基于SLM引导和学习增强型NMPC的层次化运动控制框架，用于自主水下航行器

《Expert Systems with Applications》：Hierarchical motion control framework based on SLM-guided and learning-enhanced NMPC for autonomous underwater vehicles

　　自主水下航行器（AUV）运动控制面临复杂水下环境中的动态干扰与未建模动力学挑战。本文提出分层控制框架，通过轻量级小语言模型（SLM）指导任务交互，结合Kolmogorov-Arnold网络（KAN）的在线学习补偿与近似线性依赖（ALD）的稀疏化策略，提升非线性模型预测控制（NMPC）精度。该方法在仿真与硬件在环（HIL）测试中验证了轨迹跟踪控制性能的增强。

　　
自主水下机器人（AUV）的运动控制面临复杂水下环境带来的双重挑战：一方面，动态变化的外部干扰和未建模动力学导致传统控制方法难以精准执行；另一方面，实时任务交互需求与边缘计算资源限制形成矛盾。针对这一困境，研究者构建了三级联动的智能控制架构，通过融合轻量化语言模型与在线自适应学习技术，实现了任务理解、误差补偿、实时控制的协同优化。

在任务交互层，研究者创新性地采用参数高效微调（LoRA）技术对小型语言模型进行领域适配。这种技术突破传统大模型需要全量参数更新的局限，通过在预训练模型上叠加少量可学习参数，使模型既能保持低计算资源消耗（仅需边缘设备即可运行），又能准确解析包含三维空间定位、动态避障等复杂指令的用户需求。实验表明，经过工业级AUV任务语料库微调后的模型，指令识别准确率提升至92.7%，较传统指令集配置方式缩短了68%的调试周期。

动态补偿层提出的Kolmogorov-Arnold网络（KAN）架构具有突破性意义。该网络通过非线性变换将输入的高维传感器数据进行降维重构，使原本难以解析的湍流扰动、流体压缩效应等复杂因素能够被有效捕捉。特别设计的近似线性依赖（ALD）评估机制，可实时筛选出最具代表性的数据样本，在保证模型精度的前提下将训练数据量压缩超过40%。这种动态稀疏化技术不仅解决了传统在线学习数据膨胀问题，更在模拟洋流突变场景中展现出27.3%的能效提升。

在控制执行层面，提出的NMPC增强框架实现了理论突破与实践验证的双重成功。通过将KAN实时更新的未建模动态特征嵌入到控制优化中，系统在三维空间变轨任务中展现出比传统NMPC方法高15.8%的轨迹跟踪精度。这种闭环控制机制还通过构建输入-状态稳定性（ISS）边界条件，确保了在±5%的模型估计误差范围内系统仍能保持稳定运行。值得关注的是，该框架采用分层解耦设计，使得各模块既能独立优化又可实现协同进化，这种架构思想已被扩展到无人机集群控制等新场景。

实验验证部分采用高保真仿真环境（Gazebo-ROS2）和硬件在环测试平台，构建了涵盖近海湍流、多目标避让等12类典型工况的测试集。对比实验显示，在标准海况下，系统控制响应速度提升至0.3秒级（传统方法需2.1秒），能量消耗降低18.6%，且在指令突变（频率>5Hz）时仍能保持82.4%的任务完成率。特别是在复杂三维曲面追踪任务中，系统成功将跟踪误差从毫米级（0.8mm）压缩至亚毫米级（0.12mm），这为深海探测、水下救援等关键任务提供了可靠保障。

该研究带来的技术革新具有多维度价值：在理论层面，构建了语言模型与模型预测控制的融合范式，拓展了智能控制理论的应用边界；在工程实践上，通过模块化设计实现了控制算法的快速迭代（版本更新周期从月级缩短至周级），显著降低了对定制化硬件的需求；在用户体验维度，自然语言指令的交互方式使非专业操作人员也能完成高阶控制任务，人机协同效率提升超过60%。这些创新成果不仅推动了AUV技术的演进，更为工业级智能装备的自主化控制提供了可复用的技术框架。