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

技术摘要：基于数据驱动预测控制与预测自适应视线引导的自主水下航行器三维路径跟踪技术

问题陈述
自主水下航行器（AUV）需要可靠的路径跟踪能力，以执行海洋探测与检查任务。传统的控制架构通常采用分层结构：高层引导系统（如视线法，LOS）生成参考信号，由中层和底层控制器（通常为 PI/PID）进行跟踪。虽然这种方式行之有效，但这类反应式控制器在面对强非线性、执行器饱和以及动态延迟时表现乏力。

替代方案——模型预测控制（MPC）策略通过预判未来行为并处理约束条件，提供了更优越的性能。然而，标准的 MPC 依赖于 AUV 水动力学的显式参数化模型。推导这些模型既复杂又耗时，且由于水动力系数（附加质量、阻力、升力）具有非线性且耦合的特性，往往仅限于特定的工作范围。这种对精确辨识的依赖限制了模型化方法在不同航速、载荷及环境条件下的适用性。

方法论
本文提出了一种全数据驱动的三维路径跟踪框架，消除了对显式水动力建模的需求。该方法将**数据驱动预测控制（DeePC）与一种新型的预测自适应视线（PALOS）**引导律相结合。

1. 用于航向与深度控制的 DeePC：

   • 航向控制： 将标准的 DeePC 公式应用于偏航（yaw）动力学。它利用离线的输入-输出轨迹（舵角偏转与偏航角）来求解受约束的优化问题，从而在无需参数模型的情况下预测系统的未来行为。
   • 级联深度控制： 直接将 DeePC 应用于深度调节是不切实际的，因为升降（heave）动力学的演变速度显著慢于执行器带宽（尾舵偏转），这使得在可行的数据长度内满足持续激励（persistency-of-excitation）要求变得十分困难。为解决这一问题，作者提出了一个具有频率分离特性的级联 DeePC 架构：
     • 内环通过尾舵偏转（$\delta_s$）在高频下调节俯仰角（$\theta$）。
     • 外环在低频下将期望的升降位置（$z_p$）映射为期望的俯仰参考值（$\theta_d$）。
     • 为了实现外环的数据采集，对内环应用了“单位增益假设”（将 $\theta = \theta_d$），从而使外环可以将俯仰角视为其输入。通过两阶段数据采集程序，确保了两个环节均有足够的激励。

2. 预测自适应视线引导（PALOS）：

   • 经典的自适应视线法（ALOS）仅生成单步的航向和俯仰指令。这与需要覆盖整个预测时界的递推时界控制器（如 DeePC）不兼容。
   • 作者将 ALOS 扩展为多步预测形式（PALPOS）。该算法利用指令姿态，在预测时界内递归地向前传播航行器的位置。在每个预测步长处，重新评估 ALOS 律以生成与时界一致的参考轨迹。这使得引导层能够预判路径转换，并直接集成到 DeePC 的优化过程中。

核心贡献

• 级联 DeePC 架构： 一种用于深度调节的新型数据驱动控制结构，它解耦了缓慢的升降动力学与快速的执行器动力学。该架构扩展了 DeePC 的适用范围，使其能够处理主输出演变显著慢于执行器带宽的系统，而这类情况此前因持续激励约束而无法应用。
• 预测 ALOS (PALOS)： 一种引导律扩展方法，将单步 ALOS 输出转化为多步时界一致的参考。它弥合了几何引导与递推时界控制之间的鸿沟，实现了无时界失配伪影的三维航点跟踪。
• 集成框架验证： 通过 REMUS 100 AUV 的高保真六自由度（6-DOF）仿真对整个系统进行了验证，其中包含了非线性水动力、洋流以及执行器约束。

结果
所提出的框架针对四种场景，与最先进的基准模型（经过调优的 PI/PID 控制器和标准 ALOS）进行了对比测试：

1. 常规操作： 由于其预测特性减少了相位滞后，DeePC 控制器展现出优于 PI/PID 的跟踪精度，特别是在升降控制方面。
2. 洋流扰动： 在水平和垂直洋流扰动下，该框架保持了鲁棒的轨迹跟踪能力，在航向、升降和俯仰的均方根误差（RMSE）方面均优于 PI/PID 基准。
3. 超越数据区间运行： 当测试螺旋桨转速显著低于数据采集转速（700 rpm 对比 1000 rpm）时，DeePC 控制器保持了稳定性，并在航行器追赶上速度后恢复了跟踪；相比之下，PI/PID 控制器出现了积分饱和（integral wind-up）和巨大的超调现象。
4. 三维航点路径跟踪： 与 ALOS-PI/PID 基准相比，PALOS-DeePC 系统将横向误差降低了约 28%。内环跟踪误差（航向与俯仰）降低了约一个数量级，证明了数据驱动内层控制层的有效性。

意义
本文声称，这项工作确立了无需承担水动力辨识负担的、全数据驱动预测控制方案在 AUV 上的架构可行性。通过将级联 DeePC 结构与预测引导律相结合，该框架实现了高性能的三维路径跟踪，对环境扰动和非线性具有鲁棒性。结果表明，这种方法为复杂的模型化 MPC 提供了一个实用的替代方案，在消除复杂系统辨识需求的同时，在高保真仿真中始终优于传统的反应式控制策略。未来的工作方向包括将这些方法扩展到全轨迹跟踪，并在物理硬件上进行验证。