无人水下航行器控制技术的发展∗

刘 洋 孙显鹏 徐 超 孙玉祥 孙玉臣，3 丁思芃

（1.海军工程大学教务处 武汉 430033）（2.92330部队 青岛 266000）（3.海军工程大学兵器工程学院 武汉 430033）（4.海军工程大学电子工程学院 武汉 430033）

1 引言

无人水下航行器（Unmanned Underwater Vehicles，UUV）具备成本低、体积小、重量轻、灵活性强、可靠度高等多方面优势，近年来在军事等海洋领域所受到的重视逐步提高［1］，并在军事反潜、反水雷、海域侦查、封锁与反封锁等方面发挥越来越大的作用。目前世界各国入列使用的UUV 已达几千艘，相对潜艇等有人控制的航行器，UUV 的控制系统显著不同。由于海洋环境复杂多变，UUV 运动过程中受海浪、海流及海底地形等因素干扰，导致水动力参数及相关非线性阻尼参数的不确定，结合UUV 水下空间运动模型非线性、强耦合且参数可变的五自由度不确定等特点，UUV 难度较高的控制系统设计对控制精度、性能稳定及鲁棒性等都提出了很高要求［2～3］。

2 国内外UUV控制技术现状与分析

2.1 国外研究状况

为提高“Ocean Explorer”无人水下航行器分别在水平与垂直方向的控制精度与鲁棒性，Song Feijun 等［4］基于滑模控制（Sliding Mode Control，SMC）和模糊控制（Fuzzy Control，FC）设计了滑模模糊纵倾控制器和航向控制器。实艇试验结果表明，该控制算法抗干扰能力强，大大缩短了连续控制时间。

Campa Giampiero 等［5］针对UUV 航迹跟踪控制品质受模型线性化、水动力参数摄动等因素影响，提出了基于神经网络的在线运动线性控制器，试验验证了该算法的有效性。

C.Silvestre 等［6］基于非线性变增益控制，对UUV 运动控制品质受无法直接测量的运动状态影响的问题，提出了一种简化算法，该算法结合线性矩阵不等式（LMI）理论，由一系列降阶次的控制器组成。海试试验结果表明，利用非线性变增益控制方法设计的线性输出反馈控制器簇可在航行器“INFANTE”状态变量不可全部测量的情形下满足深度控制要求，并控制效果良好。C.Silvestre 等又将该算法应用于水平面控制系统，试验验证了其有效性，且参数调节简单［7］，适合实际应用。

Ji-Hong Li等［8］假设UUV的纵倾始终处于局部较小的条件下，基于非线性控制和自适应控制理论提出了一种深度控制算法。理想假设条件下该算法能够使UUV 在快速过渡过程中保持高精度控制，但理想假设条件较难满足，原因是UUV 在实际工作过程中，不同航速工作点下潜时会受到不同外界环境影响，且影响程度较大。该非线性自适应控制算法经修正后，可以实现该算法超出假设范围后的深度控制，抑制模型误差引起的干扰。

针对细长形欠驱动UUV 的路径跟踪控制问题，Woolsey 等［9］基于李雅普诺夫稳定性理论研究了独立执行机构数量少于运动自由度情形下的欠驱动系统稳定性问题，并在粘性力和粘性力矩取最小范围约束时利用李雅普诺夫直接法推导了一种新型控制算法，试验验证了该算法有效。

T.I.Fossen［10］将UUV 空间路径跟踪控制分为三类:点跟踪、路径跟随及轨迹跟踪，并利用牛顿-欧拉方程描述UUV 动力学模型，对该6-DOF 微分方程进行详细分解，对欠驱动无人水下航行器的运动控制方法进行了深入探讨，基于李雅普诺夫稳定性理论及其他非线性控制方法设计了路径跟踪控制器。三类跟踪模式的控制效果表明根据不同任务需求制定设计方案可提高控制器设计效率，并能够满足控制要求。

Lionel Lapierre 等［11］结合李雅普诺夫函数修正了滑模控制器参数，并提出了鲁棒非线性滑模控制策略，提高了误差收敛速度，使UUV 在外界干扰环境下按照预期航迹进行定速航行。

Ken Teo 等［12］针对UUV 入坞控制问题，设计了TSK 模糊推理系统，并在模糊控制基础上加入补偿控制器，仿真结果证明了，该方法可使UUV 在海流干扰作用下按期望速度定速入坞。

Erkan K 等［13］为优化传统PID 控制算法，引入了模糊神经网络进行补偿控制，并将模糊神经网络在线学习与滑模控制理论相结合，获得了更佳的UUV航迹跟踪效果。

针对典型MIMO 非线性系统的轨迹跟踪问题，Bing Chen 等［14］将模糊控制理论应用于反步控制算法中，结合李雅普诺夫函数提出参数自适应率，使闭环系统跟踪误差全局收敛。

Yuntao Han 等［15］提出了基于反步控制算法的动态逆控制策略，内环回路通过动态逆控制实现对UUV 非线性方程的解耦，外环回路利用反步控制算法提出控制率以保证系统的全局稳定性，仿真结果表明了控制策略的可行性。

Guoqing Xia 等［16］采用了基于自适应神经网络的观测系统以实现对UUV 运行过程中所受的海流干扰及模型中水动力参数的摄动观测，并结合李雅普诺夫理论提出网络权重自适应率，仿真结果验证了算法可行。

Li Ye 等［17］将UUV 水下空间运动问题解耦，采用PID 控制策略对UUV 的水平方向运动和纵深方向运动进行独立控制，通过模糊自适应策略对PID增益参数进行实时修正，并引入补偿控制器以提高UUV六自由度的运动控制精度。

Li Juan 等［18］基于Serret-Frenet 坐标系建立了UUV 三维路径跟踪误差模型，将误差模型分解为三个子系统并逐级设计虚拟控制率，仿真结果表明在外界扰动下跟踪误差收敛迅速，控制效果理想。

2.2 国内研究状况

刘学敏等［19］针对FC、神经网络控制算法设计参数调节困难的问题，结合FC 和PID 控制的特点推导出一种适用于UUV 定点控制和路径跟踪控制的非线性控制器。大量水池、海试试验表明该算法抗海流、海浪等干扰的能力强，控制效率高，控制精度优，克服了UUV 非线性动力学特性对控制器设计所造成的困难。

陈海洪等［20］基于SMC和FC理论设计了一种解决UUV 在外界干扰下“CR-02”阶跃指令响应较差问题的算法，仿真及水池试验均表明该算法能够有效抑制外界干扰对控制造成的误差，鲁棒性强，稳定性高，且可快速稳定。

刘建成等［21］基于自学习理论改进了Sigmoid控制算法，使该算法具有自学习能力，可以根据UUV当前状态与控制目标的误差，在初始参数变化的条件下对控制器参数进行实时自主调整。解决了Sigmoid 控制器对运动控制的初始状态要求严格、参数设计经验要求高的问题，数值仿真试验结果表明该算法有效。

何斌等［22］基于自抗扰控制技术（ADRC）设计了一种UUV 控制算法。该控制算法利用扩张状态观测器估计航行器的内、外部扰动，对其进行补偿，并采用跟踪微分器设计跟踪目标的过渡过程。仿真结果表明该算法深度控制响应的超调量为零，鲁棒性和抗干扰能力强，通过航行器深度控制试验，验证了该算法有效。

毕凤阳等［23］基于SMC 和FC 理论，结合自适应控制思想，提出一种自适应模糊变结构控制器，解决了欠驱动UUV 干扰抑制能力受模型不确定时滞特性影响的问题。仿真试验结果表明该控制器能高效抑制建模误差、控制输入时滞及水动力参数时变等引起的扰动，控制性能较一般SMC 方法有较大提高，有效减少了抖振发生的程度和概率。

杜亮等［24］在UUV 纵倾小范围变化假设条件下，建立了垂直面的线性化动力学模型，基于模型预测控制理论，使用在线优化策略设计了一种模型预测控制器，意在解决UUV 近水面航行时深度控制受海浪影响而波动的问题。试验结果表明，在三级海况条件下，该算法能够保持UUV 航行深度相对稳定，且有较好的动态控制品质。

佘明洪［25］基于流体力学理论，引入滤波函数进行平滑处理，提出了基于NURBS 曲线拟合法的无人水下潜航器的路径控制方法。实验验证，在无人水下潜航器路径控制方面，该控制方法所需时间及精度均要优于传统的方法，具有一定的实用性。

刘青［26］通过建立UUV 的五自由度的运动学数学模型，将模型中存在的建模动态和外界环境干扰等因素，等效为系统干扰项，按照运动平面解耦方法简化模型得到纵倾角模型和深度控制模型。在纵倾角和深度控制上采用动态面滑模和自适应相结合的算法，分别设计纵倾角控制器和深度控制器，使系统能够在控制过程中动态估计系统的不确定参数，消除反步法引起的微分项膨胀，仿真研究结果验证了深度-纵倾控制策略不仅有效限制了纵倾角，而且调节时间少。

针对传统无人水下航行器智能控制范围较小的实际，李聪等［27］优化了PID 控制器，根据水域深度变化切换不同控制方式。使用粒子群算法对智能控制方式进行规划并进行最优选择，实现航行智能控制。试验结果验证，所设计的控制系统能在水下2000m 内进行有效控制，比传统控制系统多出800m的有效范围。

为减小UUV 大机动时动力学耦合对滚动产生的影响，张秦南等［28］提出了大机动情况下滚动通道模型参考自适应变结构控制方法，将耦合作为干扰处理，同时采用模型参考自适应控制提高系统鲁棒性。仿真结果表明，该方法可以有效解决大机动时滚动通道的耦合问题。

付俞鑫［29］建立了大地坐标系下的UUV 五自由度数学模型，采用模糊神经网络补偿PD 航迹跟踪控制策略中的静态误差，采用模糊神经网络逼近滑模控制算法提高控制系统的学习能力，基于李雅普诺夫稳定性及投影定理实现滑模控制理论网络参数的在线学习。采用自组织模糊神经网络逼近反馈线性化控制算法中的不确定项，加入滑模控制器抵消外界扰动，从而减小模糊神经网络的运算负荷。仿真验证该方法能较好实现对UUV 的控制。

贾鹤呜等［30］基于虚拟向导建立UUV 航迹跟踪误差，基于工程解耦的思想设计了非线性迭代滑模控制算法，消除了舵角的抖振，减小了稳态误差。同时提出了基于神经网络的自适应输出反馈控制方法［31］，控制器由动态补偿的输出反馈控制项、神经网络自适应控制项及鲁棒控制项共同组成，且由线性观测器提供神经网络自适应学习信号，该方法可有效抑制海流干扰，实现UUV 三维航迹的精确跟踪。

高剑等［32］结合自适应积分反步控制算法，在闭环反馈控制中加入积分项，提高了UUV 对未建模动态特性的鲁棒性，克服了参数变化与海流干扰。

徐健等［33］提出了一种定义虚巧速度误差变量的反步控制设计策略，有效解决了基于视线引导的传统反步法中存在的奇异值问题，并对传统反步法的复杂计算进行简化，最终结合李雅普诺夫函数设计了欠驱动UUV的三维航迹跟踪控制器。

张伟等［34］针对UUV 回收运动控制，结合模糊和解耦理论设计了一种解耦补偿器。经过模糊推理的合成运算和清晰化运算，计算出解耦补偿量。仿真结果表明该方法在UUV 回收控制中应用价值较高。

陈世利等［35］针对仅依靠航向PID 控制的矢量推进UUV 高速转向时航迹跟踪效果差的问题，提出了航向控制与航速控制双闭环的控制方法，在航行器高速转向时，控制器在调整航向的同时依据航向环偏航角差实时控制航速环UUV 转向目标速度。经理论分析和实验验证，在UUV 转向时，该控制算法可以更好地实现航迹跟踪，实际航行轨迹与目标航迹的最大偏差可控制在10m以内。

3 无人水下航行器控制技术所面临的挑战

无人水下航行器控制虽然可借鉴潜艇等传统有人水下航行器控制的成功经验和技术，但受无人水下航行器自身承载能力、控制能力和控制方式等多方面的影响，诸多航行器控制研究仍只停留于理论方面，在实际应用中，仍面临诸多技术挑战，主要表现在［36］:

1）与传统有人航行器相比，目前的UUV 采用“人在回路中”等控制方式较为普遍［37］。由于水下通信条件的限制，岸基操控人员无法实时全面实现对航行器的遥控，而半自主或自主控制方式又对UUV 本身及其子系统设备控制的智能化程度要求很高，尤其在因故障等导致的欠驱动条件下运动控制、便利性的布放回收、集群化协同化作战以及协调UUV 集群内部的载荷设备综合控制等方面提出了非常高的要求［38］。

2）在实用环境方面，相对于潜艇等传统有人航行器，目前的UUV 体型和吨位较小，在运动过程中容易受到风、浪、流及水面海底边界条件等外界环境的干扰，且该干扰具有不确定性和时变特性，在UUV 发射和回收子系统设备的过程中，控制参数也会发生时变，进而确定UUV 姿态难度大，可能会影响其子系统设备工作的可靠度［39］。

3）实际使用过程中，由于故障或者高速运动时横向推进失效，正常驱动的UUV 将会工作于欠驱动状态，并造成UUV 运动的非线性。而水动力系数会随着UUV 的运动状态及边界条件的变化而不断复杂变化，这使欠驱动运动系统变得更加非线性。且欠驱动系统具有二阶非完整性约束，该系统不能被任何光滑的非时变的反馈控制律镇定，这给稳定工作增加了难度。

4）由于海洋环境的复杂多变、水下目标数据收集难度大，水下大数据构建尚不完备，在一定程度上限制了水下航行器控制技术的进一步发展。目前，采用以专家知识为基础的人工智能系统来实现航行器自主控制是一个趋势，但仍需要在附加设备资源管控、控制通道构建、控制故障诊断与容错处理、水下协同控制等多个方面进一步突破具备自学习能力和自适应能力的水下控制方法。

4 无人水下航行器控制技术的发展

伴随计算机等技术的发展，UUV 的控制系统也完成了由机械式向数字式的转变，随着嵌入式计算机技术的成熟，其在UUV 控制系统中也得到了广泛应用，使UUV 缩小了体积，降低了功耗，提高了可靠性。除此之外，UUV 控制系统在其他方面也得到了较大发展。

1）分布式控制及总线通信的应用

现有的两种UUV 运动控制结构中，分布式控制结构与集中式控制结构相比优势明显，分布式结构对通信要求低，可靠性强，易于实现航行器模块化设计，提高系统各模块的复用率，降低开发周期和成本［40］，所以在工程应用中较为流行。但分布式结构对UUV 系统内部通信网络要求较高，必须满足高效、稳定、安全和同步的要求。

现场总线技术的发展，已经可以满足分布式运动控制结构的要求。运动控制网络通信协议种类较多且并无统一标准，目前受业界认可的多种主流通信协议中，CAN 总线由于拥有极高的网络利用率，可以实现一点对一点、一点对多点和全局广播多种方式，有望成为普遍应用的与分布控制系统相结合的方式［41］。

2）控制器设计的多样化

目前针对UUV 控制问题主要采用的控制策略有多种，在使用中各有特点［42］。

PID 是最早出现的控制策略之一，该算法简单、可靠性及稳定性高，可与多种控制算法结合构成智能PID 控制等多种新型算法。但单纯的PID算法仅适用于线性系统，不能直接应用于水下航行器这一非线性系统，故此算法不能直接工程应用，必须进行优化。

滑模控制［43］是一种典型的非线性反馈控制策略，可以使运动逐步趋于稳态。该算法对参数变化和外部扰动的鲁棒性很强，在工程中应用广泛［44］，但其算法的不连续性会导致控制器输出产生抖振［43］。

反步控制是一种递推控制策略，可以将高阶非线性系统分解为不超过系统阶数的子系统，该策略引入李雅普诺夫函数设计每个子系统的虚拟控制率以保证各子系统收敛，最终获得整个闭环系统的实际控制率。

模糊控制是一种智能的经验控制方法，具有设计简单、稳定性好、可以方便解决非线性问题等特点，该算法无需掌握系统精确的数学模型，可有效应用于复杂的不确定性非线性系统的控制问题中［45］。但由于模糊控制算法复杂，对主观经验要求较高，量化因子［46］的选取在很大程度上会对控制精度产生影响，故设计难度大，当系统控制规则复杂多变或对精度要求较高时，控制效果往往不理想。在实际应用中，常与其他算法结合使用，进而成为一种比较理想的控制策略［47］。

神经网络控制也是一种智能控制方法，其与控制理论相结合，能以任意精度趋近非线性系统，适合用于复杂非线性控制系统的设计，其学习系统还能够在无需精确数学模型的基础上适应UUV 周围变化缓慢的环境，所以在工程中应用广泛［48］。但神经网络在自适应过程中不能对快速变化的外部环境做出较好的调节，无法满足控制的实时性要求。

3）更多功能模块的需求

UUV 设计使用的最终目的是为了搭载更多功能模块，执行探测目标、收集水下数据、发射及回收子系统等多样化水下任务。随着水下光学、水声等传感器系统的小型化发展，UUV 将在水下探测和通信能力上不断提高，并可实现自身的更加小型、隐身。由于UUV 的尺寸相对较小，搭载鱼水雷等水下武器的能力有限，为实现对较大海域的战术控制，一般可采取协同化、集群化的作战方式，这也是对水下无人与无人、有人与无人等平台之间的通信能力提出了更高要求。

4）仿生控制方式的借鉴

由于鱼类等水下生物在控制方式上独特且成熟，其控制运动的CPG方法能够在节律性输入不足的情况下产生节律性输出，具有良好的机动性、稳定性和推进效率，若能采用仿生手段将生物的各种控制方式引入UUV 控制，满足航行器节律性控制信号特征的需求，将会使仿生多自由度水下航行器的控制更加高效稳定。

5 结语

随着美国“第三次抵消战略”的提出，面对无人水下航行器愈加广阔的应用前景，不论在军用还是民用方面，世界各国都正在加紧研制与开发采用最新高科技成果的无人水下航行器。在科技进步的推动下，未来的无人水下航行器结构将更加简单，功能更加多样，自适应能力更加强大，可以执行更多的复杂任务，应用范围进一步扩大，在我国的海洋战略中，将扮演极其重要的角色。随着计算机及水下通信等关键技术问题的攻克［49］，未来的无人水下航行器性能必将大大提高，应用也将更加广泛。