无人水下航行器控制技术研究*

（海军工程大学电气工程学院 武汉 430033）

1 引言

无人水下航行器（Unmanned Underwater Vehicle，UUV）是一类为执行水下任务而自带能源、自主导航与控制、自主决策及作业的自航载体［1］。UUV集成了各类传感器于一体（如惯性测量单元、测速声呐、测距声呐、深度计等），能够长期在水下自主航行并可回收再利用，根据执行特定的使命任务不同，还可以搭载相应的传感器、专用设备或武器模块。

UUV具有体积小、机动能力强、智能化程度高、隐身性能好、作业风险低等特点，在海洋领域得以广泛应用。无人水下航行器不仅可以用于海洋监测、生物及矿产资源勘探、海事救援、海洋考古、海底工程项目的建设与维护等领域，也广泛使用于水雷对抗、情报搜集、通信中继等军事应用领域。UUV的研制与发展从某种程度上体现了一个国家的海洋高科技水平，受到了各国的高度重视。

按照UUV的自主性等级可以分为无人遥控潜航器（Remotely Operated Vehicle，ROV）和自主水下航行器（Autonomous Underwater Vehicle，AUV）［2］。ROV通常通过缆线与水面舰船或岸边基站的操作员进行信息交互。缆线还可以进行电力、视频、导航信号等传输。所以ROV的作用距离很大程度上受到了缆线的限制。AUV通常采用水声通信技术实现与操作员的信息交互。AUV一般使用蓄电池作为能源，所以其续航时间受到了电池容量的限制。

2 UUV运动控制技术

2.1 运动控制简介

UUV能够在不需要人员参与的情况下，自主执行相关的任务。这样不仅能够降低人员的伤亡风险，还能够代替人在一些人工无法操作的区域进行作业。相比于水面舰船，UUV的动力学系统呈现非线性、时变性特点。由于海洋环境复杂，UUV在水下航行期间可能会受到各种不同干扰因素的影响，其中洋流的影响尤为突出。运动控制技术是水下无人航行器完成作业任务的关键技术之一，为提升航行器的可操纵性、稳定性、鲁棒性，国内外关于运动控制方面有了较为详细的研究。

目前常见的单个无人水下航行器控制技术主要方法有PID控制、反步控制、滑模控制、模糊控制、神经网络控制等［3］。

2.2 运动控制技术

PID控制出现时间较早，应用广泛，相关理论发展较为成熟。该方法算法简单、适用性强、可靠性高，适合于对线性系统的控制。但是由于无人水下航行器控制系统呈现非线性特点，传统的PID控制存在较大的不足。在传统PID控制的基础上，国内外学者进行了大量的研究。罗伟林［4］等将传统的PID控制与模糊逻辑控制相结合，利用模糊逻辑方法得到控制器中的比例、积分、微分因子。通过结果仿真和模型试验表明设计的控制器从响应速度和精度方面都达到了良好的控制效果。Ye Li［5］等将AUV三维空间水下运动问题解耦为水平方向和深度方向上二维的运动控制，利用模糊自适应策略对传统PID参数进行实时的修正，在复杂环境下，模型试验结果表明跟踪误差能控制在2m的范围内。

反步控制采用递推控制策略，将高阶非线性系统分解成若干个不超过系统总阶数的子系统。对每个子系统使用Lyapunov判定条件构造虚拟控制率，保证各子系统的收敛性，从而最终获得整个闭环系统的实际控制率。苗建明［6］等结合视线角制导和虚拟向导法，在控制器设计中采用跟踪误差的积分来增加控制器的鲁棒性，采用非线性跟踪微分器对控制器进行简化从而避免传统反步法存在的“微分爆炸”现象，仿真实验结果表明改进的反步法在控制精度和鲁棒性方面明显优于常规反步法。王宏建［7］等采用滤波反步法设计AUV跟踪控制器，通过二阶滤波过程获得虚拟控制量的导数，避免了直接对虚拟控制量解析求导的复杂过程，滤除高频测量噪声的同时，增加了系统对噪声的鲁棒性。

滑模控制能够根据当前的系统状态，改变系统的“结构”，迫使系统按照预定的状态轨迹运动，是一种典型的非线性反馈控制策略，具有快速响应、对外界的干扰不灵敏、物理实现简单、系统鲁棒性强等特点。滑模控制核心是设计一个能够保证系统稳定并满足被控对象动力学特性的滑模面。欠驱动UUV运动控制系统滑模面设计多采用非线性滑模面设计，从而保证系统的控制品质。但是由于滑模控制变结构的不连续开关特性会引起系统的“抖振”现象。Song Feijun［8］等在滑模控制基础上，结合模糊控制，设计滑模模糊航向控制器和滑模模糊俯仰控制器。相关实验结果表明该方法参数在线调整方便，能够大大地缩短连续控制时间。杨建华［9］等，基于滑模控制理论设计出航向控制的方向舵舵角控制规律，通过仿真分析，一定程度上减弱了“抖振”现象。杨永彬［10］等将反演设计与自适应控制、滑模变结构控制相结合，采用二阶滑模的控制方法来抑制“抖振”问题，仿真结果表明，设计的控制规律能够避免系统对高阶动态的激发，减小了系统硬件的损坏概率，提升了稳定性和鲁棒性。

模糊控制的本质是一种经验主义控制方法，常与其他方法配合使用。模糊控制不需要知道精确的数学模型，制定适当的模糊规则可以将常用的语义信息和数据信息相统一，通过逻辑判断和解模糊化后得到系统的控制率。模糊控制设计较为简单，稳定性好，适用于复杂的不确定性非线性系统的控制问题的研究。但是主观经验对模糊规则制定影响较大，量化因子的选取会对控制精度产生一定影响。边信黔［11］等在多模型控制理论基础上研究模糊切换规则的多模型控制方法，以AUV航向控制为研究对象，通过模糊切换实现多控制器集的平滑切换。胡锦晖［12］等在变论域模糊控制基础上，提出分级变论域的方法并应用于水下航行器模糊PID控制器，仿真结果表明对复杂非线性对象的控制具有速度快、超调量小、稳定时间短等特点。刘学敏［13］等将模糊控制与PID控制相结合，提出S面控制法，大量水池试验和海上实验结果表明，控制效果较好，鲁棒性强。

神经网络控制是一种智能控制方法，通过神经元间权值的调整能够以任意精度趋近非线性系统，具备一定的学习能力，能够解决无精确的数学模型的控制问题，在无人水下航行器控制中得到了广泛的应用。该控制方法对不确定性问题有着一定的自适应性和学习能力，但是神经网络结构和参数不易确定，自适应过程时间较长，控制的实时性不强。Ji Hong Li［14］提出一种用于AUV深度控制的神经网络自适应控制器，利用神经网络对AUV的未知动力学参数进行近似估计，仿真结果表明控制方法的有效性。Xia Guoqing［15］等设计了一种基于神经网络的自适应观测器系统，结合Lyapunov稳定性理论得出网络权重的自适应率，采用了动态递归模糊神经网络（DRFNN）来估算航行器动力学中未知的非线性参数，仿真结果验证了算法的可行性。杜度［16］在径向基函数（RBF）神经网络结构基础上，提出一种基于RBF的参数自整定PID控制方法，利用神经网络对AUV深度方向的PID控制参数进行自适应调整，仿真结果表明AUV能够在较短的时间内到达指定深度。许晖［17］等针对水下航行器传感器可能出现的故障，设计了两级神经网络结构，主网络用于故障检测，局部网络用于故障识别，仿真结果实现了传感器故障的容错，保证了航行器控制系统快速的故障诊断。

无人水下航行器执行任务过程中将面临着模型高度非线性、时变、流体动力学参数不确定、洋流的随机扰动等因素影响，所设计的控制系统必须具有较强的鲁棒性和自校正能力。将不同的控制技术进行融合，消除因某单一技术可能存在的问题，从而提升单个无人水下航行器控制系统的性能。

3 UUV路径规划技术

3.1 路径规划简介

路径规划指航行器按照某一规定的准则在具有障碍物环境的作业空间内，寻找到一条从起点到终点的最优路径。路径规划水平的高低直接关系到水下航行器的工作能力，是其安全性、可靠性的重要支撑。目前，常见的UUV路径规划技术包含人工势场法、神经网络系统、遗传算法、强化学习等［18］。

3.2 路径规划技术

人工势场法由Khatib提出，最初该方法是用于解决机械手臂在坐标系中根据任务的具体参数进行运动控制的问题。该方法的基本思想是将机器人在外界环境中的运动比作一种在虚拟人工势场中的运动。在人工势场中，目标点对航行器产生引力作用，障碍物对航行器产生斥力作用，引力与斥力的合力决定航行器的运动状态。传统的人工势场法比较简单，计算速度快，实时性强，但是在障碍物斥力大于目标点引力或者合力为零时，算法易出现局部极值问题。在传统的人工势场法基础上，多篇研究文献提出了改进人工势场法。Geva Y［19］等通过引入动态斥力增益系数的方法，将目标点与机器人的相对距离引入斥力势场函数，从而解决了目标点与障碍物距离较近时，因斥力大于引力而使得机器人无法到达目标点的情况。YU Zhenzhong［20］等在原有引力势场和斥力势场的基础上，利用势场强度代替原有的力矢量，将速度信息引入势场函数，加入“附加势场”，从而解决了目标与障碍物距离较近时目标不可达的问题。任彦［21］等将机器人和目标间的距离引入到斥力势场函数中，修改降低目标点附近的障碍物对机器人的影响，利用距离阈值的设置，在极小值点附近产生虚拟牵引力的方法使机器人逃出局部极小值点，顺利到达目标点。

神经网络是由众多的神经元通过可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。神经网络法是将空间中的位置坐标与神经元相对应，构建具有自适应数据处理能力的神经网络结构。当障碍物坐标信息输入到神经网络中，通过调整神经元权值可以得到下一步的运动轨迹。神经网络算法通过参数调节可以得到较好的路径规划结果，稳定性较强。但是由于神经网络涉及到的参数较多在外界环境复杂时，神经元迭代计算耗时较长。刘成良［22］等针对机器人无碰撞路径规划，提出了碰撞函数，并结合神经网络，给出了无碰撞轨迹规划神经网络算法，仿真结果验证了可行性。

遗传算法模拟生物进化的机制来构造人工系统的模型。通过模拟生物体进化过程中染色体的选择、交叉和变异构成了遗传算法的遗传操作。将环境中各个位置进行参数编码，选择合适的适应度函数，按照优胜劣汰的原则，通过不断地迭代计算编码，保留适应度高的个体，最终得到最优路径。遗传算法具有高效的避障路径规划和搜索能力，具有简易通用、鲁棒性强等特点，但由于算法需要预先初始化一些种群，可能会增加后续计算的复杂度，算法的实时性较差。严浙平［23］等利用遗传算法思想，提出将AUV路径二维编码简化为一位编码的算法，AUV动态避碰二维和三维空间的计算机仿真结果表明，所得路径曲线平滑，算法的收敛速度大大提高。

强化学习是Agent以“试错”的方式进行学习。Agent改变自身状态，与环境的交互获得相应的奖赏。通过不断地学习策略以获得最大的奖赏，实现特定目标的问题。sarsa学习、Q学习等方法是目前主流的强化学习算法。随着人工智能的快速发展，强化学习成为了较为热门的研究领域，但是随着系统状态行为空间规模变大时，算法的收敛性将随之变差，容易出现“维度灾难”问题。冉祥瑞［24］在论文中提出基于MAXQ学习算法建立AUV路径规划任务的分层结构，并结合半马尔可夫决策过程进行全局路径规划，一定程度上解决了强化学习的“维数灾难”问题。

除上述路径规划技术外，部分文献资料还研究了单位分解法、A*算法、D*算法、模糊逻辑算法、粒子群算法、雷达波算法等。对各算法的优化以及算法间的结合使用，能够给无人水下航行器路径规划研究开拓新的思路和方法。

4 UUV编队协同控制技术

4.1 UUV编队简介

随着对于海洋任务需求的增加，特别是在军事领域水下斗争的频繁复杂，单一的航行器由于其任务范围小，工作效率低等局限性，已不再能满足现有的需求。多个同构或者异构的无人水下航行器可以组成UUV编队，协同完成大规模的搜索、作战、侦查等较为复杂的任务，UUV编队成为了UUV发展新的趋势。

常见的UUV编队任务包括任务分配、环境探测、编队运动、围捕等［25］。相比单个航行器，UUV编队可以通过UUV之间信息交流、相关协作等方式完成较为复杂的工作任务，提高了系统的鲁棒性和任务执行效率。近年来，国内外关于UUV编队的相关技术的研究得到高度重视，并快速发展。

4.2 编队协同控制技术

多UUV编队系统在执行任务期间，需要保持固定的结构和队形，以提高系统的安全性、稳定性。根据任务的特点及要求，编队可形成不同的队形。常见的编队队形包括直线形、纵队形、三角形菱形、楔形等。目前关于编队协同控制技术研究方法主要包含领航者-跟随者法、图论法、虚拟结构法、基于行为法、群体智能法等。

领航者-跟随者法具有实现简单，理解方便等特点，是应用最为广泛的队形控制方法。该方法基本思想是从编队中选取一个UUV作为领航者，其他UUV作为跟随者。编队控制时，只需要对领航者UUV进行控制，其他UUV可以参照领航者UUV，并与其保持一定的位置关系，从而可以实现对整个编队的控制。由于领航者需要与编队中所有跟随者建立通信联系，使得领航者UUV通信压力过大，甚至会出现超负荷现象。部分研究对领航者-跟随者方法进行改进，在编队中设立多级领航者，从而降低领航者通信压力，提高编队可靠性。

为了避免领航者UUV出现故障或受到干扰而导致整个编队失去控制，在原有方法基础上，改进形成了虚拟领航者-跟随者方法。虚拟领航者-跟随者方法基本思想是在编队中虚拟出一个领航者，对该虚拟领航者进行控制，从而引导编队朝目标点前进。相比原有方法，更加便于编队实现分布式控制。李娟［26］等在领航者-跟随者方法基础上，采用滤波反步法设计控制器，使领航者跟踪期望路径，对跟随者的纵向速度误差和横向速度误差进行了积分滑模面的设计，提升了编队的鲁棒性。严浙平［27］等结合图论理论，提出一种基于图论和虚拟领航者的编队结构，加强了编队结构强度同时，减少了AUV间的通信。

虚拟结构法是一种集中式控制方法，基本思想是将编队视为一个虚拟的刚性结构，编队UUV都对应于结构中的一个固定的点。编队一直保持一个固定的刚性结构，每个UUV对于中心点的相对位置是不变化的。通过控制中心点的运动，可以实现编队的控制。虚拟结构法稳定性较强，可以有效地将问题降维，便于计算。但是虚拟结构法相当于将整个编队看成一个整体，灵活性较差。在虚拟结构法的基础上，方一成［28］在论文中引入了编队收缩度概念。通过计算水平和垂直方向的收缩度，实现整个编队虚拟结构的收缩、放大、偏移等操作。在保证编队虚拟结构的同时，能够较好地完成避障等操作。

图论法主要思想是利用图论的相关知识，将UUV抽象为图的顶点，从而构成顶点集V（G）。编队中UUV之间的相互联系由一系列有向或者无向的边表示，从而构成边集V（E）。图论法的使用使得整个UUV编队形成了拓扑结构，能够较为清楚地表明编队中UUV之间的关系，适合于大规模的编队结构。但目前大多数基于图论法的研究考虑的都是二维平面，对于三维空间内编队的控制研究较少。边信黔［29］等引入视线导航算法设计单个UUV的路径跟踪器，结合图论理论设计编队协调控制器，进而实现多UUV间的协调及编队的控制。

基于行为法［30］是将UUV编队控制划分为一系列子行为，包括队形形成、避障、队形重构、对应变换等。各个UUV执行子行为动作，组合形成了UUV编队系统。基本行为法能够实现编队的分步控制，编队系统具有很强的实时性和并行性，但是由于UUV自主执行子行为，整个系统的稳定性较差。L.Giovanini［31］等提出将UUV编队任务分解为多个小任务，多个UUV可以分散的执行小任务，从而使得任务规划转换为最优控制的问题。

群体智能法参照鸟群或鱼群等生物界群体间复杂的行为关系，发展形成的群体性控制研究方法。将群体智能法应用于UUV编队，可以去除其他方法对于UUV之间的距离约束的限定，群体具有分散性、自组织性，系统的鲁棒性、灵活性强。

目前编队控制技术理论研究内容较为丰富，但是大部分技术均处于仿真阶段，仍需要进行大量的水池试验和海上实验加以验证。另外关于二维平面的编队研究较多，三维空间的研究较少，这也将是编队航行控制研究的努力方向。

5 控制技术发展展望

UUV的控制技术发展需要提高其自学习和自适应性能力，从而满足在复杂水下环境中遂行任务的需求。

从控制技术研究现状来看，单个UUV控制技术发展较为成熟，并进行了大量的仿真及实验。UUV编队控制技术发展相对较晚，无论是控制技术理论还是相关的仿真及实验均有很大的发展空间。

随着计算机等相关技术的发展，UUV的控制技术也得到了较大的发展，其发展主要趋势有以下几点。

1）仿生控制方式

模仿鱼在水中的摆动运动可以减小水中的阻力。在仿生机器鱼运动控制研究中，中枢模式发生器（central pattern generator，CPG）方法由于在控制参数改变时仍然能够产生平滑的节律信号，因而得到了比较广泛的应用［32～33］。通过仿生鱼技术的引入，UUV控制将可能更加高效、稳定。同时在UUV外形设计方面，仿生外形的设计可以提高机动性和安全性。

2）异构UUV编队控制

目前UUV编队研究大多采用基于同构UUV系统，即编队中所有的UUV均具有相同的动力学模型、性能参数、智能化程度，甚至执行任务也相同。相比之下，异构UUV编队系统更贴合实际任务应用，能够避免系统资源的浪费，从而发挥出更大的优势。异构UUV编队在编队通信、协调控制、任务分配等方面存在问题较多，其编队控制技术实现难度较大，是未来的研究方向之一。

3）人工智能技术应用

人工智能技术的发展和进步推动着自动化机器设备在实际生产和生活中的应用。将人工智能技术应用到UUV控制中，可以大幅度提高现有航行器的自主能力和智能化水平。深度学习是最具潜力的人工智能算法，具有强大的非线性表达能力，通过足够多的训练，可以在线学习输入到输出的映射关系。近年来，随着大量新方法的涌现，深度学习网络梯度消失问题得以缓解，同时计算机性能的提高，计算能力大幅度提升。部分研究表明，将深度学习应用于UUV控制是可行的［34］。深度学习在UUV控制技术中的应用也必将是前景开阔的。

6 结语

本文结合国内外研究现状，重点对UUV运动控制技术、路径规划技术和编队协同控制技术进行研究分析，并对相关技术的优缺点进行了简要的介绍。虽然UUV控制方面受到了复杂环境因素、非线性欠驱动控制、控制参数不确定性、水声通信不畅等因素的限制，但是随着科技的发展进步，尤其是机器学习的广泛使用，无人水下航行器必将拥有先进的自主性。单个UUV及UUV编队的自适应能力更加强大，执行任务更加复杂，应用领域更加广泛，在维护我国海洋权益中将会发挥更大的作用。