Autopilot System for Depth and Pitch Control in Underwater Vehicles: Navigating Near-Surface Waves and Disturbances
本研究提出一种结合线性二次调节器与L1自适应自动驾驶增强的水下航行器深度纵倾控制框架，经Joubert BB2模型仿真验证，可在近水面波浪下有效衰减扰动，提升导航精度与作业安全性。
2024-05-21 cs.SY eess.SY
Design of a Low-Cost Prototype Underwater Vehicle
在这项研究中，一个小的，廉价的远程驱动的水下航行器，可以在浅水中航行，监测水质和演示车辆控制算法的目的。潜水器由机载微控制器操作，传感器有效载荷包括用于确定水质的浊度传感器、深度传感器和9轴惯性测量单元。所开发的车辆是一个开放式框架遥控车辆（ESTA），占地面积小，模块化的物理和电气架构。净重1.6公斤，最大深度等级为20米，开发成本约为80美元，潜水器框架由聚氯乙烯管组成，长度为0.35米。作为一个地面站，一台专用的笔记本电脑实时显示关键的车辆数据，并可以向车辆发送命令。水池中的初步测试表明，该飞行器完全可操作，并有效地遵守飞行员的命令。
2023-03-23 cs.SY eess.SY
Exploration of the Applicability of Probabilistic Inference for Learning Control in Underactuated Autonomous Underwater Vehicles
水下航行器用于探索动态环境，其中针对每个任务调整特定控制器将是耗时且不可靠的，因为控制器取决于理想条件下计算的数学系数。对于这种情况，从经验中学习任务可能是一个有用的替代方案。本文探讨了概率推理学习控制自主水下航行器，可用于不同的任务，而无需重新编程的控制器的能力。概率推理学习使用真实车辆的高斯过程模型，通过少量的真实现场实验来学习正确的策略。概率强化学习的使用寻求一种简单的控制器实现，而无需系数计算、控制器整定或系统辨识的负担。一系列的计算仿真，以测试基于模型的强化学习在水下航行器的适用性。三个仿真方案进行了评估：航点跟踪，深度控制和三维路径跟踪控制。3D路径跟踪是通过耦合在一起的视线法律与概率推理的学习控制。作为比较研究，LOS-PILCO算法可以比鲁棒LOS-PID更好地执行。结果表明，基于概率模型的强化学习是欠驱动水下机器人运动控制的一种可能的解决方案，可以产生有能力的政策与最小数量的情节。
2019-12-25 cs.SY eess.SY
A neural network based controller for underwater robotic vehicles
由于在过去几十年中取得的巨大技术进步，使用机器人潜水器进行水下探索是可能的。本文介绍了一种遥控水下机器人动力定位系统的研制。所采用的方法是利用李雅普诺夫稳定性理论和增强的神经网络为基础的算法的不确定性和干扰补偿。所提出的控制方案的性能进行评估，通过数值模拟。
2022-06-17 cs.RO cs.SY eess.SY
Compressed Underwater Acoustic Communications for Dynamic Interaction with Underwater Vehicles
水下航行器用于各种应用，包括水下数据收集任务。系绳连接限制了任务的行驶距离和可以在同一区域运行的车辆数量，而在车辆上添加声学通信则赋予了它们几种功能。然而，由于水下声学信道的低带宽-这导致低数据速率-以及由信道传播延迟和声学调制解调器的处理延迟两者强加的时间开销，需要有效的协议。本文提出了一种隐式数据压缩和传输协议，以执行环境监测任务，如在水中的物理和化学参数的自适应采样。在车辆和控制中心之间的半自主方式中，双方在数据传输中保持沉默，只要它们能够估计和预测另一方的动作，除非发现环境数据和/或运动学数据是不可预测的。我们的设计让人参与到发送高级控制命令的循环中。实验是使用带有WHOI微型调制解调器的自动驾驶汽车在新泽西州的拉里坦河、萨默塞特、普林斯顿的卡内基湖和红岸的海洋公园进行的。
2019-11-11 cs.NI cs.SY eess.SP
Joint Constrained Bayesian Optimization of Planning, Guidance, Control, and State Estimation of an Autonomous Underwater Vehicle
自主水下航行器（AUV）制导、导航与控制（GNC）系统的性能在很大程度上取决于其参数的正确整定。我们的目标是自动调整这些参数在不同的操作场景中的任意高级别的控制目标。与文献相比，整个GNC系统，这是新的自主水下航行器的上下文中进行整体调整。解决优化问题的主要挑战是计算昂贵的目标函数评估，由于不可行的参数化和众多可调参数（在我们的情况下为13）而导致的崩溃模拟。这些挑战是通过使用具有碰撞约束的约束贝叶斯优化来满足的。该方法被证明是在一个GNC系统的欠驱动的微型AUV设计的TRIPLE-nanoAUV倡议的冰下湖泊的勘探模拟。我们量化了通过调整整个系统实现的能耗大幅降低。此外，针对不同的功耗函数、鲁棒性和精度要求自动生成不同的参数化。例如，如果与规划路径的最大允许偏差增加约65%，则能耗可以减少约28%。这表明了基于优化的调优方法的通用实用性。
2022-05-29 cs.SY eess.SY
MCE-based Direct FTC Method for Dynamic Positioning of Underwater Vehicles with Thruster Redundancy
针对推力器冗余水下机器人的动力定位问题，提出一种基于MCE的直接容错控制方法，通过分析MCE变化提取未知控制输入信息以识别故障、估计推力损失并实现控制重构，经真实模型数值验证有效。
2025-03-24 cs.SY eess.SY
Energy Management for Autonomous Underwater Vehicles Using Economic Model Predictive Control
研究了自主水下航行器（AUV）的能量最优控制问题。为了提高水下机器人的续航能力，提出了一种基于经济模型预测控制（MPC）框架的能量最优控制方案。首先，我们制定了一个代价函数，计算在有限的时间预测范围内的车辆运行所花费的能量。然后，为了考虑超出预测范围的能量消耗，将接近达到目标的能量（能量消耗）的终端成本并入MPC代价函数中。
2019-06-20 cs.SY eess.SY math.OC
Energy-optimal Three-dimensional Path-following Control of Autonomous Underwater Vehicles under Ocean Currents
本文提出了一种三维（3D）的能量最优路径跟踪控制设计的自主水下机器人受海流。所提出的方法有一个两阶段的控制架构，包括设定点计算和设定点跟踪。在第一阶段中，通过最小化当前所需的车辆推进能量来优化纵荡速度、升沉速度和俯仰角设定点，并且使用视线（LOS）制导律来生成确保路径跟随的偏航角设定点。在第二阶段中，两个模型预测控制器被设计成通过跟踪最优设定点来控制车辆在水平和垂直平面中的运动。所提出的控制器与传统的基于LOS的控制进行比较，该控制相对于当前保持零升沉速度（即，相对升沉速度），并使用LOS引导导出俯仰角设定点以到达期望深度。通过仿真，我们表明，所提出的方法可以实现超过13%的节能割草机型和检查任务在不同的洋流条件下。仿真结果表明，允许运动与非零的相对升沉速度提高能量效率的三维路径跟踪应用。
2023-01-02 cs.SY eess.SY
Underactuated Biomimetic Autonomous Underwater Vehicle for Ecosystem Monitoring
Plaksha University（普拉克斯大学）
本文提出一种用于海洋与淡水生态系统监测的欠驱动仿生水下机器人，通过强化学习在FishGym模拟器中学习最小驱动行为，并展示了尾部摆动机构的初步设计与游泳效果。
2025-11-09 cs.RO cs.SY eess.SY
A Hybrid Tracking Control Strategy for an Unmanned Underwater Vehicle Aided with Bioinspired Neural Dynamics
University of Guelph（圭尔夫大学）；McMaster University（麦克马斯特大学）
跟踪控制一直是机器人领域的一个重要研究课题。提出了一种基于仿生神经动力学模型的无人水下航行器（UUV）混合控制策略。首先提出了一种改进的反推运动控制策略，以避免速度突变，并提供相对于传统方法的平滑速度指令。然后，提出了一种新的滑模控制，这是能够提供平滑和连续的转矩命令，没有抖振。在比较研究中，所提出的组合混合控制策略，保证了控制信号的平滑，这是至关重要的在现实世界中的应用，特别是对于无人水下航行器，需要在复杂的水下环境中操作。
2022-09-03 cs.AI cs.RO cs.SY
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph（圭尔夫大学）
无人水下航行器（UUV）的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础，对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后，展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
Onboard Vision and MPC Navigation for Underwater Robots: An Open BlueROV2 Platform for Multi-Robot Experiments & Docking
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一个集成机载视觉与非线性模型预测控制的开源BlueROV2平台，实现水下自主导航与对接，并提供仿真工具与物理对接站，实验验证了感知、估计、跟踪与对接性能。
2026-10-01 cs.RO cs.SY eess.SY
Combining Moving Mass Actuators and Manoeuvring Models for Underwater Vehicles: A Lagrangian Approach
Oceanlab, Oslo Metropolitan University (OsloMet), Oslo, Norway（海洋实验室，奥斯陆 Metropolitan 大学（奥斯陆Met））；Department of Ships and Ocean Structures, SINTEF Ocean（船舶与海洋结构系，SINTEF 海洋）
本研究针对带内部移动质量致动器的水下航行器，提出基于牛顿-欧拉公式的运动方程，将其作为Fossen操纵模型的扩展，经仿真验证该模型有效且可与传统哈密顿公式相比较。
2025-10-29 cs.RO cs.SY eess.SY
Backstepping-based Integral Sliding Mode Control with Time Delay Estimation for Autonomous Underwater Vehicles
本文的目的是提出一种高性能的控制方法的自主水下机器人（AUV）的轨迹跟踪。然而，控制器的性能可能会受到未知的扰动，包括模型的不确定性和外部时变干扰在海底环境中。针对这一问题，设计了一种基于Backstepping的带时延估计的积分滑模控制（BS-ISMC-TDE）。为了改善传统反推控制算法的性能，在反推设计中采用积分滑模控制（ISMC）方法来减小稳态误差。此外，自适应时间延迟估计（TDE）的策略，提出了通过观察的输入和状态的AUV的一步到过去的不确定性的动力学和上界的确切知识，提供一个估计的扰动。从仿真结果中，它表明，所提出的控制方法，使用自适应和传统的TDE部分优于基于Backstepping积分滑模控制（BS-ISMC）。
2021-11-19 cs.SY eess.SY
A Robust Model Predictive Control Approach for Autonomous Underwater Vehicles Operating in a Constrained workspace
National Technical University of Athens（雅典国立技术大学）
本文提出了一种新型非线性模型预测控制方案，用于在存在静态障碍物的受限工作空间中引导水下机器人到达特定路径点，通过考虑障碍物、工作空间边界、推进器饱和度和预定义的车辆速度上限等约束条件，提高控制性能。
2018-06-14 cs.RO cs.SY eess.SY
Information-driven Path Planning for Hybrid Aerial Underwater Vehicles
Shanghai Jiao Tong University（上海交通大学）
提出了一种新的快速探索自适应采样树（RAST）算法，用于海气三维环境下混合式航空水下航行器（HAUV）的自适应采样任务。该算法创新性地结合了基于竞赛的选点采样策略、信息启发式搜索过程和快速探索随机树（RRT）算法框架。因此，可以引导车辆到感兴趣的区域的科学家进行采样，并生成一个无碰撞的路径，最大限度地收集信息的HAUV的海流或风的环境影响和有限的预算的约束下。仿真结果表明，快速搜索自适应采样树算法比快速探索信息收集树（RIGT）算法和粒子群优化（PSO）算法具有更高的寻优性能、更快的求解速度和更好的稳定性。
2022-04-08 cs.RO cs.SY eess.SY
Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究局）
提出一种完全数据驱动的三维路径跟踪框架，利用数据驱动预测控制（DeePC）避免显式水动力学建模，并扩展预测自适应视线导引法（PALOS）以提供滚动时域预测控制器所需的一致参考，在REMUS 100 AUV高保真仿真中显著降低横向跟踪误差。
2026-05-31 cs.SY eess.SY
Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots
本文提出一种不确定性感知的自适应动力学模型，用于水下车辆-机械臂机器人，通过在线估计和物理一致性约束实现参数校准与高精度控制。
2026-03-06 cs.RO cs.SY eess.SY
Autonomous Underwater Vehicle-Manipulator Systems Path Planning with RRTAUVMS Algorithm
Zhejiang University（浙江大学）；Shenzhen Sensetime Technology CO.,LTD（深圳商汤科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
自主水下机器人系统（AUVMS）是一种新型的海洋探测工具，本文研究了AUVMS路径规划问题。水下机器人系统是一个惯性分布差异大的高维系统，且工作环境复杂，存在障碍物。通过将快速探索随机树（RRT）算法与AUVMS运动学模型相结合，RRTAUVMS算法可以在配置空间（C-Space）中随机采样，并在任务空间中直接向工作空间目标生长。RRTAUVMS还可以处理工作空间规划目标和配置空间目标的冗余映射。与传统RRT算法相比，该算法可以显著提高AUVMS路径规划的效率。
2021-09-11 cs.RO cs.SY eess.SY
A Switching Nonlinear Model Predictive Control Strategy for Safe Collision Handling by an Underwater Vehicle-Manipulator System
D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（德·古根海姆航空航天工程学院，佐治亚理工学院）；faculty of Electrical Engineering, Engineering Division, New York University Abu Dhabi（电气工程系，工程分校，纽约大学阿布扎克分校）
本文提出了一种切换非线性模型预测控制策略，用于水下车辆-机械臂系统安全处理碰撞，通过机械臂推离障碍物以避免损坏。
2026-01-26 cs.RO cs.SY eess.SY
Online Approximate Optimal Station Keeping of an Autonomous Underwater Vehicle
University of Florida（佛罗里达大学）
研究提出基于强化学习的 actor-critic 框架，用于在线近似自主水下机器人六自由度最优保持策略，实现状态和策略的统一有界收敛。
2014-04-01 cs.RO cs.SY eess.SY
Real-Time Model Predictive Control for Energy Management in Autonomous Underwater Vehicle
University of Michigan（密歇根大学）
本文提出了一种新的模型预测控制框架，用于自主水下机器人的能量最优点对点运动控制，通过将能量管理问题转化为两个阶段的冲程运动优化问题，以提高续航能力并降低计算复杂度。
2018-09-26 cs.SY eess.SY
Modeling and control of a low-cost multirotor hybrid aerial underwater vehicle
本文针对低成本多旋翼混合式空中水下航行器，提出混合动力学模型与分层控制策略，结合TWSMC和级联PID实现稳定跨介质过渡与精确运动跟踪，实验验证了其有效性。
2025-07-05 cs.SY eess.SY
A Fuzzy Logic-based Cascade Control without Actuator Saturation for the Unmanned Underwater Vehicle Trajectory Tracking
University of Guelph（圭尔夫大学）
针对无人水下航行器（UUV）轨迹跟踪过程中存在的执行器饱和问题，提出了一种智能控制策略。控制策略包括两部分：运动学建模部分，采用模糊逻辑-精细反推控制，使控制速度在可接受的范围内，误差波动小;基于由改进的运动控制推导的速度，在动力学建模中引入滑模控制，得到相应的作用在车体上的力矩和力。利用运动学模型计算出的控制速度和动力学模型推导出的控制力，可以保证UUV轨迹的鲁棒性和精确性，且不出现执行器饱和现象。
2022-10-04 cs.AI cs.RO cs.SY
Comparison of Dynamic and Kinematic Model Driven Extended Kalman Filters (EKF) for the Localization of Autonomous Underwater Vehicles
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主水下航行器（AUV）和遥控潜水器（ROV）用于与勘探和科学研究有关的各种任务。这些系统的成功导航需要良好的定位系统。基于卡尔曼滤波器的定位技术自20世纪60年代初以来一直很流行，并且在开发和设计中使用它们进行了广泛的研究。已经发现，在卡尔曼滤波器中使用动态模型（而不是运动学模型）可以导致更准确的预测，因为动态模型考虑了作用在AUV上的力。提出了一种基于简化动力学模型的水下机器人运动预测扩展卡尔曼滤波器（EKF）。首先建立了水下机器人的动力学模型，然后对该模型进行了简化，该机器人是一种用于简单水下勘探、海底结构物、管道和沉船检测的潜水器。该滤波器在一个名为UUV模拟器的开源海洋车辆模拟器中用模拟车辆实现，并将结果与地面实况进行比较。结果表明，动态滤波器具有良好的预测精度，但在EKF可以实时使用之前需要改进。一些观点和讨论的实际实施，以显示这一概念所需的后续步骤。
2021-05-26 cs.RO cs.SY eess.SY
Adaptive Sampling of Algal Blooms Using Autonomous Underwater Vehicle and Satellite Imagery: Experimental Validation in the Baltic Sea
本研究提出结合卫星数据与AUV的藻华锋面自适应采样方法，通过卫星数据预训练高斯过程核参数、AUV数据在线建模求锋面方向，经仿真对比及敏感性分析验证后，于2022年夏在斯德哥尔摩群岛完成实地实验。
2023-05-01 cs.SY eess.SY
A Comprehensive Study on Modelling and Control of Autonomous Underwater Vehicle
本章研究了自主水下航行器在不确定性下的6自由度建模与鲁棒控制，比较了传统与滑模控制（SMC）在深度、偏航和速度子系统中的性能，揭示了SMC在提升抗干扰鲁棒性的同时伴随设计复杂性与颤振管理的权衡。
2024-12-23 cs.SY eess.SY
Path Following Model Predictive Control of a Coupled Autonomous Underwater Vehicle
针对环境扰动下自主水下航行器耦合运动导致航点跟随困难的问题，提出基于视线制导的三维路径跟随模型预测控制系统，通过求解极小极大优化问题实现鲁棒控制，仿真验证了其在时变扰动下的有效性。
2024-09-27 cs.SY eess.SY
System Identification and Adaptive Input Estimation on the Jaiabot Micro Autonomous Underwater Vehicle
本文提出了一种自适应输入估计算法，用于估计Jaiabot微型自主水下机器人的未知控制输入和状态，相比经典卡尔曼滤波具有更优的处理能力。
2025-04-01 cs.RO cs.SY eess.SY
UW-MARL: Multi-Agent Reinforcement Learning for Underwater Adaptive Sampling using Autonomous Vehicles
在不确定的环境中，如河流，湖泊和水库的不同变量的近实时水质监测是至关重要的，以保护水生生物，并防止进一步传播的潜在污染的水。为了测量感兴趣区域中的物理值，自适应采样作为一种节能和省时的技术是有帮助的，因为对区域的穷举搜索对于单个车辆是不可行的。我们提出了一种自适应采样算法，使用多个自主车辆，这是训练有素的，作为代理，在多智能体强化学习（MARL）框架，使有效的序列的自适应采样过程中的决策。所提出的解决方案进行评估，使用实验数据，这是馈入到一个模拟框架。实验于2019年7月在萨默塞特郡的Raritan River和新泽西州普林斯顿的Carnegie Lake进行。
2019-11-11 cs.MA cs.SY eess.SY
Integrated Localization and Path Planning for an Ocean Exploring Team of Autonomous Underwater Vehicles with Consensus Graph Model Predictive Control
针对USV协调的AUV深海探测团队，本文提出将定位作为一致性图优化集成到滚动时域MPC路径规划中，实现节能、无碰撞且定位感知的协同规划，并用序列凸规划求解该NP难问题。
2025-05-12 cs.SY eess.SY
Adaptive Prescribed Performance Trajectory Tracking for Uncertain Autonomous Underwater Vehicles With Input Saturation
Robotics Institute, Athena Research Center（雅典娜研究中心机器人研究所）；University of Patras（帕特雷大学）；University of Thessaly（塞萨利大学）
针对不确定自主水下航行器的输入饱和问题，提出低复杂度自适应规定性能控制器，经仿真和水池实验验证，可在输入限制下保持轨迹跟踪的规定性能，实现稳定跟踪。
2026-10-16 cs.RO cs.SY eess.SY
Proportional integral derivative controller assisted reinforcement learning for path following by autonomous underwater vehicles
Norwegian University of Science and Technology（挪威科技大学）；SINTEF Digital（挪威科技工业研究院数字部门）；Oklahoma State University（俄克拉荷马州立大学）
控制理论为工程师提供了大量的工具来设计控制器，以操纵动力系统的闭环行为和稳定性。这些方法在很大程度上依赖于对控制物理系统的数学模型的理解。然而，如果一个系统是高度复杂的，它可能是不可行的，以产生一个可靠的数学模型的系统。如果没有模型，大多数开发控制律的理论工具都会失效。在这些环境中，机器学习控制器变得很有吸引力：控制器可以学习和适应复杂系统，开发工程师无法开发的控制律。本文重点介绍在实际应用中利用机器学习控制器，特别是在六自由度自主水下航行器的运动控制系统中使用深度强化学习。考虑两种方法：端到端学习，其中车辆完全独自探索其搜索最优策略的解决方案空间，以及PID辅助学习，其中DRL控制器基本上被分成三个独立的部分，每个部分控制其自己的执行器。
2020-09-22 cs.RO cs.SY eess.SY
Disturbance Preview for Nonlinear Model Predictive Trajectory Tracking of Underwater Vehicles in Wave Dominated Environments
Institute for Integrated Micro and Nano Systems, School of Engineering, University of Edinburgh（爱丁堡大学工程学院集成微纳系统研究所）
本文提出一种集成确定性海浪预测器的非线性模型预测控制器，通过扩展卡尔曼滤波器获取状态信息形成闭环策略，用于水下车辆轨迹跟踪，实验显示位置误差改善51%，姿态误差改善44.5%。
2023-07-27 cs.RO cs.SY eess.SY
A GOA-Based Fault-Tolerant Trajectory Tracking Control for an Underwater Vehicle of Multi-Thruster System without Actuator Saturation
University of Guelph（圭尔夫大学）；China Ship Scientific Research Center（中国船舶科学研究中心）
针对水下机器人（UV）在推进器损坏（失去动力）情况下的轨迹跟踪问题，提出了一种智能容错控制（FTC）策略，同时解决了因机器人物理约束而引起的执行器饱和问题。在所提出的控制策略中，轨迹跟踪部分由控制速度变化的精确反推算法和减少转矩/力输出的滑模控制形成;所述容错组件基于草蜢优化算法（GOA）建立，这提供了快速的收敛速度以及扣除推进器力的优化重新分配以补偿功率的令人满意的精度不同故障情况下的损失。在不同故障情况下进行了有无环境扰动的仿真，并与其他传统容错控制器进行了比较，验证了所提出的基于GOA的容错轨迹跟踪设计的有效性和鲁棒性。
2023-01-04 cs.AI cs.RO cs.SY
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University（人工智能机器人实验室（AiR实验室），电气与计算机工程系，阿arhus大学）；NestAI；EIVA a/s（EIVA公司）；Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心（DFKI））；Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University（自动控制组，电气工程与信息科技系，帕德博恩大学）
REACT通过实时纠缠感知覆盖路径规划，实现了安全高效的水下结构检查，比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
Tracking Control for a Dynamic Model of an Underwater Submersible
Australian National University（澳大利亚国立大学）；The University of Sydney（悉尼大学）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
针对水下潜水器在SE(3)上的刚体动力学模型，提出一种基于能量的跟踪控制方法，通过新型误差函数使误差系统具有哈密顿结构，并证明渐近收敛性，在BlueROV2上仿真验证。
2026-06-04 cs.SY eess.SY
Trajectory tracking control of a Remotely Operated Underwater Vehicle based on Fuzzy Disturbance Adaptation and Controller Parameter Optimization
Purdue University（普渡大学）
针对冰下探索中ROV精确轨迹跟踪需求，提出融合模糊自适应扰动抑制与PSO参数优化的MIMO非线性控制器，经仿真验证性能优于基线方法，助力冰下探索技术发展。
2024-05-16 cs.RO cs.SY eess.SY
DIeSEL: DIstributed SElf-Localization of a network of underwater vehicles
Institute for Systems and Robotics (ISR/IST) LARSyS, Instituto Superior Técnico, Universidade de Lisboa（系统与机器人研究所（ISR/IST）LARSyS，里斯本技术学院，里斯本大学）
本文提出了一种分布式自定位方法，通过优化非凸最大似然估计器，在存在范围测量噪声的情况下实现更准确和高效的定位，优于传统集中式扩展卡尔曼滤波器。
2017-09-25 cs.MA cs.SY eess.SY
BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation
University of Haifa（海法大学）
自主水下航行器（AUV）执行各种应用，如海底测绘和水下结构健康监测。通常，由多普勒测速仪（DVL）辅助的惯性导航系统用于提供车辆的导航解决方案。在融合过程中，DVL提供了AUV的速度矢量，它决定了导航解的精度，并帮助估计导航状态。本文提出了BeamsNet，这是一个端到端的深度学习框架，用于回归估计的DVL速度矢量，提高了速度矢量估计的准确性，并可以取代基于模型的方法。两个版本的BeamsNet，不同的输入到网络中，建议。第一个使用当前DVL波束测量和惯性传感器数据，而另一个仅利用DVL数据，将当前和过去的DVL测量用于回归过程。仿真和海上实验验证了所提出的学习方法相对于基于模型的方法。在地中海用Snapir自主式潜水器进行了海上试验，收集了大约4小时的DVL和惯性传感器数据。我们的研究结果表明，该方法在估计DVL速度矢量方面取得了超过60%的改进。
2022-06-27 cs.LG cs.RO cs.SY
Underwater Motions Analysis and Control of a Coupling-Tiltable Unmanned Aerial-Aquatic Vehicle
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳人工智能与机器人研究院）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文针对自行设计的耦合可倾转无人空海跨域航行器Mirs-Alioth，推导奇异推力倾转角并分析水下运动特性，设计了包含逻辑切换、饱和Nussbaum函数和辅助控制器的控制方案，通过实验验证了其有效性。
2025-03-08 cs.RO cs.SY eess.SY
A reinforcement learning path planning approach for range-only underwater target localization with autonomous vehicles
MBARI（蒙特雷湾水族馆研究所）；Institut de Ciències del Mar, CSIC（西班牙国家研究委员会海洋科学研究所）；Universitat Politècnica de Catalunya, Barcelona Tech.（加泰罗尼亚理工大学（巴塞罗那理工））
水下目标定位使用的距离只有和单信标（ROSB）技术与自主车辆最近已被用来改善更复杂的方法，如长基线和超短基线系统的局限性。然而，在ROSB目标定位方法中，定位目标附近的跟踪车辆的轨迹在获得预测目标位置的最佳精度方面起着重要作用。在这里，我们研究了一种强化学习（RL）方法来找到自动驾驶汽车应该遵循的最佳路径，以提高和优化预测目标定位的整体准确性，同时减少时间和功耗。为了实现这一目标，使用最先进的深度RL算法设计了不同的实验测试。我们的研究还比较了分析Fisher信息矩阵的方法在以前的研究中所获得的结果。结果显示，该政策学习的RL代理优于轨迹的基础上，这些分析解决方案，例如，在目标的本地化开始时的中位数预测误差是17%less.These研究结果表明，使用深度RL本地化的声学目标可以成功地应用于在水中的应用，包括跟踪声学标记的海洋动物的自主水下航行器。这被设想为验证使用RL来解决此类问题的第一个必要步骤，稍后可以在更复杂的场景中使用
2023-01-17 cs.LG cs.RO cs.SY
Learning of Multi-Context Models for Autonomous Underwater Vehicles
DFKI - Robotic Innovation Center（DFKI机器人创新中心）；Robotics Research Group（机器人研究组）
本文提出利用LSTM网络学习自主水下车辆的多情境模型，通过实验数据构建仿真模型，生成不同情境并提高分类准确性，展现对噪声的鲁棒性和大数据集的扩展能力。
2018-09-17 cs.LG cs.RO cs.SY
Average-Power-Budgeted Underwater Vehicle Control via Constrained Reinforcement Learning
提出将水下航行器能效控制建模为约束马尔可夫决策过程，使用PPO-Lagrangian算法显式约束平均推进功率，在MarineGym仿真中12个场景均实现最低功耗（降低14-65%），无需手动调参。
2026-07-14 cs.AI cs.ET cs.RO
Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles
Pacific Northwest National Laboratory（太平洋西北国家实验室）
传统的基于物理的建模方法是自治水下机器人（AUV）等复杂非线性系统控制设计中的一个耗时瓶颈。相比之下，纯数据驱动的模型虽然方便快捷，但需要大量的观察，缺乏对安全关键系统的操作保证。利用可用的部分特征化动态的数据驱动模型有可能在高价值复杂系统的典型数据有限场景中提供可靠的系统模型，从而避免数月的昂贵专家建模时间。在这项工作中，我们探索专家建模和纯数据驱动建模之间的中间地带。我们提出了具有不同领域意识水平的面向控制的参数模型，这些模型利用已知的系统结构和先验物理知识来创建受约束的深度神经动力系统模型。我们采用通用的微分方程构建数据驱动的黑盒和灰盒表示的AUV动力学。此外，我们探索了一种混合制剂，明确模型的残差相关的不完美的灰盒模型。我们比较了不同分布的初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制的适用性。
2022-08-15 cs.AI cs.SY eess.SY
A Framework for On-line Learning of Underwater Vehicles Dynamic Models
DFKI - Robotic Innovation Center（DFKI机器人创新中心）
本文提出了一种在线学习水下机器人动态模型的框架，通过增量支持向量回归方法从数据流中逐步学习模型，并结合增量学习策略来改进模型在整体状态空间上的泛化能力。
2019-03-13 cs.LG cs.RO cs.SY
Hierarchical Topology-Aware Planning and Control of Underwater Vehicle-Manipulator Systems in Confined Environments
University of Padova（帕多瓦大学）；Polytechnic University of Bari（巴里理工大学）；Norwegian University of Science and Technology（挪威科技大学）
针对受限环境下UVMS自主干预的风险问题，提出三层分层框架MANTA，经实验验证其任务成功率更高、安全余量更大，可实现更安全高效的水下自主干预。
2026-08-11 cs.RO cs.SY eess.SY
Adaptive Fault-tolerant Control of Underwater Vehicles with Thruster Failures
Xi’an University of Technology（西安理工大学）；University of Oslo（奥斯陆大学）；Concordia University（康科德大学）
本文提出一种基于贝叶斯故障状态估计和软切换的自适应容错控制方法，用于水下航行器推进器故障下的轨迹跟踪，实现平滑过渡并保持稳定控制。
2025-04-22 cs.RO cs.SY eess.SY
USV-AUV Collaboration Framework for Underwater Tasks under Extreme Sea Conditions
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Zhejiang University（浙江大学）；College of Information Science & Electronic Engineering（信息科学与电子工程学院）；New Jersey Institute of Technology（新泽西理工学院）
针对极端海况下单AUV作业困难的问题，提出融合Fisher信息矩阵优化的USV路径规划定位与强化学习的USV-AUV协作框架，仿真验证其在水下数据采集任务中性能优越且已开源演示代码。
2025-01-12 cs.RO cs.SY eess.SY
Distributed Neurodynamics-Based Backstepping Optimal Control for Robust Constrained Consensus of Underactuated Underwater Vehicles Fleet
University of Guelph（圭尔夫大学）；McMaster University（麦克马斯特大学）
针对三维欠驱动UUV编队的鲁棒约束编队跟踪问题，提出分层的分布式最优协调协议与基于神经动力学的鲁棒反步控制器，并证明未知扰动下状态一致最终有界。
2023-08-18 cs.AI cs.RO cs.SY
Toward 6-DOF Autonomous Underwater Vehicle Energy-Aware Position Control based on Deep Reinforcement Learning: Preliminary Results
Pontificia Universidad Católica de Chile（智利天主教大学）；Monterey Bay Aquarium Research Institute（蒙特利湾水族馆研究所）
针对六自由度自主水下航行器，提出基于深度强化学习（TQC算法）的能量感知位置控制方法，无需手动调参，仿真显示高性能法优于PID，能量感知法功耗降低30%。
2025-02-25 cs.LG cs.RO cs.SY
Marine Vehicles Localization Using Grid Cells for Path Integration
Louisiana State University（路易斯安那州立大学）
自主水下航行器（AUV）是用于研究和探索海洋环境的平台。然而，这些类型的车辆面临许多挑战，阻碍了它们在行业中的广泛使用。由于水下缺乏GPS信号，主要限制之一是获得准确的位置估计。这种估计通常用卡尔曼滤波器来完成。然而，神经科学领域的新发展揭示了哺乳动物能够根据外部和内部运动线索获得对其当前位置的可靠估计的机制。一种称为网格细胞的新型神经元已被证明是大脑中路径整合系统的一部分。在这篇文章中，我们将展示如何网格单元可以用于获得水下航行器的位置估计。所使用的网格单元模型只需要线速度和航向，并提供了车辆位置的可靠估计。我们提供了仿真结果的AUV显示我们所提出的方法的可行性。
2021-08-10 cs.AI cs.RO cs.SY
A Differentiable Composite Approximation Framework for Autonomous Underwater Vehicle Maneuvering Modeling from Sea-Trial Data
College of Shipbuilding Engineering, Harbin Engineering University（哈尔滨工程大学船舶工程学院）；China Academy of Aerospace Aerodynamics（中国航天空气动力技术研究院）；Institute of Artificial Intelligence, Shanghai University（上海大学人工智能研究院）；China Ship Scientific Research Center（中国船舶科学研究中心）
提出可微复合近似框架，结合多项式基与数据自适应基联合校准，并引入转向运动电流估计补偿，提升AUV机动预测精度。
2026-06-19 cs.LG cs.RO cs.SY
