我们提出一种适用于全部六个自由度的非线性模型预测轮廓控制（MPCC），利用自主水下航行器（AUV）的全向驱动，独立跟踪位置和姿态参考。据我们所知，这是该方案首次在全向驱动 AUV 上实现实时部署。我们以高斯过程（GP）残差动力学增强标称模型，并通过零阶鲁棒优化方案将其融入 MPCC。仿真结果表明，学习哪些残差对性能有决定性影响。MOLA AUV 的水下验证显示，在割草机式测绘和螺旋巡检动作中，姿态跟踪效果优于经过精心调校的比例-积分-微分（PID）控制器。
引言
控制器利用 AUV 的全向驱动，独立跟踪位置和姿态参考。所提出的方法以 GP 残差动力学增强标称模型，并通过零阶鲁棒优化方案将这些动力学纳入 MPCC。消融仿真表明，学习残差的选择会显著影响性能。
我们在 MOLA AUV 上进行水下验证，并与经过精心调校的 PID 控制器进行比较。实验表明，在割草机式测绘和螺旋巡检动作中，所提方法的姿态跟踪效果更好。
相关工作
本研究建立在 GP 残差建模的基础上，不将所学习的残差局限于阻尼项，并将模型纳入最优控制问题。此外，我们采用三维全非线性 MPCC，并利用 AUV 的全向运动特性，在跟踪位置的同时跟踪姿态参考。
因此，航行器能够独立于行进方向调整朝向，这对测绘和巡检十分重要。
高斯过程增强型 MPCC
高斯过程增强型 MPCC 使用回归输入变量。
高斯过程
给定训练输入（用于训练 GP 的输入数据）和目标值（对应的训练输出），即可在查询点计算 GP 的后验均值和方差。
核矩阵根据相应输入进行计算，模型中还包含噪声方差。核函数编码了关于残差的先验假设，例如平滑性。通过最大化训练数据的边际似然来优化其超参数。
实验
我们先在仿真中、再通过硬件实验对所提方法进行验证，实验使用 MOLA AUV。两种情况下的设置保持一致，以便从仿真过渡到真实航行器：控制器、通信和残差学习流程完全相同，只有航行器接口不同。
仿真研究
我们在 Stonefish 模拟器中通过两种场景分析各控制器。
第一种场景是定航向的割草机式航线，类似常见的实地测绘任务。我们对标称 MPCC（nom）、角速度残差（gp-pqr）和全状态（gp-full）GP-MPCC 各进行五次运行并加以比较。
第二种场景是绕虚拟目标物向上盘旋。动作过程中，航行器始终朝向中心，同时逐渐增大俯仰角，以模拟近距离巡检。该动作要求姿态持续变化；我们分别使用标称 MPCC 和角速度残差 MPCC 重复运行十次。
水下实验
在测试水池中，标称 MPCC 和角速度残差 GP-MPCC 均能紧密跟随巡检螺旋轨迹。PID 控制器则分别调节各个自由度，使其朝下一个航点移动，最终采用分段式运动，与预期的巡检路径并不相似。
由于 PID 控制器未能跟随样条曲线参考，因此对这一动作进行定量比较并无意义。
致谢
根据 IEEE 关于 AI 生成内容的政策，作者披露：在实现过程中，Claude（Anthropic）被用于辅助编写代码，并用于稿件的语言编辑。
常见问题
控制器跟踪什么？ 它在全部六个自由度上独立跟踪位置和姿态参考。
高斯过程在该方法中发挥什么作用？ 它们用于对残差动力学建模，以增强标称航行器模型。
使用了哪些仿真场景？ 研究在 Stonefish 模拟器中评估了定航向的割草机式测绘和向上螺旋巡检动作。
各控制器在测试水池的巡检螺旋实验中表现如何？ 标称 MPCC 和角速度残差 GP-MPCC 紧密跟随螺旋轨迹，而 PID 控制器产生的分段式运动与预期路径并不相似。