【无人水面舰艇】使用模型预测控制对 USV 进行自主控制（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

无人水面舰艇（USV）使用模型预测控制（MPC）进行自主控制的研究

一、引言

二、MPC基本原理

三、USV动力学模型建立

四、MPC在USV自主控制中的设计

五、仿真实验与结果分析

六、未来研究方向与挑战

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

无人水面舰艇（Unmanned Surface Vehicles, USVs）在海洋研究、环境保护、安全巡逻和军事侦察等领域展现出巨大的应用潜力。为了实现高效、精确的自主导航，模型预测控制（Model Predictive Control, MPC）成为一种极具吸引力的控制策略。MPC 通过预测未来的系统行为，优化当前的控制输入，以达到既定的控制目标，同时考虑系统的约束条件，如最大速度、转向角限制等。MPC 是一种基于模型的控制方法，它在每个采样时刻，基于当前状态和预测模型，求解一个有限时间内的优化问题，以确定未来一段时间内的控制序列。该序列的第一个元素被应用于系统，随后状态更新，优化过程在下一采样时刻重复。MPC 的核心优势在于能够直接处理系统约束，同时优化长期性能，这使得它特别适合于 USV 的自主控制，因为 USV 需要在遵守操作边界的同时，执行复杂的任务。使用模型预测控制对 USV 进行自主控制，为实现复杂任务规划和执行提供了强大的工具。通过整合先进的预测模型和优化算法，MPC 能够使 USV 在面对动态环境和约束条件时，展现卓越的自主导航能力和任务执行效率。随着控制理论、传感器技术和计算能力的不断进步，MPC 在 USV 控制领域的应用将变得更加成熟和广泛。

无人水面舰艇（USV）使用模型预测控制（MPC）进行自主控制的研究

一、引言

无人水面舰艇（Unmanned Surface Vehicles, USVs）因其低成本、高安全性、可长时间作业等优势，在海洋监测、环境调查、物资运输、军事侦察等领域展现出巨大的应用潜力。为了实现高效、精确的自主导航，模型预测控制（Model Predictive Control, MPC）因其能够处理约束条件、有效应对系统不确定性等特点，成为USV自主控制的一种极具吸引力的控制策略。

二、MPC基本原理

MPC是一种基于模型的控制方法，它在每个采样时刻，基于当前状态和预测模型，求解一个有限时间内的优化问题，以确定未来一段时间内的控制序列。该序列的第一个元素被应用于系统，随后状态更新，优化过程在下一采样时刻重复。MPC的核心优势在于能够直接处理系统约束，同时优化长期性能，这使得它特别适合于USV的自主控制，因为USV需要在遵守操作边界的同时，执行复杂的任务。

三、USV动力学模型建立

为了实现MPC对USV的自主控制，首先需要建立精确的USV动力学模型。该模型应充分考虑USV的物理特性，如船体、推进器、操纵设备等，以及环境因素如水流、风力等对USV运动的影响。

1. 坐标系建立：

   • 地球固定坐标系（E-N-D坐标系）：用于确定USV在全局空间中的位置和姿态。
   • 随体坐标系（x-y-z坐标系）：固定于USV本体，方便分析USV自身的受力和运动特性。

2. 动力学方程：

   • 考虑USV在航行过程中的受力情况，包括推进力、流体阻力、风浪干扰力等，建立USV的动力学方程。其运动方程通常可分为位置和姿态的运动学方程以及力和力矩作用下的动力学方程。

四、MPC在USV自主控制中的设计

1. 预测模型构建：

   • 以USV的动力学模型为基础，结合离散化方法，将连续时间的动力学方程转化为离散时间模型，作为MPC的预测模型。
   • 通过该模型，能够根据当前的控制输入和系统状态，预测未来多个时刻USV的位置、速度和姿态等状态变量。

2. 目标函数设计：

   • 目标函数通常包含跟踪误差项和控制量变化项。跟踪误差项用于衡量USV实际状态与期望状态（如期望航线、期望速度）之间的偏差。
   • 控制量变化项则用于限制控制输入的变化幅度，避免控制量的剧烈波动。

3. 约束条件处理：

   • 在MPC的优化过程中，需要考虑USV的物理约束和操作约束，如最大速度、转向角限制等。
   • 通过将这些约束条件纳入优化问题中，确保MPC生成的控制序列既满足控制目标，又遵守操作边界。

五、仿真实验与结果分析

为了验证MPC在USV自主控制中的有效性，可以进行仿真实验。在仿真环境中，设置不同的初始状态和目标轨迹，对MPC控制器进行测试。

1. 实验设置：

   • 选择不同的航行场景，如静水环境、有风浪干扰的环境等。
   • 设置USV的初始状态（如位置、速度、航向）和目标轨迹。

2. 实验结果：

   • 实验结果表明，MPC控制器能够使USV快速、准确地跟踪目标轨迹。
   • 在有干扰的环境下，MPC控制器仍能保持较好的轨迹跟踪性能，显示出良好的鲁棒性。

3. 性能分析：

   • 对不同参数下的MPC控制器性能进行分析，如预测时域长度、控制时域长度等。
   • 通过调整这些参数，可以进一步优化MPC控制器的性能。

六、未来研究方向与挑战

尽管MPC在USV自主控制中取得了显著成果，但仍面临一些挑战和需要进一步研究的问题：

1. 复杂环境下的鲁棒性增强：

   • 在复杂环境中，USV可能面临多种不确定性因素，如风浪流等自然环境因素的干扰、其他船只的干扰等。
   • 需要进一步研究更加精确的动力学模型和更加先进的MPC算法，以应对各种不确定性和干扰因素。

2. 多目标优化与协同控制：

   • 在实际应用中，USV往往需要同时完成多个任务，如路径规划、避障、目标跟踪等。
   • 需要研究多目标优化的轨迹跟踪控制方法，以实现多个任务的协同控制和优化。

3. 深度学习与强化学习在轨迹跟踪控制中的应用：

   • 深度学习和强化学习等人工智能技术可以为USV的轨迹跟踪控制提供更加智能和自主的决策能力。
   • 未来可以将这些技术应用到MPC算法中，以实现更加精确和灵活的轨迹跟踪控制。

📚2 运行结果

主函数部分代码：

%Clean the workspace and close the open figures
clear
close all

%Boat and simulation parameters
m = 37;         %Mass of the boat
D = 0.7;        %Distance between the motors and the center of mass
I = 0.1;        %Moment of inertia      (arbitrary value, should be identified)
k = 0.1;        %Viscosity coefficient  (arbitrary value, should be identified)
ky = 0.1;       %Viscosity coefficient on the y axis (arbitrary value, should be identified)
Tfinal = 150;   %Total simulation time
Te = 0.1;       %Sampling period

%Vectors used to hold simulation data
x = zeros(9, ceil(Tfinal/Te));          %State vector
u = zeros(2, ceil(Tfinal/Te));          %Input vector
delta_u = zeros(2, ceil(Tfinal/Te));    %Input increment vector
a = zeros(3, ceil(Tfinal/Te));          %State vector
a_ref = zeros(1, ceil(Tfinal/Te));
i = 1;                                  %Loop index



%Ordered list of waypoints
x_list = [2 4 32 40 25 10 2]';  %X coordinates of the waypoints
y_list = [2 15 17 7 0 -5 2]';   %Y coordinates of the waypoints
a_list = zeros(7,1);            %Angle of the boat between two successive waypoints
current_obj = 2;                %As the boat starts in the first waypoint, the current objective is the next
                                %ie. the second waypoint

%Compute all the angles between two successive waypoints
%The angles returned are between -pi and pi
for j=1:7
   a_list(mod(j,7)+1,1) = angle(complex(x_list(mod(j,7)+1)-x_list(j), y_list(mod(j,7)+1)-y_list(j)));
   
   if a_list(j,1) < 0
      a_list(j,1) = a_list(j,1);
   end
end

%Objectives list containing X,Y and Theta coordinates
r_list = [x_list y_list a_list];
nb_obj = size(r_list,1);                %Number of objectives

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]肖咏昕,向先波,孔典,等.面向无人艇对接回收的STag标记视觉导引技术[J/OL].中国舰船研究:1-9[2024-07-18].https://doi.org/10.19693/j.issn.1673-3185.03549.

[2]葛泉波,薛子建,张明川,等.基于VMD-WHHO-BLS的无人船位姿预测[J/OL].控制理论与应用:1-13[2024-07-18].http://kns.cnki.net/kcms/detail/44.1240.TP.20240607.1013.034.html.

🌈4 Matlab代码实现