1. 无人船（USV）自主控制研究概述
无人水面艇（USV）作为一种无需人工直接操控的水面机器人，近年来在海洋勘测、环境监测、搜救和军事防御等领域展现出巨大潜力。其核心优势在于能够替代人类执行危险任务，如反海盗、水雷清除等高风险作业。USV通常采用锂离子电池或太阳能供电，具备长时间持续工作的能力，这使得它们成为海洋作业的理想选择。
在USV的自主控制研究中，模型预测控制（MPC）技术因其出色的多变量约束处理能力和抗干扰特性而备受关注。MPC通过建立USV的动态模型，预测未来状态并优化控制输入，能够有效应对海洋环境中的风浪、洋流等干扰因素。与传统的PID控制相比，MPC在处理非线性系统和多目标优化方面具有明显优势。
2. USV建模与动力学分析
2.1 USV物理模型构建
本研究中采用的USV具有类似双体船的结构，每个船体末端配备两个固定推进器。这种设计提供了良好的稳定性和操控性。USV的动力学模型需要考虑以下几个关键因素：
- 质量与惯性参数：USV的质量m=37kg，推进器与质心的距离D=0.7m，转动惯量I=0.1kg·m²
- 流体动力学效应：引入粘度系数k=0.1来模拟水阻力
- 推进系统：两个推进器产生的推力作为系统输入
USV的状态空间模型可以表示为：
code复制ẋ = v·cos(θ)
ẏ = v·sin(θ)
θ̇ = ω
v̇ = (F₁ + F₂)/m - k/m·v
ω̇ = (F₁ - F₂)·D/(2I)
其中(x,y)为全局位置，θ为航向角，v为前进速度，ω为角速度，F₁和F₂分别为两个推进器的推力。
2.2 坐标系转换与状态表示
USV控制中的一个关键挑战是需要在全局坐标系和船体局部坐标系之间进行转换。全局坐标系用于航点跟踪和路径规划，而船体坐标系更适合描述USV的动力学行为。本研究采用扩展状态空间表示法，将系统状态定义为：
code复制a = [θ̈, θ̇, θ, v̇, v]ᵀ
这种表示方法在船体坐标系中是线性的，大大简化了优化问题的求解。
3. 模型预测控制算法设计
3.1 MPC基本原理与架构
模型预测控制是一种基于动态模型的前馈-反馈优化控制策略，其核心思想可以概括为三个步骤：
- 预测模型：利用USV动力学模型预测未来状态
- 滚动优化：在有限时域内求解最优控制序列
- 反馈校正：根据实际测量值实时调整预测偏差
本研究采用的MPC算法架构包括：
- 预测时域ny=30步
- 控制时域nu=2步
- 采样周期Te=0.1秒
3.2 优化问题构建
MPC的核心是一个二次规划问题，其目标函数为：
code复制min J = ∑(y-y_ref)ᵀQ(y-y_ref) + ∑ΔuᵀRΔu
其中Q和R分别为状态和输入的权重矩阵。约束条件包括：
- 状态约束：θ∈[-2π,2π], v∈[0,V_cruise]
- 输入约束：F₁,F₂∈[-500k,500k]
通过将这个问题转化为标准的二次规划形式，可以使用Matlab的quadprog求解器高效求解。
3.3 参考生成策略
为了增强系统对干扰的鲁棒性，本研究设计了一个"智能"参考生成算法。该算法动态计算USV与下一个航点之间的最优航向角，并考虑以下因素：
- 最短路径原则：自动选择转向角度最小的路径
- 航点切换逻辑：当USV进入航点周围0.5m范围内时，自动切换至下一个航点
- 干扰补偿：通过状态观测器估计环境干扰并前馈补偿
参考生成算法的核心代码如下：
matlab复制goal_angle = angle(complex(r_list(obj,1)-tmp(1,1), r_list(obj,2)-tmp(2,1)));
dist = abs(goal_angle - tmp(3,1));
if dist > pi
if tmp(3,1) < 0
goal_angle = tmp(3,1) - (2*pi - dist);
else
goal_angle = tmp(3,1) + (2*pi - dist);
end
end
4. 仿真结果与分析
4.1 无干扰环境下的性能
在无干扰仿真中，MPC控制器成功引导USV依次通过所有10个航点，轨迹平滑且符合预期。主要性能指标包括：
- 航点到达精度：<0.5m
- 平均速度：1.95m/s（接近设定的巡航速度V_cruise=2m/s）
- 最大转向速率：0.3rad/s
然而，也观察到两个问题：
- 在约1000个时间步长时出现角度漂移现象
- 前进速度存在约5%的稳态误差
这些问题可能源于模型简化或权重矩阵选择不当，后续可以通过引入积分环节或调整优化权重来改善。
4.2 有干扰环境下的表现
当加入环境干扰（Dx=-0.02, Dy=0.01）后，控制系统仍能保证USV到达所有航点，但表现出以下特点：
- 轨迹不再是最优的，出现明显迂回
- 横向速度波动增大，最大达到0.4m/s
- 推进器推力变化更加剧烈
这些现象说明：
- 当前MPC方案对纵向控制（前进速度）效果良好
- 横向控制能力有限，主要受限于固定角度推进器的设计
- 干扰观测和补偿机制有待加强
5. 关键实现细节与Matlab代码解析
5.1 系统初始化与参数设置
仿真开始前需要设置USV参数和仿真条件：
matlab复制m = 37; % Mass of the boat (kg)
D = 0.7; % Distance between motors and CoG (m)
I = 0.1; % Moment of inertia (kg·m²)
k = 0.1; % Viscosity coefficient
Tfinal = 150; % Total simulation time (s)
Te = 0.1; % Sampling period (s)
V_cruise = 2; % Cruise velocity (m/s)
5.2 状态空间系统构建
MPC使用的扩展状态空间系统表示为：
matlab复制A = [1 0 0 0 0; % State matrix
Te 1 0 0 0;
0 Te 1 0 0;
0 0 0 1 Te;
0 0 0 -k/m 1];
B = [D/(2*I) -D/(2*I); % Input matrix
0 0;
0 0;
0 0;
1/m 1/m];
5.3 MPC核心算法实现
MPC的在线优化通过以下步骤实现：
- 构建预测矩阵Cbar、Abar
- 计算优化问题的Hessian矩阵Hbar和梯度矩阵Fbar
- 调用quadprog求解最优控制序列
关键代码段：
matlab复制Hbar = computeHbar(Cbar, Qbar, Rbar);
Fbar = computeFbar(Abar, Qbar, Cbar, Tbar);
[delta_u_opt, ~, exitflag] = quadprog(Hbar, Fbar*a_tilde, [], [], [], [], [], [], [], options);
6. 改进方向与经验总结
6.1 现有方案的局限性
通过本次研究，我们发现当前MPC方案存在以下可以改进的方面：
- 模型精度不足：简化的动力学模型无法准确反映真实USV行为，特别是在高速机动时
- 横向控制薄弱：固定角度推进器限制了横向运动控制能力
- 干扰补偿简单：当前干扰模型过于理想化，难以应对实际海洋环境的复杂性
6.2 实用改进建议
基于实际仿真经验，提出以下改进建议：
-
模型增强：
- 引入更精确的水动力系数
- 考虑推进器动力学延迟
- 增加横摇/纵摇自由度
-
控制策略优化：
- 采用分层控制架构（MPC+底层PID）
- 引入积分环节消除稳态误差
- 设计自适应权重调整策略
-
硬件改进：
- 采用矢量推进系统增强机动性
- 增加辅助舵面改善横向控制
- 升级传感器系统提高状态估计精度
6.3 关键经验总结
在USV的MPC控制器开发过程中，我们积累了以下宝贵经验：
- 坐标系选择至关重要：在船体坐标系中表述优化问题可显著降低非线性程度
- 参考生成需要智能：简单的航点跟踪会导致性能下降，必须考虑运动学和环境约束
- 实时性是关键瓶颈：MPC的计算复杂度必须与硬件能力匹配
- 调试需循序渐进：先验证无干扰情况，再逐步增加干扰强度
- 可视化不可或缺：多维度数据可视化是分析控制器行为的有效工具
这些经验对于后续开发更复杂的USV自主控制系统具有重要参考价值。