來源：自然資源部海洋一所

近日，我所海洋遙感探測及應(yīng)用團(tuán)隊(duì)在無人船建模與控制領(lǐng)域取得了系列研究進(jìn)展，為無人船自主航行和智能控制提供了新的技術(shù)路徑。研究成果分別以“Blending global linearization with local learning: a Koopman neural framework for interpretable modeling and control of USV”和“Nonparametric modeling of a high-speed USV at three speed regions based on Gaussian process regression with a hybrid kernel function”為題，發(fā)表于海洋技術(shù)領(lǐng)域TOP 期刊《Ocean Engineering》。兩篇論文的第一作者分別為我所聯(lián)合培養(yǎng)碩士研究生于文灝和博士研究生丁碩，金久才副研究員為通訊作者。

近年來，無人船已廣泛應(yīng)用于海洋測繪、水文觀測、通信中繼和海上打擊等。其自主航行的實(shí)現(xiàn)，在于建模與控制兩大核心技術(shù)。然而，當(dāng)前技術(shù)面臨兩大挑戰(zhàn)，一是高速多航態(tài)精準(zhǔn)建模難，高速無人船在排水、半滑行、滑行等多航行狀態(tài)下，動(dòng)力學(xué)特性呈現(xiàn)強(qiáng)非線性與多階段等特點(diǎn)，傳統(tǒng)物理模型難以精準(zhǔn)適配；二是控制方法在可靠性與可解釋性之間難以兼顧，基于確定性模型的控制方法魯棒性差，而現(xiàn)有神經(jīng)網(wǎng)絡(luò)控制器通常缺乏物理建模，導(dǎo)致模型與控制的可解釋性不足。

針對上述問題，團(tuán)隊(duì)依托自主研發(fā)的7米級(jí)高速無人船“久航750”（見圖1），開展了系列航行試驗(yàn)，探討解決上述物理-數(shù)據(jù)建模與學(xué)習(xí)控制關(guān)聯(lián)等技術(shù)問題。

圖1 團(tuán)隊(duì)自主研發(fā)的7米級(jí)高速無人船“久航750”海試現(xiàn)場

針對現(xiàn)有學(xué)習(xí)型控制架構(gòu)中未考慮物理建模的不足，研究團(tuán)隊(duì)提出了一種基于庫普曼物理模型—神經(jīng)網(wǎng)絡(luò)的混合建模與控制框架，該框架具備可解釋性與準(zhǔn)確性優(yōu)勢，實(shí)現(xiàn)了復(fù)雜海洋環(huán)境下無人船的可解釋與高可靠性控制，并通過跟蹤對比實(shí)驗(yàn)，驗(yàn)證了所提出的控制框架優(yōu)于傳統(tǒng)非線性控制方法，為無人船安全自主航行提供了新的技術(shù)支撐。

圖2 庫普曼—神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

圖3 利薩茹軌跡跟蹤結(jié)果對比

針對無人船低、中、高速多航態(tài)精確建模的問題，研究團(tuán)隊(duì)提出了一種基于混合核函數(shù)的高斯過程回歸建模預(yù)報(bào)方法，使該無人船模型兼具捕捉平滑全局趨勢和描述局部突變的能力，建立了適用于不同航態(tài)的無人船非參數(shù)化運(yùn)動(dòng)模型。實(shí)驗(yàn)驗(yàn)證了該模型精度優(yōu)于傳統(tǒng)GPR、BP和SVM等方法，為多航態(tài)無人船運(yùn)動(dòng)建模與預(yù)報(bào)提供了有效手段。

上述研究為無人船在復(fù)雜海洋環(huán)境下的自主航行與智能控制提供了新的建模工具與控制策略，將進(jìn)一步推動(dòng)無人船系統(tǒng)在海洋觀測與作業(yè)中的應(yīng)用。

圖4 無人船海試軌跡及航態(tài)聚類

圖5 無人船運(yùn)動(dòng)建模預(yù)報(bào)對比

論文成果鏈接：

https://doi.org/10.1016/j.oceaneng.2026.124262

https://doi.org/10.1016/j.oceaneng.2024.117528

掃描下方“知識(shí)星球”二維碼（注：最好下載知識(shí)星球APP，以便順暢閱讀），加入“觀海局”星球，獲取一整年付費(fèi)文章閱讀權(quán)限（深海產(chǎn)業(yè)研報(bào)與分析、海洋學(xué)術(shù)動(dòng)態(tài)、外文期刊雜志等），不用再一次次地付費(fèi)。

現(xiàn)在加入，前五名可獲得優(yōu)惠。

添加微信，請備注： 姓名-單位職位

免責(zé)聲明: 本公眾號(hào)部分內(nèi)容來源于媒體、企業(yè)機(jī)構(gòu)、網(wǎng)友提供和互聯(lián)網(wǎng)等公開資料，僅供訪問者個(gè)人學(xué)習(xí)、參考、研究、交流或欣賞之用，并已表明出處。如涉及版權(quán)等問題，請及時(shí)聯(lián)系我們，我們將在第一時(shí)間妥善處理。