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

Technische Samenvatting: Data-gestuurde Voorspellende Controle met Voorspellende Adaptieve Line-of-Sight Sturing voor 3-D Padvolgendheid van Autonome Onderwater Voertuigen

Probleemstelling
Autonome Onderwater Voertuigen (AUV's) vereisen betrouwbare padvolgende capaciteiten om exploratie- en inspectiemissies in de oceaan uit te voeren. Traditionele controlearchitecturen maken doorgaans gebruik van een hiërarchische structuur: een hoog niveau van sturing (bijv. Line-of-Sight of LOS) genereert referentiesignalen, die worden gevolgd door tussenliggende en laag-niveau controllers (vaak PI/PID). Hoewel effectief, hebben deze reactieve controllers moeite met sterke nietlineariteiten, actuatorverzadiging en dynamische vertragingen.

Alternatieve Model Predictive Control (MPC) strategieën bieden superieure prestaties door toekomstig gedrag te anticiperen en beperkingen (constraints) te hanteren. Echter, standaard MPC vertrouwt op expliciete parametrische modellen van de hydrodynamica van de AUV. Het afleiden van deze modellen is complex, tijdrovend en vaak beperkt tot specifieke werkingsbereiken vanwege de nietlineaire, gekoppelde aard van hydrodynamische coëfficiënten (toegevoegde massa, weerstand, lift). Deze afhankelijkheid van nauwkeurige identificatie beperkt de toepasbaarheid van modelgebaseerde benaderingen bij variërende snelheden, ladingen en omgevingscondities.

Methodologie
Dit artikel stelt een volledig datagestuurde 3-D padvolgende framework voor die de noodzaak voor expliciete hydrodynamische modellering elimineert. De aanpak integreert Data-Enabled Predictive Control (DeePC) met een nieuwe Predictive Adaptive Line-of-Sight (PALOS) sturingswet.

1. DeePC voor Heading- en Dieptecontrole:

   • Heading Control (Richtingcontrole): Een standaard DeePC-formulering wordt toegepast op de gierdynamica (yaw). Deze maakt gebruik van offline input-output trajecten (roeruitslag en gierhoek) om een geoptimaliseerd probleem met beperkingen op te lossen, waarbij het toekomstige systeemgedrag wordt voorspeld zonder een parametrisch model.
   • Gekoppelde Dieptecontrole (Cascaded Depth Control): Directe toepassing van DeePC op diepteregulatie is onpraktisch omdat de dieptedynamica (heave) aanzienlijk langzamer evolueert dan de bandbreedte van de actuator (stern-plane deflectie), wat het moeilijk maakt om aan de eis van persistentie van excitatie (persistency-of-excitation) te voldoen binnen haalbare datalengtes. Om dit aan te pakken, stellen de auteurs een gekoppelde DeePC-architectuur voor met frequentiescheiding tussen de lussen:
     • Een innerlijke lus reguleert de pitch-hoek ($\theta$) via de stern-plane deflectie ($\delta_s$) op een hoge frequentie.
     • Een uiterlijke lus brengt de gewenste dieptepositie ($z_p$) in kaart naar een gewenste pitch-referentie ($\theta_d$) op een lagere frequentie.
     • Om dataccollectie voor de uiterlijke lus mogelijk te maken, wordt een "eenheidswinst-aanname" (unity-gain assumption) toegepast op de innerlijke lus (waarbij wordt aangenomen dat $\theta = \theta_d$), waardoor de uiterlijke lus de pitch-hoek als input kan beschouwen. Een procedure met twee fasen voor dataverzameling zorgt voor voldoende excitatie voor beide lussen.

2. Predictive Adaptive Line-of-Sight (PALOS):

   • Klassieke Adaptive LOS (ALOS) genereert een enkelvoudige heading- en pitch-opdracht. Dit is incompatibel met receding-horizon controllers zoals DeePC, die een referentietraject vereisen dat de gehele voorspellingshorizon beslaat.
   • De auteurs breiden ALOS uit naar een meerstaps voorspellende formulering (PALOS). Dit algoritme propageert de positie van het voertuig recursief vooruit over de voorspellingshorizon met behulp van de opdracht-houdingen. Bij elke voorspelde stap wordt de ALOS-wet opnieuw geëvalueerd om een horizon-consistent referentietraject te generen. Dit stelt de sturingslaag in staat om path-transities te anticiperen en direct te integreren in de DeePC-optimalisatie.

Belangrijkste Bijdragen

• Gekoppelde DeePC-architectuur: Een nieuwe datagestuurde controlestructuur voor diepteregulatie die de trage dieptedynamica ontkoppelt van de snelle actuatordynamica. Dit breidt de toepasbaarheid van DeePC uit naar systemen waarbij de dominante output aanzienlijk langzamer evolueert dan de actuatorbandbreedte, een regime dat voorheen werd uitgesloten door restricties op de persistentie van excitatie.
• Predictive ALOS (PALOS): Een uitbreiding van de sturingswet die de enkelvoudige ALOS-output transformeert naar een horizon-consistent meerstaps referentie. Dit overbrugt de kloof tussen geometrische sturing en receding-horizon predictive control, waardoor horizon-mismatch artefacten bij 3-D waypoint tracking worden voorkomen.
• Integrale Framework Validatie: Het volledige systeem wordt gevalideerd in een high-fidelity 6-DOF simulatie van de REMUS 100 AUV, waarbij rekening wordt gehouden met nietlineaire hydrodynamica, oceaanstromingen en actuatorbeperkingen.

Resultaten
Het voorgestelde framework is getest tegen state-of-the-art benchmarks (getunede PI/PID controllers en standaard ALOS) over vier scenario's:

1. Normale Operatie: De DeePC-controller vertoonde een superieure volggenauwkeurigheid vergeleken met PI/PID, met name in de diepteregeling (heave), dankzij de voorspellende aard die de faseverschuiving (phase lag) vermindert.
2. Oceaanstroom Verstoringen: Het framework behield robuuste trajectvolging onder horizontale en verticale stroomverstoringen, waarbij het de PI/PID-baseline overtrof in de Root Mean Square Error (RMSE) voor gier (yaw), diepte (heave) en pitch.
3. Operatie buiten het Data-regime: Wanneer getest met propellersnelheden die aanzienlijk lager waren dan de dataverzamelsnelheid (700 rpm versus 1000 rpm), behield de DeePC-controller de stabiliteit en herstelde de tracking zodra het voertuig kon inhalen. In contrast hiermee leden de PI/PID-controllers aan integral wind-up en grote overshoots.
4. 3-D Waypoint Padvolging: Het PALOS-DeePC systeem verminderde de cross-track fout met ongeveer 28% vergeleken met de ALOS-PI/PID baseline. De fouten in de innerlijke lussen (yaw en pitch) werden met ongeveer een orde van grootte verminderd, wat de effectiviteit van de datagestuurde innerlijke controlelaag aantoont.

Betekenis
Het artikel beweert dat dit werk de architecturale haalbaarheid vestigt van een volledig datagestuurde, voorspellende controleoplossing voor AUV's zonder de last van hydrodynamische identificatie. Door een gekoppelde DeePC-structuur te combineren met een voorspellende sturingswet, bereikt het framework een hoogwaardige 3-D padvolging die robuust is tegen omgevingsverstoringen en nietlineariteiten. De resultaten suggereren dat deze aanpak een praktisch alternatief biedt voor modelgebaseerde MPC, waarbij de noodzaak voor complexe systeemidentificatie wordt geëlimineerd terwijl het consequent superieure prestaties levert ten opzichte van klassieke reactieve controlesystemen in high-fidelity simulaties. Toekomstig werk wordt geïdentificeerd als het uitbreiden van deze methoden naar volledige trajectvolging en validatie op fysieke hardware.