一种应用于噪声干扰环境下AUV轨迹跟踪的AUV-TTN方案

《IEEE Transactions on Vehicular Technology》：An AUV-TTN Scheme Applied to AUV Trajectory Tracking Under Noise Disturbance

　　本文提出一种结合不等式与等式约束的动态二次规划（IE-DQP）方法，并引入零消解神经网络（ZNN）优化AUV轨迹跟踪。通过投影与椭圆约束的ZNN（PEZNN）模型抑制水下噪声，构建AUV-TNN方案，数学推导证明其收敛性和鲁棒性，仿真实验验证有效性。

　　

摘要：

在海洋工程中，自主水下航行器（AUV）结合了自主导航、决策制定和操作技能，对于执行海洋任务至关重要。轨迹跟踪是评估AUV性能的关键指标，因此受到了广泛关注。然而，现有的AUV轨迹跟踪方法在控制精度方面存在局限性，并且需要大量的计算资源和时间，这限制了它们在动态环境中的实时应用能力。为了解决这些问题，本文将AUV轨迹跟踪问题简化为一个受不等式和等式约束的动态二次规划（IE-DQP）问题，并引入了归零神经网络（ZNN）模型来解决该问题。此外，为了减少水下噪声干扰，我们提出了基于弗罗贝尼乌斯范数的投影和椭圆ZNN（PEZNN）模型，并开发了两种符合AUV物理约束的投影函数。我们将上述方法统称为AUV-TNN方案。为了评估其性能，我们进行了严格的数学推导，以证明该方案的收敛性和鲁棒性。最后，通过三个全面的AUV轨迹跟踪模拟实验验证了所提出方法的有效性。

引言

自主水下航行器（AUV）是在水下环境中自主或半自主运行的机器人[1]。这些AUV在水下展现出卓越的自主感知、决策制定和执行能力，使它们在水下环境中具有高机动性和高效性。换句话说，AUV的独特能力可以应用于潜水员或潜艇难以到达的海洋区域。此外，AUV还可以执行各种技术任务，包括海洋资源勘探与开发、海洋污染物监测、管道维护、水深数据收集以及其他科学和工程任务[2]、[3]。近年来，AUV在探索难以到达或危险的海洋区域方面发挥了重要作用。然而，复杂的海洋环境和工程任务的严格要求使得AUV需要具备更高的性能。提高AUV的轨迹跟踪性能可以显著提升跟踪精度和抵抗各种干扰的能力[4]、[5]。