⚡ electrical engineering

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

यह शोध पत्र स्वायत्त अंतर्जलीय वाहनों (AUVs) के लिए एक पूर्णतः डेटा-संचालित 3-डी पथ-अनुसरण ढांचे को प्रस्तुत करता है जो स्पष्ट हाइड्रोडायनामिक मॉडलिंग की आवश्यकता को समाप्त करने के लिए डेटा-सक्षम प्रेडिक्टिव कंट्रोल को एक प्रेडिक्टिव एडेप्टिव लाइन-ऑफ-साइट गाइडेंस लॉ के साथ जोड़ता है और अत्याधुनिक बेंचमार्क की तुलना में क्रॉस-ट्रैक त्रुटियों को महत्वपूर्ण रूप से कम करता है।

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

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

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

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक पनडुब्बी (विशेष रूप से, एक छोटा, स्वायत्त वाला REMU 100) को समुद्र में एक विशिष्ट 3D पथ के माध्यम से तैरना सिखाने की कोशिश कर रहे हैं, जैसे कि पानी में एक वायरफ्रेम टनल। महासागर बहुत कठिन है: धाराएं पनडुब्बी को बगल में धकेलती हैं, पानी इसकी गति का जटिल तरीके से विरोध करता है, और पनडुब्बी का अपना शरीर इस बात पर अलग तरह से प्रतिक्रिया करता है कि वह कितनी तेज़ चल रही है।

पारंपरिक रूप से, इस पनडुब्बी को नियंत्रित करने के लिए, इंजीनियरों को एक विशाल, जटिल गणितीय "रेसिपी" (मॉडल) बनानी पड़ती है कि ठीक कैसे पानी और पनडुब्बी आपस में क्रिया करते हैं। उन्हें हर ड्रैग कोएफिशिएंट (drag coefficient) और द्रव्यमान गुण को मापना पड़ता है, जो केक बनाने के लिए हर एक अनाज और दूध की बूंद को मापने जैसा है। यदि स्थितियां बदल जाती हैं (जैसे कि पानी गर्म हो जाता है या पनडुब्बी अधिक भारी पेलोड ले जाती है), तो वह रेसिपी अक्सर गलत हो जाती है।

यह पेपर एक अलग तरीका प्रस्तावित करता है: रेसिपी लिखना बंद करें। बस पनडुब्बी को तैरते हुए देखें।

इस "डेटा-संचालित" दृष्टिकोण का विवरण सरल उपमाओं का उपयोग करके यहाँ दिया गया है:

1. "बिना-रेसिपी" वाला पायलट (DeePC)

एक पूर्व-लिखित गणितीय मॉडल का उपयोग करने के बजाय, लेखक डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल (DeePC) नामक एक विधि का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आप साइकिल चलाना सीख रहे हैं। एक पारंपरिक मॉडल-आधारित दृष्टिकोण घर्षण और संतुलन पर भौतिकी की पाठ्यपुस्तक पढ़ने जैसा है, इससे पहले कि आप कभी साइकिल को छुएं। DeePC दृष्टिकोण उस कोच की तरह है जिसने आपके साइकिल चलाने के हजारों घंटों के वीडियो देखे हैं। जब आप डगमगाते हैं, तो कोच भौतिकी की गणना नहीं करता; वह बस कहता है, "पिछली बार जब आप बाईं ओर झुके थे, तो आप गिर गए थे। इस बार, दाईं ओर झुकें।"
यह कैसे काम करता है: सिस्टम हजारों पिछले आंदोलनों (इनपुट जैसे कि रडर को मोड़ना, आउटपुट जैसे कि पनडुब्बी कहाँ गई) को रिकॉर्ड करता है। जब इसे निर्णय लेने की आवश्यकता होती है, तो यह अपने "मेमोरी बैंक" (स्मृति बैंक) में पिछली यात्राओं को देखता है ताकि यह भविष्यवाणी की जा सके कि आगे क्या होगा। इसे यह जानने की आवश्यकता नहीं है कि पानी पनडुब्बी को क्यों धकेलता है; यह बस इतना जानता है कि यह उसे धकेलता है, जैसा कि इसने पहले देखा है।

2. "धीमी और स्थिर" वाली समस्या (कैस्केडेड कंट्रोल)

पनडुब्बी के दो मुख्य कार्य हैं: बाएं/दाएं मुड़ना (हेडिंग) और ऊपर/नीचे जाना (डेप्थ)।

समस्या: मुड़ना तेज़ होता है (जैसे सिर झटकना)। ऊपर और नीचे जाना धीमा होता है (जैसे एक भारी लिफ्ट)। यदि आप मुड़ने के लिए उपयोग किए जाने वाले तेज़-गति वाले "मेमोरी" सिस्टम का उपयोग करके धीमी लिफ्ट को नियंत्रित करने की कोशिश करते हैं, तो सिस्टम भ्रमित हो जाता है क्योंकि लिफ्ट ने पर्याप्त डेटा देने के लिए पर्याप्त गति नहीं पकड़ी होती है।
समाधान: लेखकों ने एक दो-स्तरीय प्रणाली (कैस्केडेड DeePC) बनाई।
- बाहरी परत (बॉस): यह परत धीमी है। यह तय करती है, "हमें गहरा जाना है," और आंतरिक परत को बताती है, "नाक को थोड़ा नीचे झुकाओ।"
- आंतरिक परत (वर्कर): यह परत तेज़ है। यह "नीचे झुको" कमांड लेता है और तुरंत उस कार्य को पूरा करने के लिए पूंछ के पंखों (tail fins) को हिलाता है।
जादू: उन्हें अलग करके, "बॉस" "वर्कर" की सफलता से सीख सकता है बिना वास्तविक गहराई परिवर्तन की धीमी गति से अभिभूत हुए। यह एक जनरल द्वारा सार्जेंट को आदेश देने जैसा है, जो फिर सैनिकों को कमांड देता है। जनरल को यह जानने की आवश्यकता नहीं है कि मार्च कैसे किया जाता है; उन्हें बस लक्ष्य पता होना चाहिए।

3. "क्रिस्टल बॉल" वाला मार्गदर्शक (PALOS)

3D स्पेस में तैरते हुए बुय (buoys) के पथ का अनुसरण करने के लिए, पनडुब्बी को एक मार्गदर्शक की आवश्यकता होती है। पुराना मार्गदर्शक (एडैप्टिव लाइन-ऑफ-साइट या ALOS) आपके पीछे चलने वाले व्यक्ति की तरह था, जो अगले बुय की ओर इशारा करता था और कहता था, "वहाँ जाओ!" लेकिन यह केवल अगले कदम की ओर इशारा करता था।

समस्या: "बिना-रेसिपी" वाले पायलट (DeePC) को अपने अगले कदम के लिए नहीं, बल्कि भविष्य की योजना बनाने के लिए पूरे पथ को सामने से देखने की आवश्यकता है।
समाधान: उन्होंने प्रेडिक्टिव ALOS (PALOS) बनाया।
- उपमा: केवल अगले बुय की ओर इशारा करने के बजाय, PALOS एक क्रिस्टल बॉल की तरह है। यह पनडुब्बी के भविष्य के पथ का चरण-दर-चरण अनुकरण करता है। यह पूछता है, "यदि मैं अभी बाईं ओर मुड़ता हूँ, तो 5 सेकंड में मैं कहाँ होऊँगा? 10 सेकंड में मैं कहाँ होऊँगा?" फिर यह पूरे भविष्य की यात्रा के लिए सर्वोत्तम स्टीयरिंग कमांड की गणना करता है, न कि केवल तत्काल अगले सेकंड के लिए।
- यह "बिना-रेसिपी" पायलट को एक स्पष्ट, दीर्घकालिक रोडमैप देता है, जिससे वह मोड़ और धाराओं का पूर्वानुमान लगाने में सक्षम होता है।

4. परिणाम: यह कैसा रहा?

लेखकों ने REMUS 100 पनडुब्बी के एक सुपर-रियलिस्टिक कंप्यूटर सिमुलेशन ("डिजिटल ट्विन") में इस प्रणाली का परीक्षण किया। उन्होंने अपने नए सिस्टम को पुराने मानक (एक क्लासिक PI/PID कंट्रोलर, जो एक रिएक्टिव थर्मोस्टेट की तरह है जो केवल त्रुटियों के होने के बाद उन्हें ठीक करता है) के खिलाफ खड़ा किया।

परिणाम: नया सिस्टम काफी बेहतर था।
- यह पथ पर बहुत अधिक सटीकता से बना रहा, जिससे पुराने तरीके की तुलना में "डगमगाहट" (क्रॉस-ट्रैक एरर) में लगभग 28% की कमी आई।
- इसने समुद्री धाराओं और गति में अचानक बदलावों को बहुत बेहतर तरीके से संभाला।
- यह तब भी काम कर गया जब पनडुब्बी उस डेटा से धीमी गति से चल रही थी जिस पर उसे प्रशिक्षित किया गया था (एक "बियॉन्ड द डेटा" टेस्ट), जबकि पुराना सिस्टम भ्रमित हो गया और अपने लक्ष्यों को पार कर गया।

सारांश

पेपर का दावा है कि जटिल गणितीय मॉडलों को भूलकर और इसके बजाय पिछले डेटा से सीखकर, और नियंत्रण को तेज़ और धीमी परतों में विभाजित करके तथा आगे देखने वाले 'क्रिस्टल-बॉल गाइड' के साथ, उन्होंने स्वायत्त अंडरवाटर वाहनों को चलाने का एक स्मार्ट और अधिक मजबूत तरीका बनाया है। यह "भौतिकी की गणना करने" से "अनुभव से सीखने" की ओर एक बदलाव है।

तकनीकी सारांश: स्वायत्त अंडरवाटर व्हीकल (AUV) के 3-D पाथ फॉलोइंग के लिए प्रेडिक्टिव एडेप्टिव लाइन-ऑफ-साइट गाइडेंस के साथ डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल

समस्या विवरण
स्वायत्त अंडरवाटर व्हीकल्स (AUVs) को समुद्री अन्वेषण और निरीक्षण मिशनों को निष्पादित करने के लिए विश्वसनीय पाथ-फॉलोइंग क्षमताओं की आवश्यकता होती है। पारंपरिक नियंत्रण आर्किटेक्चर आमतौर पर एक पदानुक्रमित (hierarchical) संरचना का उपयोग करते हैं: एक उच्च-स्तरीय मार्गदर्शन प्रणाली (जैसे, लाइन-ऑफ-साइट या LOS) संदर्भ संकेत उत्पन्न करती है, जिसे मध्यवर्ती और निम्न-स्तरीय नियंत्रकों (अक्सर PI/PID) द्वारा ट्रैक किया जाता है। हालांकि प्रभावी होने के बावजूद, ये रिएक्टिव कंट्रोलर्स मजबूत नॉनलिनियैरिटीज़, एक्चुएटर सैचुरेशन और डायनेमिक डिलेज़ के साथ संघर्ष करते हैं।

वैकल्पिक मॉडल प्रेडिक्टिव कंट्रोल (MPC) रणनीतियाँ भविष्य के व्यवहार का पूर्वानुमान लगाकर और बाधाओं (constraints) को संभालकर बेहतर प्रदर्शन प्रदान करती हैं। हालाँकि, मानक MPC को AUV हाइड्रोडायनामिक्स के स्पष्ट पैरामीट्रिक मॉडल पर निर्भर रहना पड़ता है। इन मॉडलों को व्युत्पन्न करना जटिल, समय लेने वाला है और अक्सर विशिष्ट ऑपरेटिंग रेंज तक ही सीमित होता है क्योंकि हाइड्रोडायनामिक गुणांक (ऐडेड मास, ड्रैग, लिफ्ट) नॉनलीनियर और कपल्ड होते हैं। सटीक पहचान (identification) पर यह निर्भरता विभिन्न गति, पेलोड और पर्यावरणीय स्थितियों में मॉडल-आधारित दृष्टिकोणों की प्रयोज्यता को सीमित करती है।

कार्यप्रणाली
यह शोध पत्र एक पूर्णतः डेटा-संचालित 3-D पाथ-फॉलोइंग फ्रेमवर्क का प्रस्ताव करता है जो स्पष्ट हाइड्रोडायनामिक मॉडलिंग की आवश्यकता को समाप्त करता है। यह दृष्टिकोण डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल (DeePC) को एक नवीन प्रेडिक्टिव एडेप्टिव लाइन-ऑफ-साइट (PALOS) गाइडेंस लॉ के साथ एकीकृत करता है।

हेडिंग और डेप्थ कंट्रोल के लिए DeePC:
- हेडिंग कंट्रोल: एक मानक DeePC फॉर्मूलेशन को यॉ (yaw) डायनेमिक्स के लिए लागू किया गया है। यह ऑफलाइन इनपुट-आउटपुट ट्राजेक्टरीज (रडर डेफ्लेक्शन और यॉ एंगल) का उपयोग करके एक कंस्ट्रेंड ऑप्टिमाइजेशन समस्या को हल करता है, जो बिना किसी पैरामीट्रिक मॉडल के भविष्य के सिस्टम व्यवहार की भविष्यवाणी करता है।
- कैस्केडेड डेप्थ कंट्रोल: डेप्थ रेगुलेशन के लिए सीधे DeePC का अनुप्रयोग अव्यवहारिक है क्योंकि हीव (heave/depth) डायनेमिक्स, एक्चुएटर बैंडविड्थ (स्टर्न-प्लेन डेफ्लेक्शन) की तुलना में काफी धीमी गति से विकसित होते हैं, जिससे व्यवहार्य डेटा लंबाई के भीतर 'परसिस्टेंस-ऑफ-एक्साइटेशन' (persistency-of-excitation) की आवश्यकता को पूरा करना कठिन हो जाता है। इसे संबोधित करने के लिए, लेखक लूप-फ्रीक्वेंसी सेपरेशन के साथ एक कैस्केडेड DeePC आर्किटेक्चर का प्रस्ताव करते हैं:
  - एक इनर लूप उच्च आवृत्ति पर स्टर्न-प्लेन डेफ्लेक्शन ( $\delta_s$ ) के माध्यम से पिच एंगल ( $\theta$ ) को नियंत्रित करता है।
  - एक आउटर लूप वांछित हीव पोजीशन ( $z_p$ ) को वांछित पिच रेफरेंस ( $\theta_d$ ) में कम आवृत्ति पर मैप करता है।
  - आउटर लूप के लिए डेटा संग्रह सक्षम करने के लिए, एक "यूनिटी-गेन धारणा" (unity-gain assumption) को इनर लूप पर लागू किया जाता है (यह मानते हुए कि $\theta = \theta_d$ ), जिससे आउटर लूप पिच एंगल को अपने इनपुट के रूप में देख सकता है। एक दो-चरणीय डेटा संग्रह प्रक्रिया दोनों लूप्स के लिए पर्याप्त उत्तेजना (excitation) सुनिश्चित करती है।
प्रेडिक्टिव एडेप्टिव लाइन-ऑफ-साइट (PALOS):
- क्लासिकल एडेप्टिव LOS (ALOS) एक सिंगल-स्टेप हेडिंग और पिच कमांड उत्पन्न करता है। यह रिसीडिंग-होराइजन कंट्रोलर्स (receding-horizon controllers) जैसे DeePC के साथ असंगत है, जिन्हें पूरे प्रेडिक्शन होराइजन तक फैली हुई संदर्भ ट्राजेक्टरी की आवश्यकता होती है।
- लेखक ALOS को एक मल्टीस्टेप प्रेडिक्टिव फॉर्मूलेशन (PALOS) के रूप में विस्तारित करते हैं। यह एल्गोरिदम कमांड किए गए एटीट्यूड का उपयोग करके वाहन की स्थिति को प्रेडिक्शन होराइजन के पार आगे बढ़ाता है। प्रत्येक अनुमानित चरण पर, ALOS लॉ को एक होराइजन-कंसिस्टेंट संदर्भ ट्राजेक्टरी उत्पन्न करने के लिए पुन: मूल्यांकित किया जाता है। यह मार्गदर्शन परत को पथ संक्रमणों (path transitions) का पूर्वानुमान लगाने और सीधे DeePC ऑप्टिमाइजेशन में एकीकृत होने की अनुमति देता है।

प्रमुख योगदान

कैस्केडेड DeePC आर्किटेक्चर: डेप्थ रेगुलेशन के लिए एक नवीन डेटा-संचालित नियंत्रण संरचना जो धीमी हीव डायनेमिक्स को तेज़ एक्चुएटर डायनेमिक्स से अलग करती है। यह DeePC की प्रयोज्यता को उन प्लांट्स तक विस्तारित करता है जहाँ डोमिनेंट आउटपुट, एक्चुएटर बैंडविड्थ की तुलना में काफी धीमा विकसित होता है—एक ऐसा क्षेत्र जो पहले 'परसिस्टेंस-ऑफ-एक्साइटेशन' बाधाओं के कारण वर्जित था।
प्रेडिक्टिव ALOS (PALOS): एक गाइडेंस लॉ विस्तार जो सिंगल-स्टेप ALOS आउटपुट को होराइजन-कंसिस्टेंट मल्टीस्टेप रेफरेंस में बदल देता है। यह ज्योमेट्रिक गाइडेंस और रिसीडिंग-होराइजन प्रेडिक्टिव कंट्रोल के बीच के अंतर को पाटता है, जिससे होराइजन-मिसमैच आर्टिफैक्ट्स के बिना 3-D वेपॉइंट ट्रैकिंग संभव होती है।
एकीकृत फ्रेमवर्क वैलिडेशन: संपूर्ण सिस्टम को REMUS 100 AUV के हाई-फिडेलिटी 6-DOF सिमुलेशन में मान्य किया गया है, जिसमें नॉनलीनियर हाइड्रोडायनामिक्स, समुद्री धाराएं और एक्चुएटर कंस्ट्रेंट्स शामिल हैं।

परिणाम
प्रस्तावित फ्रेमवर्क को चार परिदृश्यों में स्टेट-ऑफ-द-आर्ट बेंचमार्क्स (ट्यून्ड PI/PID कंट्रोलर्स और मानक ALOS) के विरुद्ध परखा गया:

नॉमिनल ऑपरेशन: DeePC कंट्रोलर ने PI/PID की तुलना में बेहतर ट्रैकिंग सटीकता प्रदर्शित की, विशेष रूप से हीव कंट्रोल में, क्योंकि इसका प्रेडिक्टिव स्वभाव फेज लैग को कम करता है।
ओशन करंट डिस्टर्बेंस: फ्रेमवर्क ने क्षैतिज और ऊर्ध्वाधर करंट डिस्टर्बेंस के तहत मजबूत ट्राजेक्टरी ट्रैकिंग बनाए रखी, जिसने यॉ, हीव और पिच के लिए RMSE में PI/PID बेसलाइन को पीछे छोड़ दिया।
डेटा रिजीम से परे संचालन: जब डेटा कलेक्शन स्पीड (1000 rpm) की तुलना में काफी कम प्रोपेलर स्पीड (700 rpm) के साथ परीक्षण किया गया, तो DeePC कंट्रोलर ने स्थिरता बनाए रखी और ट्रैकिंग को पुनः प्राप्त किया, जबकि PI/PID कंट्रोलर इंटीग्रल विंड-अप और बड़े ओवरशूट से ग्रस्त हुआ।
3-D वेपॉइंट पाथ फॉलोइंग: PALOS-DeePC सिस्टम ने ALOS-PI/PID बेसलाइन की तुलना में क्रॉस-ट्रैक एरर को लगभग 28% कम कर दिया। इनर-लूप ट्रैकिंग एरर (यॉ और पिच) में लगभग एक ऑर्डर ऑफ मैग्नीट्यूड की कमी आई, जो डेटा-संचालित इनर कंट्रोल लेयर की प्रभावकारिता को प्रदर्शित करता है।

महत्व
यह शोध पत्र दावा करता है कि यह कार्य हाइड्रोडायनामिक आइडेंटिफिकेशन के बोझ के बिना AUVs के लिए एक पूर्णतः डेटा-संचालित, प्रेडिक्टिव कंट्रोल समाधान की आर्किटेक्चरल व्यवहार्यता स्थापित करता है। कैस्केडेड DeePC संरचना को एक प्रेडिक्टिव गाइडेंस लॉ के साथ जोड़कर, फ्रेमवर्क उच्च-प्रदर्शन वाला 3-D पाथ फॉलोइंग प्राप्त करता है जो पर्यावरणीय बाधाओं और नॉनलिनियैरिटीज़ के प्रति मजबूत है। परिणाम बताते हैं कि यह दृष्टिकोण मॉडल-आधारित MPC के लिए एक व्यावहारिक विकल्प प्रदान करता है, जो जटिल सिस्टम आइडेंटिफिकेशन की आवश्यकता को समाप्त करता है और हाई-फिडेलिटी सिमुलेशन में क्लासिकल रिएक्टिव कंट्रोल रणनीतियों से लगातार बेहतर प्रदर्शन करता है। भविष्य के कार्य के रूप में इन विधियों को पूर्ण ट्राजेक्टरी ट्रैकिंग तक विस्तारित करने और उन्हें भौतिक हार्डवेयर पर मान्य करने की पहचान की गई है।

1. "बिना-रेसिपी" वाला पायलट (DeePC)

2. "धीमी और स्थिर" वाली समस्या (कैस्केडेड कंट्रोल)

3. "क्रिस्टल बॉल" वाला मार्गदर्शक (PALOS)

4. परिणाम: यह कैसा रहा?

सारांश

इसी तरह के और पेपर