[论文解读] A novel model-based parameters estimation combining local optimization and global optimization of nonlinear ship models with physical experiment dataset

Xu You, Xinping Yan+3 more|arXiv (Cornell University)|Dec 9, 2023

Ship Hydrodynamics and Maneuverability被引用 4

一句话总结

该论文提出MBPE-LOGO，一种新型基于模型的参数估计方法，结合全局优化（GO）与局部优化（LO），利用真实物理实验数据识别欠驱动船舶运动模型中的非线性参数。该方法可实现高精度的船舶轨迹预测，均方根误差（RMSE）在50步预测内仍保持可接受水平，验证了其在自主控制器设计中的有效性。

ABSTRACT

Designing an autonomous precise controller for ships requires accurate and reliable ship models, including the ship dynamic model and actuator model. However, selecting a suitable model for controller design and determining its parameters pose a significant challenge, considering factors such as ship actuation, input constraints, environmental disturbances, and others. This challenge is further amplified for underactuated ships, as obtaining decoupled experiment data is not feasible, and the limited data available may not adequately represent the motion characteristics of ships. To address this issue, we propose a novel model-based parameter estimation approach, called MBPE-LOGO, for underactuated ship motion models. This method combines local optimization and global optimization methods to solve the model identification problem using a dataset generated from real experiments. The effectiveness of the identified model is verified through extensive comparisons of different trajectories and prediction steps.

研究动机与目标

• 为解决利用真实实验数据准确识别欠驱动船舶运动模型中非线性参数的挑战。
• 通过在不同船舶状态（如速度和转向角）下实现动态参数自适应，克服固定参数模型的局限性。
• 开发一种鲁棒的参数估计框架，整合全局与局部优化，以应对大规模、非线性船舶模型识别问题。
• 在多样化轨迹和预测时域上验证所识别模型的预测性能，支持其在自主控制设计中的应用。
• 通过数据驱动的参数估计提升模型精度，从而减少对复杂控制算法的依赖。

提出的方法

• 该方法采用混合优化策略：首先通过全局优化（GO）探索广阔的参数空间并定位有希望的区域，随后通过局部优化（LO）以高精度细化解。
• 船舶运动模型基于MMG（操纵建模组）框架构建，针对配备两个后置侧边舵推进器的欠驱动船舶进行适配。
• 采用四阶龙格-库塔（RK4）积分器，根据估计的模型参数模拟船舶的运动状态（位置、航向、速度等）。
• 施加基于船舶物理特性的约束，以限制解空间，提升收敛性并减少过拟合。
• 参数估计过程使用来自一艘拖船的真实世界实验数据，包含28种不同机动中的控制输入与测量到的运动状态。
• 通过在两条不同轨迹上执行多步预测任务（1至50步）对方法进行验证：+30+30之字形机动与回转圈机动。

实验结果

研究问题

• RQ1 混合全局-局部优化方法是否能有效利用真实实验数据识别欠驱动船舶运动模型中的非线性参数？
• RQ2 所识别模型在较长预测时域（如50步）下对船舶运动状态的预测精度如何？
• RQ3 船舶速度与转向角的变化对预测误差（尤其是偏航运动）有何影响？
• RQ4 与传统固定参数模型相比，该方法在多样化机动中的预测精度表现如何？
• RQ5 所识别模型在多大程度上可支持先进控制器（如模型预测控制，MPC）的设计？

主要发现

• 所提出的MBPE-LOGO方法成功识别出最优模型参数，使得预测轨迹在28次实验机动中均与实测数据高度吻合。
• 偏航率（r）的均方根误差（RMSE）高于纵航速度（u）与横航速度（v），但整体趋势预测良好，表明其在控制应用中具备可接受的精度。
• 随着预测步数增加，预测精度有所下降，但RMSE在40步内仍保持可接受水平，50步预测结果仍被认为适用于控制器设计。
• 该模型在不同轨迹（包括+30+30之字形与回转圈机动）中均表现出一致性能，证实其鲁棒性与泛化能力。
• 该方法能有效处理复杂非线性动力学与物理约束，在高速与高转速条件下仍表现出强大的预测能力。
• 结果验证了结合全局与局部优化可实现高精度、数据驱动的参数估计，适用于自主船舶控制。