⚡ electrical engineering

Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles

Dieses Papier präsentiert ein vollständig datengesteuertes 3D-Pfadfolgesteuerungssystem für autonome Unterwasserfahrzeuge, das datengestützte prädiktive Regelung mit einem prädiktiven adaptiven Line-of-Sight-Folgesteuerungsgesetz kombiniert, um die Notwendigkeit einer expliziten hydrodynamischen Modellierung zu eliminieren und gleichzeitig die Querabweichungen im Vergleich zu aktuellen Benchmarks signifikant zu reduzieren.

Ursprüngliche Autoren: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem U-Boot (speziell einem kleinen, autonomen wie dem REMUS 100) beizubringen, durch den Ozean entlang eines spezifischen 3D-Pfades zu schwimmen, wie etwa einem Drahtgitter-Tunnel im Wasser. Der Ozean ist tückisch: Strömungen drücken das U-Boot zur Seite, das Wasser leistet seinem Bewegungsdrang auf komplexe Weise Widerstand, und der Körper des U-Boots reagiert je nach Geschwindigkeit unterschiedlich.

Traditionell müssen Ingenieure, um dieses U-Boot zu steuern, ein massives, kompliziertes mathematisches „Rezept“ (ein Modell) erstellen, das genau beschreibt, wie das Wasser und das U-Boot interagieren. Sie müssen jeden Widerstandsbeiwert und jedes Massenmerkmal messen, was so ist, als würde man versuchen, das Rezept für einen Kuchen zu schreiben, indem man jedes einzelne Mehlkorn und jeden Tropfen Milch misst, bevor man überhaupt backt. Wenn sich die Bedingungen ändern (wie etwa das Wasser wärmer wird oder das U-Boot eine schwerere Nutzlast trägt), ist dieses Rezept oft nicht mehr korrekt.

Dieser Artikel schlägt einen anderen Weg vor: Schreiben Sie nicht das Rezept. Beobachten Sie einfach das Schwimmen des U-Boots.

Hier ist die Aufschlüsselung ihres neuen „datengesteuerten“ Ansatzes mithilfe einfacher Analogien:

1. Der „Kein-Rezept“-Pilot (DeePC)

Anstatt ein vorgefertigtes mathematisches Modell zu verwenden, nutzt die Autoren eine Methode namens Data-Enabled Predictive Control (DeePC).

Die Analogie: Stellen Sie sich vor, Sie lernen Fahrradfahren. Ein traditioneller modellbasierter Ansatz ist wie das Lesen eines Physik-Lehrbuchs über Reibung und Gleichgewicht, bevor man jemals ein Fahrrad berührt. Der DeePC-Ansatz ist wie ein Trainer, der tausende Stunden Videomaterial von Ihnen beim Radfahren gesehen hat. Wenn Sie schwanken, berechnet der Trainer nicht die Physik; er sagt einfach: „Letztes Mal, als du nach links gelehnt hast, bist du gestürzt. Diesmal lehne dich nach rechts.“
Wie es funktioniert: Das System zeichnet tausende vergangene Bewegungen auf (Eingaben wie das Steuern des Ruders, Ausgaben wie die Position, in die das U-Boot ging). Wenn es eine Entscheidung treffen muss, blict es in seinen „Gedächtnisspeicher“ vergangener Fahrten, um vorherzusagen, was als Nächstes passieren wird. Es muss nicht wissen, warum das Wasser das U-Boot wegdrückt; es weiß nur, dass es das tut, basierend auf dem, was es zuvor gesehen hat.

2. Das „Langsam und Stetig“-Problem (Kaskadierte Steuerung)

Das U-Boot hat zwei Hauptaufgaben: Links/Rechts drehen (Kurs) und Hoch/Runter fahren (Tiefe).

Das Problem: Das Drehen ist schnell (wie ein Kopfnicken). Das Hoch- und Runterfahren ist langsam (wie ein schwerer Aufzug). Wenn man versucht, den langsamen Aufzug mit demselben schnellen „Gedächtnis“-System zu steuern, das für das Drehen verwendet wird, wird das System verwirrt, weil der Aufzug sich noch nicht genug bewegt hat, um gute Daten zu liefern.
Die Lösung: Die Autoren haben ein zweischichtiges System gebaut (Kaskadiertes DeePC).
- Die äußere Schicht (Der Boss): Diese Schicht ist langsam. Sie entscheidet: „Wir müssen tiefer gehen“, und sagt der inneren Schicht: „Neige die Nase ein wenig nach unten.“
- Die innere Schicht (Der Arbeiter): Diese Schicht ist schnell. Sie nimmt den Befehl „nach unten neigen“ entgegen und bewegt sofort die Heckflossen, um dies zu bewirken.
Die Magie: Durch die Trennung kann der „Boss“ vom Erfolg des „Arbeiters“ lernen, ohne von der langsamen Geschwindigkeit der eigentlichen Tiefenänderung überwältigt zu werden. Es ist wie ein General, der Befehle an einen Unteroffizier gibt, der dann die Soldaten kommandiert. Der General muss nicht wissen, wie man marschiert; er muss nur das Ziel kennen.

3. Der „Kristallkugel“-Guide (PALOS)

Um einem Pfad aus treibenden Bojen (Wegpunkten) im 3D-Raum zu folgen, benötigt das U-Boot einen Führer. Der alte Führer (Adaptive Line-of-Sight oder ALOS) war wie eine Person, die hinter Ihnen herläuft, auf die nächste Boje zeigt und sagt: „Geh dahin!“ Aber er zeigte immer nur auf den nächsten Schritt.

Das Problem: Der „Kein-Rezept“-Pilot (DeePC) muss den gesamten Pfad vor sich sehen, um seine Bewegungen zu planen, nicht nur den nächsten Schritt.
Die Lösung: Sie haben Predictive ALOS (PALOS) entwickelt.
- Die Analogie: Anstatt nur auf die nächste Boje zu zeigen, ist PALOS wie eine Kristallkugel. Es simuliert den zukünftigen Pfad des U-Boots Schritt für Schritt. Es fragt: „Wenn ich jetzt nach links drehe, wo werde ich in 5 Sekunden sein? Wo werde ich in 10 Sekunden sein?“ Es berechnet dann die besten Steuerbefehle für die gesamte zukünftige Reise, nicht nur für die unmittelbare nächste Sekunde.
- Dies gibt dem „Kein-Rezept“-Piloten eine klare, langfristige Roadmap, die er befolgen kann, sodass er Kurven und Strömungen antizipieren kann, bevor sie eintreten.

4. Die Ergebnisse: Wie hat es abgeschnitten?

Die Autoren testeten dieses System in einer superrealistischen Computersimulation (einem „digitalen Zwilling“) des REMUS 100 U-Boots. Sie stellten ihr neues System gegen den alten Standard (einen klassischen PI/PID-Regler, der wie ein reaktiver Thermostat ist, der Fehler erst behebt, nachdem sie aufgetreten sind).

Das Ergebnis: Das neue System war signifikant besser.
- Es blieb viel genauer auf Kurs und reduzierte die „Schwankung“ (Querabweichung) im Vergleich zur alten Methode um etwa 28 %.
- Es bewältigte Meeresströmungen und plötzliche Geschwindigkeitsänderungen viel besser.
- Es funktionierte sogar, als das U-Boot langsamer bewegte als die Daten, mit denen es trainiert wurde (ein „Beyond-the-Data“-Test), während das alte System verwirrt war und seine Ziele überschoss.

Zusammenfassung

Der Artikel behauptet, dass sie durch das Vergessen komplexer mathematischer Modelle und das stattdessen Lernen aus vergangenen Daten, sowie durch die Aufteilung der Steuerung in schnelle und langsame Schichten mit einem Kristallkugel-Guide, der vorausblickt, einen klügeren, robusteren Weg zur Steuerung autonomer Unterwasserfahrzeuge geschaffen haben. Es ist ein Wechsel vom „Berechnen der Physik“ zum „Lernen aus Erfahrung“.

Technische Zusammenfassung: Datengestützte prädiktive Regelung mit prädiktiver adaptiver Line-of-Sight-Führung für die 3-D-Pfadverfolgung von autonom unter Wasser fahrenden Fahrzeugen (AUVs)

Problemstellung
Autonome Unterwasserfahrzeuge (AUVs) benötigen zuverlässige Pfadverfolgungsfähigkeiten, um Explorations- und Inspektionsmissionen in der Meeresforschung auszuführen. Traditionelle Steuerungsarchitekturen verwenden typischerweise eine hierarchische Struktur: Ein übergeordnetes Führungssystem (z. B. Line-of-Sight oder LOS) erzeugt Referenzsignale, die von zwischen- und untergeordneten Reglern (oft PI/PID) nachgeregelt werden. Während dies effektiv ist, haben diese reaktiven Regler Schwierigkeiten mit starken Nichtlinearitäten, Aktuatorsättigung und dynamischen Verzögerungen.

Alternative Model Predictive Control (MPC)-Strategien bieten eine überlegene Leistung, indem sie zukünftiges Verhalten antizipieren und Nebenbedingungen berücksichtigen. Standardmäßiges MPC stützt sich jedoch auf explizite parametrische Modelle der AUV-Hydrodynamik. Die Ableitung dieser Modelle ist komplex, zeitaufwendig und oft auf spezifische Arbeitsbereiche begrenzt, was auf die nichtlineare, gekoppelte Natur der hydrodynamischen Koeffizienten (Zusatzmasse, Widerstand, Auftrieb) zurückzuführen ist. Diese Abhängigkeit von einer exakten Identifikation schränkt die Anwendbarkeit modellbasierter Ansätze bei variierenden Geschwindigkeiten, Nutzlasten und Umweltbedingungen ein.

Methodik
Dieses Paper schlägt einen vollständig datengesteuerten 3-D-Pfadverfolgungsrahmen vor, der die Notwendigkeit einer expliziten hydrodynamischen Modellierung eliminiert. Der Ansatz integriert Data-Enabled Predictive Control (DeePC) mit einem neuartigen Predictive Adaptive Line-of-Sight (PALOS) Führungsgesetz.

DeePC für Gier- und Tiefenregelung:
- Gierregelung (Heading Control): Eine Standard-DeePC-Formulierung wird auf die Gierdynamik angewendet. Sie nutzt Offline-Input-Output-Trajektorien (Ruderablenkung und Gierwinkel), um ein beschränktes Optimierungsproblem zu lösen, welches das zukünftige Systemverhalten ohne ein parametrisches Modell vorhersagt.
- Kaskadierte Tiefenregelung: Die direkte Anwendung von DeePC auf die Tiefenregelung ist unpraktisch, da die Hebe-Dynamik (Tiefe) sich signifikant langsamer entwickelt als die Bandbreite des Aktuators (Heckflossenablenkung), was es schwierig macht, die Anforderung an die Persistenz der Erregung innerhalb praktikabler Datenlängen zu erfüllen. Um dies zu adressieren, schlagen die Autoren eine kaskadierte DeePC-Architektur mit Frequenzentkopplung vor:
  - Ein innerer Regelkreis regelt den Nickwinkel ( $\theta$ ) über die Heckflossenablenkung ( $\delta_s$ ) bei hoher Frequenz.
  - Ein äußerer Regelkreis bildet die gewünschte Hebe-Position ( $z_p$ ) auf einen gewünschten Nickreferenzwert ( $\theta_d$ ) bei niedrigerer Frequenz ab.
  - Um die Datenerfassung für den äußeren Regelkreis zu ermöglichen, wird eine „Einheitsgewinn-Annahme“ (unity-gain assumption) auf den inneren Regelkreis angewendet (wobei $\theta = \theta_d$ gesetzt wird), wodurch der äußere Regelkreis den Nickwinkel als seinen Eingang betrachten kann. Ein zweistufiges Datenerfassungsverfahren stellt eine ausreichende Erregung für beide Regelkreise sicher.
Predictive Adaptive Line-of-Sight (PALOS):
- Klassisches Adaptive LOS (ALOS) generiert einen Einzelschritt-Gier- und Nickbefehl. Dies ist inkompatibel mit Rechenhorizont-Reglern wie DeePC, die eine Referenz-Trajektorie benötigen, die über den gesamten Vorhersagehorizont reicht.
- Die Autoren erweitern ALOS zu einer mehrstufigen prädiktiven Formulierung (PALOS). Dieser Algorithmus propagiert die Position des Fahrzeugs rekursiv über den Vorhersagehorizont unter Verwendung der befohlenen Orientierungen. An jedem vorhergesagten Schritt wird das ALOS-Gesetz neu evaluiert, um eine horizontkonsistente Referenz-Trajektorie zu generieren. Dies ermöglicht es der Führungsschicht, Pfadübergänge zu antizipieren und sich direkt in die DeePC-Optimierung zu integrieren.

Wesentliche Beiträge

Kaskadierte DeePC-Architektur: Eine neuartige datengesteuerte Steuerungsstruktur für die Tiefenregelung, die die langsame Hebe-Dynamik von der schnellen Aktordynamik entkoppelt. Dies erweitert die Anwendbarkeit von DeePC auf Pflanzen, bei denen die dominante Ausgangsgröße signifikant langsamer als die Aktorbandbreite evolviert – ein Regime, das zuvor durch die Anforderungen an die Persistenz der Erregung ausgeschlossen war.
Predictive ALOS (PALOS): Eine Erweiterung des Führungsgesetzes, die den Einzelschritt-ALOS-Ausgang in eine horizontkonsistente mehrstufige Referenz transformiert. Dies überbrückt die Lücke zwischen geometrischer Führung und receding-horizon prädiktiver Regelung und ermöglicht eine 3-D-Waypoint-Verfolgung ohne Artefakte durch Horizont-Fehlpassungen.
Validierung des integrierten Frameworks: Das Gesamtsystem wird in einer High-Fidelity 6-DOF-Simulation eines REMUS 100 AUV validiert, die nichtlineare Hydrodynamik, Meeresströmungen und Akturbeschränkungen berücksichtigt.

Ergebnisse
Das vorgeschlagene Framework wurde gegen aktuelle Benchmarks (abgestimmte PI/PID-Regler und Standard-ALOS) in vier Szenarien getestet:

Nominalbetrieb: Der DeePC-Regler zeigte eine überlegene Tracking-Genauigkeit im Vergleich zu PI/PID, insbesondere bei der Tiefenregelung, aufgrund seiner prädiktiven Natur, die die Phasenverzögerung reduziert.
Ozeanische Strömungsstörungen: Das Framework behielt eine robuste Trajektorienverfolgung unter horizontalen und vertikalen Strömungsstörungen bei und übertraf die PI/PID-Baseline im quadratischen Mittel (RMSE) für Gier, Hebebewegung und Nickbewegung.
Betrieb außerhalb des Datensegments: Als das System mit Propellergeschwindigkeiten getestet wurde, die signifikant niedriger waren als die Geschwindigkeit der Datenerfassung (700 rpm gegenüber 1000 rpm), behielt der DeePC-Regler die Stabilität bei und stellte die Verfolgung wieder her, sobald das Fahrzeug aufholen konnte. Im Gegensatz dazu litt der PI/PID-Regler unter Integral-Windup und großen Überschwingern.
3-D-Waypoint-Pfadverfolgung: Das PALOS-DeePC-System reduzierte den Querabweichungsfehler im Vergleich zur ALOS-PI/PID-Baseline um etwa 28 %. Die Tracking-Fehler der inneren Regelkreise (Gier und Nick) wurden um etwa eine Größenordnung reduziert, was die Effektivität der datengesteuerten inneren Steuerungsebene demonstriert.

Bedeutung
Das Paper behauptet, dass diese Arbeit die architektonische Machbarkeit einer vollständig datengesteuerten, prädiktiven Lösung für AUVs ohne die Last der hydrodynamischen Identifikation etabliert. Durch die Kombination einer kaskadierten DeePC-Struktur mit einem prädiktiven Führungsgesetz erreicht das Framework eine hochperformante 3-D-Pfadverfolgung, die robust gegenüber Umweltstörungen und Nichtlinearitäten ist. Die Ergebnisse legen nahe, dass dieser Ansatz eine praktische Alternative zum modellbasierten MPC bietet, indem er die Notwendigkeit komplexer Systemidentifikation eliminiert und in High-Fidelity-Simulationen die klassischen reaktiven Steuerungsstrategien konsistent übertrifft. Als zukünftige Arbeit wird die Erweiterung dieser Methoden auf die vollständige Trajektorienverfolgung sowie die Validierung auf physischer Hardware identifiziert.

1. Der „Kein-Rezept“-Pilot (DeePC)

2. Das „Langsam und Stetig“-Problem (Kaskadierte Steuerung)

3. Der „Kristallkugel“-Guide (PALOS)

4. Die Ergebnisse: Wie hat es abgeschnitten?

Zusammenfassung

Mehr davon