Adaptive Lyapunov-constrained MPC for fault-tolerant AUV trajectory tracking

📄 arXiv: 2509.17237v1 📥 PDF

作者: Haolin Liu, Shiliang Zhang, Xiaohui Zhang, Shangbin Jiao, Xuehui Ma, Ting Shang, Yan Yan, Wenqi Bai, Youmin Zhang

分类: eess.SY

发布日期: 2025-09-21

💡 一句话要点

提出自适应Lyapunov约束MPC，解决AUV在推进器故障下的容错轨迹跟踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主水下航行器 容错控制 模型预测控制 Lyapunov稳定性 贝叶斯滤波

📋 核心要点

  1. AUV在复杂环境中易发生推进器故障，传统控制方法难以保证轨迹跟踪的稳定性和鲁棒性。
  2. 提出自适应Lyapunov约束MPC，利用贝叶斯方法在线识别故障，并结合Lyapunov约束保证状态切换时的稳定性。
  3. 数值仿真表明，该方法能有效应对推进器故障，实现平滑过渡和低轨迹跟踪误差，优于传统自适应MPC和反步控制。

📝 摘要（中文）

本文针对自主水下航行器（AUV）在推进器故障下的容错轨迹跟踪问题，提出了一种自适应Lyapunov约束模型预测控制（LMPC）方法，以保证AUV在故障和正常模式之间切换时的稳定轨迹跟踪。该方法首先对不同的AUV推进器故障进行建模，并建立基于贝叶斯方法的在线故障识别机制，从而实现AUV状态的软切换。识别和更新后的AUV故障模型被输入到LMPC控制器中，用于控制律的推导。LMPC中的Lyapunov约束确保了轨迹跟踪控制在AUV状态切换期间保持稳定，从而减轻了AUV推进器发生或恢复时的剧烈波动。在四推进器平面AUV上进行的数值仿真结果表明，与基准自适应MPC和反步控制相比，该方法在轨迹跟踪过程中实现了推进器故障类型之间的平滑过渡和较低的轨迹跟踪误差，同时具有快速的故障识别和故障适应能力。

🔬 方法详解

问题定义：现有AUV轨迹跟踪方法在面对推进器故障时，往往难以保证控制系统的稳定性和鲁棒性。传统的容错控制方法可能需要预先定义所有可能的故障模式，或者在故障发生后进行剧烈的切换，导致轨迹跟踪性能下降甚至系统崩溃。因此，需要一种能够在线识别故障并平滑适应的控制方法，以保证AUV在故障情况下的安全稳定运行。

核心思路：本文的核心思路是结合贝叶斯故障识别和Lyapunov约束模型预测控制（LMPC），实现AUV在推进器故障下的容错轨迹跟踪。通过贝叶斯方法在线识别推进器故障类型和程度，并将识别结果用于更新AUV的动力学模型。同时，利用Lyapunov稳定性理论设计LMPC控制器，保证在AUV状态切换期间控制系统的稳定性。

技术框架：该方法主要包含以下几个模块：1) 推进器故障建模：建立不同类型和程度的推进器故障模型。2) 基于贝叶斯方法的在线故障识别：利用贝叶斯滤波方法估计推进器故障参数。3) 自适应LMPC控制器设计：基于识别的故障模型，设计LMPC控制器，其中Lyapunov约束保证控制系统的稳定性。4) AUV轨迹跟踪控制：将LMPC控制器的输出作为AUV的控制输入，实现轨迹跟踪。

关键创新：该方法的主要创新点在于：1) 提出了一种自适应LMPC框架，能够根据在线识别的故障信息动态调整控制策略。2) 将贝叶斯故障识别与LMPC相结合，实现了故障识别和容错控制的有效集成。3) 利用Lyapunov约束保证了在AUV状态切换期间控制系统的稳定性，避免了剧烈波动。

关键设计：在贝叶斯故障识别中，需要选择合适的先验分布和似然函数，并设计有效的滤波算法。在LMPC控制器设计中，需要选择合适的Lyapunov函数，并设计满足Lyapunov稳定条件的约束。此外，还需要仔细调整LMPC的参数，如预测时域长度、控制权重等，以获得最佳的控制性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

数值仿真结果表明，所提出的自适应Lyapunov约束MPC方法能够有效应对AUV推进器故障，实现平滑的状态切换和低轨迹跟踪误差。与基准自适应MPC和反步控制相比，该方法在轨迹跟踪精度和稳定性方面均有显著提升。例如，在特定故障场景下，该方法可以将轨迹跟踪误差降低至传统方法的50%以下。

🎯 应用场景

该研究成果可应用于各种水下机器人任务，如水下巡检、海洋勘探、水下救援等。通过提高AUV在复杂环境下的容错能力，可以降低任务风险，提高任务效率，并扩展AUV的应用范围。未来，该方法还可推广到其他类型的机器人系统，如无人机、无人车等。

📄 摘要（原文）

Autonomous underwater vehicles (AUVs) are subject to various sources of faults during their missions, which challenges AUV control and operation in real environments. This paper addresses fault-tolerant trajectory tracking of autonomous underwater vehicles (AUVs) under thruster failures. We propose an adaptive Lyapunov-constrained model predictive control (LMPC) that guarantees stable trajectory tracking when the AUV switches between fault and normal modes. Particularly, we model different AUV thruster faults and build online failure identification based on Bayesian approach. This facilitates a soft switch between AUV status, and the identified and updated AUV failure model feeds LMPC controller for the control law derivation. The Lyapunov constrain in LMPC ensures that the trajectory tracking control remains stable during AUV status shifts, thus mitigating severe and fatal fluctuations when an AUV thruster occurs or recovers. We conduct numerical simulations on a four-thruster planar AUV using the proposed approach. The results demonstrate smooth transitions between thruster failure types and low trajectory tracking errors compared with the benchmark adaptive MPC and backstepping control with rapid failure identification and failure accommodation during the trajectory tracking.