复现复杂控制论文这事儿做过的人都知道表面上看着是公式推来推去真正动起手来知识点一环扣一环稍不留神就被某个矩阵维度或者初值设置卡住半天。今天想聊的这篇是“无人船编队在动态预设性能约束下的包容控制”的论文复现研究我会尽量把从问题建模、控制器设计到Matlab仿真落地的完整思路拆开讲清楚尤其是那些论文里通常一笔带过、但实操时极其关键的细节。这篇内容适合正在做无人船、多智能体协同、预设性能控制或者相关方向毕设、课题研究的朋友也适合想系统了解“带约束的编队控制该如何仿真验证”的工程师。关于Matlab版本我全程用的是R2023b其实R2021以后的核心工具箱差别不大只要装了Simulink和Control System Toolbox就能跑通文中的代码结构。1. 项目背景与核心概念解读1.1 无人船编队控制到底在研究什么无人船准确说是无人水面艇(Unmanned Surface Vehicle, USV)因为成本低、无需人员上船、机动灵活在海洋测绘、环境监测、海上搜救等领域用得越来越多。但单条船能干的活始终有限多船配合才能在更大范围内完成任务这就催生了编队控制问题。编队控制不是简单让几条船按队形往前走那么简单。水面环境有风浪流干扰船本身又是典型的欠驱动系统——只有推进力和舵力没有侧向直接推力横漂控制非常受限。再加上通信带宽有限、传感器噪声不可避免所以编队控制的研究核心在于如何在环境扰动和模型不确定性的前提下让多条船保持期望的相对构型并协同完成作业任务。传统做法里一致性控制、领航-跟随、虚拟结构、人工势场这些都是常见思路。但有一个问题始终绕不开如果一条船掉队了或者偏离了队形怎么把它安全地拉回来这时候如果只追求“最终收敛”而不考虑过程中偏差是否过大系统很可能在调整过程中因为暂态超调过大而失控。预设性能控制(Prescribed Performance Control, PPC)就是为了解决这个问题而出现的。1.2 包容控制从“一致性”到“凸包收敛”包容控制(Containment Control)可以理解成一种特殊的多领导者协同问题。什么叫包容简单说假设编队里有多个“领导者”船和多个“跟随者”船跟随者的任务不是跟踪某一个特定的领导者而是收敛到由所有领导者位置所张成的凸包内部。这里用到一个数学概念凸包。想象三个领导者形成了三角形的三个顶点那这个三角形内部的区域就是它们的凸包。跟随者无论从什么初始位置出发最终都要进入这个三角形区域并且在其中保持稳定这就是包容控制的目标。为什么需要这个因为很多实际任务里领导者未必都在做同样的事情。比如三条母船分别拖拽或探测不同区域子船需要在它们围成的区域内执行精细作业这时候“跟着某一艘船走”就不适用了必须是“待在大家围出来的安全区间内”。相比一般的一致性控制(所有个体最终状态趋于一致)包容控制的控制目标和拓扑要求都更复杂也是这些年多智能体领域比较热门的方向。1.3 动态预设性能约束的作用预设性能控制最核心的思想就是给系统的跟踪误差人为设定一个随时间演化的包络边界。这个边界通常由一个性能函数来刻画例如[ \rho(t) (\rho_0 - \rho_\infty)e^{-kt} \rho_\infty ]其中 (\rho_0) 是初始允许误差上限(\rho_\infty) 是稳态误差允许值(k) 是收敛速度调节因子。误差被强制约束在 ([-\rho(t), \rho(t)]) 区间内只要这个约束不违反那么系统的瞬态性能和稳态性能就都有了理论保证。动态预设性能约束和静态约束的区别在于性能函数本身可以随系统状态、任务需求或者特定条件在线调整而不是一个固定的衰减曲线。这样设计的灵活性更强比如船在转弯或者避障的时候允许误差暂时放宽一点直线巡航的时候再把边界收紧。需要注意的是预设性能并不是“把控制器设计得很保守”那么简单。它的真正价值在于不需要为了保稳定而牺牲响应速度因为误差边界是明确设计出来的可以在保证不超调的前提下尽可能提升快速性。2. 数学模型与控制方案拆解2.1 无人船动力学模型与问题描述在论文复现前首先要建立被控对象的数学模型。绝大多数此类论文都会采用经典的欠驱动水面船三自由度模型即只考虑纵荡、横荡和艏摇这三个运动自由度。我复现用的模型如下[ \begin{cases} \dot{\eta} R(\psi)\nu \ M\dot{\nu} C(\nu)\nu D(\nu)\nu \tau \tau_d \end{cases} ]其中(\eta [x, y, \psi]^T) 是大地坐标系下的位置和航向角(\nu [u, v, r]^T) 是船体坐标系下的纵荡速度、横荡速度和艏摇角速度(R(\psi)) 是旋转矩阵(M) 是惯性矩阵含附加质量(C(\nu)) 是科里奥利力矩阵(D(\nu)) 是阻尼矩阵(\tau) 是控制输入实际仿真里是纵向推力 (F_u) 和转艏力矩 (T_r)(\tau_d) 表示外界环境扰动和未建模动态这条模型的难点在哪它有两个非常典型的“坑”第一是欠驱动特性控制输入维度只有2但需要控制的状态维度是3这导致无法直接通过反馈线性化来设计控制律必须引入中间虚拟量或滑模结构来处理。第二是横荡速度 (v) 不自洽稳定。如果没有外力船体自身的横荡速度会趋于有界振荡或者缓慢漂移这在实际船舶中也很常见——船往前开的时候横摇横荡会自然耦合不可能人为单独把横荡速度锁定为0。所以控制器的设计目标在这个问题里就变成了设计 (\tau [F_u, T_r]^T)使得跟随者的位置误差能够在预设性能边界内收敛到凸包区域同时保证所有闭环信号有界、不违反性能约束。2.2 通信拓扑与凸包约束的数学表达包容控制的通信关系用图论描述。一个典型的有向图 (\mathcal{G} {\mathcal{V}, \mathcal{E}})节点表示船边表示通信连接。领导者之间通常是强连通或者是全连接网络领导者与跟随者的连接则是单向的信息从领导者流向跟随者。在我的实现中领导者数量取 (m) 艘跟随者数量取 (n) 艘。用拉普拉斯矩阵 (\mathcal{L}) 描述整个通信拓扑把节点分成领导者集合 (\mathcal{V}_l) 和跟随者集合 (\mathcal{V}_f) 后(\mathcal{L}) 可以分块为[ \mathcal{L} \begin{bmatrix} \mathcal{L}l 0 \\ \mathcal{L}{fl} \mathcal{L}_f \end{bmatrix} ]包容控制一个很重要的结论是如果每个跟随者都至少存在一条来自某个领导者的路径那么 (\mathcal{L}_f) 是非奇异M矩阵并且 (-\mathcal{L}f^{-1}\mathcal{L}{fl}) 是一个行随机矩阵行和为1。这意味着什么意味着我们可以定义一个跟随着的“虚拟参考信号”[ \eta_{ri}(t) \sum_{j1}^{m} \left[-\mathcal{L}f^{-1}\mathcal{L}{fl}\right]{ij} \eta{lj}(t) ]从这个式子可以直观看出每个跟随者的参考信号是多个领导者位置的一个凸组合权重由拓扑决定。跟随者追踪这个凸组合参考信号就等价于收敛到领导者构成的凸包内。这步推导是整个控制方案的理论基石我一开始没吃透这层关系后面仿真怎么调都感觉逻辑不通后来把这步矩阵变换理清楚了才顺过来。2.3 分布式观测器与误差转换设计在实际场景中不是所有跟随者都能直接测量自己相对每个领导者的位置。这时候就需要设计分布式观测器让每个跟随者基于本地信息和邻居间的通信来实时估计全局凸包参考信号。这里我采用了固定拓扑下的分布式估计器结构[ \dot{\hat{\eta}}{ri}(t) -\gamma \left( \sum{j \in \mathcal{N}i} (\hat{\eta}{ri} - \hat{\eta}{rj}) a_i(\hat{\eta}{ri} - \eta_i) \right) ]其中 (\gamma) 是观测器增益(a_i) 表示跟随者 (i) 是否能直接获取某个领导者信息。观测器的输出 (\hat{\eta}_{ri}) 就是控制律中使用的参考航向和位置信号。观测器设计完接下来要做误差转换。预设性能控制里面的“转换”实际上是一种误差映射目的是把带约束的误差变量变成无约束变量。定义位置跟踪误差向量[ e_i(t) \eta_i(t) - \hat{\eta}_{ri}(t) ]预设性能约束要求每一个误差分量满足[ -\underline{\rho}k(t) e{i,k}(t) \overline{\rho}_k(t) ]其中 (\underline{\rho}_k) 和 (\overline{\rho}_k) 是上下界的性能函数可以是不同参数的衰减函数表示允许的负向和正向误差极限。为了把不等式约束转化为等式约束方便控制设计定义一个严格的单调递增映射函数 (S(\cdot))并令[ \varepsilon_{i,k}(t) S^{-1}\left( \frac{e_{i,k}(t)}{\rho_k(t)} \right) ]比如论文里常用的双曲正切型映射当误差趋近边界时映射值趋近无穷大控制器就会自然产生更强的修正力从而避免穿越边界。这样做的好处是把“确保误差不能超界”这个硬约束转化为了“确保转换后的新变量有界”这个更容易用Lyapunov方法分析的软约束。3. 控制律设计与稳定性论证3.1 滑模面设计与自适应参数更新整个控制器我采用的是基于动态面技术(Dynamic Surface Control, DSC)的自适应反步框架。相比传统反步法DSC的核心改进是引入了一阶低通滤波器来获得虚拟控制律的导数从而避免了反复微分带来的“项爆炸”问题。这对实际代码实现来说非常关键因为纯解析求导在模型复杂时根本没法手算而且仿真中数值微分非常容易放大噪声。先定义虚拟误差变量[ z_{1,i} \varepsilon_i ]然后设计虚拟控制律 (\alpha_i) 使得 (z_{1,i}) 镇定再定义滤波后的虚拟控制量 (v_i)[ \varsigma_i \dot{v}_i v_i \alpha_i,\quad v_i(0)\alpha_i(0) ]其中 (\varsigma_i) 是滤波器时间常数。这一步让后续对虚拟控制求导的部分全部替换为对滤波器状态求导计算量大幅下降代码中只需要传递 (v_i) 的导数值给下一个误差变量即可。再定义速度跟踪误差[ z_{2,i} \nu_i - v_i ]对 (z_{2,i}) 求导并代入动力学方程就把控制力设计问题转化为对 ( \dot{z}_{2,i}) 的镇定问题。由于模型中的 (M, C, D) 矩阵都存在未知项我采用了RBF神经网络(Radial Basis Function Neural Network, RBFNN)逼近综合未知动态[ \hat{f}_i(x) \hat{W}_i^T \phi_i(x) ]其中 (\phi_i(x)) 是高斯径向基函数向量(\hat{W}_i) 是神经网络权重的估计值通过自适应律在线更新[ \dot{\hat{W}}i \Gamma_i \left( \phi_i(x) z{2,i}^T - \sigma_i \hat{W}_i \right) ]这里 (\Gamma_i) 是学习率矩阵(\sigma_i) 是σ修正系数用来防止权重漂移和参数过估计。自适应律的离散化在仿真中使用欧拉方法即可采样周期要和控制器主循环一致一般取 (T_s 0.01s) 或更小。3.2 控制律完整结构与参数关系对照综合起来最终控制律具有如下形式[ \tau_i -k_{2,i} z_{2,i} - \hat{W}_i^T \phi_i(x_i) - \hat{D}i \tanh(z{2,i}/\delta_i) \ldots ]其中第一项是线性反馈项用于镇定速度误差第二项是神经网络自适应补偿项第三项是鲁棒项用来抵偿神经网络逼近残差和外界扰动的上界(\delta_i) 是一个很小的正常数目的是用tanh函数近似符号函数从而避免颤振。为了不让每个参数都靠试错碰运气建议按照以下逻辑来选参数参数符号作用调节思路(k_{2,i})速度误差反馈增益越大收敛越快但过大会放大噪声通常取10~50(\varsigma_i)滤波器时间常数越小越接近原始反步法但太小会产生高频振荡通常0.05~0.2s(\gamma) (观测器增益)参考信号估计速度和通信拓扑相关拓扑平均度高可以取大些(\rho_0, \rho_\infty, k) (性能函数)误差边界始值、终值和衰减率始值要大于初始误差终值决定稳态精度衰减率决定过渡时间(\Gamma_i)神经网络学习率过大会导致权重振荡过小收敛慢从0.1起步调(\delta_i)抗颤振系数太小有颤振太大会产生稳态偏差一般取0.01~0.1这里特别提醒一个我踩过的坑预设性能函数的 (\rho_0) 一定要严格大于系统初始时刻的误差幅值。否则转换函数在初始时刻就超出定义域仿真直接报NaN或者无穷大整个程序崩掉。如果各种初始状态已经固定不好改了那就把 (\rho_0) 设为一个较大的保守值比如初始误差幅值的1.2到1.5倍之后让指数衰减自己去收。3.3 稳定性证明的核心思路论文里一定有大量的Lyapunov分析复现的时候不需要把每一个不等式都抄一遍但核心思路要懂否则看不懂仿真图形的意义。通常的做法是构造如下形式的Lyapunov函数[ V \sum_{i1}^{n} \left( \frac{1}{2} z_{1,i}^T z_{1,i} \frac{1}{2} z_{2,i}^T z_{2,i} \frac{1}{2} \tilde{W}_i^T \Gamma_i^{-1} \tilde{W}i \right) V{observer} ]对 (V) 求导并代入控制律和自适应律然后利用Young不等式和神经网络逼近引理最终得到[ \dot{V} \le -a V b ]其中 (a 0, b 0) 是设计常数。从比较引理可知(V(t)) 指数收敛到半径为 (b/a) 的邻域内。这个式子说明了两件事第一所有误差信号是最终一致有界的这是基本的稳定性保证第二只要性能函数的稳态值 (\rho_\infty) 设定得大于这个最终界那么误差就永远碰不到边界预设性能约束全程不违反。也就是说理论分析的目的是为参数选择提供界限参考而不是真正让你去严格计算。工程实现中(\rho_\infty) 通常取一个比期望稳态精度小一个数量级的值然后在仿真里验证边界是否被触碰。4. Matlab仿真实现与复现要点4.1 仿真环境配置与代码结构规划拿到论文第一步先把环境理清。我使用的是Matlab R2023b不需要额外的Toolbox基础Simulink和MATLAB环境即可。但如果想要代码可读性好、改动方便建议直接用M文件写脚本式仿真而不是一开始就上Simulink模型。原因有三个一是仿真的核心是控制律更新M文件里写循环和矩阵运算直观调试时可以随时打印中间变量二是在Simulink里搭带S函数的预设性能控制器会涉及很多零交叉和代数环问题调试成本高三是论文复现本身就是一个“读懂→改写→验证”的过程脚本式代码更容易对照公式逐行检查。整个项目我分成四个脚本来组织main_simulation.m仿真入口初始化所有参数运行主循环保存结果dynamics_model.m无人船动力学方程函数controller.m控制律和自适应律函数plot_results.m绘图脚本生成轨迹图、误差图、控制输入图这个结构的好处是想单独调某一部分逻辑时不用全局搜代码而且后面想扩展成多组对比实验也方便——只改参数初始化部分就行。4.2 仿真主循环的实现要点主循环是整个仿真的骨架。仿真时间我取了30秒固定步长 (T_s 0.01s)这样总共有3001个采样点。使用固定步长RK4积分器来更新船体动力学状态其中实际仿真代码大致是这么组织的% 主仿真循环 for k 1:sim_steps t (k-1) * Ts; % 获取当前状态 eta state(1:3); nu state(4:6); % 领导者的轨迹提前规划按时间产生 eta_l leader_trajectory(t); % 分布式观测器估计凸包参考信号 eta_r_hat observer_update(eta, eta_l, adj_matrix, gamma, Ts); % 计算跟踪误差 e eta - eta_r_hat; % 误差转换预设性能映射 eps error_transformation(e, rho_upper, rho_lower); % 计算虚拟控制律经过低通滤波器 alpha virtual_control(eps, eta, eta_r_hat); v lowpass_filter_update(v, alpha, tau_filter, Ts); % 计算神经网络自适应项 [W_hat, phi] rbf_update(z2, W_hat, state, Ts); % 计算控制力 tau controller_law(z2, v, W_hat, phi, robust_gain, delta); % 更新船体动力学 state rk4_step((s) dynamics_model(s, tau, tau_disturbance(t)), state, Ts); % 记录数据 history(k, :) [state, tau, e, eps]; end这里有几个细节值得展开说第一是领导者轨迹。论文里通常假设领导者已经实现了轨迹跟踪其速度为有界信号。我在复现中设置三个领导者分别沿着折线、圆形和正弦路径航行速度幅值不同看起来更像实际多船协同场景。领导者的位置每一时刻都要作为观测器的输入。第二是观测器更新。我采用了显式欧拉法更新观测器状态。注意这里观测器增益 (\gamma) 不能和控制器增益相差太大否则会出现“参考信号还在剧烈变动控制器却以为已经跟踪上了”的情况导致误差突变。第三是滤波器状态更新。低通滤波器是DSC方法的核心初始时刻 (v(0) \alpha(0)) 很重要。如果不做这个初始化第一个控制周期会有一个巨大的尖峰仿真初期误差直接飞出预设边界。我在第一次跑的时候就踩了这个坑当时还以为是控制律算错了排查了半天才意识到是滤波器初值问题。4.3 误差转换与预设性能函数的具体代码误差转换函数的实现要特别小心。我以位置误差的x分量为例展示核心代码function eps error_transformation(e, rho_u, rho_l) % e: 跟踪误差向量 % rho_u: 上界性能函数 % rho_l: 下界性能函数 % 归一化误差 zeta_u e ./ rho_u; zeta_l e ./ rho_l; % 使用对数转换函数 % 对于误差在(0, rho_u)内的情况转换值趋近正无穷 % 对于误差在(-rho_l, 0)内的情况转换值趋近负无穷 eps 0.5 * log((1 zeta_u) ./ (1 - zeta_u)) ... 0.5 * log((1 zeta_l) ./ (1 - zeta_l)); end有人说这个转换函数为什么用对数而不是别的形式主要原因是这个映射是双射而且光滑数学处理方便同时满足两个边界条件误差接近上界时转换值趋于正无穷接近下界时趋于负无穷。再加上 (\dot{e}) 表达式里可以比较方便地解出 (\dot{\varepsilon}) 与控制输入的线性关系利于反步法处理。性能函数的更新我放在了主循环外部生成好预先存成向量rho_vector zeros(3, sim_steps1); for k 1:sim_steps1 t (k-1) * Ts; rho_vector(1,k) (rho0_x - rho_inf_x) * exp(-kappa_x * t) rho_inf_x; rho_vector(2,k) (rho0_y - rho_inf_y) * exp(-kappa_y * t) rho_inf_y; rho_vector(3,k) (rho0_psi - rho_inf_psi) * exp(-kappa_psi * t) rho_inf_psi; end把性能函数预先算出来而不是在循环里实时计算既节省了重复计算量也方便统一修改。三个通道的性能函数参数最好独立设置因为位置误差和航向误差的量纲、收敛速度不一样统一参数会拖慢其中一个通道的收敛。4.4 三自由度船体模型的数值积分船体模型的动力学方程矩阵形式如下function dstate dynamics_model(state, tau, tau_d) % state: [x, y, psi, u, v, r] psi state(3); u state(4); v state(5); r state(6); % 船体参数根据标准Cybership II模型 M11 25.8; M22 33.8; M33 2.76; M23 1.0948; M32 1.0948; % 科里奥利项和阻尼系数 C13 -M22*v - M23*r; C31 M22*v M23*r; d11 0.7225; d22 2.0; d33 1.2; d23 0.2; d32 0.2; % 旋转矩阵 R [cos(psi), -sin(psi), 0; sin(psi), cos(psi), 0; 0, 0, 1]; % 质量矩阵 M_mat [M11, 0, 0; 0, M22, M23; 0, M23, M33]; % 阻尼矩阵 D_mat [d11, 0, 0; 0, d22, d23; 0, d32, d33]; nu [u; v; r]; % 动力学方程 C_mat [0, 0, C13; 0, 0, 0; C31, 0, 0]; dnu M_mat \ (-C_mat*nu - D_mat*nu tau tau_d); deta R * nu; dstate [deta; dnu]; end这个模型不算复杂数值稳定性较好。我用RK4积分步长0.01s仿真30秒没有任何发散问题。但要注意如果换成真实船舶的大惯性参数步长可能需要适当缩小或者换更稳定的隐式积分算法否则可能出现高频振荡被放大。对大多数论文复现来说标准船模参数加RK4足够了。5. 仿真结果与复现效果分析5.1 编队轨迹图凸包收敛效果验证跑完仿真第一件要看的图是所有船在二维平面上的轨迹图。三个领导者用不同的线型画出四个跟随者用圆圈标记起始位置、星号标记最终位置。判断收敛效果有三个标准跟随者是否进入了多领导者张成的凸包区域进入过程是否平滑是否出现大幅度超调收敛时间是否在预设性能函数设定的时间范围内。我在复现中发现当观测器增益和控制律增益都取合适值时跟随者的轨迹会呈平滑的弧线进入凸包没有明显的振荡。但初始位置如果设置得太偏比如某跟随者起始位置远离凸包且在领导者连线的外侧那么轨迹会出现一个明显的向内“拉”的运动阶段这个是正常的对应预设性能函数初始段的大误差边界。如果看到跟随者轨迹在凸包边缘来回穿越很多次才稳定就要检查性能函数的收敛速度因子是否匹配控制律的收敛速度。误差边界收敛得太快控制项主导性增强容易造成振荡边界收敛得太慢系统会被“过度约束”响应迟钝。5.2 误差曲线与预设性能边界图第二个关键图是误差随时间变化的曲线以及预设性能函数的上下边界曲线。预设性能约束的核心验证指标就是误差曲线是否始终位于两条边界曲线之间。我用的绘图逻辑如下% 绘制x方向位置误差及预设性能边界 figure; subplot(3,1,1); plot(t_out, e_x_history, b-, LineWidth, 1.2); hold on; plot(t_out, rho_upper_x_history, r--, LineWidth, 1.0); plot(t_out, -rho_lower_x_history, r--, LineWidth, 1.0); legend(误差 e_x, 上界 \rho_x, 下界 -\rho_x); xlabel(时间 (s)); ylabel(位置误差 (m)); title(x方向位置误差与预设性能边界); grid on;这个图能不能严格不触界是检验控制器设计正确性的试金石。如果误差曲线碰到边界甚至穿出去必有两种原因之一初始误差大于 (\rho_0)或者控制增益不足导致收敛速度跟不上边界收缩速度。还有一个细节容易被忽略上下边界曲线在初始段可能非常宽导致误差曲线看起来被“压缩”在图的一小部分后续边界快速收缩后误差曲线才明显变化。这时候绘图建议用对数坐标或者截取前几秒单独放大显示否则视觉上会低估约束的严格性。5.3 控制输入与速度状态分析第三个要关注的是控制输入 (\tau_u, \tau_r) 曲线图和速度状态 (u, v, r) 曲线图。控制输入主要看是否存在峰值过大、高频振荡、输入饱和问题。我在复现中给控制输入加了限幅纵向推力限制在±200N转艏力矩限制在±50Nm。如果不加限幅RBF神经网络自适应初期的权重更新会产生较大的短暂控制力尖峰。说一个典型的调参现象当神经网络学习率 (\Gamma) 取得过大时控制输入会出现高频的小幅振荡。这就是权重“抖动”导致的控制力振荡解决办法是把学习率降下来或者增大σ修正系数。神经网络自适应不是越快越好控制效果也不是响应越快越好系统整体要协调。另一方面速度状态曲线观察欠驱动特点很直观横荡速度 (v) 在整个过程中不为零而是维持在一个较小的非零值附近。这是欠驱动船的典型特征。如果哪个同学发现自己仿真的横荡速度发散或者剧烈振荡那大概率是阻尼矩阵或科里奥利矩阵参数设置错了。6. 常见问题与调试心得实录6.1 高频问题速查表从报错到逻辑错误我在整个复现过程中整理了遇到过的所有问题说实话花在调试上的时间比写代码的时间还要多。以下是最典型的几个和对应的排查方法问题现象可能原因解决措施仿真一开始就出现NaN或Inf初始误差超出性能函数边界转换函数定义域越界增大 (\rho_0)或减小初始状态偏差误差曲线触碰性能边界控制增益不足或性能函数收敛过快增大 (k_2)或减小性能函数衰减率 (k)控制输入高频振荡学习率过大或 (\delta) 过小导致鲁棒项近似符号函数降低 (\Gamma)适当增大 (\delta)控制系统发散观测器增益过大或通信拓扑未连通检查拉普拉斯矩阵分块性质降低 (\gamma)跟随者没有进入凸包凸包参考信号计算错误权重矩阵公式用错核对 (-\mathcal{L}f^{-1}\mathcal{L}{fl}) 的行和是否为1所有曲线都正确但稳态误差偏大(\rho_\infty) 设置得太大或鲁棒项增益过小减小 (\rho_\infty)增大鲁棒项系数第二艘船跟踪误差有延迟滤波器时间常数过大导致虚拟控制信号滞后减小 (\varsigma)或检查滤波器初始化6.2 避坑心得与经验技巧下面这几条是几条零散的实战经验希望对后来者有帮助。第一先跑通单船跟踪再扩展到编队。我在一开始就直奔三领导四跟随的完整系统结果程序里任何一个小错误都会被放大成看不懂的曲线。后来调整了策略先把领导者数量归零、凸包参考退化为一个固定点让单条跟随者做纯跟踪验证控制器和性能边界都是对的再逐步加回多领导者和观测器逻辑。这样每一步都心中有数。第二参数初始化尽量保持物理意义清晰。比如初始位置别瞎设让跟随者初始位置分布在凸包外面几个不同的方向初始速度全部给零即可。船体模型的物理参数参考Cybership II标准即可不需要为了论文复现去专门设计一条真实船的模型。第三将仿真记录全部保存而不是只保存状态。我习惯在每个仿真步保存完整状态向量、控制指令、误差、性能边界和观测器输出。这样画图的时候不需要重新仿真而且排查问题时能回溯任意时刻的完整系统状态。这个习惯帮我省了很多回头重跑的功夫。第四如果遭遇数值发散优先检查观测器和滤波器而不是控制器。控制律设计得再巧妙如果参考信号计算出了问题后面的所有误差和控制都是错的。要单独打印观测器输出和真实凸包中心位置确认观测器收敛后再往下查。6.3 对原论文方案的改进方向复现完成之后我也思考了几个可以继续深入的改进方向。这个不是论文复现的任务本身但对课题研究很有价值一是变拓扑场景下的包容控制。实际编队中船之间的通信链路可能因为距离远、遮挡而形成动态变化的拓扑。可以在现有框架基础上加入切换拓扑的自适应观测器这就会引入平均驻留时间概念也让动态预设性能的边界设计更有意义。二是引入输入饱和与执行器故障。如果对控制输入幅值有明确限制就需要把预设性能控制器和饱和补偿、故障检测结合。这也是这几年控制领域论文的常见扩展方向含金量比较高。三是多源融合定位下的分布式实现。真实无人船编队里领导者位置可能由GPS、视觉和惯导组合测量测量误差和噪声会直接影响凸包参考信号的计算结果。可以把仿真中的理想领导轨迹替换成带噪声的测量模型检验预设性能约束在噪声环境下是否还能保持。7. 写在最后的个人体会做完整篇论文复现我最深的一点感受是控制理论论文里的漂亮公式和仿真曲线之间隔着的是大量的数值实现细节和参数调试功夫。那些从定理证明直接跳到仿真结果的文章往往把最容易踩坑的部分藏了起来。这篇无人船包容控制论文的复现让我又经历了一遍从读公式、写代码、调bug到最终跑出理想曲线的完整体验。如果有朋友想以此方向做课题或者写文章我给三个具体建议第一务必先把凸包参考信号的数学本质吃透这是整个方案的核心枢纽这个理解错误会导致后面每一步都在徒劳第二预设性能函数的参数选择要严格遵循初始误差约束宁可留有余量也不要求“刚刚好”第三把Matlab代码组织成模块化的几个函数文件这样无论是调参还是扩展成自己的创新点都会顺手得多。我跑这套仿真用的是一台普通笔记本单次30秒仿真耗时不到10秒完全没有性能瓶颈。如果你现在正卡在某个令人头疼的报错或者奇异曲线上不妨回到模型和转换函数本身重新捋一遍多半能发现问题所在。这条路走过一遍之后后面再做其他编队控制方向的复现就会快很多。 
长河君 · 2026/10/10 17:08:08 · 阅读 1.2k 无人船编队动态预设性能包容控制的Matlab仿真复现
复现复杂控制论文这事儿做过的人都知道表面上看着是公式推来推去真正动起手来知识点一环扣一环稍不留神就被某个矩阵维度或者初值设置卡住半天。今天想聊的这篇是“无人船编队在动态预设性能约束下的包容控制”的论文复现研究我会尽量把从问题建模、控制器设计到Matlab仿真落地的完整思路拆开讲清楚尤其是那些论文里通常一笔带过、但实操时极其关键的细节。这篇内容适合正在做无人船、多智能体协同、预设性能控制或者相关方向毕设、课题研究的朋友也适合想系统了解“带约束的编队控制该如何仿真验证”的工程师。关于Matlab版本我全程用的是R2023b其实R2021以后的核心工具箱差别不大只要装了Simulink和Control System Toolbox就能跑通文中的代码结构。1. 项目背景与核心概念解读1.1 无人船编队控制到底在研究什么无人船准确说是无人水面艇(Unmanned Surface Vehicle, USV)因为成本低、无需人员上船、机动灵活在海洋测绘、环境监测、海上搜救等领域用得越来越多。但单条船能干的活始终有限多船配合才能在更大范围内完成任务这就催生了编队控制问题。编队控制不是简单让几条船按队形往前走那么简单。水面环境有风浪流干扰船本身又是典型的欠驱动系统——只有推进力和舵力没有侧向直接推力横漂控制非常受限。再加上通信带宽有限、传感器噪声不可避免所以编队控制的研究核心在于如何在环境扰动和模型不确定性的前提下让多条船保持期望的相对构型并协同完成作业任务。传统做法里一致性控制、领航-跟随、虚拟结构、人工势场这些都是常见思路。但有一个问题始终绕不开如果一条船掉队了或者偏离了队形怎么把它安全地拉回来这时候如果只追求“最终收敛”而不考虑过程中偏差是否过大系统很可能在调整过程中因为暂态超调过大而失控。预设性能控制(Prescribed Performance Control, PPC)就是为了解决这个问题而出现的。1.2 包容控制从“一致性”到“凸包收敛”包容控制(Containment Control)可以理解成一种特殊的多领导者协同问题。什么叫包容简单说假设编队里有多个“领导者”船和多个“跟随者”船跟随者的任务不是跟踪某一个特定的领导者而是收敛到由所有领导者位置所张成的凸包内部。这里用到一个数学概念凸包。想象三个领导者形成了三角形的三个顶点那这个三角形内部的区域就是它们的凸包。跟随者无论从什么初始位置出发最终都要进入这个三角形区域并且在其中保持稳定这就是包容控制的目标。为什么需要这个因为很多实际任务里领导者未必都在做同样的事情。比如三条母船分别拖拽或探测不同区域子船需要在它们围成的区域内执行精细作业这时候“跟着某一艘船走”就不适用了必须是“待在大家围出来的安全区间内”。相比一般的一致性控制(所有个体最终状态趋于一致)包容控制的控制目标和拓扑要求都更复杂也是这些年多智能体领域比较热门的方向。1.3 动态预设性能约束的作用预设性能控制最核心的思想就是给系统的跟踪误差人为设定一个随时间演化的包络边界。这个边界通常由一个性能函数来刻画例如[ \rho(t) (\rho_0 - \rho_\infty)e^{-kt} \rho_\infty ]其中 (\rho_0) 是初始允许误差上限(\rho_\infty) 是稳态误差允许值(k) 是收敛速度调节因子。误差被强制约束在 ([-\rho(t), \rho(t)]) 区间内只要这个约束不违反那么系统的瞬态性能和稳态性能就都有了理论保证。动态预设性能约束和静态约束的区别在于性能函数本身可以随系统状态、任务需求或者特定条件在线调整而不是一个固定的衰减曲线。这样设计的灵活性更强比如船在转弯或者避障的时候允许误差暂时放宽一点直线巡航的时候再把边界收紧。需要注意的是预设性能并不是“把控制器设计得很保守”那么简单。它的真正价值在于不需要为了保稳定而牺牲响应速度因为误差边界是明确设计出来的可以在保证不超调的前提下尽可能提升快速性。2. 数学模型与控制方案拆解2.1 无人船动力学模型与问题描述在论文复现前首先要建立被控对象的数学模型。绝大多数此类论文都会采用经典的欠驱动水面船三自由度模型即只考虑纵荡、横荡和艏摇这三个运动自由度。我复现用的模型如下[ \begin{cases} \dot{\eta} R(\psi)\nu \ M\dot{\nu} C(\nu)\nu D(\nu)\nu \tau \tau_d \end{cases} ]其中(\eta [x, y, \psi]^T) 是大地坐标系下的位置和航向角(\nu [u, v, r]^T) 是船体坐标系下的纵荡速度、横荡速度和艏摇角速度(R(\psi)) 是旋转矩阵(M) 是惯性矩阵含附加质量(C(\nu)) 是科里奥利力矩阵(D(\nu)) 是阻尼矩阵(\tau) 是控制输入实际仿真里是纵向推力 (F_u) 和转艏力矩 (T_r)(\tau_d) 表示外界环境扰动和未建模动态这条模型的难点在哪它有两个非常典型的“坑”第一是欠驱动特性控制输入维度只有2但需要控制的状态维度是3这导致无法直接通过反馈线性化来设计控制律必须引入中间虚拟量或滑模结构来处理。第二是横荡速度 (v) 不自洽稳定。如果没有外力船体自身的横荡速度会趋于有界振荡或者缓慢漂移这在实际船舶中也很常见——船往前开的时候横摇横荡会自然耦合不可能人为单独把横荡速度锁定为0。所以控制器的设计目标在这个问题里就变成了设计 (\tau [F_u, T_r]^T)使得跟随者的位置误差能够在预设性能边界内收敛到凸包区域同时保证所有闭环信号有界、不违反性能约束。2.2 通信拓扑与凸包约束的数学表达包容控制的通信关系用图论描述。一个典型的有向图 (\mathcal{G} {\mathcal{V}, \mathcal{E}})节点表示船边表示通信连接。领导者之间通常是强连通或者是全连接网络领导者与跟随者的连接则是单向的信息从领导者流向跟随者。在我的实现中领导者数量取 (m) 艘跟随者数量取 (n) 艘。用拉普拉斯矩阵 (\mathcal{L}) 描述整个通信拓扑把节点分成领导者集合 (\mathcal{V}_l) 和跟随者集合 (\mathcal{V}_f) 后(\mathcal{L}) 可以分块为[ \mathcal{L} \begin{bmatrix} \mathcal{L}l 0 \\ \mathcal{L}{fl} \mathcal{L}_f \end{bmatrix} ]包容控制一个很重要的结论是如果每个跟随者都至少存在一条来自某个领导者的路径那么 (\mathcal{L}_f) 是非奇异M矩阵并且 (-\mathcal{L}f^{-1}\mathcal{L}{fl}) 是一个行随机矩阵行和为1。这意味着什么意味着我们可以定义一个跟随着的“虚拟参考信号”[ \eta_{ri}(t) \sum_{j1}^{m} \left[-\mathcal{L}f^{-1}\mathcal{L}{fl}\right]{ij} \eta{lj}(t) ]从这个式子可以直观看出每个跟随者的参考信号是多个领导者位置的一个凸组合权重由拓扑决定。跟随者追踪这个凸组合参考信号就等价于收敛到领导者构成的凸包内。这步推导是整个控制方案的理论基石我一开始没吃透这层关系后面仿真怎么调都感觉逻辑不通后来把这步矩阵变换理清楚了才顺过来。2.3 分布式观测器与误差转换设计在实际场景中不是所有跟随者都能直接测量自己相对每个领导者的位置。这时候就需要设计分布式观测器让每个跟随者基于本地信息和邻居间的通信来实时估计全局凸包参考信号。这里我采用了固定拓扑下的分布式估计器结构[ \dot{\hat{\eta}}{ri}(t) -\gamma \left( \sum{j \in \mathcal{N}i} (\hat{\eta}{ri} - \hat{\eta}{rj}) a_i(\hat{\eta}{ri} - \eta_i) \right) ]其中 (\gamma) 是观测器增益(a_i) 表示跟随者 (i) 是否能直接获取某个领导者信息。观测器的输出 (\hat{\eta}_{ri}) 就是控制律中使用的参考航向和位置信号。观测器设计完接下来要做误差转换。预设性能控制里面的“转换”实际上是一种误差映射目的是把带约束的误差变量变成无约束变量。定义位置跟踪误差向量[ e_i(t) \eta_i(t) - \hat{\eta}_{ri}(t) ]预设性能约束要求每一个误差分量满足[ -\underline{\rho}k(t) e{i,k}(t) \overline{\rho}_k(t) ]其中 (\underline{\rho}_k) 和 (\overline{\rho}_k) 是上下界的性能函数可以是不同参数的衰减函数表示允许的负向和正向误差极限。为了把不等式约束转化为等式约束方便控制设计定义一个严格的单调递增映射函数 (S(\cdot))并令[ \varepsilon_{i,k}(t) S^{-1}\left( \frac{e_{i,k}(t)}{\rho_k(t)} \right) ]比如论文里常用的双曲正切型映射当误差趋近边界时映射值趋近无穷大控制器就会自然产生更强的修正力从而避免穿越边界。这样做的好处是把“确保误差不能超界”这个硬约束转化为了“确保转换后的新变量有界”这个更容易用Lyapunov方法分析的软约束。3. 控制律设计与稳定性论证3.1 滑模面设计与自适应参数更新整个控制器我采用的是基于动态面技术(Dynamic Surface Control, DSC)的自适应反步框架。相比传统反步法DSC的核心改进是引入了一阶低通滤波器来获得虚拟控制律的导数从而避免了反复微分带来的“项爆炸”问题。这对实际代码实现来说非常关键因为纯解析求导在模型复杂时根本没法手算而且仿真中数值微分非常容易放大噪声。先定义虚拟误差变量[ z_{1,i} \varepsilon_i ]然后设计虚拟控制律 (\alpha_i) 使得 (z_{1,i}) 镇定再定义滤波后的虚拟控制量 (v_i)[ \varsigma_i \dot{v}_i v_i \alpha_i,\quad v_i(0)\alpha_i(0) ]其中 (\varsigma_i) 是滤波器时间常数。这一步让后续对虚拟控制求导的部分全部替换为对滤波器状态求导计算量大幅下降代码中只需要传递 (v_i) 的导数值给下一个误差变量即可。再定义速度跟踪误差[ z_{2,i} \nu_i - v_i ]对 (z_{2,i}) 求导并代入动力学方程就把控制力设计问题转化为对 ( \dot{z}_{2,i}) 的镇定问题。由于模型中的 (M, C, D) 矩阵都存在未知项我采用了RBF神经网络(Radial Basis Function Neural Network, RBFNN)逼近综合未知动态[ \hat{f}_i(x) \hat{W}_i^T \phi_i(x) ]其中 (\phi_i(x)) 是高斯径向基函数向量(\hat{W}_i) 是神经网络权重的估计值通过自适应律在线更新[ \dot{\hat{W}}i \Gamma_i \left( \phi_i(x) z{2,i}^T - \sigma_i \hat{W}_i \right) ]这里 (\Gamma_i) 是学习率矩阵(\sigma_i) 是σ修正系数用来防止权重漂移和参数过估计。自适应律的离散化在仿真中使用欧拉方法即可采样周期要和控制器主循环一致一般取 (T_s 0.01s) 或更小。3.2 控制律完整结构与参数关系对照综合起来最终控制律具有如下形式[ \tau_i -k_{2,i} z_{2,i} - \hat{W}_i^T \phi_i(x_i) - \hat{D}i \tanh(z{2,i}/\delta_i) \ldots ]其中第一项是线性反馈项用于镇定速度误差第二项是神经网络自适应补偿项第三项是鲁棒项用来抵偿神经网络逼近残差和外界扰动的上界(\delta_i) 是一个很小的正常数目的是用tanh函数近似符号函数从而避免颤振。为了不让每个参数都靠试错碰运气建议按照以下逻辑来选参数参数符号作用调节思路(k_{2,i})速度误差反馈增益越大收敛越快但过大会放大噪声通常取10~50(\varsigma_i)滤波器时间常数越小越接近原始反步法但太小会产生高频振荡通常0.05~0.2s(\gamma) (观测器增益)参考信号估计速度和通信拓扑相关拓扑平均度高可以取大些(\rho_0, \rho_\infty, k) (性能函数)误差边界始值、终值和衰减率始值要大于初始误差终值决定稳态精度衰减率决定过渡时间(\Gamma_i)神经网络学习率过大会导致权重振荡过小收敛慢从0.1起步调(\delta_i)抗颤振系数太小有颤振太大会产生稳态偏差一般取0.01~0.1这里特别提醒一个我踩过的坑预设性能函数的 (\rho_0) 一定要严格大于系统初始时刻的误差幅值。否则转换函数在初始时刻就超出定义域仿真直接报NaN或者无穷大整个程序崩掉。如果各种初始状态已经固定不好改了那就把 (\rho_0) 设为一个较大的保守值比如初始误差幅值的1.2到1.5倍之后让指数衰减自己去收。3.3 稳定性证明的核心思路论文里一定有大量的Lyapunov分析复现的时候不需要把每一个不等式都抄一遍但核心思路要懂否则看不懂仿真图形的意义。通常的做法是构造如下形式的Lyapunov函数[ V \sum_{i1}^{n} \left( \frac{1}{2} z_{1,i}^T z_{1,i} \frac{1}{2} z_{2,i}^T z_{2,i} \frac{1}{2} \tilde{W}_i^T \Gamma_i^{-1} \tilde{W}i \right) V{observer} ]对 (V) 求导并代入控制律和自适应律然后利用Young不等式和神经网络逼近引理最终得到[ \dot{V} \le -a V b ]其中 (a 0, b 0) 是设计常数。从比较引理可知(V(t)) 指数收敛到半径为 (b/a) 的邻域内。这个式子说明了两件事第一所有误差信号是最终一致有界的这是基本的稳定性保证第二只要性能函数的稳态值 (\rho_\infty) 设定得大于这个最终界那么误差就永远碰不到边界预设性能约束全程不违反。也就是说理论分析的目的是为参数选择提供界限参考而不是真正让你去严格计算。工程实现中(\rho_\infty) 通常取一个比期望稳态精度小一个数量级的值然后在仿真里验证边界是否被触碰。4. Matlab仿真实现与复现要点4.1 仿真环境配置与代码结构规划拿到论文第一步先把环境理清。我使用的是Matlab R2023b不需要额外的Toolbox基础Simulink和MATLAB环境即可。但如果想要代码可读性好、改动方便建议直接用M文件写脚本式仿真而不是一开始就上Simulink模型。原因有三个一是仿真的核心是控制律更新M文件里写循环和矩阵运算直观调试时可以随时打印中间变量二是在Simulink里搭带S函数的预设性能控制器会涉及很多零交叉和代数环问题调试成本高三是论文复现本身就是一个“读懂→改写→验证”的过程脚本式代码更容易对照公式逐行检查。整个项目我分成四个脚本来组织main_simulation.m仿真入口初始化所有参数运行主循环保存结果dynamics_model.m无人船动力学方程函数controller.m控制律和自适应律函数plot_results.m绘图脚本生成轨迹图、误差图、控制输入图这个结构的好处是想单独调某一部分逻辑时不用全局搜代码而且后面想扩展成多组对比实验也方便——只改参数初始化部分就行。4.2 仿真主循环的实现要点主循环是整个仿真的骨架。仿真时间我取了30秒固定步长 (T_s 0.01s)这样总共有3001个采样点。使用固定步长RK4积分器来更新船体动力学状态其中实际仿真代码大致是这么组织的% 主仿真循环 for k 1:sim_steps t (k-1) * Ts; % 获取当前状态 eta state(1:3); nu state(4:6); % 领导者的轨迹提前规划按时间产生 eta_l leader_trajectory(t); % 分布式观测器估计凸包参考信号 eta_r_hat observer_update(eta, eta_l, adj_matrix, gamma, Ts); % 计算跟踪误差 e eta - eta_r_hat; % 误差转换预设性能映射 eps error_transformation(e, rho_upper, rho_lower); % 计算虚拟控制律经过低通滤波器 alpha virtual_control(eps, eta, eta_r_hat); v lowpass_filter_update(v, alpha, tau_filter, Ts); % 计算神经网络自适应项 [W_hat, phi] rbf_update(z2, W_hat, state, Ts); % 计算控制力 tau controller_law(z2, v, W_hat, phi, robust_gain, delta); % 更新船体动力学 state rk4_step((s) dynamics_model(s, tau, tau_disturbance(t)), state, Ts); % 记录数据 history(k, :) [state, tau, e, eps]; end这里有几个细节值得展开说第一是领导者轨迹。论文里通常假设领导者已经实现了轨迹跟踪其速度为有界信号。我在复现中设置三个领导者分别沿着折线、圆形和正弦路径航行速度幅值不同看起来更像实际多船协同场景。领导者的位置每一时刻都要作为观测器的输入。第二是观测器更新。我采用了显式欧拉法更新观测器状态。注意这里观测器增益 (\gamma) 不能和控制器增益相差太大否则会出现“参考信号还在剧烈变动控制器却以为已经跟踪上了”的情况导致误差突变。第三是滤波器状态更新。低通滤波器是DSC方法的核心初始时刻 (v(0) \alpha(0)) 很重要。如果不做这个初始化第一个控制周期会有一个巨大的尖峰仿真初期误差直接飞出预设边界。我在第一次跑的时候就踩了这个坑当时还以为是控制律算错了排查了半天才意识到是滤波器初值问题。4.3 误差转换与预设性能函数的具体代码误差转换函数的实现要特别小心。我以位置误差的x分量为例展示核心代码function eps error_transformation(e, rho_u, rho_l) % e: 跟踪误差向量 % rho_u: 上界性能函数 % rho_l: 下界性能函数 % 归一化误差 zeta_u e ./ rho_u; zeta_l e ./ rho_l; % 使用对数转换函数 % 对于误差在(0, rho_u)内的情况转换值趋近正无穷 % 对于误差在(-rho_l, 0)内的情况转换值趋近负无穷 eps 0.5 * log((1 zeta_u) ./ (1 - zeta_u)) ... 0.5 * log((1 zeta_l) ./ (1 - zeta_l)); end有人说这个转换函数为什么用对数而不是别的形式主要原因是这个映射是双射而且光滑数学处理方便同时满足两个边界条件误差接近上界时转换值趋于正无穷接近下界时趋于负无穷。再加上 (\dot{e}) 表达式里可以比较方便地解出 (\dot{\varepsilon}) 与控制输入的线性关系利于反步法处理。性能函数的更新我放在了主循环外部生成好预先存成向量rho_vector zeros(3, sim_steps1); for k 1:sim_steps1 t (k-1) * Ts; rho_vector(1,k) (rho0_x - rho_inf_x) * exp(-kappa_x * t) rho_inf_x; rho_vector(2,k) (rho0_y - rho_inf_y) * exp(-kappa_y * t) rho_inf_y; rho_vector(3,k) (rho0_psi - rho_inf_psi) * exp(-kappa_psi * t) rho_inf_psi; end把性能函数预先算出来而不是在循环里实时计算既节省了重复计算量也方便统一修改。三个通道的性能函数参数最好独立设置因为位置误差和航向误差的量纲、收敛速度不一样统一参数会拖慢其中一个通道的收敛。4.4 三自由度船体模型的数值积分船体模型的动力学方程矩阵形式如下function dstate dynamics_model(state, tau, tau_d) % state: [x, y, psi, u, v, r] psi state(3); u state(4); v state(5); r state(6); % 船体参数根据标准Cybership II模型 M11 25.8; M22 33.8; M33 2.76; M23 1.0948; M32 1.0948; % 科里奥利项和阻尼系数 C13 -M22*v - M23*r; C31 M22*v M23*r; d11 0.7225; d22 2.0; d33 1.2; d23 0.2; d32 0.2; % 旋转矩阵 R [cos(psi), -sin(psi), 0; sin(psi), cos(psi), 0; 0, 0, 1]; % 质量矩阵 M_mat [M11, 0, 0; 0, M22, M23; 0, M23, M33]; % 阻尼矩阵 D_mat [d11, 0, 0; 0, d22, d23; 0, d32, d33]; nu [u; v; r]; % 动力学方程 C_mat [0, 0, C13; 0, 0, 0; C31, 0, 0]; dnu M_mat \ (-C_mat*nu - D_mat*nu tau tau_d); deta R * nu; dstate [deta; dnu]; end这个模型不算复杂数值稳定性较好。我用RK4积分步长0.01s仿真30秒没有任何发散问题。但要注意如果换成真实船舶的大惯性参数步长可能需要适当缩小或者换更稳定的隐式积分算法否则可能出现高频振荡被放大。对大多数论文复现来说标准船模参数加RK4足够了。5. 仿真结果与复现效果分析5.1 编队轨迹图凸包收敛效果验证跑完仿真第一件要看的图是所有船在二维平面上的轨迹图。三个领导者用不同的线型画出四个跟随者用圆圈标记起始位置、星号标记最终位置。判断收敛效果有三个标准跟随者是否进入了多领导者张成的凸包区域进入过程是否平滑是否出现大幅度超调收敛时间是否在预设性能函数设定的时间范围内。我在复现中发现当观测器增益和控制律增益都取合适值时跟随者的轨迹会呈平滑的弧线进入凸包没有明显的振荡。但初始位置如果设置得太偏比如某跟随者起始位置远离凸包且在领导者连线的外侧那么轨迹会出现一个明显的向内“拉”的运动阶段这个是正常的对应预设性能函数初始段的大误差边界。如果看到跟随者轨迹在凸包边缘来回穿越很多次才稳定就要检查性能函数的收敛速度因子是否匹配控制律的收敛速度。误差边界收敛得太快控制项主导性增强容易造成振荡边界收敛得太慢系统会被“过度约束”响应迟钝。5.2 误差曲线与预设性能边界图第二个关键图是误差随时间变化的曲线以及预设性能函数的上下边界曲线。预设性能约束的核心验证指标就是误差曲线是否始终位于两条边界曲线之间。我用的绘图逻辑如下% 绘制x方向位置误差及预设性能边界 figure; subplot(3,1,1); plot(t_out, e_x_history, b-, LineWidth, 1.2); hold on; plot(t_out, rho_upper_x_history, r--, LineWidth, 1.0); plot(t_out, -rho_lower_x_history, r--, LineWidth, 1.0); legend(误差 e_x, 上界 \rho_x, 下界 -\rho_x); xlabel(时间 (s)); ylabel(位置误差 (m)); title(x方向位置误差与预设性能边界); grid on;这个图能不能严格不触界是检验控制器设计正确性的试金石。如果误差曲线碰到边界甚至穿出去必有两种原因之一初始误差大于 (\rho_0)或者控制增益不足导致收敛速度跟不上边界收缩速度。还有一个细节容易被忽略上下边界曲线在初始段可能非常宽导致误差曲线看起来被“压缩”在图的一小部分后续边界快速收缩后误差曲线才明显变化。这时候绘图建议用对数坐标或者截取前几秒单独放大显示否则视觉上会低估约束的严格性。5.3 控制输入与速度状态分析第三个要关注的是控制输入 (\tau_u, \tau_r) 曲线图和速度状态 (u, v, r) 曲线图。控制输入主要看是否存在峰值过大、高频振荡、输入饱和问题。我在复现中给控制输入加了限幅纵向推力限制在±200N转艏力矩限制在±50Nm。如果不加限幅RBF神经网络自适应初期的权重更新会产生较大的短暂控制力尖峰。说一个典型的调参现象当神经网络学习率 (\Gamma) 取得过大时控制输入会出现高频的小幅振荡。这就是权重“抖动”导致的控制力振荡解决办法是把学习率降下来或者增大σ修正系数。神经网络自适应不是越快越好控制效果也不是响应越快越好系统整体要协调。另一方面速度状态曲线观察欠驱动特点很直观横荡速度 (v) 在整个过程中不为零而是维持在一个较小的非零值附近。这是欠驱动船的典型特征。如果哪个同学发现自己仿真的横荡速度发散或者剧烈振荡那大概率是阻尼矩阵或科里奥利矩阵参数设置错了。6. 常见问题与调试心得实录6.1 高频问题速查表从报错到逻辑错误我在整个复现过程中整理了遇到过的所有问题说实话花在调试上的时间比写代码的时间还要多。以下是最典型的几个和对应的排查方法问题现象可能原因解决措施仿真一开始就出现NaN或Inf初始误差超出性能函数边界转换函数定义域越界增大 (\rho_0)或减小初始状态偏差误差曲线触碰性能边界控制增益不足或性能函数收敛过快增大 (k_2)或减小性能函数衰减率 (k)控制输入高频振荡学习率过大或 (\delta) 过小导致鲁棒项近似符号函数降低 (\Gamma)适当增大 (\delta)控制系统发散观测器增益过大或通信拓扑未连通检查拉普拉斯矩阵分块性质降低 (\gamma)跟随者没有进入凸包凸包参考信号计算错误权重矩阵公式用错核对 (-\mathcal{L}f^{-1}\mathcal{L}{fl}) 的行和是否为1所有曲线都正确但稳态误差偏大(\rho_\infty) 设置得太大或鲁棒项增益过小减小 (\rho_\infty)增大鲁棒项系数第二艘船跟踪误差有延迟滤波器时间常数过大导致虚拟控制信号滞后减小 (\varsigma)或检查滤波器初始化6.2 避坑心得与经验技巧下面这几条是几条零散的实战经验希望对后来者有帮助。第一先跑通单船跟踪再扩展到编队。我在一开始就直奔三领导四跟随的完整系统结果程序里任何一个小错误都会被放大成看不懂的曲线。后来调整了策略先把领导者数量归零、凸包参考退化为一个固定点让单条跟随者做纯跟踪验证控制器和性能边界都是对的再逐步加回多领导者和观测器逻辑。这样每一步都心中有数。第二参数初始化尽量保持物理意义清晰。比如初始位置别瞎设让跟随者初始位置分布在凸包外面几个不同的方向初始速度全部给零即可。船体模型的物理参数参考Cybership II标准即可不需要为了论文复现去专门设计一条真实船的模型。第三将仿真记录全部保存而不是只保存状态。我习惯在每个仿真步保存完整状态向量、控制指令、误差、性能边界和观测器输出。这样画图的时候不需要重新仿真而且排查问题时能回溯任意时刻的完整系统状态。这个习惯帮我省了很多回头重跑的功夫。第四如果遭遇数值发散优先检查观测器和滤波器而不是控制器。控制律设计得再巧妙如果参考信号计算出了问题后面的所有误差和控制都是错的。要单独打印观测器输出和真实凸包中心位置确认观测器收敛后再往下查。6.3 对原论文方案的改进方向复现完成之后我也思考了几个可以继续深入的改进方向。这个不是论文复现的任务本身但对课题研究很有价值一是变拓扑场景下的包容控制。实际编队中船之间的通信链路可能因为距离远、遮挡而形成动态变化的拓扑。可以在现有框架基础上加入切换拓扑的自适应观测器这就会引入平均驻留时间概念也让动态预设性能的边界设计更有意义。二是引入输入饱和与执行器故障。如果对控制输入幅值有明确限制就需要把预设性能控制器和饱和补偿、故障检测结合。这也是这几年控制领域论文的常见扩展方向含金量比较高。三是多源融合定位下的分布式实现。真实无人船编队里领导者位置可能由GPS、视觉和惯导组合测量测量误差和噪声会直接影响凸包参考信号的计算结果。可以把仿真中的理想领导轨迹替换成带噪声的测量模型检验预设性能约束在噪声环境下是否还能保持。7. 写在最后的个人体会做完整篇论文复现我最深的一点感受是控制理论论文里的漂亮公式和仿真曲线之间隔着的是大量的数值实现细节和参数调试功夫。那些从定理证明直接跳到仿真结果的文章往往把最容易踩坑的部分藏了起来。这篇无人船包容控制论文的复现让我又经历了一遍从读公式、写代码、调bug到最终跑出理想曲线的完整体验。如果有朋友想以此方向做课题或者写文章我给三个具体建议第一务必先把凸包参考信号的数学本质吃透这是整个方案的核心枢纽这个理解错误会导致后面每一步都在徒劳第二预设性能函数的参数选择要严格遵循初始误差约束宁可留有余量也不要求“刚刚好”第三把Matlab代码组织成模块化的几个函数文件这样无论是调参还是扩展成自己的创新点都会顺手得多。我跑这套仿真用的是一台普通笔记本单次30秒仿真耗时不到10秒完全没有性能瓶颈。如果你现在正卡在某个令人头疼的报错或者奇异曲线上不妨回到模型和转换函数本身重新捋一遍多半能发现问题所在。这条路走过一遍之后后面再做其他编队控制方向的复现就会快很多。