Uwezo wa vyombo huru vya chini ya maji kufuata trajektoria iliyopangwa mapema kwa wakati sahihi na kwa hitilafu ndogo ni tatizo changamano la udhibiti kutokana na mikondo ya bahari inayobadilika, kutokuwa na uhakika wa hidrodinamiki, kelele za sensa, mipaka ya viendeshi na mienendo isiyo ya mstari ya chombo. Utafiti huu wa mapitio unaainisha Nonlinear Model Predictive Control, adaptive control, robust control, sliding mode control, udhibiti unaotegemea artificial neural network, fuzzy logic na reinforcement learning kwa mtazamo wa ufuatiliaji wa trajektoria wa AUV; na kujadili nguvu na udhaifu wa mbinu hizo kwa uthabiti, ukandamizaji wa usumbufu, convergence, mzigo wa ukokotoaji, kutotegemea modeli na ukomavu wa majaribio ya kimwili.

Kulingana na usanisi wa mapitio, Model Predictive Control inajitokeza kwa sababu inaweza kuingiza vizuizi moja kwa moja kwenye uboreshaji na kutoa usahihi mkubwa wa ufuatiliaji; hata hivyo, hitaji la online optimization na modeli sahihi hufanya matumizi ya wakati halisi kuwa magumu. Sliding Mode Control hutoa uwezo mkubwa wa kustahimili usumbufu na convergence ya haraka, lakini mabadiliko ya udhibiti yenye masafa ya juu yanayoitwa chattering yanaweza kusababisha uchakavu wa viendeshi. Adaptive control inaweza kujibu vigezo vinavyobadilika mtandaoni, robust control hutoa uthabiti mkubwa dhidi ya kutokuwa na uhakika ulio na mipaka, na mbinu za neural network na fuzzy logic zinaweza kukadiria mienendo isiyojulikana. Reinforcement learning inaweza kujifunza sera bila modeli sahihi ya AUV, lakini inahitaji data nyingi, muda wa mafunzo, uwezo wa vifaa na muundo wa zawadi unaoaminika.

Utafiti wenyewe haukufanya jaribio jipya la AUV, uwanja mmoja wa pamoja wa kulinganisha au meta-analysis ya kiasi. Matokeo ya majaribio yaliyowasilishwa ni usanisi wa kisimulizi wa matumizi ya mabwawa, matangi ya maji na maji ya wazi kutoka machapisho ya awali yaliyopitiwa. Kwa hiyo, alama kama “bora sana”, “nzuri” au “ya kati” zinazotolewa kwa mbinu fulani za udhibiti hazipaswi kusomwa kama nafasi ya mafanikio ya jumla iliyokokotolewa kutokana na data ya majaribio ya pamoja, bali kama tathmini ya ubora ya waandishi wa mapitio.

Umuhimu wake kwa Uturuki

Udhibiti usio wa mstari wa AUV ni eneo la utafiti linaloweza kuwa muhimu nchini Uturuki kwa uchoraji ramani ya sakafu ya bahari, ukaguzi wa miundombinu ya pwani na bahari kuu, ukaguzi wa laini za nishati na mawasiliano za chini ya maji, shughuli za bandari na shipyard, ufuatiliaji wa mazingira, utafiti wa kisayansi na shughuli za utafutaji wa chini ya maji. Mbinu zinazolinganishwa katika mapitio zinaweza kutoa mchango wa kimethodolojia katika kubuni usanifu wa udhibiti wa majukwaa ya roboti ya ndani yanayofanya kazi chini ya mikondo inayobadilika, kupotea kwa mwonekano, kutokuwa na uhakika wa modeli na mawasiliano yenye mipaka.

Hata hivyo, haiwezi kuhitimishwa kwamba mbinu hizo zinaweza kutumika moja kwa moja nchini Uturuki. Vipimo vinavyowakilisha mikondo, ukungu wa maji, kina na hali za hidrodinamiki za bahari tofauti; sensa na viendeshi vya ndani; processor za embedded za wakati halisi; matumizi ya nishati; kukatika kwa mawasiliano na usalama wa misheni vinapaswa kutathminiwa pamoja. Matokeo ya simulation, majaribio ya bwawa dogo au thamani za hitilafu zilizopatikana kwenye modeli nyingine ya AUV hazipaswi kujumlishwa kwa chombo tofauti kitakachotumika nchini Uturuki bila uthibitishaji upya.

Kwa nini ufuatiliaji wa trajektoria ni mgumu?

Ufuatiliaji wa trajektoria ni mpana zaidi kuliko chombo kufuata tu njia ya kijiometri. Chombo lazima kifike katika nukta maalum ya nafasi katika muda uliowekwa. Kwa hiyo, nafasi, mwelekeo na kasi lazima zilinganishwe na rejea ya anga na ya muda.

Vipengele vikuu vinavyofanya mwendo wa AUV kuwa mgumu ni:

• Mienendo isiyo ya mstari na iliyounganishwa katika degrees of freedom sita.
• Underactuation inayotokana na kutokuwa na actuator huru katika kila mhimili.
• Kutokujulikana kwa usahihi kwa vigezo vya modeli kama mass, added mass, hydrodynamic damping na center of buoyancy.
• Mawimbi, mikondo, water resistance na nguvu nyingine za mazingira zinazobadilika kwa muda.
• Saturation, dead zone, delay na athari zisizo za mstari za ingizo katika propeller na rudder.
• Kutoweza kupima moja kwa moja au kupima kwa kelele taarifa za nafasi, kasi au mkondo.
• Bandwidth ndogo, mawasiliano yenye kuchelewa na kutopatikana kwa satellite positioning chini ya maji.

Mbinu kama linear PID au linear-quadratic regulator zinaweza kuwa na ufanisi katika operating points maalum. Hata hivyo, katika mabadiliko makubwa ya mwelekeo, mikondo mikali na envelope pana ya uendeshaji, mienendo ya AUV huondoka kwenye dhana za mstari. Kwa hiyo, mapitio haya yanazingatia mbinu za udhibiti zisizo za mstari.

Modeli ya AUV yenye degrees of freedom sita

Mchoro 1 katika kurasa za 5. na 6. unaonyesha uhusiano kati ya mfumo wa kuratibu wa inertial unaohusishwa na Dunia na mfumo wa kuratibu unaohusishwa na mwili wa chombo. Vekta ya nafasi na mwelekeo ya chombo katika fremu ya inertial ni:

\[ \boldsymbol{\eta}=[x,y,z,\theta,\phi,\psi]^T \]

Hapa \(x\), \(y\) na \(z\) zinawakilisha nafasi; \(\theta\), \(\phi\) na \(\psi\) zinawakilisha kwa mpangilio uliotumika katika utafiti pitch, roll na yaw. Vekta ya kasi za mstari na za angular inayohusishwa na mwili ni:

\[ \boldsymbol{\nu}=[u,v,w,p,q,r]^T \]

\(u\), \(v\) na \(w\) zinaonyesha kasi za mstari za mbele-nyuma, pembeni na wima; \(p\), \(q\) na \(r\) zinaonyesha kasi za angular.

Uhusiano wa kinematic:

\[ \dot{\boldsymbol{\eta}}=J(\boldsymbol{\eta})\boldsymbol{\nu} \]

unatolewa. \(J(\boldsymbol{\eta})\) ni matriksi ya Jacobian transformation yenye ukubwa wa \(6\times6\), inayobadilisha kasi katika kuratibu za mwili kuwa mabadiliko ya nafasi na mwelekeo katika mfumo wa kuratibu wa inertial:

\[ J(\boldsymbol{\eta})= \begin{bmatrix} J_1(\boldsymbol{\eta}) & 0_{3\times3}\\ 0_{3\times3} & J_2(\boldsymbol{\eta}) \end{bmatrix} \]

Matriksi ya translational transformation imetolewa katika utafiti kama ifuatavyo:

\[ J_1(\boldsymbol{\eta})= \begin{bmatrix} c_\psi c_\theta & -s_\psi c_\phi+c_\psi s_\theta s_\phi & s_\psi s_\phi+c_\psi c_\phi s_\theta\\ s_\psi c_\theta & c_\psi c_\phi+s_\psi s_\theta s_\phi & -c_\psi s_\phi+s_\psi c_\phi s_\theta\\ -s_\theta & c_\theta s_\phi & c_\theta c_\phi \end{bmatrix} \]

Matriksi ya angular transformation ni:

\[ J_2(\boldsymbol{\eta})= \begin{bmatrix} 1 & s_\phi t_\theta & c_\phi t_\theta\\ 0 & c_\phi & -s_\phi\\ 0 & \frac{s_\phi}{c_\theta} & \frac{c_\phi}{c_\theta} \end{bmatrix} \]

Hapa \(s\), \(c\) na \(t\) zinamaanisha sine, cosine na tangent mtawalia.

Mlinganyo wa mienendo ya AUV

Modeli ya mienendo inayojumuisha kutokuwa na uhakika wa vigezo na usumbufu wa nje inaelezwa kama:

\[ M\dot{\boldsymbol{\nu}}+ C(\boldsymbol{\nu})\boldsymbol{\nu}+ D(\boldsymbol{\nu})\boldsymbol{\nu}+ g(\boldsymbol{\eta})+ \tau_{d\nu} = \tau_{\nu} \]

• \(M\) ni matriksi ya inertia inayojumuisha mass ya chombo na added mass.
• \(C(\boldsymbol{\nu})\) ni matriksi ya Coriolis na centrifugal forces.
• \(D(\boldsymbol{\nu})\) ni matriksi ya hydrodynamic damping.
• \(g(\boldsymbol{\eta})\) inajumuisha restoring forces na moments zinazotokana na weight na buoyancy.
• \(\tau_{d\nu}\) inawakilisha mawimbi, mikondo na usumbufu mwingine wa mazingira unaobadilika kwa muda.
• \(\tau_{\nu}\) ni ingizo la udhibiti linalozalishwa na propeller, rudder au actuators nyingine.

Katika utafiti, vipengele \(M\), \(C\), \(D\) na \(g\) vinatenganishwa kuwa sehemu nominal na zisizo na uhakika. Pia inasisitizwa kwamba ingizo la udhibiti katika chombo halisi halina uwezo usio na kikomo, na kwamba propeller na actuators zina saturation limits.

Lengo la kihisabati la mafanikio ya ufuatiliaji

Mchoro 2 katika ukurasa wa 6. unaonyesha AUV inayofuata trajektoria rejea chini ya usumbufu. Ikiwa nafasi halisi ya chombo ni \(\eta_1(t)\) na nafasi rejea inayofafanuliwa kwa muda ni \(\eta_{1r}(t)\), hitilafu ya ufuatiliaji ni:

\[ e(t)=\eta_{1r}(t)-\eta_1(t) \]

Lengo la controller ni kutimiza:

\[ \lim_{t\rightarrow\infty}\|e(t)\| = \lim_{t\rightarrow\infty}\|\eta_{1r}(t)-\eta_1(t)\| \leq\delta_\eta \]

\(\delta_\eta\) ni tolerance chanya ya hitilafu iliyo karibu sana na sifuri. Kwa hali bora, trajektoria halisi ya chombo inapaswa kukaribia trajektoria rejea; huku control inputs, matumizi ya nishati na jumla ya actuator effort zisiongezeke bila sababu.

Nonlinear Model Predictive Control

Model Predictive Control hutumia modeli ya AUV kukokotoa tabia ya baadaye katika prediction horizon fulani. Katika kila control cycle, cost function inayojumuisha tracking error, mabadiliko ya udhibiti na ikihitajika matumizi ya nishati au actuator hutatuliwa. Hatua ya kwanza tu ya udhibiti hutekelezwa, na kipimo kipya kinapowasili optimization hurudiwa.

Faida kuu:

• Inaweza kuingiza moja kwa moja kwenye optimization vizuizi kama nguvu ya propeller, kasi, mwelekeo na eneo salama la uendeshaji.
• Inaweza kushughulikia kwa pamoja mienendo ya AUV ya vigezo vingi na cross-coupled.
• Inaweza kuunganisha malengo ya tracking, docking, formation na collision avoidance katika cost function moja.
• Inafaa kwa uchambuzi wa uthabiti na feasibility kwa kutumia terminal cost na terminal constraints.

Mapungufu kuu:

• Mzigo mkubwa wa ukokotoaji kwa sababu nonlinear optimization hutatuliwa katika kila cycle.
• Unyeti kwa makosa ya modeli na vigezo vya hidrodinamiki.
• Ugumu wa kurekebisha prediction horizon, weights, terminal set na constraints.
• Hitaji la solver ya haraka kwa matumizi ya wakati halisi kwenye embedded hardware.

Mchoro 3 katika ukurasa wa 7. unaonyesha scheme ya udhibiti inayokadiria usumbufu kwa extended state observer na kutengeneza reference velocities kwa model predictive supervisor. Jedwali 1 linalinganisha mbinu kama C/GMRES-based fast NMPC, NMPC yenye integral sliding mode na Smith predictor, tube-based MPC, distributed MPC, Gaussian process assisted MPC, ESO-MPC, bio-inspired geomagnetic navigation na LPV-MPC.

Adaptive control

Adaptive control husasisha online vigezo vya controller pale vigezo vya chombo au hali za mazingira zinapobadilika. Mbinu hii hutumika hasa wakati mass, load, damping, buoyancy au athari ya current haijulikani kikamilifu mapema.

Miongoni mwa mbinu zilizopitiwa ni backstepping, adaptation inayotegemea Lyapunov, adaptive neural network, distributed observer, extended disturbance observer, high-order sliding mode na hybrid control ya model-based/model-free.

Nguvu zake:

• Inaweza kukadiria vigezo vinavyobadilika online.
• Inaweza kupunguza hitaji la taarifa kamili ya modeli.
• Inaweza kubadilika kwa kutokuwa na uhakika kunakobadilika polepole na mizigo tofauti ya chombo.
• Inaweza kuruhusu ukadiriaji wa usumbufu usiojulikana kwa observer na neural network.

Mapungufu:

• Sheria za backstepping na adaptation za tabaka nyingi zinaweza kuwa ngumu.
• Persistent excitation inaweza kuhitajika ili vigezo vikaribie thamani halisi.
• Adaptation inaweza kutotosha dhidi ya usumbufu unaobadilika haraka.
• Uchaguzi mbaya wa adaptation gains unaweza kusababisha unyeti kwa kelele au convergence ya polepole.

Robust control

Robust control inalenga kubuni vigezo thabiti vya controller vinavyodumisha uthabiti wa mfumo ndani ya mipaka iliyokadiriwa ya kutokuwa na uhakika. Tofauti na adaptive control, vigezo vya msingi vya controller si lazima vibadilike wakati wa uendeshaji.

Mapitio yanajadili nonlinear proportional-derivative control, GSTA-ESO, nonlinear disturbance observer, backstepping, dynamic sliding mode, fractional-order PID na hierarchical robust nonlinear control. Mchoro 4 katika ukurasa wa 11. unaonyesha jinsi tabaka za kinematic na dynamic control zinavyotenganishwa katika usanifu wa hierarchical robust nonlinear control.

Mbinu robust zinaweza kutoa uthabiti mkubwa chini ya usumbufu wenye mipaka na uliofafanuliwa vizuri. Hata hivyo, kubuni kwa worst-case kunaweza kuzalisha control effort kubwa kuliko inayohitajika katika hali za kawaida. Kukadiria vibaya mipaka ya kutokuwa na uhakika, kuchagua gains kubwa na vipengele vya sliding mode kunaweza kusababisha chattering au actuator saturation.

Sliding Mode Control

Sliding Mode Control hupeleka hali ya mfumo kwenye sliding surface iliyofafanuliwa mapema na kisha kuiongoza kuelekea equilibrium inayotakiwa juu ya uso huo. Imechunguzwa sana katika udhibiti wa AUV kwa sababu ya ustahimilivu mkubwa kwa mabadiliko ya vigezo na matched disturbances.

Faida kuu:

• Inaweza kutoa convergence ya hitilafu ya haraka na finite-time.
• Strong disturbance rejection dhidi ya current na kutokuwa na uhakika wa modeli.
• Mzigo wa ukokotoaji wa chini au wa kati.
• Inaweza kutumika katika mifumo underactuated na multi-AUV formation.

Tatizo kuu: Ingizo la discontinuous linalotegemea sign function linaweza kuunda oscillation ya masafa ya juu kwenye control signal na kusababisha uchakavu wa propeller, rudder na actuators nyingine. Athari hii huitwa chattering.

Mapitio yanajadili tafiti zinazopendekeza fuzzy gain tuning, continuous approximation function, neural dynamics, radial basis neural network na second-order au nonsingular terminal sliding surfaces ili kupunguza chattering. Mchoro 5 katika ukurasa wa 12. unaonyesha adaptive second-order fast nonsingular terminal sliding mode control kwa fully actuated AUV.

Udhibiti unaotegemea artificial neural network

Artificial neural networks hutumiwa kuwakilisha kwa makadirio functions zisizo za mstari zisizojulikana katika modeli ya AUV. Radial basis function networks, critic-actor architectures na adaptive neural network controllers zinalenga kufidia uncertain damping, external disturbance, actuator saturation au states zisizopimika.

Nguvu ya neural network control ni uwezo wake wa kujifunza mienendo isiyojulikana bila kuhitaji vigezo vyote vya hidrodinamiki vijulikane mapema. Kwa upande mwingine, network architecture, training data, initial weights, learning rate na processor capacity huathiri moja kwa moja utendaji. Baadhi ya mbinu zinahitaji persistent excitation, na baadhi zimethibitishwa kwa simulation pekee.

Mchoro 6 katika ukurasa wa 14. unaonyesha scheme ya AUV control inayotegemea neural network yenye saturation model, neural network approximator, adaptation law na backstepping controller.

Fuzzy logic control

Fuzzy logic huzalisha uamuzi wa udhibiti kwa sheria za “ikiwa–basi” zinazotegemea maarifa ya mtaalamu badala ya modeli sahihi ya kihisabati. Katika matumizi ya AUV, hutumiwa kurekebisha PID gains, kubadilisha sliding mode gain, kutathmini output ya disturbance observer au kupanga upya local reference trajectory wakati wa hitilafu kubwa za mwanzo.

Faida:

• Inaweza kufanya kazi na modeli isiyo kamili na maarifa ya kitaalamu ya lugha.
• Inaweza kupunguza chattering katika sliding mode control.
• Inaweza kuunganishwa na adaptive PID na disturbance rejection structures.
• Mzigo wa ukokotoaji wa kiasi kidogo katika rule bases za ukubwa wa kati.

Mapungufu:

• Membership functions na rules zinahitaji kuamuliwa na mtaalamu.
• Idadi ya rules inaweza kuongezeka haraka kadiri hali za uendeshaji zinavyopanuka.
• Rules zinahitaji kurekebishwa upya kwa kila modeli ya AUV na hali ya bahari.
• Utendaji unaweza kushuka nje ya disturbance bounds zilizowekwa.

Mchoro 7 katika ukurasa wa 15. unaonyesha usanifu unaounganisha disturbance observer, S-surface controller na fuzzy adaptive PI corrector.

Reinforcement learning control

Katika reinforcement learning, agent hujifunza control policy inayoongeza total reward kwa kuingiliana na mazingira. Mapitio yanajadili online policy iteration, Gaussian process assisted learning, DDPG, SAC, MADDPG, multi-actor-critic structures na attention-based meta-reinforcement learning.

Nguvu zake:

• Inaweza kujifunza control policy bila explicit hydrodynamic model.
• Inaweza kubadilika kwa mienendo inayobadilika kwa muda na hali mpya za misheni.
• Inaweza kutumika kwa multi-AUV coordination na complex continuous action spaces.
• Inaweza kuunganisha malengo mengi kama control accuracy na energy consumption katika reward function.

Mapungufu:

• Inahitaji training episodes nyingi na uwezo mkubwa wa ukokotoaji.
• Makosa katika reward function yanaweza kuzalisha tabia zisizotakiwa.
• Hatari ya local optimum, unstable learning na overestimation.
• Kutokuwepo kwa explicit Lyapunov stability guarantee katika mbinu nyingi.
• Ugumu wa kufanya safe exploration kwenye chombo halisi.

Mchoro 8 katika ukurasa wa 17. unaonyesha training na control flow ya MPQ-DPG algorithm inayotumia actors na critics wengi. Ingawa mapitio yanaona mustakabali wa reinforcement learning kuwa wenye nguvu, yanaeleza kwamba ukomavu wake wa majaribio ya kimwili ni mdogo kuliko mbinu nyingine.

Ni mbinu zipi zinazojitokeza katika hali gani?

Jedwali la tathmini ya ubora ya mapitio

Jedwali 5 katika ukurasa wa 23. wa utafiti linapima mbinu kwa kipimo cha ubora cha ngazi tano. Maelezo yafuatayo yanaakisi usanisi wa waandishi; si matokeo ya majaribio yaliyokokotolewa kwenye seti moja ya data ya pamoja.

Haijaelezwa jinsi alama zilivyochaguliwa, idadi ya wakadiriaji huru au fomula ya ukokotoaji. Kwa hiyo, jedwali linaweza kutoa muhtasari wa mwanzo kwa uteuzi wa kihandisi; lakini halipaswi kutumiwa kama decision matrix ya mwisho kwa ununuzi wa controller, certification ya usalama au uamuzi wa misheni.

Mifano iliyohamishwa kutoka majaribio ya kimwili

Mapitio yanafupisha kwa undani matumizi matatu ya kimwili kutoka fasihi ya awali. Haya si majaribio mapya yaliyofanywa na waandishi wa mapitio.

Jaribio la chombo cha chini ya maji Leonard

• Vipimo vya chombo: sentimita 75 × 55 × 45.
• Mass ya chombo: kilogramu 28.
• Actuator: Thruster sita huru.
• Mazingira ya jaribio: Bwawa la mita 4 × 4 × 1,2 katika LIRMM.
• Processor: Intel i7-3520M, 2,9 GHz.
• Memory: 8 GB RAM.
• Programu: Windows 7 na Visual C++ 2010.

Hali ya kawaida, model uncertainty na external disturbance zilitumika; na imeripotiwa kwamba nonlinear PD controller yenye GSTA-ESO ilitoa ufuatiliaji bora kuliko nominal controller. Mapitio yanayochunguzwa hayatoi standardized quantitative error distribution au re-analysis kwa jaribio hili.

Matumizi ya ROV yenye kilogramu 135

• Mass ya chombo: kilogramu 135.
• Operating depth iliyoelezwa: Angalau mita 100.
• Actuator: Thruster sita za umeme.
• Sensa: Doppler velocity log, pressure sensor, inertial measurement unit na kamera mbili za USB.
• Programu na mawasiliano: Ubuntu, user interface inayotegemea Python na Ethernet.
• Eneo la majaribio: Hali za maji ya wazi karibu na Singapore Yacht Club.

Sliding-mode controller iliyorekebishwa kwa fuzzy inference na genetic algorithm iliripotiwa kuonyesha oscillation ndogo kuliko PID controller chini ya athari za mawimbi na mikondo. Ukweli kwamba platform iliyotumiwa ni ROV unapaswa kuzingatiwa wakati wa kuhamisha matokeo moja kwa moja kwenye misheni za AUV zilizo autonomous kikamilifu.

Jaribio la tanki la VideoRay PRO

• Udhibiti wa mwendo wa mbele, mwendo wa wima na yaw kwa thruster tatu.
• Polhemus-Isotrack position feedback system.
• Uhamishaji wa vipimo kwa 30 Hz kupitia RS-232.
• Usanifu wa programu wa C++ kwenye Linux.
• Misheni: Kufuatilia spiral reference trajectory.

Katika utafiti wa awali uliopitiwa, iliripotiwa kwamba trajectory tracking ilifanywa kwa utendaji uliotabiriwa licha ya vigezo vya mienendo ya chombo kutokujulikana kikamilifu na kuwepo kwa external disturbances. Mapitio yanafikia hitimisho kwamba physical validation bado ni chache kwa ujumla katika fasihi.

Ni tafiti gani zinapendekezwa kwa siku zijazo?

1. Physics-informed machine learning: Kuongeza Newton’s laws of motion, buoyancy na weight, Coriolis effects na hydrodynamic models kwenye machine learning structures kama PINN.
2. Hybrid control: Kuunganisha reinforcement learning na MPC au sliding mode control. RL inaweza kujifunza hali zinazobadilika, huku MPC ikisimamia constraints na SMC robustness.
3. ESO na Bayesian networks: Kutumia state na disturbance estimates za extended state observer katika Bayesian network kwa uncertainty quantification na probabilistic decision-making.
4. Hierarchical control: Kugawa mission planning, mid-level coordination na low-level motion control katika tabaka tofauti lakini zinazowasiliana.
5. Majaribio makubwa ya kimwili: Kupima controllers si katika simulation na mabwawa madogo pekee, bali katika mazingira makubwa ya maji yenye currents kali, mwonekano unaobadilika na athari halisi za hydrodynamic.

Matokeo yanayoungwa mkono na utafiti

• Haiwezi kusemwa kwamba mbinu moja ni bora zaidi kwa misheni zote za AUV trajectory tracking.
• NMPC ina nguvu katika tracking accuracy na constraint management, lakini ina gharama kubwa ya computation.
• Sliding Mode Control hutoa robustness kubwa na convergence ya haraka, lakini ina tatizo la chattering.
• Adaptive na observer-based methods zinaweza kupunguza parameter na disturbance uncertainty.
• Neural network na fuzzy methods zinaweza kutoa approximation kwa dynamics zisizojulikana.
• Reinforcement learning hutoa model independence, lakini ina matatizo ya data, hardware, safety na stability.
• Simulation studies ni nyingi zaidi kuliko physical experiments katika fasihi.
• Hybrid na physics-informed methods ni mwelekeo muhimu wa utafiti wa baadaye.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kwamba mbinu yoyote ya udhibiti ni bora kwa jumla katika aina zote za AUV.
• Alama za ubora katika Jedwali 5 si performance values zilizopimwa katika experimental setup moja ya pamoja.
• Utafiti hautoi controller asili, jaribio jipya la kimwili la AUV au raw experimental data.
• Hakuna quantitative meta-analysis iliyofanywa kati ya mbinu zilizopitiwa.
• Publication bias, study quality au independence ya experiments hazijapimwa kwa utaratibu.
• Stability proofs katika simulation hazitoi guarantee ya safe na successful operation katika open sea.
• Model-free nature ya reinforcement learning haihakikishi moja kwa moja physical safety na stability.
• Mapendekezo ya hybrid methods hayajalinganishwa experimentally kwenye common AUV platform katika mapitio haya.

Mbinu na Matokeo ya Utafiti

Mbinu ya mapitio

Madarasa makuu ya udhibiti yaliyopitiwa

• Nonlinear Model Predictive Control na derivatives mbalimbali za MPC.
• Backstepping, Lyapunov na observer-assisted adaptive control.
• Robust, finite-time na fractional-order control.
• First-order na high-order sliding-mode control.
• Radial basis, critic-actor na adaptive neural network control.
• Fuzzy PID, fuzzy gain na fuzzy disturbance rejection methods.
• DDPG, SAC, MADDPG, policy iteration na meta-RL-based control.

Kazi ya majedwali na michoro

• Mchoro 1: Mifumo ya kuratibu inayohusishwa na Dunia na mwili kwa AUV yenye degrees of freedom sita.
• Mchoro 2: Uhusiano wa actual na reference trajectory chini ya uncertainty na external disturbance.
• Mchoro 3: MPC structure yenye ESO, model predictive supervisor na low-level controller.
• Mchoro 4: Hierarchical robust nonlinear control scheme.
• Mchoro 5: Adaptive second-order fast nonsingular terminal sliding mode control.
• Mchoro 6: Neural-network-based adaptive control architecture.
• Mchoro 7: Fuzzy adaptive S-surface controller yenye disturbance observer.
• Mchoro 8: MPQ-DPG reinforcement learning structure yenye actors na critics wengi.
• Jedwali 1: Ulinganisho wa objectives, innovations na limitations za MPC methods.
• Jedwali 2: Ulinganisho wa adaptive control methods.
• Jedwali 3: Method analysis kwa stability, convergence, disturbance rejection, underactuation, experiment na computation.
• Jedwali 4: Representative strategies, innovations, strengths na suitable scenarios.
• Jedwali 5: Five-level qualitative method scoring kwenye eight performance criteria.

Michoro mingi ni control schemes zilizochapishwa upya kutoka machapisho ya awali kwa citation. Katika eneo la “Graphical Abstract” kwenye ukurasa wa kwanza wa utafiti hakuna explanatory graphic isipokuwa title na author information.

Usanisi mkuu wa mapitio

Watafiti wanaangazia MPC na adaptive control wakati high tracking accuracy na optimality ni vipaumbele; sliding mode control wakati kuna strong disturbances na medium computational capacity; na neural network au reinforcement learning methods katika unknown dynamics ambapo kuna adequate processing power na data.

Matokeo haya ni general design guidance katika kiwango cha method families. Wakati wa kuchagua control method kwa AUV maalum, actuator configuration, mission duration, processor capacity, sensor quality, current model, energy budget, communication conditions, safety requirement na physical experiment results lazima zitathminiwe tofauti.

Mapungufu ya maandishi na utoaji ripoti

• Search databases, search words na screening dates hazijatolewa.
• Idadi ya initial records, duplicate records na sababu za exclusion hazijaripotiwa.
• Hakuna standard tool iliyotumiwa kupima publication quality au risk of bias.
• Tracking errors za studies hazijabadilishwa kutoka units na conditions tofauti hadi common scale.
• Computation au evaluator consensus inayotegemewa na scores za Jedwali 5 haijaelezwa.
• Licha ya coverage claim ya 2010–2026, kuna reference ya 2009.
• Katika MPC na adaptive control sections kuna incomplete table references kama “shown in ??”
• Hakuna actual graphic kwenye ukurasa wa “Graphical Abstract”.
• Physical experiments zimechukuliwa kutoka AUV na ROV platforms tofauti; si common tests zinazoweza kulinganishwa moja kwa moja.
• Mapitio ni preprint na hayajapitiwa na wenzao.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Review on Nonlinear Control Strategies for Trajectory Tracking of AUVs

Waandishi: Daniel Bakuoru Luki; Abdul-Aziz N-Yo; William Akuffo; Robert Agyare Ofosu.

Mpangilio wa waandishi: Daniel Bakuoru Luki ni wa kwanza, Abdul-Aziz N-Yo wa pili, William Akuffo wa tatu na Robert Agyare Ofosu wa nne.

Mwandishi mwenza wa kwanza: Hakuna equal contribution au co-first author statement.

Mwandishi anayewajibika: Daniel Bakuoru Luki. Asterisk kwenye title na taarifa ya “Contact Author” katika rekodi ya SSRN zinaonyesha mwandishi huyu. Ingawa email addresses za waandishi wote wanne zimeorodheshwa chini ya kichwa “Corresponding authors” katika maandishi, majina ya waandishi wengine hayana corresponding-author asterisk.

Taasisi:

• Daniel Bakuoru Luki — Electrical and Computer Engineering, University of Energy and Natural Resources, Sunyani, Ghana.
• Abdul-Aziz N-Yo — Mechanical Engineering, Ashesi University, Berekuso, Ghana.
• William Akuffo — Mechanical Engineering, Ashesi University, Berekuso, Ghana.
• Robert Agyare Ofosu — Electrical and Electronic Engineering, University of Mines and Technology, Tarkwa, Ghana.

ORCID: Daniel Bakuoru Luki — 0009-0006-4719-5943; Abdul-Aziz N-Yo — 0009-0001-7139-8533. Taarifa za ORCID za William Akuffo na Robert Agyare Ofosu hazipo katika toleo lililochunguzwa.

DOI:10.2139/ssrn.7193868

Jarida: Hakuna jina la jarida lililopitiwa na wenzao katika toleo lililochunguzwa. Chini ya kurasa kuna msemo “Preprint submitted to Elsevier” pekee.

Mchapishaji: Hakuna taarifa ya mwisho ya mchapishaji asili. SSRN ni preprint platform na haipaswi kutathminiwa kama final publisher.

Jukwaa la uchapishaji: SSRN.

Mwaka wa uchapishaji: 2026.

Tarehe ya rekodi ya SSRN: 27 Julai 2026.

Aina ya chanzo: Preprint ya narrative na comparative review inayoweka katika makundi nonlinear trajectory control methods katika autonomous underwater vehicles.

Hali ya mapitio: Utafiti haujapitiwa na wenzao.

Chanzo rasmi:Rekodi rasmi ya utafiti ya SSRN.

Maelezo ya toleo la awali: Kuna preprint version ya zamani ya kichwa hiki iliyochapishwa kwenye TechRxiv mwaka 2024. Hati iliyopakiwa inaonyesha SSRN record 7193868 na SSRN DOI kama utambulisho wa sasa.

Ufadhili: Watafiti wameeleza kwamba hawakupokea external funding.

Ethical approval: Imeelezwa kwamba ethical approval haitumiki kwa sababu ya nature ya review.

Maelezo haya ya Kiswahili yameandaliwa baada ya kuchunguza faili ya kurasa 29 ya utafiti uliopakiwa, main text, equations, comparison tables, reprinted control schemes, physical experiment summaries, results na references. Hakuna new experimental result au method superiority kutoka nje ya utafiti iliyoongezwa kwenye scientific content. External sources zilitumika tu kwa bibliographic verification ya author na institution information, DOI, version history, SSRN record date na publication status.

Utafiti si original experiment wala systematic meta-analysis. Scores zinazotolewa kati ya methods si measurements kutoka common experimental setup, bali qualitative synthesis ya different sources iliyofanywa na waandishi. Kwa hiyo, kwa control selection katika AUV project maalum, simulation kwenye chombo, hardware-in-the-loop testing, pool experiment na validation katika real water conditions vinapaswa kufanywa.