1. 欠驱动AUV控制问题概述
欠驱动自主水下航行器（AUV）是指推进器数量少于运动自由度的水下机器人系统。这类系统在海洋勘探、资源开发等领域具有重要应用价值，但其控制问题充满挑战性。我在水下机器人实验室工作的五年间，处理过多次欠驱动AUV的失控案例，深刻体会到精确控制这类系统的难度。
典型的欠驱动AUV通常只在纵荡（前进方向）和艏摇（转向）两个自由度上配备推进器，而横荡（侧向移动）则缺乏直接控制手段。这种结构特点使得系统存在非完整约束，即无法通过有限时间内的连续控制实现任意位形变化。就像停车入库时，前轮驱动的汽车需要多次调整才能进入侧方车位一样，欠驱动AUV的轨迹控制也需要特殊的策略。
2. 系统建模与问题描述
2.1 运动学模型构建
在水平面运动情况下，欠驱动AUV的运动学可以用以下方程描述：
code复制ẋ = u·cos(ψ) - v·sin(ψ)
ẏ = u·sin(ψ) + v·cos(ψ)
ψ̇ = r
其中，(x,y)表示AUV在惯性坐标系中的位置，ψ为航向角，u、v分别为纵荡和横荡速度，r为艏摇角速度。这个模型实际上反映了从体坐标系到惯性坐标系的转换关系。
我在2019年参与的一个项目中，曾因为忽略了横荡速度v的影响而导致轨迹跟踪出现系统性偏差。后来通过引入侧滑角估计才解决了这个问题，这提醒我们即使v无法直接控制，也不应简单假设v=0。
2.2 动力学特性分析
欠驱动AUV的动力学模型通常表示为：
code复制Mν̇ + C(ν)ν + D(ν)ν = τ + τ_env
其中M为惯性矩阵，C(ν)为科里奥利力矩阵，D(ν)为阻尼矩阵，τ为控制输入，τ_env为环境干扰。对于典型的欠驱动系统，τ的形式为[τ_u, 0, τ_r]^T，即横荡方向控制输入为零。
在实际应用中，我发现水动力参数的不确定性主要来自三个方面：
- 载体质量分布变化导致的惯性参数变化
- 生物附着引起的阻尼特性改变
- 不同盐度、温度水域中的流体动力差异
3. 控制策略设计与实现
3.1 反步法运动学控制器
反步法（Backstepping）是处理欠驱动系统的有效方法。其核心思想是将系统分解为多个子系统，逐步设计虚拟控制量。在我们的实现中，首先定义位置误差：
code复制e_x = x - x_d
e_y = y - y_d
然后设计虚拟速度控制量：
code复制u_d = ẋ_d·cos(ψ) + ẏ_d·sin(ψ) + k_x·e_x
r_d = (-ẋ_d·sin(ψ) + ẏ_d·cos(ψ) + k_y·e_y)/u
这里k_x和k_y为正定增益矩阵。需要注意的是，当u接近零时会出现奇异问题，我们在实际实现中加入了速度下限保护：
code复制u_actual = max(u_d, u_min)
3.2 全局积分滑模动力学控制
为解决参数不确定性和外界干扰问题，我们采用全局积分滑模控制（GISMC）。定义速度误差：
code复制e_u = u - u_d
e_r = r - r_d
设计滑模面：
code复制s_u = e_u + λ_u·∫e_u dt
s_r = e_r + λ_r·∫e_r dt
最终控制律包含等效控制项和切换控制项：
code复制τ_u = τ_eq_u - K_u·sgn(s_u)
τ_r = τ_eq_r - K_r·sgn(s_r)
在实际工程中，我们通常用饱和函数sat(s/Φ)代替符号函数sgn(s)来减轻抖振现象。经过多次水池试验，我们发现Φ=0.05能取得较好的平衡。
4. 仿真实现与结果分析
4.1 MATLAB/Simulink实现框架
我们的仿真平台采用模块化设计，主要包含以下子系统：
- 轨迹生成模块 - 产生期望轨迹信号
- 控制算法模块 - 实现反步法和GISMC
- AUV动力学模块 - 六自由度运动方程
- 环境干扰模块 - 模拟海流、测量噪声等
在Simulink中，运动学方程的实现代码如下：
matlab复制function [x_dot, y_dot, psi_dot] = kinematics(u, v, r, psi)
x_dot = u*cos(psi) - v*sin(psi);
y_dot = u*sin(psi) + v*cos(psi);
psi_dot = r;
end
4.2 典型场景仿真结果
我们测试了三种典型场景：
- 直线跟踪：5m/s恒定速度，50m直线路径
- 圆形轨迹：半径20m的圆形路径
- 八字形轨迹：复杂机动测试
在直线跟踪测试中，位置误差能稳定在0.2m以内；圆形轨迹测试中，最大径向误差不超过0.5m。特别值得注意的是，在加入1kn（约0.5m/s）侧向海流干扰后，系统仍能保持稳定跟踪，验证了控制器的鲁棒性。
5. 工程实践中的关键问题
5.1 参数敏感性分析
通过蒙特卡洛仿真，我们发现系统对以下参数最为敏感：
- 纵向阻尼系数 - 影响速度响应特性
- 附加质量 - 决定机动性极限
- 控制增益 - 需在响应速度和超调间权衡
建议在实际部署前进行全面的参数辨识实验，我们开发了一套基于最小二乘的在线辨识方法，可在任务初期自动完成参数校准。
5.2 计算资源优化
在嵌入式系统实现时，我们遇到了以下计算瓶颈：
- 三角函数计算耗时 - 改用查表法优化
- 矩阵运算内存占用 - 利用稀疏性优化
- 实时性要求 - 将算法分为不同优先级任务
经过优化后，整个控制算法能在100Hz的循环频率下稳定运行于ARM Cortex-M7处理器。
6. 扩展应用与未来方向
当前系统还可进一步扩展：
- 多AUV协同控制 - 增加通信协议和编队算法
- 自适应学习 - 引入在线参数估计
- 能量优化 - 结合最优控制理论
我们在2022年成功将这套算法应用于水下管道巡检任务，累计作业里程超过200公里，验证了其工程实用性。未来计划融合视觉感知信息，实现基于环境特征的自主导航。