基于复合学习的无人艇有限时间轨迹跟踪控制与预设性能约束研究

针对无人艇(USV)在狭窄航道航行时易受执行器故障、未知动力学及外部干扰影响的问题，本研究提出一种基于复合学习(Composite Learning)的有限时间预设性能控制(FPPCLC)框架。通过融合自适应神经网络(NN)与有限时间串并行估计模型(FSPEM)，实现了对不确定性的高精度补偿，结合扰动观测器(DOB)处理执行器故障，利用预设性能控制(PPC)约束跟踪误差。仿真验证表明，该方法显著提升了USV在复杂环境下的轨迹跟踪精度与鲁棒性，为无人艇安全航行提供了创新解决方案。

　　

在海洋工程领域，无人水面艇(USV)因其在军事侦察、环境监测等场景的应用价值备受关注。然而，这类系统面临三大核心挑战：狭窄航道航行时的高碰撞风险、执行器突发故障导致的控制失效，以及复杂海况下未知动力学与外部干扰的耦合影响。传统控制方法如级联模型或几何控制需依赖精确数学模型，而实际应用中USV的欠驱动特性（缺乏横荡方向控制输入）与动态不确定性，使得现有技术难以兼顾跟踪精度与鲁棒性。更棘手的是，现有研究多忽略执行器故障这一常见但危险的因素，且鲜少对跟踪误差进行主动约束——这恰是避免狭窄空间碰撞的关键需求。

针对上述问题，中国某高校研究团队在《Ocean Engineering》发表创新成果，提出融合复合学习与有限时间控制的智能控制框架。该研究通过理论推导与仿真实验证明，新方法能在有限时间内稳定所有闭环信号，将位置跟踪误差约束在预设边界内，同时实现对外部干扰、模型不确定性及执行器故障的联合补偿。

关键技术方法包括：1）构建基于神经网络的扰动观测器(NN-DOB)，同步估计系统不确定性与执行器故障；2）设计有限时间串并行估计模型(FSPEM)预测速度误差，提升神经网络逼近精度；3）采用动态面技术简化反步法设计，避免虚拟控制律求导的复杂性；4）通过性能函数转换将约束跟踪误差转化为无约束变量。

研究结果部分，跟踪控制器设计章节显示：通过坐标变换将惯性系误差转换为艇体坐标系，推导出包含横荡速度v的误差动力学方程。虚拟控制律设计引入有限时间收敛项sig^δ(·)，结合PPC技术确保误差始终处于预设性能边界内。稳定性分析严格证明所有误差信号在有限时间内有界，收敛时间上界由Lyapunov函数初始值决定。仿真验证采用CyberShip II模型，对比实验表明：在含正弦干扰的变曲率轨迹下，新方法位置跟踪误差较传统控制降低62%，且在执行器50%推力损失时仍保持稳定。

结论指出，该研究的三大创新点具有重要工程价值：1）NN-DOB架构将扰动估计误差降低至传统方法的1/3；2）复合学习律使神经网络权重收敛速度提升40%；3）动态面技术简化控制器结构，计算耗时减少28%。这些突破为USV在复杂海况下的高精度作业提供了理论支撑，特别适用于水道巡检、海上救援等对安全性要求严苛的场景。未来研究可进一步探索通信受限条件下的分布式控制优化，以适配多USV协同任务需求。