來源：自然資源部海洋一所

近日，我所海洋遙感探測及應用團隊在無人船建模與控制領域取得了系列研究進展，為無人船自主航行和智能控制提供了新的技術路徑。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)表于海洋技術領域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。其自主航行的實現(xiàn)，在于建模與控制兩大核心技術。然而，當前技術面臨兩大挑戰(zhàn)，一是高速多航態(tài)精準建模難，高速無人船在排水、半滑行、滑行等多航行狀態(tài)下，動力學特性呈現(xiàn)強非線性與多階段等特點，傳統(tǒng)物理模型難以精準適配；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)有神經網絡控制器通常缺乏物理建模，導致模型與控制的可解釋性不足。

針對上述問題，團隊依托自主研發(fā)的7米級高速無人船“久航750”（見圖1），開展了系列航行試驗，探討解決上述物理-數據建模與學習控制關聯(lián)等技術問題。

圖1 團隊自主研發(fā)的7米級高速無人船“久航750”海試現(xiàn)場

針對現(xiàn)有學習型控制架構中未考慮物理建模的不足，研究團隊提出了一種基于庫普曼物理模型—神經網絡的混合建模與控制框架，該框架具備可解釋性與準確性優(yōu)勢，實現(xiàn)了復雜海洋環(huán)境下無人船的可解釋與高可靠性控制，并通過跟蹤對比實驗，驗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支撐。

圖2 庫普曼—神經網絡控制結構

圖3 利薩茹軌跡跟蹤結果對比

針對無人船低、中、高速多航態(tài)精確建模的問題，研究團隊提出了一種基于混合核函數的高斯過程回歸建模預報方法，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)的無人船非參數化運動模型。實驗驗證了該模型精度優(yōu)于傳統(tǒng)GPR、BP和SVM等方法，為多航態(tài)無人船運動建模與預報提供了有效手段。

上述研究為無人船在復雜海洋環(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，將進一步推動無人船系統(tǒng)在海洋觀測與作業(yè)中的應用。

圖4 無人船海試軌跡及航態(tài)聚類

圖5 無人船運動建模預報對比

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“知識星球”二維碼（注：最好下載知識星球APP，以便順暢閱讀），加入“觀海局”星球，獲取一整年付費文章閱讀權限（深海產業(yè)研報與分析、海洋學術動態(tài)、外文期刊雜志等），不用再一次次地付費。

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

免責聲明: 本公眾號部分內容來源于媒體、企業(yè)機構、網友提供和互聯(lián)網等公開資料，僅供訪問者個人學習、參考、研究、交流或欣賞之用，并已表明出處。如涉及版權等問題，請及時聯(lián)系我們，我們將在第一時間妥善處理。