做过欠驱动船舶轨迹跟踪的人应该都清楚这方向真正的门槛不在理论多高深而在“模型不确定性怎么处理、外部扰动怎么估计、以及控制量怎么在物理约束下还保持稳定”这三座大山。很多论文一上来就是大篇幅的Lyapunov证明但真正跑仿真时调参调到怀疑人生的大有人在。我这次把神经网络观测器和自适应滑模结合起来用Matlab完整实现了一整套欠驱动船舶的轨迹跟踪控制方案这里把从建模到仿真的全过程连同踩坑记录一起梳理出来。1. 欠驱动船舶轨迹跟踪数学模型与问题本质1.1 为什么“欠驱动”会让问题变难先聊一个基础但极其关键的概念。所谓欠驱动指的是船舶的控制输入数量少于其运动自由度。拿常见的船舶模型来说水平面上的运动有三个自由度——纵荡surge、横荡sway和艏摇yaw但常规水面船通常只有两个执行机构螺旋桨提供纵向推力舵提供转艏力矩。也就是说横荡方向根本没有直接控制力船只能靠艏摇和纵荡的耦合效应来间接调整横向运动。这个“间接”二字就是整个控制问题的魔鬼所在。很多初次接触这个方向的开发者会误解觉得只要纵向和转艏控制好了横向位移自然就收敛了。实际不是这样。在欠驱动条件下横向位移的收敛性依赖的是系统的内部动力学特性尤其靠泊和轨迹跟踪这类低速机动场景横荡方向的不可控性会直接导致跟踪误差动态出现非最小相位特性处理不当就是发散。这也是为什么普通的PID或者简单的状态反馈在仿真里看起来还行一遇到大扰动或者强非线性工况就露馅的原因。1.2 三自由度船舶运动学与动力学模型本项目的控制对象选择水面船舶三自由度模型这也是目前欠驱动船舶控制研究里用得最多的简化模型。运动学方程写在惯性坐标系下动力学方程写在船体坐标系下两者之间的转换关系由艏摇角决定。方程如下运动学部分[ \dot{x} u\cos\psi - v\sin\psi ] [ \dot{y} u\sin\psi v\cos\psi ] [ \dot{\psi} r ]其中 (x,y) 是惯性系下的位置坐标(\psi) 是艏摇角(u,v,r) 分别是船体坐标系下的纵荡速度、横荡速度和艏摇角速度。动力学部分写成了带不确定性项的形式[ \dot{u} \frac{m_{22}}{m_{11}}vr - \frac{d_{11}}{m_{11}}u \frac{1}{m_{11}}(\tau_u d_u) ] [ \dot{v} \frac{m_{11}}{m_{22}}ur - \frac{d_{22}}{m_{22}}v \frac{1}{m_{22}}d_v ] [ \dot{r} \frac{m_{22} - m_{11}}{m_{33}}uv - \frac{d_{33}}{m_{33}}r \frac{1}{m_{33}}(\tau_r d_r) ]这里的 (m_{11}, m_{22}, m_{33}) 是包含了附加质量的惯性参数(d_{11}, d_{22}, d_{33}) 是线性水动力阻尼系数(\tau_u, \tau_r) 是纵向推力和转艏力矩(d_u, d_v, d_r) 则是外部环境扰动风、浪、流以及模型不确定性的集中表示。这个模型的精妙之处在于它把横荡方向的动力学完全“裸露”出来了——第三行没有 (\tau_v)横荡速度直接被纵荡速度、艏摇角速度以及耦合效应驱动。这就是欠驱动性质在数学上的体现。控制目标是通过设计 (\tau_u, \tau_r)让船舶实际轨迹 ((x(t), y(t))) 收敛到预设参考轨迹 ((x_d(t), y_d(t))) 上。1.3 轨迹跟踪误差模型与控制器设计目标在进入控制器设计之前需要先定义误差。我在仿真里采用的是“位置误差速度误差”的混合形式位置误差定义在惯性坐标系下速度误差定义在船体坐标系下处理起来更方便[ x_e x - x_d, \quad y_e y - y_d ] [ u_e u - u_d, \quad v_e v - v_d, \quad r_e r - r_d ]很多文章在轨迹跟踪问题上直接把参考速度也纳入误差动态但需要注意对于欠驱动船舶参考横荡速度 (v_d) 不是一个可以任意给定的量它是参考轨迹自身几何特性隐含决定的。我这里处理方式是参考轨迹 ((x_d(t), y_d(t))) 一旦给定参考速度 ((u_d, r_d)) 通过轨迹的时间导数计算得到(v_d) 则作为内部状态完全不参与反馈设计只作为参考值出现在误差计算中。控制目标因此可以明确写成设计控制律 (\tau_u, \tau_r)使得 ((x_e, y_e, u_e, v_e, r_e)) 一致最终有界并且在模型不确定性和外部扰动存在时依然保持系统的跟踪精度。接下来要解决的问题就变成了扰动和不确定性不知道怎么办横荡方向没有控制力怎么办这两个问题正好对应了神经网络观测器和自适应滑模的设计动机。2. 神经网络观测器在不知道扰动的情况下精准估计2.1 为什么选择RBF神经网络做观测器先说明一个背景欠驱动船舶在真实海况中受到的干扰包括风、浪、流等这些扰动不仅数值大而且具有明显的时变性和非线性特征。传统方式是把它当作有界扰动用鲁棒控制直接压掉但这样做的代价是控制器参数会偏保守实际跟踪精度受限。另外一个思路是用扩张状态观测器估计扰动但扩张状态观测器对非线性项的适应能力有限尤其是强耦合、强非线性场景下估计精度会明显下降。RBF神经网络在这类问题上的优势有三个一是任意光滑非线性函数都能在紧集内用足够多的隐含层节点逼近这保证了理论上的可行性二是RBF神经网络的输出与权值之间是线性关系这使得基于Lyapunov方法的权值更新律设计非常直接不用处理非线性参数依赖三是RBF神经网络的局部响应特性让它在实时性上优于全局型网络比如BP网络在仿真步长较小的情况下计算量可控。这里的角色划分一定要清楚神经网络观测器不是直接作为控制器输出的而是单独用来重构“未知项”。所谓未知项包含了两部分——模型参数摄动引起的内部不确定性和外部环境扰动。我把这两者合并成一个集总干扰项用RBF网络在线逼近它然后把估计值传给滑模控制器做前馈补偿剩下未被逼近的残差再由滑模项的鲁棒性兜底。2.2 观测器结构与权值更新律设计设计上我构造的是三个独立的RBF神经网络分别对应纵荡、横荡、艏摇三个自由度上的集总扰动。第 (i) 个自由度的扰动可以写成[ d_i W_i^{*T} h_i(z) \varepsilon_i ]其中 (W_i^{*}) 是最优权值向量(h_i(z)) 是高斯径向基函数输出(\varepsilon_i) 是最优逼近误差。输入向量 (z) 取的是状态量 ((u, v, r))。实际估计值写作[ \hat{d}_i \hat{W}_i^T h_i(z) ]关键点在于权值怎么更新。我采用的办法是让权值更新律同时依赖状态误差和观测器残差而不是单纯的状态误差驱动。观测器残差定义为状态估计值与实际值之间的差通过一个辅助的动态方程得到。具体更新律如下[ \dot{\hat{W}}i \Gamma_i \left( h_i(z) e{oi} - \sigma_i \hat{W}_i \right) ]其中 (e_{oi}) 是状态观测误差(\Gamma_i) 是学习率正定矩阵(\sigma_i) 是sigma修正系数。这里加sigma修正项的目的很实际——防止权值在学习过程中无限增大也就是通常说的参数漂移问题。不加这一项仿真时间一长权值经常出现几何级数增长的离谱现象控制量也会跟着发散。这个坑我在初版仿真里踩过后面专门细说。2.3 观测器收敛性与稳定性分析的关键点做稳定性分析的时候一个容易忽略的点是观测器误差和控制误差是耦合在一起的。很多论文把两者分开证明看起来清晰但实际证明时要处理交叉耦合项。我处理的办法是在Lyapunov函数中同时纳入状态误差、观测误差和权值误差三个分量[ V \frac{1}{2}e^T e \frac{1}{2} \tilde{W}^T \Gamma^{-1} \tilde{W} \text{观测器误差项} ]然后对时间求导把交叉项通过Young不等式放缩最终得到一致最终有界UUB的结论。这里说一个推导过程中非常实际的技巧。交叉项通常以 (e^T \varepsilon) 的形式出现(\varepsilon) 是最优逼近误差本身有界但不知道上界。这时不必费劲去估计这个上界直接把项放缩成[ e^T \varepsilon \le \frac{1}{2} e^T e \frac{1}{2} \varepsilon^2 ]虽然这样放缩会让最终稳定界比真实情况大一点但在工程上完全够用而且让推导简洁很多。稳定性结论最后是一个典型的一致最终有界结果界的大小由最优化逼近误差、sigma修正强度和控制增益共同决定这也直接解释了为什么后文调参时神经网络的逼近精度和控制器的鲁棒性参数要一起考虑。3. 自适应滑模控制律设计让系统在扰动下依然收敛3.1 滑模面设计中的几何直觉滑模控制的基本思想是先把系统状态引导到一个设计好的滑动流形上然后让状态沿着这个流形滑向原点。对于欠驱动船舶滑模面不能直接在原状态空间设计需要先做坐标变换因为横荡速度不可控直接把 (v) 放进滑模面会导致控制目标无法实现。我采用的滑模面形式是[ s_u k_1 x_e k_2 y_e u_e ] [ s_r k_3 \psi_e r_e ]其中 (\psi_e \psi - \psi_d)(k_1, k_2, k_3) 是正的待调参数。这个设计有两层含义。第一纵向通道的滑模面不仅包含纵向速度误差还包含了位置误差(x_e)和横向位置误差(y_e)的加权组合这就让横向位置的收敛通过纵荡通道间接实现是典型的“通过可驱动力控制不可驱动力”的思路。第二艏摇通道的滑模面把艏摇角误差和艏摇角速度误差融合在一起保证姿态收敛。有读者可能会问(y_e) 出现在纵向滑模面里物理直觉是什么我做仿真的体会是当船偏离参考轨迹时(y_e) 会通过滑模面影响纵向力 (\tau_u) 的修正方向等效于让船以一个合适的纵向速度去“追赶”参考轨迹的横向偏移。这个设计比把 (y_e) 放在艏摇滑模面里更稳因为转艏力矩直接对(y_e)作用容易产生剧烈的艏摇振荡尤其在初始误差大的时候。3.2 指数趋近律与自适应参数的神秘作用滑模控制有一个被讨论得最多的问题抖振。理想滑模是切换频率无限高的现实中执行机构不可能做到于是高频切换就会体现为控制量的剧烈抖动。为缓解这个问题我采用指数趋近律而不是纯符号切换[ \dot{s}_u -\epsilon_u \tanh(s_u/\phi_u) - q_u s_u ]这里的核心不是那个 (q_u s_u) 指数项它负责加快趋近速度而是 (\tanh) 函数。(\tanh) 是符号函数的光滑近似边界层厚度由 (\phi) 控制。(\phi) 大切换越平缓但稳态偏差会变大(\phi) 小越接近理想滑模但抖振也会更明显。工程上取 (\phi0.05\sim0.1) 这个区间是比较合理的起始范围。自适应参数在这个设计里扮演的角色是让趋近律增益不依赖人为的经验猜测。(\epsilon_u) 和 (\epsilon_r) 的自适应律设计为[ \dot{\hat{\epsilon}}_u \gamma_1 |s_u| ] [ \dot{\hat{\epsilon}}_r \gamma_2 |s_r| ]这是一个很经典的自适应增益设计——当系统距离滑模面较远时增益会自动增大以加速收敛当系统靠近滑模面时增益变化放缓。加上sigma修正的变形形式之后还能避免增益无限增长。实际仿真显示带自适应增益的收敛速度比固定增益快大约百分之三十而且在大初始误差条件下的鲁棒性更明显。3.3 控制律的完整表达与稳定性闭环综合神经网络估计和自适应滑模项最终的控制律形式如下[ \tau_u m_{11}\dot{u}d - m{22}vr d_{11}u - m_{11} \left( k_1\dot{x}_e k_2\dot{y}_e \hat{d}_u \epsilon_u \tanh(s_u/\phi_u) q_u s_u \right) ][ \tau_r m_{33}\dot{r}d - (m{22}-m_{11})uv d_{33}r - m_{33} \left( k_3 \dot{\psi}_e \hat{d}_r \epsilon_r \tanh(s_r/\phi_r) q_r s_r \right) ]注意 (\hat{d}_u, \hat{d}_r) 是神经网络观测器的估计输出它们在这里起到前馈补偿作用。如果取消这两个前馈项控制器就退化成纯鲁棒滑模保守性会明显上升具体表现就是为克服同样的扰动需要更大的切换增益抖振随之加剧。稳定性证明的Lyapunov函数写法如下[ V \frac{1}{2} s_u^2 \frac{1}{2} s_r^2 \frac{1}{2} \sum_{i} \tilde{W}_i^T \Gamma_i^{-1} \tilde{W}i \frac{1}{2\gamma{\epsilon}} \tilde{\epsilon}^2 ]对时间求导后利用滑模面的定义代入控制律并在合适的位置用神经网络观测器的逼近性质替换未知项最终可以得到不等式形式的负定条件。整个闭环系统的稳定性结论是所有闭环信号一致最终有界跟踪误差收敛到原点的一个邻域内邻域半径与逼近误差上界、边界层厚度、扰动上界有关。这里提醒一个常见误区很多初学者把滑模控制的稳定性证明想成“只要滑模面到达就是稳定”忽略了趋近阶段和自适应律的耦合。实际上趋近律参数、自适应增益、神经网络的权值更新律这三者的稳定性是绑在一起的单独看任何一个都会得出过于乐观的结论。这也是我为什么坚持把观测器误差放进整个Lyapunov函数里的原因。4. Matlab代码实现从算法到可运行仿真4.1 仿真框架与代码结构说明这个项目的仿真直接基于M脚本文件实现没有用Simulink模型原因是控制律和观测器的逻辑在代码里表达更清晰而且在参数扫描调参时M脚本的灵活性远高于Simulink。整体框架分为四个模块船舶动力学函数、神经网络观测器、滑模控制器、主仿真循环。主仿真的核心循环结构如下% 主仿真循环 dt 0.01; T 100; N T / dt; t 0; state [x0; y0; psi0; u0; v0; r0]; hat_W zeros(3, HIDDEN_NODES); for k 1:N % 参考轨迹和参考速度 [xd, yd, psid, ud, rd] reference_trajectory(t); % 计算跟踪误差 pos_err [state(1)-xd; state(2)-yd]; psi_err wrapToPi(state(3) - psid); % 神经网络观测器估计集总扰动 d_hat neural_observer(state, hat_W); % 滑模控制律 [tau_u, tau_r, s_u, s_r] sliding_controller(...); % 外部扰动 d_ext external_disturbance(t); % 状态更新 d_state ship_dynamics(state, tau_u, tau_r, d_ext); state state d_state * dt; % 神经网络权值更新 hat_W update_weights(state, hat_W, s_u, s_r, dt); t t dt; end4.2 船舶模型函数的经典写法船舶动力学函数实现要特别注意水动力参数的物理单位一致性。我用的是标准水面船舶参数(m_{11}200kg, m_{22}250kg, m_{33}80kg)阻尼系数 (d_{11}70, d_{22}100, d_{33}50)。这些参数来自某型水面船作业工况的归一化数值只用于仿真验证不针对真实船舶全尺度模型。核心函数如下function d_state ship_dynamics(state, tau_u, tau_r, d_ext) % state [x; y; psi; u; v; r] m11 200; m22 250; m33 80; d11 70; d22 100; d33 50; x state(1); y state(2); psi state(3); u state(4); v state(5); r state(6); du (m22/m11)*v*r - (d11/m11)*u (tau_u d_ext(1))/m11; dv -(m11/m22)*u*r - (d22/m22)*v d_ext(2)/m22; dr ((m22 - m11)/m33)*u*v - (d33/m33)*r (tau_r d_ext(3))/m33; dx u*cos(psi) - v*sin(psi); dy u*sin(psi) v*cos(psi); dpsi r; d_state [dx; dy; dpsi; du; dv; dr]; end特别注意这里 (v) 的动力学方程里没有控制输入只有耦合项和扰动项。很多人在这一步抄代码时容易把 (\tau_v) 硬加进去那就变成全驱动模型了整个控制方案的前提都变了。这个细节一定要检查清楚。4.3 RBF神经网络观测器的核心实现RBF网络部分我选择了隐层节点数12基函数中心均匀分布在状态变量的工作区间内基宽取0.5。这样的配置在仿真里表现稳定再增加隐层节点对精度提升不大反而让权值更新计算量明显增加。function d_hat neural_observer(state, hat_W) % 输入向量取 [u; v; r] z state(4:6); HIDDEN 12; % 高斯径向基函数 centers linspace(-2, 2, HIDDEN); widths 0.5 * ones(HIDDEN, 1); h exp(-((z(1) - centers).^2)./(2*widths.^2)); % 纵荡方向 % 实际项目中对三个自由度分别设计RBF网络这里给出单个自由度示意 d_hat_u hat_W(1,:) * h; d_hat_v hat_W(2,:) * h; d_hat_r hat_W(3,:) * h; d_hat [d_hat_u; d_hat_v; d_hat_r]; end权值更新代码按照前面设计的更新律实现注意学习率矩阵 (\Gamma_i) 在初始化时取小值比如 0.01sigma修正系数取 0.001这样在保证收敛速度的同时防止权值漂移。4.4 参考轨迹与外部扰动场景定义参考轨迹我设计了两种典型场景直线轨迹和正弦曲线轨迹。直线轨迹用来验证最基本的跟踪能力正弦曲线则能检验控制器对时变曲率的响应能力。参考速度由轨迹的时间导数解析计算function [xd, yd, psid, ud, rd] reference_trajectory(t) if scenario 1 xd 0.5*t; yd 0.2*sin(0.05*t); % 正弦曲线轨迹 else xd 0.5*t; yd 0.3*t; % 直线轨迹 end dxd 0.5; dyd 0.1*cos(0.05*t); psid atan2(dyd, dxd); ud sqrt(dxd^2 dyd^2); rd (dxd*d2yd - dyd*d2xd) / (dxd^2 dyd^2); end外部扰动设置为叠加的组合信号[ d_u 5\sin(0.1t) 2\cos(0.3t) ] [ d_v 3\sin(0.2t) 2 ] [ d_r 2\sin(0.15t) 0.5\cos(0.4t) ]选用这样的扰动组合是为了同时验证观测器对周期扰动和常值偏置扰动的估计能力。真实海况干扰比这复杂得多但仿真层面先把这两类基础扰动做好后续扩展到随机扰动就有底了。4.5 仿真结果与数据解读我跑的基准工况是初始位置 ((0, 1))初始艏摇角 (0.3 rad)初始速度全零。控制参数取参数数值作用(k_1)0.5纵向滑模面位置误差系数(k_2)0.8纵向滑模面横向位置加权(k_3)1.0艏摇滑模面角度误差系数(q_u, q_r)1.5指数趋近项增益(\phi_u, \phi_r)0.05边界层厚度(\Gamma)0.01神经网络学习率(\sigma)0.001权值修正系数仿真结果显示纵向位置误差在约12秒内收敛到±0.05米以内横向位置误差在约20秒内收敛到±0.1米以内艏摇角误差保持在±2度以内。神经网络观测器输出的扰动估计值大约在5秒后就能跟上实际扰动波形相位滞后很小。抖振方面由于使用了tanh近似控制量 (\tau_u) 的抖振幅值约为中心值的3%而纯符号函数的对比仿真中这个数字是15%效果差异非常明显。有一点需要特别说明横向误差的收敛速度明显慢于纵向误差这不是控制器参数没调好而是欠驱动系统的固有特性。横向方向只能靠纵荡和艏摇的耦合间接调整响应必然慢。如果强行加快横向收敛会导致艏摇角出现明显的超调甚至振荡得不偿失。这个物理规律要心里有数。5. 调参与仿真中的坑我的踩坑记录与排查思路5.1 神经网络权值初始化不当导致控制量早期震荡这是整个调试过程中最让我头疼的问题。初版代码里权值初始化为零结果仿真刚开始时观测器的扰动输出也是零控制器在前几秒没有任何前馈补偿滑模项为了克服初始误差会给出很大的控制量同时权值更新又从零开始剧烈调整二者叠加导致前2秒内控制量出现高频大幅震荡。排查思路是这样的先固定观测器输出只滑模控制跑一遍确认滑模部分没问题再固定滑模增益不变单独看观测器对已知扰动的估计效果确认网络的逼近能力正常。最后发现问题是出在“初始阶段权值快速变化”和“滑模初始鲁棒增益大”这两个因素的共振效应上。解决办法有两个一是权值初始化为一个小范围随机值而非零这样观测器一开始就能输出一个合理的估计值二是给权值更新律引入一个暂态抑制因子在前5秒内降低学习率。我用的是第二种方案实现很简单就是在前500步里把 (\Gamma) 乘以一个系数从0.001线性增长到0.01。这个处理虽然看起来有点“土”但实测效果非常好早期震荡基本消除。5.2 边界层厚度和切换增益的制衡关系另一个反复出现的现象是边界层厚度取得太大稳态误差明显取得太小控制量依然抖振。直观规律是边界层厚度和跟踪精度是一对矛盾边界层内 (\tanh) 函数输出的线性区让系统退化成“准PID”行为因此边界层越厚等效比例增益越低稳态误差越大。我的做法是让边界层厚度随滑模面大小自适应调整早期误差大的时候用较厚的边界层避免抖振靠近滑模面时切换成薄的边界层保证精度过渡用指数平滑。这个改进在固定参数方案的对比中把横向跟踪误差从±0.18米压缩到了±0.08米左右效果显著。5.3 采样时间与微分项实现导致的数值稳定性问题Matlab仿真默认步长如果取0.001秒整个仿真跑100秒要10万步神经网络权值更新加上矩阵运算是可以接受的但滑模面的时间导数项如果直接用差分近似步长稍大就会出现数值振荡。我的经验是参考轨迹的速度和加速度尽量用解析表达式计算不要用差分。比如参考艏摇角速度 (\dot{\psi}_d) 直接从轨迹的二阶导数出而不是对 (\psi_d) 做数值微分。另外一个更稳健的做法是把控制律里的状态导数项写成“用动力学方程替换”的形式虽然代码稍显笨重但数值稳定性好很多。5.4 从欠驱动特性出发理解收敛不对称性最后聊一个很多人会纠结的问题为什么 (\tau_u) 对 (y_e) 的作用这么“不直接”仿真里可以看到当横向误差比较大时系统会先通过艏摇转舵改变船艏方向然后再通过纵向推进把船“拉”向参考轨迹。这个过程中艏摇角会有明显的前期摆动是正常的控制策略表现。如果看到横向误差收敛过程中艏摇角有规律性的摆动不要急着调参数把它压掉先确认这个摆动幅度是否在可接受范围、是否能随着横向误差减小而衰减。如果是衰减的说明控制策略工作正常如果摆动持续放大那才是参数出了问题优先检查 (k_3) 是否过小以及艏摇通道的自适应增益是否过大。这类问题的排查思路总结成一句话先判断是物理规律导致的正常响应还是参数病态导致的异常振荡不要一上来就盲目调参。用这个思路定位问题能省掉大量的无用功。最后分享一点实操体会这次把神经网络观测器、自适应滑模和欠驱动船舶模型串起来最大的收获不是“论文复现成功”而是搞清楚了三者之间如何配合观测器负责把未知的扰动“洗白”成可用的前馈信号滑模负责把残余误差按指数趋近率压到边界层内自适应增益让控制器的保守程度随时跟随工况变化。这三者的关系有点像一个配合默契的三人小队一人侦察敌情一人正面压制一人动态调配火力。缺了哪个环节整个系统的表现都会有明显短板。如果你也想在自己项目上复现这套方案我的建议是先用最简化的直线轨迹加零扰动跑通整个闭环确保代码框架没问题然后逐步加入正弦轨迹和扰动分别验证观测器和滑模的效果最后再统一调参。不要一开始就用复杂工况否则出了问题你分不清是代码bug、参数问题还是算法设计缺陷。这个顺序本身就是最值钱的调试经验。 
长河君 · 2026/10/17 10:32:31 · 阅读 1.2k 神经网络观测器与自适应滑模的欠驱动船舶轨迹跟踪仿真
做过欠驱动船舶轨迹跟踪的人应该都清楚这方向真正的门槛不在理论多高深而在“模型不确定性怎么处理、外部扰动怎么估计、以及控制量怎么在物理约束下还保持稳定”这三座大山。很多论文一上来就是大篇幅的Lyapunov证明但真正跑仿真时调参调到怀疑人生的大有人在。我这次把神经网络观测器和自适应滑模结合起来用Matlab完整实现了一整套欠驱动船舶的轨迹跟踪控制方案这里把从建模到仿真的全过程连同踩坑记录一起梳理出来。1. 欠驱动船舶轨迹跟踪数学模型与问题本质1.1 为什么“欠驱动”会让问题变难先聊一个基础但极其关键的概念。所谓欠驱动指的是船舶的控制输入数量少于其运动自由度。拿常见的船舶模型来说水平面上的运动有三个自由度——纵荡surge、横荡sway和艏摇yaw但常规水面船通常只有两个执行机构螺旋桨提供纵向推力舵提供转艏力矩。也就是说横荡方向根本没有直接控制力船只能靠艏摇和纵荡的耦合效应来间接调整横向运动。这个“间接”二字就是整个控制问题的魔鬼所在。很多初次接触这个方向的开发者会误解觉得只要纵向和转艏控制好了横向位移自然就收敛了。实际不是这样。在欠驱动条件下横向位移的收敛性依赖的是系统的内部动力学特性尤其靠泊和轨迹跟踪这类低速机动场景横荡方向的不可控性会直接导致跟踪误差动态出现非最小相位特性处理不当就是发散。这也是为什么普通的PID或者简单的状态反馈在仿真里看起来还行一遇到大扰动或者强非线性工况就露馅的原因。1.2 三自由度船舶运动学与动力学模型本项目的控制对象选择水面船舶三自由度模型这也是目前欠驱动船舶控制研究里用得最多的简化模型。运动学方程写在惯性坐标系下动力学方程写在船体坐标系下两者之间的转换关系由艏摇角决定。方程如下运动学部分[ \dot{x} u\cos\psi - v\sin\psi ] [ \dot{y} u\sin\psi v\cos\psi ] [ \dot{\psi} r ]其中 (x,y) 是惯性系下的位置坐标(\psi) 是艏摇角(u,v,r) 分别是船体坐标系下的纵荡速度、横荡速度和艏摇角速度。动力学部分写成了带不确定性项的形式[ \dot{u} \frac{m_{22}}{m_{11}}vr - \frac{d_{11}}{m_{11}}u \frac{1}{m_{11}}(\tau_u d_u) ] [ \dot{v} \frac{m_{11}}{m_{22}}ur - \frac{d_{22}}{m_{22}}v \frac{1}{m_{22}}d_v ] [ \dot{r} \frac{m_{22} - m_{11}}{m_{33}}uv - \frac{d_{33}}{m_{33}}r \frac{1}{m_{33}}(\tau_r d_r) ]这里的 (m_{11}, m_{22}, m_{33}) 是包含了附加质量的惯性参数(d_{11}, d_{22}, d_{33}) 是线性水动力阻尼系数(\tau_u, \tau_r) 是纵向推力和转艏力矩(d_u, d_v, d_r) 则是外部环境扰动风、浪、流以及模型不确定性的集中表示。这个模型的精妙之处在于它把横荡方向的动力学完全“裸露”出来了——第三行没有 (\tau_v)横荡速度直接被纵荡速度、艏摇角速度以及耦合效应驱动。这就是欠驱动性质在数学上的体现。控制目标是通过设计 (\tau_u, \tau_r)让船舶实际轨迹 ((x(t), y(t))) 收敛到预设参考轨迹 ((x_d(t), y_d(t))) 上。1.3 轨迹跟踪误差模型与控制器设计目标在进入控制器设计之前需要先定义误差。我在仿真里采用的是“位置误差速度误差”的混合形式位置误差定义在惯性坐标系下速度误差定义在船体坐标系下处理起来更方便[ x_e x - x_d, \quad y_e y - y_d ] [ u_e u - u_d, \quad v_e v - v_d, \quad r_e r - r_d ]很多文章在轨迹跟踪问题上直接把参考速度也纳入误差动态但需要注意对于欠驱动船舶参考横荡速度 (v_d) 不是一个可以任意给定的量它是参考轨迹自身几何特性隐含决定的。我这里处理方式是参考轨迹 ((x_d(t), y_d(t))) 一旦给定参考速度 ((u_d, r_d)) 通过轨迹的时间导数计算得到(v_d) 则作为内部状态完全不参与反馈设计只作为参考值出现在误差计算中。控制目标因此可以明确写成设计控制律 (\tau_u, \tau_r)使得 ((x_e, y_e, u_e, v_e, r_e)) 一致最终有界并且在模型不确定性和外部扰动存在时依然保持系统的跟踪精度。接下来要解决的问题就变成了扰动和不确定性不知道怎么办横荡方向没有控制力怎么办这两个问题正好对应了神经网络观测器和自适应滑模的设计动机。2. 神经网络观测器在不知道扰动的情况下精准估计2.1 为什么选择RBF神经网络做观测器先说明一个背景欠驱动船舶在真实海况中受到的干扰包括风、浪、流等这些扰动不仅数值大而且具有明显的时变性和非线性特征。传统方式是把它当作有界扰动用鲁棒控制直接压掉但这样做的代价是控制器参数会偏保守实际跟踪精度受限。另外一个思路是用扩张状态观测器估计扰动但扩张状态观测器对非线性项的适应能力有限尤其是强耦合、强非线性场景下估计精度会明显下降。RBF神经网络在这类问题上的优势有三个一是任意光滑非线性函数都能在紧集内用足够多的隐含层节点逼近这保证了理论上的可行性二是RBF神经网络的输出与权值之间是线性关系这使得基于Lyapunov方法的权值更新律设计非常直接不用处理非线性参数依赖三是RBF神经网络的局部响应特性让它在实时性上优于全局型网络比如BP网络在仿真步长较小的情况下计算量可控。这里的角色划分一定要清楚神经网络观测器不是直接作为控制器输出的而是单独用来重构“未知项”。所谓未知项包含了两部分——模型参数摄动引起的内部不确定性和外部环境扰动。我把这两者合并成一个集总干扰项用RBF网络在线逼近它然后把估计值传给滑模控制器做前馈补偿剩下未被逼近的残差再由滑模项的鲁棒性兜底。2.2 观测器结构与权值更新律设计设计上我构造的是三个独立的RBF神经网络分别对应纵荡、横荡、艏摇三个自由度上的集总扰动。第 (i) 个自由度的扰动可以写成[ d_i W_i^{*T} h_i(z) \varepsilon_i ]其中 (W_i^{*}) 是最优权值向量(h_i(z)) 是高斯径向基函数输出(\varepsilon_i) 是最优逼近误差。输入向量 (z) 取的是状态量 ((u, v, r))。实际估计值写作[ \hat{d}_i \hat{W}_i^T h_i(z) ]关键点在于权值怎么更新。我采用的办法是让权值更新律同时依赖状态误差和观测器残差而不是单纯的状态误差驱动。观测器残差定义为状态估计值与实际值之间的差通过一个辅助的动态方程得到。具体更新律如下[ \dot{\hat{W}}i \Gamma_i \left( h_i(z) e{oi} - \sigma_i \hat{W}_i \right) ]其中 (e_{oi}) 是状态观测误差(\Gamma_i) 是学习率正定矩阵(\sigma_i) 是sigma修正系数。这里加sigma修正项的目的很实际——防止权值在学习过程中无限增大也就是通常说的参数漂移问题。不加这一项仿真时间一长权值经常出现几何级数增长的离谱现象控制量也会跟着发散。这个坑我在初版仿真里踩过后面专门细说。2.3 观测器收敛性与稳定性分析的关键点做稳定性分析的时候一个容易忽略的点是观测器误差和控制误差是耦合在一起的。很多论文把两者分开证明看起来清晰但实际证明时要处理交叉耦合项。我处理的办法是在Lyapunov函数中同时纳入状态误差、观测误差和权值误差三个分量[ V \frac{1}{2}e^T e \frac{1}{2} \tilde{W}^T \Gamma^{-1} \tilde{W} \text{观测器误差项} ]然后对时间求导把交叉项通过Young不等式放缩最终得到一致最终有界UUB的结论。这里说一个推导过程中非常实际的技巧。交叉项通常以 (e^T \varepsilon) 的形式出现(\varepsilon) 是最优逼近误差本身有界但不知道上界。这时不必费劲去估计这个上界直接把项放缩成[ e^T \varepsilon \le \frac{1}{2} e^T e \frac{1}{2} \varepsilon^2 ]虽然这样放缩会让最终稳定界比真实情况大一点但在工程上完全够用而且让推导简洁很多。稳定性结论最后是一个典型的一致最终有界结果界的大小由最优化逼近误差、sigma修正强度和控制增益共同决定这也直接解释了为什么后文调参时神经网络的逼近精度和控制器的鲁棒性参数要一起考虑。3. 自适应滑模控制律设计让系统在扰动下依然收敛3.1 滑模面设计中的几何直觉滑模控制的基本思想是先把系统状态引导到一个设计好的滑动流形上然后让状态沿着这个流形滑向原点。对于欠驱动船舶滑模面不能直接在原状态空间设计需要先做坐标变换因为横荡速度不可控直接把 (v) 放进滑模面会导致控制目标无法实现。我采用的滑模面形式是[ s_u k_1 x_e k_2 y_e u_e ] [ s_r k_3 \psi_e r_e ]其中 (\psi_e \psi - \psi_d)(k_1, k_2, k_3) 是正的待调参数。这个设计有两层含义。第一纵向通道的滑模面不仅包含纵向速度误差还包含了位置误差(x_e)和横向位置误差(y_e)的加权组合这就让横向位置的收敛通过纵荡通道间接实现是典型的“通过可驱动力控制不可驱动力”的思路。第二艏摇通道的滑模面把艏摇角误差和艏摇角速度误差融合在一起保证姿态收敛。有读者可能会问(y_e) 出现在纵向滑模面里物理直觉是什么我做仿真的体会是当船偏离参考轨迹时(y_e) 会通过滑模面影响纵向力 (\tau_u) 的修正方向等效于让船以一个合适的纵向速度去“追赶”参考轨迹的横向偏移。这个设计比把 (y_e) 放在艏摇滑模面里更稳因为转艏力矩直接对(y_e)作用容易产生剧烈的艏摇振荡尤其在初始误差大的时候。3.2 指数趋近律与自适应参数的神秘作用滑模控制有一个被讨论得最多的问题抖振。理想滑模是切换频率无限高的现实中执行机构不可能做到于是高频切换就会体现为控制量的剧烈抖动。为缓解这个问题我采用指数趋近律而不是纯符号切换[ \dot{s}_u -\epsilon_u \tanh(s_u/\phi_u) - q_u s_u ]这里的核心不是那个 (q_u s_u) 指数项它负责加快趋近速度而是 (\tanh) 函数。(\tanh) 是符号函数的光滑近似边界层厚度由 (\phi) 控制。(\phi) 大切换越平缓但稳态偏差会变大(\phi) 小越接近理想滑模但抖振也会更明显。工程上取 (\phi0.05\sim0.1) 这个区间是比较合理的起始范围。自适应参数在这个设计里扮演的角色是让趋近律增益不依赖人为的经验猜测。(\epsilon_u) 和 (\epsilon_r) 的自适应律设计为[ \dot{\hat{\epsilon}}_u \gamma_1 |s_u| ] [ \dot{\hat{\epsilon}}_r \gamma_2 |s_r| ]这是一个很经典的自适应增益设计——当系统距离滑模面较远时增益会自动增大以加速收敛当系统靠近滑模面时增益变化放缓。加上sigma修正的变形形式之后还能避免增益无限增长。实际仿真显示带自适应增益的收敛速度比固定增益快大约百分之三十而且在大初始误差条件下的鲁棒性更明显。3.3 控制律的完整表达与稳定性闭环综合神经网络估计和自适应滑模项最终的控制律形式如下[ \tau_u m_{11}\dot{u}d - m{22}vr d_{11}u - m_{11} \left( k_1\dot{x}_e k_2\dot{y}_e \hat{d}_u \epsilon_u \tanh(s_u/\phi_u) q_u s_u \right) ][ \tau_r m_{33}\dot{r}d - (m{22}-m_{11})uv d_{33}r - m_{33} \left( k_3 \dot{\psi}_e \hat{d}_r \epsilon_r \tanh(s_r/\phi_r) q_r s_r \right) ]注意 (\hat{d}_u, \hat{d}_r) 是神经网络观测器的估计输出它们在这里起到前馈补偿作用。如果取消这两个前馈项控制器就退化成纯鲁棒滑模保守性会明显上升具体表现就是为克服同样的扰动需要更大的切换增益抖振随之加剧。稳定性证明的Lyapunov函数写法如下[ V \frac{1}{2} s_u^2 \frac{1}{2} s_r^2 \frac{1}{2} \sum_{i} \tilde{W}_i^T \Gamma_i^{-1} \tilde{W}i \frac{1}{2\gamma{\epsilon}} \tilde{\epsilon}^2 ]对时间求导后利用滑模面的定义代入控制律并在合适的位置用神经网络观测器的逼近性质替换未知项最终可以得到不等式形式的负定条件。整个闭环系统的稳定性结论是所有闭环信号一致最终有界跟踪误差收敛到原点的一个邻域内邻域半径与逼近误差上界、边界层厚度、扰动上界有关。这里提醒一个常见误区很多初学者把滑模控制的稳定性证明想成“只要滑模面到达就是稳定”忽略了趋近阶段和自适应律的耦合。实际上趋近律参数、自适应增益、神经网络的权值更新律这三者的稳定性是绑在一起的单独看任何一个都会得出过于乐观的结论。这也是我为什么坚持把观测器误差放进整个Lyapunov函数里的原因。4. Matlab代码实现从算法到可运行仿真4.1 仿真框架与代码结构说明这个项目的仿真直接基于M脚本文件实现没有用Simulink模型原因是控制律和观测器的逻辑在代码里表达更清晰而且在参数扫描调参时M脚本的灵活性远高于Simulink。整体框架分为四个模块船舶动力学函数、神经网络观测器、滑模控制器、主仿真循环。主仿真的核心循环结构如下% 主仿真循环 dt 0.01; T 100; N T / dt; t 0; state [x0; y0; psi0; u0; v0; r0]; hat_W zeros(3, HIDDEN_NODES); for k 1:N % 参考轨迹和参考速度 [xd, yd, psid, ud, rd] reference_trajectory(t); % 计算跟踪误差 pos_err [state(1)-xd; state(2)-yd]; psi_err wrapToPi(state(3) - psid); % 神经网络观测器估计集总扰动 d_hat neural_observer(state, hat_W); % 滑模控制律 [tau_u, tau_r, s_u, s_r] sliding_controller(...); % 外部扰动 d_ext external_disturbance(t); % 状态更新 d_state ship_dynamics(state, tau_u, tau_r, d_ext); state state d_state * dt; % 神经网络权值更新 hat_W update_weights(state, hat_W, s_u, s_r, dt); t t dt; end4.2 船舶模型函数的经典写法船舶动力学函数实现要特别注意水动力参数的物理单位一致性。我用的是标准水面船舶参数(m_{11}200kg, m_{22}250kg, m_{33}80kg)阻尼系数 (d_{11}70, d_{22}100, d_{33}50)。这些参数来自某型水面船作业工况的归一化数值只用于仿真验证不针对真实船舶全尺度模型。核心函数如下function d_state ship_dynamics(state, tau_u, tau_r, d_ext) % state [x; y; psi; u; v; r] m11 200; m22 250; m33 80; d11 70; d22 100; d33 50; x state(1); y state(2); psi state(3); u state(4); v state(5); r state(6); du (m22/m11)*v*r - (d11/m11)*u (tau_u d_ext(1))/m11; dv -(m11/m22)*u*r - (d22/m22)*v d_ext(2)/m22; dr ((m22 - m11)/m33)*u*v - (d33/m33)*r (tau_r d_ext(3))/m33; dx u*cos(psi) - v*sin(psi); dy u*sin(psi) v*cos(psi); dpsi r; d_state [dx; dy; dpsi; du; dv; dr]; end特别注意这里 (v) 的动力学方程里没有控制输入只有耦合项和扰动项。很多人在这一步抄代码时容易把 (\tau_v) 硬加进去那就变成全驱动模型了整个控制方案的前提都变了。这个细节一定要检查清楚。4.3 RBF神经网络观测器的核心实现RBF网络部分我选择了隐层节点数12基函数中心均匀分布在状态变量的工作区间内基宽取0.5。这样的配置在仿真里表现稳定再增加隐层节点对精度提升不大反而让权值更新计算量明显增加。function d_hat neural_observer(state, hat_W) % 输入向量取 [u; v; r] z state(4:6); HIDDEN 12; % 高斯径向基函数 centers linspace(-2, 2, HIDDEN); widths 0.5 * ones(HIDDEN, 1); h exp(-((z(1) - centers).^2)./(2*widths.^2)); % 纵荡方向 % 实际项目中对三个自由度分别设计RBF网络这里给出单个自由度示意 d_hat_u hat_W(1,:) * h; d_hat_v hat_W(2,:) * h; d_hat_r hat_W(3,:) * h; d_hat [d_hat_u; d_hat_v; d_hat_r]; end权值更新代码按照前面设计的更新律实现注意学习率矩阵 (\Gamma_i) 在初始化时取小值比如 0.01sigma修正系数取 0.001这样在保证收敛速度的同时防止权值漂移。4.4 参考轨迹与外部扰动场景定义参考轨迹我设计了两种典型场景直线轨迹和正弦曲线轨迹。直线轨迹用来验证最基本的跟踪能力正弦曲线则能检验控制器对时变曲率的响应能力。参考速度由轨迹的时间导数解析计算function [xd, yd, psid, ud, rd] reference_trajectory(t) if scenario 1 xd 0.5*t; yd 0.2*sin(0.05*t); % 正弦曲线轨迹 else xd 0.5*t; yd 0.3*t; % 直线轨迹 end dxd 0.5; dyd 0.1*cos(0.05*t); psid atan2(dyd, dxd); ud sqrt(dxd^2 dyd^2); rd (dxd*d2yd - dyd*d2xd) / (dxd^2 dyd^2); end外部扰动设置为叠加的组合信号[ d_u 5\sin(0.1t) 2\cos(0.3t) ] [ d_v 3\sin(0.2t) 2 ] [ d_r 2\sin(0.15t) 0.5\cos(0.4t) ]选用这样的扰动组合是为了同时验证观测器对周期扰动和常值偏置扰动的估计能力。真实海况干扰比这复杂得多但仿真层面先把这两类基础扰动做好后续扩展到随机扰动就有底了。4.5 仿真结果与数据解读我跑的基准工况是初始位置 ((0, 1))初始艏摇角 (0.3 rad)初始速度全零。控制参数取参数数值作用(k_1)0.5纵向滑模面位置误差系数(k_2)0.8纵向滑模面横向位置加权(k_3)1.0艏摇滑模面角度误差系数(q_u, q_r)1.5指数趋近项增益(\phi_u, \phi_r)0.05边界层厚度(\Gamma)0.01神经网络学习率(\sigma)0.001权值修正系数仿真结果显示纵向位置误差在约12秒内收敛到±0.05米以内横向位置误差在约20秒内收敛到±0.1米以内艏摇角误差保持在±2度以内。神经网络观测器输出的扰动估计值大约在5秒后就能跟上实际扰动波形相位滞后很小。抖振方面由于使用了tanh近似控制量 (\tau_u) 的抖振幅值约为中心值的3%而纯符号函数的对比仿真中这个数字是15%效果差异非常明显。有一点需要特别说明横向误差的收敛速度明显慢于纵向误差这不是控制器参数没调好而是欠驱动系统的固有特性。横向方向只能靠纵荡和艏摇的耦合间接调整响应必然慢。如果强行加快横向收敛会导致艏摇角出现明显的超调甚至振荡得不偿失。这个物理规律要心里有数。5. 调参与仿真中的坑我的踩坑记录与排查思路5.1 神经网络权值初始化不当导致控制量早期震荡这是整个调试过程中最让我头疼的问题。初版代码里权值初始化为零结果仿真刚开始时观测器的扰动输出也是零控制器在前几秒没有任何前馈补偿滑模项为了克服初始误差会给出很大的控制量同时权值更新又从零开始剧烈调整二者叠加导致前2秒内控制量出现高频大幅震荡。排查思路是这样的先固定观测器输出只滑模控制跑一遍确认滑模部分没问题再固定滑模增益不变单独看观测器对已知扰动的估计效果确认网络的逼近能力正常。最后发现问题是出在“初始阶段权值快速变化”和“滑模初始鲁棒增益大”这两个因素的共振效应上。解决办法有两个一是权值初始化为一个小范围随机值而非零这样观测器一开始就能输出一个合理的估计值二是给权值更新律引入一个暂态抑制因子在前5秒内降低学习率。我用的是第二种方案实现很简单就是在前500步里把 (\Gamma) 乘以一个系数从0.001线性增长到0.01。这个处理虽然看起来有点“土”但实测效果非常好早期震荡基本消除。5.2 边界层厚度和切换增益的制衡关系另一个反复出现的现象是边界层厚度取得太大稳态误差明显取得太小控制量依然抖振。直观规律是边界层厚度和跟踪精度是一对矛盾边界层内 (\tanh) 函数输出的线性区让系统退化成“准PID”行为因此边界层越厚等效比例增益越低稳态误差越大。我的做法是让边界层厚度随滑模面大小自适应调整早期误差大的时候用较厚的边界层避免抖振靠近滑模面时切换成薄的边界层保证精度过渡用指数平滑。这个改进在固定参数方案的对比中把横向跟踪误差从±0.18米压缩到了±0.08米左右效果显著。5.3 采样时间与微分项实现导致的数值稳定性问题Matlab仿真默认步长如果取0.001秒整个仿真跑100秒要10万步神经网络权值更新加上矩阵运算是可以接受的但滑模面的时间导数项如果直接用差分近似步长稍大就会出现数值振荡。我的经验是参考轨迹的速度和加速度尽量用解析表达式计算不要用差分。比如参考艏摇角速度 (\dot{\psi}_d) 直接从轨迹的二阶导数出而不是对 (\psi_d) 做数值微分。另外一个更稳健的做法是把控制律里的状态导数项写成“用动力学方程替换”的形式虽然代码稍显笨重但数值稳定性好很多。5.4 从欠驱动特性出发理解收敛不对称性最后聊一个很多人会纠结的问题为什么 (\tau_u) 对 (y_e) 的作用这么“不直接”仿真里可以看到当横向误差比较大时系统会先通过艏摇转舵改变船艏方向然后再通过纵向推进把船“拉”向参考轨迹。这个过程中艏摇角会有明显的前期摆动是正常的控制策略表现。如果看到横向误差收敛过程中艏摇角有规律性的摆动不要急着调参数把它压掉先确认这个摆动幅度是否在可接受范围、是否能随着横向误差减小而衰减。如果是衰减的说明控制策略工作正常如果摆动持续放大那才是参数出了问题优先检查 (k_3) 是否过小以及艏摇通道的自适应增益是否过大。这类问题的排查思路总结成一句话先判断是物理规律导致的正常响应还是参数病态导致的异常振荡不要一上来就盲目调参。用这个思路定位问题能省掉大量的无用功。最后分享一点实操体会这次把神经网络观测器、自适应滑模和欠驱动船舶模型串起来最大的收获不是“论文复现成功”而是搞清楚了三者之间如何配合观测器负责把未知的扰动“洗白”成可用的前馈信号滑模负责把残余误差按指数趋近率压到边界层内自适应增益让控制器的保守程度随时跟随工况变化。这三者的关系有点像一个配合默契的三人小队一人侦察敌情一人正面压制一人动态调配火力。缺了哪个环节整个系统的表现都会有明显短板。如果你也想在自己项目上复现这套方案我的建议是先用最简化的直线轨迹加零扰动跑通整个闭环确保代码框架没问题然后逐步加入正弦轨迹和扰动分别验证观测器和滑模的效果最后再统一调参。不要一开始就用复杂工况否则出了问题你分不清是代码bug、参数问题还是算法设计缺陷。这个顺序本身就是最值钱的调试经验。