0 引　言

自主式水下航行器（Autonomous Underwater Vehicle，AUV）作为海洋科技领域的核心装备，已广泛应用于深海勘探、科研调查及海洋工程，成为国家海洋战略的重要实施载体^[1]。

当前主流AUV采用近水平或滑翔式运动模式，在平坦海底及固定深度作业中成效显著。但随着任务复杂度提升，传统运动模式在复杂海底地形中的适应性不足，已难以满足新型应用场景需求，所以研究能够在大纵倾角下进行姿态控制的AUV是非常有必要的。能够在大纵倾角下进行姿态控制的AUV与现有的航行器相比有以下优点：1）更强的运动能力，AUV可以实现任意姿态下的运动；2）更广的适用性，其全姿态运动能力拓展了AUV的作业范围，可以支持近底勘探、沉船考古等传统AUV难以完成的复杂任务^[2]；3）更好的安全性，AUV可以通过任意调整潜水器自身的姿态方式，使其能沿着障碍平稳航行。

AUV具有高度非线性和耦合性，尤其在处于大纵倾角姿态下的情况，其纵倾与航向控制存在着较大的耦合问题。针对AUV纵倾与航向控制耦合问题，很多学者开展了相应研究。王芳荣等^[3]基于Lyapunov稳定性理论，将系统构建为航向-横滚-纵向三通道空间模型。魏延辉等^[4]基于解耦模型，在控制器中设置了自适应项，用于估计自由度中的不确定性与外干扰。张秦南等^[5]应用变结构控制规律，利用其强大的抗扰干能力将耦合作为干扰进行处理。宋晓茹等^[6]提出了粗糙集理论与最小二乘支持向量机的混合架构，将AUV的俯仰与偏航耦合系数降低。杨永鹏等^[7]针AUV近水平悬浮姿态，总过增加2套独立的执行机构吗，在理想条件下实现了角度解耦控制。陈增强等^[8]基于线性自抗扰控制器，通过设置偏航控制器来计算和消除航向偏差，但是由于系统需要增添额外的控制器，使得控制系统较为复杂。

因此，本文基于改进型自抗扰控制器设计了针对AUV在大纵倾角下的纵倾与航向解耦控制系统，保证了AUV在大纵倾角姿态下的连续航行，并简化了控制器的设计，优化了控制性能。所研究的控制方法能突破原有AUV的只能近水平航行或者水下滑翔的限制，将AUV的航行方向拓展大纵倾角情况下。仿真结果表明，该控制方法能够实现AUV在大纵倾角下的解耦控制，并且验证了改进型控制器控制性能的优越性。

1 AUV结构及耦合性分析 1.1 AUV结构

本研究所选用的AUV为无舵浆鱼雷形结构，整体结构如图1(a)所示。

AUV尾部推进器分布方式如图1(b)所示，采用后置四螺旋桨配置，呈交叉X型对称排列，推进器的矢量布局为AUV实现任意姿态运动建立了基础。通过建立四通道独立推力控制模型，利用4个螺旋桨之间转速差模拟矢量推进器，实现航向偏转与俯仰姿态的精确控制，同时推进器反转推力为紧急制动提供了快速响应能力^[9]。

1.2 大纵倾角下纵倾与航向耦合性

传统控制下的AUV主要以纵倾角为0或近似为0的情形进行运动，该方法可以非常方便的将各个角度进行解耦控制。

大纵倾角下的航向控制模拟运动过程如图2。在0°纵倾角的情况下，从状态D运行到C，只需要单纯控制航向角偏差120°即可；而在纵倾角为60°的情况下，从B轴运动到A轴，则需要在保持纵倾角不变的情况下调整航向角偏转120°。此时使用一组水平差动推进器的AUV在进行航向控制时，纵倾势必会随之变化，会产生严重的航向控制与纵倾控制耦合问题。这两者的控制耦合问题为研究核心。

为验证大纵倾角下纵倾与航向控制耦合现象，进行AUV模型纵倾与航向控制仿真实验，对纵倾与航向控制通道设置PID控制器。设定纵倾通道输入幅值为60°的阶跃信号，在航向通道30 s时刻输入幅值为60°的阶跃信号，即航向角于纵倾稳定后再进行控制。

如图3所示，当纵倾稳定后，同步进行航向控制时，纵倾曲线产生了明显波动，其下降幅值达7°。这说明在大纵倾角下进行航向控制时，两者会产生明显的耦合现象，这一仿真结果验证了AUV在大纵倾角下存在纵倾与航向控制耦合问题。

2 控制系统设计 2.1 经典ADRC解耦控制系统 2.1.1 自抗扰控制器

自抗扰控制技术（Active Disturbance Rejection Control，ADRC）是在经典PID控制框架基础上演进的新型控制策略，继承其误差反馈控制的核心^[10]。自抗扰控制器包含3大主要结构：跟踪微分器（Tracking Differentiator，TD），扩张状态观测器（Extended State Observer，ESO）和非线性状态误差反馈（Nonlinear State Error Feedback，NLSEF）。其控制系统框图如图4所示。

以二阶系统为例，对这3部分进行简要描述。

$ \left\{\begin{aligned} &{\dot{x}}_{1}={x}_{2}，\\ &{\dot{x}}_{2}=f\left({x}_{1},{x}_{2}\right)+bu，\\ &y={x}_{1}。\end{aligned}\right. $

(1)

式中：$ f({x}_{1},{x}_{2}) $为系统的扰动，包括系统的内部扰动和外部扰动。跟踪微分器：

$ \left\{\begin{aligned} &{e}_{1}={v}_{1}-{x}_{d}，\\& {\dot{\nu }}_{1}={\nu }_{2}，\\ &{\dot{\nu }}_{2}=-{\mathrm{fhan}}\left({e}_{1},{v}_{1},r,h\right)。\end{aligned}\right.$

(2)

式中：$ {x}_{d} $为系统期望；$ r $为控制参数；$ h $为仿真步长。fhan函数为最优控制综合函数。

扩张状态观测器：

$\left\{\begin{aligned} & e={z}_{1}-y，\\ &fe={\mathrm{fal}}\left(e,{\alpha }_{1},\delta \right)，\\ &f{e}_{1}={\mathrm{fal}}\left(e,{\alpha }_{2},\delta \right)，\\ &{\dot{z}}_{1}={z}_{2}-{\beta }_{o1}e\\ &{\dot{z}}_{2}={z}_{3}-{\beta }_{o2}fe+bu，\\ &{\dot{z}}_{3}=-{\beta }_{o3}f{e}_{1}。\\ \end{aligned}\right.$

(3)

式中：$ {\beta }_{o1} $、$ {\beta }_{o2} $和$ {\beta }_{o3} $为ESO的控制参数。fal函数的表达式如下：

$ {\mathrm{fal}}\left(e,\alpha ,\delta \right)=\left\{\begin{aligned} &\frac{e}{{\delta }^{1-\alpha }},|e|\leqslant \delta ，\\ &|e{|}^{\alpha }{\mathrm{sign}}(e),|e|> \delta 。\\ \end{aligned} \right.$

(4)

非线性状态误差反馈有多种形式，本文使用形式：

$ {u}_{0}={\mathrm{fhan}}({e}_{1},c\cdot {e}_{2},{r}_{1},{h}_{1}) 。$

(5)

式中：$ {e}_{1} $和$ {e}_{2} $为TD和ESO之间的误差。

2.1.2 经典解耦系统及其局限性

针对所研究AUV的简化纵倾-航向耦合系统：

$\left\{ \begin{aligned} &\ddot{\theta }={f}_{\theta }\left(\theta ,\psi ,\dot{\theta },\dot{\psi }\right)+{b}_{\theta u}{u}_{\theta }+{b}_{\theta \psi }{u}_{\psi }，\\ &\ddot{\psi }={f}_{\psi }\left(\theta ,\psi ,\dot{\theta },\dot{\psi }\right)+{b}_{\psi \theta }{u}_{\theta }+{b}_{\psi u}{u}_{\psi }。\\ \end{aligned}\right. $

(6)

式中：$ {f}_{\theta } $、$ {f}_{\psi } $为包含耦合在内的扰动项；$ {b}_{ij} $为控制增益矩阵元素。控制量增益矩阵为：

$ {\boldsymbol{B}}=\left[\begin{matrix}{b}_{\theta u} & {b}_{\theta \psi }\\ {b}_{\psi \theta } & {b}_{\psi u}\\ \end{matrix}\right]。$

(7)

定义“动态耦合”部分为系统中除了控制量外的模型部分$ {f}_{\theta } $、$ {f}_{\psi } $。则控制量$ U=Bu $部分称之为“静态耦合”部分^[11]。

引入虚拟控制量：

$ \left[\begin{matrix}{U}_{\theta }\\ {U}_{\psi }\\ \end{matrix}\right]=B\left[\begin{matrix}{u}_{\theta }\\ {u}_{\psi }\\ \end{matrix}\right]。$

(8)

将原系统改写为：

$ \left\{\begin{aligned} &\ddot{\theta }={f}_{\theta }+{U}_{\theta }，\\& \ddot{\psi }={f}_{\psi }+{U}_{\psi }。\\ \end{aligned}\right. $

(9)

这样就把原系统转换为了每个通道都为单输入-单输出的系统。在虚拟控制量的作用下，每个通道的输入与输出之间已完成了解耦。此时每个通道都转换成了经典的二阶非线性系统，可以使用自抗扰控制器去将$ {f}_{\theta } $、$ {f}_{\psi } $视为每个通道的总扰动进行估计并补偿。

根据上述方法可以设计得到基于自抗扰控制器的一般解耦系统，其结构如图5所示。

具体化自抗扰控制器设计为：

$ {\left\{\begin{aligned} &fh={\mathrm{fhan}}\left({v}_{11}-y_{\theta }^{*},{v}_{12},{r}_{0},h\right)，\\ &{v}_{11}={v}_{11}+h{v}_{12}\\ &{v}_{12}={v}_{12}+hfh，\\ &e={z}_{11}-{y}_{\theta },fe={\mathrm{fal}}(e,0.5,h),f{e}_{1}={\mathrm{fal}}(e,0.25,h)，\\ &{z}_{11}={z}_{11}+h({z}_{12}-{\beta }_{01}e)，\\ &{z}_{12}={z}_{12}+h({z}_{13}-{\beta }_{02}fe+{U}_{\theta })，\\ &{z}_{13}={z}_{13}+h(-{\beta }_{03}f{e}_{1})，\\ &{e}_{1}={v}_{11}-{z}_{11},{e}_{2}={v}_{12}-{z}_{12}，\\& {U}_{\theta }=-{\mathrm{fhan}}({e}_{1},c{e}_{2},{r}_{1},{h}_{1})-{z}_{13}。\\ \end{aligned} \right.}$

(10)

航向控制通道的控制器设计同理。

实际控制量$ {u}_{\theta } $、$ {u}_{\psi } $需通过静态耦合矩阵的逆运算获得：

$ \left[\begin{matrix}{u}_{\theta }\\ {u}_{\psi }\\ \end{matrix}\right]={B}^{-1}\left[\begin{matrix}{U}_{\theta }\\ {U}_{\psi }\\ \end{matrix}\right]。$

(11)

根据上述自抗扰控制器算法在AUV的航向与纵倾控制通道分别设置ADRC控制器，建立经典ADRC解耦控制系统。理想情况下，若$ B $精确已知，可实现完全解耦。然而，实际AUV系统中$ B $受流体动力学参数时变特性影响，难以准确估计，导致解耦性能下降。进行仿真后，得到的纵倾控制曲线如图6所示。

可知，在纵倾稳定并同步进行航向控制后，相较于未进行解耦控制时的纵倾曲线图，其波动幅度有很大程度的下降。但从曲线上能看出来有一定的波动，即说明解耦没有完全，解耦控制效果还不能达到控制精度要求。

传统方案的难点在于能否准确估计出静态耦合矩阵，在应用于实际模型时，由于模型内部参数未知或是变化时，不能很好地估计静态耦合矩阵，导致解耦效果不能满足要求。所以解决这一难点对提升控制品质，简化控制器设计具有很大的意义。

2.2 基于改进型ADRC的解耦系统

为了解决经典ADRC解耦方案的难点，避免静态耦合矩阵对解耦所带来的影响，采用一种改进型ADRC算法，期望简化控制器设计，并获取更好的控制性能：引入径向基函数神经网络改进自抗扰控制器的ESO，形成RBFNN-ADRC复合型控制器。

2.2.1 改进型ADRC

RBF神经网络采用典型的3层前馈结构，由输入层、隐含层和输出层构成。输入层至隐含层通过高斯核函数实现非线性空间映射，隐含层至输出层则通过线性加权组合实现线性变换^[12]。结构如图7所示。

RBF神经网络使用径向基核函数作为激活函数，其值由输入向量与函数中心的距离决定，呈中心对称。典型的径向基函数常采用欧氏范数，其中高斯核函数凭借其指数衰减特性与局部响应优势成为最常用的函数。隐含层到输出层之间为线性映射，取径向基函数输出值的加权和，权值可以通过自适应律调整。

采用高斯核RBF神经网络的算法为：

$ {h}_{j}={\mathrm{exp}}\left(-\frac{1}{2{{{\sigma }_{j}}}^{2}}\parallel {x}_{i}-{c}_{ij}{\parallel }^{2}\right) 。$

(12)

$ y=\sum \limits_{j=1}^{n}\,{w}_{j}{h}_{j}。$

(13)

式中：$ i $为输入层的节点数。$ j $为隐含层的节点数。$ {c}_{ij} $为核函数中心，一般采用聚类方法进行求取；$ {\sigma }_{j} $为函数的宽度参数，可以由式(14)求取：

$ {\sigma }_{i}=\frac{{c}_{\max}}{\sqrt{2h}}i=1{,}2,\ldots ,h。$

(14)

式中：$ {c}_{\max} $为所选取中心点之间的最大距离，h为样本数量。

隐含层至输出层之间的神经元的连接权值$ W={\left[{w}_{1},{w}_{2},...,{w}_{j}\right]}^{\mathrm{T}} $可用最小二乘法直接计算得到，即对损失函数求解关于$ W $的偏导数，使其等于0，可化简得到计算公式为：

$ w={\mathrm{exp}}\left(\frac{h}{c_{\max}^{2}}\parallel {x}_{i}-{c}_{ij}{\parallel }^{2}\right)。$

(15)

取RBF神经网络的输入为TD设定值和ESO观测值的差值：

$ \left\{\begin{aligned} &{x}_{1}={v}_{1}-{z}_{1}\\ &{x}_{2}={\nu }_{2}-{z}_{2}，\\ &X={\left[\begin{matrix}{x}_{1} {x}_{2}\\ \end{matrix}\right]}^{\mathrm{T}}。\\ \end{aligned} \right.$

(16)

此时，神经网络算法为：

$ \left\{\begin{aligned} &h\left(X\right)={\mathrm{exp}}\left(-\frac{1}{2{{{\sigma }_{j}}}^{2}}\parallel X-{c}_{ij}{\parallel }^{2}\right)，\\ &f(X)={W}^{\mathrm{T}}h(X)+\varepsilon。\\ \end{aligned} \right.$

(17)

$ \varepsilon $为逼近误差，有

$ \varepsilon =\widehat{f}\left(X|W\right)-f\left(X\right)。$

(18)

网络的权值$ W={\left[{w}_{1},{w}_{2},\ldots ,{w}_{j}\right]}^{\mathrm{T}} $存在最优值：

$ {W}^{}=\arg \underset{}{{\mathrm{min}}}\,\left[\sup \left| \widehat{f}\left(X\right)-f\left(X\right)\right| \right] 。$

(19)

设计神经网络权值$ W $取自适应调节律如下：

$ \dot{\widetilde{W} }=-\alpha {X}^{\mathrm{T}}Pby 。$

(20)

式中：$ \alpha $为神经网络学习率，$ b=[0\;1]^{{\mathrm{T}}} $。$ P $由下述的李雅普诺夫方程求解得到：

$ {\Lambda }^{\mathrm{T}}P+P\Lambda =-{\boldsymbol{Q}}。$

(21)

式中：$ {\boldsymbol{Q}} $可取为任意的正定矩阵，此时矩阵$ {\boldsymbol{\Lambda}} $取为：

$ \left.{\boldsymbol{\Lambda}} =\left[\begin{matrix}0 & 1\\ {\beta }_{1} & {\beta }_{2}\\ \end{matrix}\right.\right] 。$

(22)

此时，可使神经网络的逼近误差最小，且控制系统稳定^[13]。其中，神经网络的输出为：

$ \widetilde{y}={\widetilde{W}}^{\mathrm{T}}h\left(X\right) 。$

(23)

用$ \widetilde{y} $代替ESO原来的估计扰动$ {z}_{3} $，能够使得扰动估计过程具有神经网络结构的自适应和自学习的性能。采用NNESO取代传统ESO后的RBFNN-ADRC复合型控制器如图8所示。

综上，将ESO替换为NNESO的具体算法为：

$ \left\{ \begin{aligned} &e = z_1 - y, \\ &z_1 = z_1 - h\bigl(z_2 - \beta_{01}e\bigr), \\ &z_2 = z_2 - h\bigl(z_3 - \beta_{02}{\mathrm{fal}}(e,\alpha_1,\delta_0) + bu\bigr), \\ &X = \begin{bmatrix} x_1 & x_2 \end{bmatrix}^{\mathrm{T}},\ x_1 = \nu_1 - z_1,\ x_2 = \nu_2 - z_2, \\ &h(X) = \exp\left(-\frac{1}{2\sigma_j^2} \bigl\| X - c_{ij} \bigr\|^2\right), \\ &z_3 = \widetilde{W}^\top h(X). \end{aligned} \right. $

(24)

RBFNN-ADRC复合型控制器具有以下优点：

1）控制器中的NNESO可以对多通道的耦合扰动直接进行完整估计^[14]，而不用像传统ADRC那样必须用到静态耦合矩阵。这样，就可以不需要进行额外的解耦步骤而直接设计控制器，简化了控制器的设计，优化了控制器性能。

2）传统ADRC的ESO带宽和参数与扰动特性不匹配时会带来控制器的抖动。而NNESO的神经网络结构使观测到的扰动变得平滑，在实际控制中自然地减少了抖动。

与传统ADRC控制器相比，其跟踪过程的快速性更好，超调更小，抗干扰能力更强。特别是针对于模型参数改变或是扰动特性变化的场景，传统ADRC控制器会产生较严重的抖振，而RBFNN-ADRC复合型控制器的RBFNN模块观测出来的扰动更加平滑，从而大大减少了控制器的抖振。

2.2.2 改进型解耦控制系统

由于RBFNN-ADRC复合型控制器可以对多通道的耦合扰动直接进行完整估计，所以在设计解耦方案时可以直接将静态耦合矩阵模块从系统中去除掉，这样就可以完全地避免其带来的影响，解决了传统方案应用于未知模型对象的难点。

根据上述特点，利用RBFNN-ADRC复合型控制器重新建立了新的解耦控制系统，控制对象为本文所研究的AUV模型，在Simulink中建立的整体系统仿真模型如图9所示。

可知，相较于经典ADRC解耦控制系统，应用复合型控制器的解耦系统不需要用到静态耦合矩阵而直接进行解耦，避免了其估计值不准确带来的性能差异，并简化了控制系统的设计。

其中，ADRC_RBFNN模块为即为采用了NNESO的复合型控制器，其内部结构如图10所示。

相比于传统ADRC控制器，它的核心是增添了一个RBFNN模块。其输入为TD与ESO这2个模块输出的差值，输出为估计得到的总扰动，包含系统内部通道之间的全部耦合信息，用于替换原来ESO的输出信号$ {z}_{3} $。将RBFNN模块的输出与NLSEF模块的控制量做差进行补偿，最后得到实际的控制量。

纵倾控制通道的ESO具体算法为：

$ {\left\{\begin{aligned} &e={z}_{11}(k)-{y}_{\theta },fe={\mathrm{fal}}(e,0.5,h),f{e}_{1}={\mathrm{fal}}(e,0.25,h)，\\ &{z}_{11}(k+1)={z}_{11}(k)+h({z}_{12}(k)-{\beta }_{01}e)，\\ &{z}_{12}(k+1)={z}_{12}(k)+h({z}_{13}(k)-{\beta }_{02}fe+{U}_{\theta })，\\& X={\left[\begin{matrix}{x}_{1}\left(k\right) & {x}_{2}\left(k\right)，\\ \end{matrix}\right]}^{\mathrm{T}},{x}_{1}\left(k\right)={v}_{11}\left(k\right)-{z}_{11}\left(k\right),\\& {x}_{2}(k)={\nu }_{12}(k)-{z}_{12}(k)，\\& h\left(X\right)={\mathrm{exp}}\left(-\frac{1}{2{{{\sigma }_{j}}}^{2}}\parallel X-{c}_{ij}{\parallel }^{2}\right)，\\ &{z}_{3}={\widetilde{W}}^{\mathrm{T}}h\left(X\right)。\\ \end{aligned} \right.}$

(25)

其中，神经网络模块考虑其逼近能力和快速性，设计了结构为2−5−1的RBF网络，该网络能够适应对于变化扰动关系的不同逼近任务，避免了神经网络规模过大所带来的过拟合问题。采用自适应律进行在线训练，RBF神经网络只包含一个隐层，由于其结构的简单性，该神经网络能够保证逼近性能和实时性能。

TD设计为：

$ \begin{cases} fh={\mathrm{fhan}}\left({v}_{11}\left(k\right)-y_{\theta }^{*}\left(t\right),{v}_{12}\left(k\right),r,{h}_{0}\right)，\\ {v}_{11}(k+1)={v}_{11}(k)+h{v}_{12}(k)，\\ {v}_{12}(k+1)={v}_{12}(k)+hfh。\\ \end{cases} $

(26)

NLSEF具体算法为：

$ \left\{\begin{aligned} &{e}_{1}={v}_{11}-{z}_{11},{e}_{2}={v}_{12}-{z}_{12}，\\ &{U}_{0}=-{\mathrm{fhan}}({e}_{1},c{e}_{2},{r}_{1},{h}_{1})，\\ &{U}_{\theta }={U}_{0}-\frac{{z}_{13}}{{b}_{0}}。\\ \end{aligned}\right. $

(27)

航向控制通道的ADRC模块设计同理。

3 仿真分析

为了验证本文提出方法的有效性，设计仿真实验。针对AUV在大纵倾角下的纵倾和航向控制耦合问题，设计基于改进型ADRC的解耦控制系统仿真，并设置经典ADRC解耦控制系统进行对比分析。同时为了测试改进型ADRC控制器的控制性能，分别设置与传统ADRC控制器对比的动态性能指标测试与抗扰性能对比仿真，与PID控制器对比的动态响应仿真实验。

取神经网络参数学习率$ \alpha =1 $，高斯函数的中心矢量$ {c}_{ij} $取零向量，基宽向量$ {\sigma }_{j} $设为单位向量。仿真中复合型控制器与传统自抗扰控制器的参数取为一致，具体参数见表1。AUV水动力参数见文献[15]。

3.1 改进解耦系统仿真实验

利用复合型控制器建立了解耦控制系统，仿真模型见图9。仿真得到的纵倾控制曲线如图11所示。

等待纵倾稳定后，再进行如图12所示的航向控制。从图11中可知，航向变化后纵倾曲线只发生了微小波动，其最大波动幅值不到0.2°，相较于经典ADRC解耦控制系统的纵倾变化幅度有非常大的改善，证明改进后的解耦控制系统以及复合型控制器对于模型未知控制对象的解耦效果十分理想，能够应用于本文所研究的AUV模型。

3.2 动态性能测试与抗扰仿真实验 3.2.1 动态性能指标测试仿真结果

为了测试复合型控制器相比于传统ADRC控制器的动态性能，设置了纵倾角跟踪控制仿真实验，分别设置了不同幅值的阶跃输入信号，仿真结果见图13。

2种控制方法的曲线在3种不同幅值输入信号下有明显差异，相较于传统ADRC控制器，超调量更小，并且快速性更好。具体性能指标见表2，从量化指标中也可知RBFNN-ADRC控制器的快速性以及超调量均优于传统ADRC控制器。

3.2.2 抗扰性能测试仿真结果

传统ADRC控制器的ESO带宽和参数与扰动特性不匹配时会带来控制器的抖动，而RBFNN-ADRC复合型控制器的NNESO的使观测到的扰动变得平滑，在实际控制中自然地减少了抖动。为了验证NNESO对扰动的适应能力设计了AUV含外部扰动的纵倾角跟踪控制实验。实验中设置的外部扰动为正弦加高斯白噪声信号，分别设置RBFNN-ADRC控制器与传统ADRC控制器，仿真实验结果如图14所示。

根据仿真结果可以发现，基于RBFNN-ADRC复合型控制器在进入稳态后曲线非常平稳，而传统ADRC控制器则出现了一定程度的波动。因为RBFNN-ADRC复合型控制器的RBFNN模块观测出来的扰动更加平滑，从而减少了控制器的抖振。

仿真实验数据表明，相较于经典 ADRC，本研究基于改进型ADRC控制器的解耦控制系统具有更好的抗动态扰动能力，提高了系统稳定性。

3.3 动态响应仿真实验

为了比较动态输入下系统的响应性能，设计了AUV纵倾角跟踪控制仿真实验。输入信号为幅值为40的正弦信号，分别设置RBFNN-ADRC复合型控制器与PID控制器，PID控制器参数进行等效ADRC参数整定，结果如图15所示。

根据仿真结果可知，基于RBFNN-ADRC复合型控制器的控制系统动态跟踪效果非常好，基本能够跟上输入信号；而PID控制器的跟踪效果就不是十分理想，在频率较低的输入信号下能够跟上，但随着输入信号频率的增大则会产生非常大的滞后。

仿真结果说明RBFNN-ADRC复合型控制器在变化信号输入时，对内部扰动和系统状态估计具有自适应能力，能够更加迅速地跟踪输入信号，动态响应更好，应用于AUV上可以使其具有更强大的运动能力。

4 结　语

针对AUV在大纵倾角下的纵倾与航向控制耦合问题，为了解决经典ADRC解耦方案存在的局限性，本文提出一种基于改进型自抗扰控制器的AUV解耦控制策略，简化了控制系统的设计，并获取更好的控制性能。在经典ADRC解耦方案的基础上，利用改进型ADRC控制器去除解耦系统中的静态耦合矩阵，简化了解耦系统结构，避免了因模型参数未知带来的影响。仿真结果表明，在AUV纵倾与航向耦合系统中应用RBFNN-ADRC的改进解耦控制系统，其解耦效果十分优秀，纵倾因耦合产生的振荡幅度非常小。并且相较于传统ADRC控制器和PID控制器，RBFNN-ADRC控制器具有更强大的动态性能与抗扰能力。