
Cmax = [100 100 2*pi V_cruise 10000 1000*k/2 1000*k/2]';

%Quadprog solver options
%Keep the solver quiet
options = optimoptions('quadprog');
options = optimoptions(options, 'Display', 'off');

%Simulation loop
for t=0:Te:(Tfinal-1)
a_tilde = [a(:,i); u(:,i)]; %Augmented state vector for MPC

%Compute the ny next angle objectives
tmp = x(:,i); %Get the current state
obj = current_obj; %Get the current objective
j = 1;
while(j <= n_output*ny)
%Compute the angle of the line between the boat and the waypoint
goal_angle = angle(complex(r_list(obj,1)-tmp(1,1), r_list(obj,2)-tmp(2,1)));

%If the distance between the goal angle and the current angle is
%greater than pi, it means that there is a shorter path to this
%angle than getting all the way around the unit circle
dist = abs(goal_angle - tmp(3,1));
if dist > pi
if tmp(3,1) < 0
goal_angle = tmp(3,1) - (2*pi - dist);
else
goal_angle = tmp(3,1) + (2*pi - dist);
end
end

%Considering an optimal orientation of the boat and equal inputs
%compute the Ny next boat position.
%If the boat is not yet arrived to the waypoint put the goal_angle
%into the reference vector, else recompute the goal angle.
tmp(3,1) = goal_angle;

%Make sure we're using the right state and disturbance matrices
Fx = [1 0 0 0 0 Te*cos(tmp(3,1)) 0 -Te*sin(tmp(3,1)) 0;...
0 1 0 0 0 Te*sin(tmp(3,1)) 0 Te*cos(tmp(3,1)) 0;...
0 0 1 Te 0 0 0 0 0;...
0 0 0 1 Te 0 0 0 0;...
0 0 0 0 1 0 0 0 0;...
0 0 0 0 0 1 Te 0 0;...
0 0 0 0 0 -k/m 1 0 0;...
0 0 0 0 0 0 0 1 Te;...
0 0 0 0 0 0 0 -k/m 1];
Dk = [0 0 0 0 0 0 (1/m)*Dx*cos(alpha-tmp(3,1)) ...
0 (1/m)*Dy*sin(alpha-tmp(3,1))]';

%Make a step forward
tmp = Fx*tmp + Fu*(V_cruise*[k/2;k/2]) + Dk;

%Have we reached the next waypoint ?
if(tmp(1) > r_list(obj,1) - 0.5 && tmp(1) < r_list(obj,1) + 0.5 && ...
tmp(2) > r_list(obj,2) - 0.5 && tmp(2) < r_list(obj,2) + 0.5)
%If yes, update the objective
obj = mod(obj,7) + 1;

🎉3参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]杨瑞雯,刘宇晨,张宇飞,等.基于模型预测的无人车辆自主控制仿真研究[J].计算机仿真, 2023(008):040.

[2]柳晨光. 基于预测控制的无人船运动控制方法研究[D]. 武汉理工大学.

🌈4 Matlab代码、文档下载