11、基于反步神经网络的多自主水下航行器制造与领航 - 跟随编队控制

基于反步神经网络的多自主水下航行器制造与领航 - 跟随编队控制

1 引言

AUV 性能是 AUV 编队控制中必须考虑的关键因素。AUV 形状多样，可按车身类型、用途、制造商或规模分类。其中，按车身形状分类最为适用，原因如下：
- 大多数 AUV 有多个应用目标，能同时处理多项任务。
- 基于车身规模或制造商的分类效果较差，缺乏分类特征。

AUV 具有速度、续航能力和作业深度等重要特性，制造商网站是了解不同形状 AUV 这些特性的好去处。近年来，AUV 在商业和军事领域的大量应用，促使从研究到制造和运营等多个领域都更加活跃，组件供应商也在努力改进产品线以更好地支持 AUV，AUV 的能力迅速提升且有望持续。

许多水下应用，如深海考古、海底勘测、海洋测绘、水下管道检测、水下监视和地质采样等，常需使用多个 AUV。多 AUV 协作的根本问题是如何控制编队，使其在执行指定任务时保持正确配置。由于 AUV 动力学复杂且通信受限，编队控制一直是研究热点。文献中记载了多种方法，如领航 - 跟随法、基于行为的控制、虚拟结构法、分散协调控制、基于行为的控制和人工势场力学等。其中，领航 - 跟随策略因简单、可靠且易于应用而受到广泛研究。

为了更好地控制 AUV 的领航 - 跟随编队，进行了大量文献综述。为保持编队完整，领航 AUV 与跟随 AUV 通信，状态通过声学调制解调器传输，但低数据速率会导致通信延迟。一系列控制技术解决了这些问题，包括滑模控制、基于神经网络的控制、自适应/鲁棒控制、传统控制方法、反步控制和分散控制技术等。

大多数上述技术基于对不确定系统的精确理解，采用弹性、基于模型和自适应的控制算法。然而，不确定系统动态模型存在创建