本文档发表于IEEE Journal of Oceanic Engineering期刊第48卷第4期（2023年10月）。文章标题为《An Underwater Glider Fleet Coordinate Control Architecture for Ocean of Things to Enable Transparent Ocean》。作者为Runfeng Zhang, Yanhui Wang, Weiqiang Gao和Shaogiong Yang，其主要研究机构包括天津大学机械工程学院教育部机构理论与装备设计重点实验室、天津理工大学天津市先进机电系统设计与智能控制重点实验室以及崂山实验室海洋观测与探测联合实验室。

该研究属于海洋工程与水下机器人领域，具体聚焦于面向“透明海洋”愿景的水下滑翔机（Underwater Glider, UG）集群协同控制。研究背景源于物联网海洋（Ocean of Things， OoT）这一新兴概念，其旨在集成大量低成本海洋设备进行广域、持续观测。然而，海洋环境的复杂多变性和水下通信能力的严重制约，为在大范围海域构建OoT带来了巨大挑战。特别是对于能够执行长航时任务的水下滑翔机编队而言，如何在通信受限条件下实现高效、精确的协同控制与观测，是亟待解决的关键科学问题。现有研究大多停留在二维编队控制层面，且依赖于节点间实时通信的假设，这在实际海洋环境中难以实现。本研究旨在填补这一研究空白，提出了一种全新的水下滑翔机编队协同控制架构，以实现基于实时数据和海洋模型数据的大范围海洋观测。

本研究工作流程系统而完整，主要包含四个核心步骤：首先，构建了数据驱动的水下滑翔机速度与时间预测模型；其次，基于动态领航-跟随方法设计了虚拟分布式控制模型；然后，集成以上模型与海洋模型数据，开发了完整的协同控制架构；最后，通过仿真和两次海上试验对架构进行了验证。

第一步，构建速度与时间预测模型（VTPM）。 研究团队认识到，基于物理模型的控制方法由于水动力系数不精确和洋流扰动，在实际时变海洋环境中适应性有限。因此，他们创新性地提出了一种数据驱动的参数化控制模型VTPM。该模型以目标航向、预设净浮力、预设俯仰角以及海洋深度平均流（Ocean Depth-Averaged Current, ODAC）的幅值与方向作为输入，以预测水下滑翔机的水平速度或完成一个剖面运动所需的时间作为输出。其数学本质是一个多输入单输出函数。

为实现高精度预测，研究团队开发并应用了一种新颖的算法组合：主成分分析与遗传算法优化的反向传播神经网络（PCA-GA-BPNN）。具体工作流程如下：1) 数据准备：利用两次南海北部海上试验（2019年5-6月及2021年6月）中“海燕-L”水下滑翔机（由天津大学研制）采集的200个剖面数据作为训练和测试集。数据包括上述输入参数和实际测量的速度、时间输出。2) 数据预处理：首先采用主成分分析法（PCA）对输入数据进行降维处理。根据碎石图，从6个原始输入参数中提取了3个主成分，有效降低了数据复杂度，并消除了冗余。3) 模型训练与优化：构建BP神经网络（BPNN），其输入层、隐藏层和输出层节点数根据经验公式确定。随后，采用遗传算法（GA）对BP神经网络的初始权重和阈值进行全局优化，以避免传统BPNN易陷入局部最优、训练时间长的问题。最终形成PCA-GA-BPNN算法流程。4) 模型验证与对比：将PCA-GA-BPNN的预测结果与多种基准方法（包括传统BPNN、GA-BPNN、PCA-PSO-BPNN）进行对比。评价指标采用均方误差（MSE）和平均绝对百分比误差（MAPE）。结果显示，对于速度幅值的预测，PCA-GA-BPNN的MSE为0.0347 m/s，MAPE为3.79%；对于剖面时间的预测，MAPE仅为1.36%。在所有对比方法中，PCA-GA-BPNN在收敛速度、精度和稳定性方面均表现最佳。此外，研究还通过控制变量法验证了VTPM的物理一致性，如水平速度随净浮力增大而增加，并在俯仰角30-40度范围内存在最优值，这与水下滑翔机的运动学原理相符，证明了模型不仅数据拟合好，也具有物理可解释性。

第二步，设计虚拟分布式控制模型。 为解决水下滑翔机异步上浮通信和三维运动协同的难题，本研究提出了一种融合VTPM的动态领航-跟随控制方法。该模型的核心思想是：1) 动态领航者选择：并非固定一个领航者，而是根据编队控制效率（包括调整次数和滑翔机自身的调节能力限制）动态选择最先上浮或最合适的滑翔机作为临时领航者。2) 水下位置预测与同步：当跟随者处于水下时，其位置无法通过GPS直接获取。此时，利用上一步建立的VTPM，根据其下潜前设定的参数和已知的ODAC数据，实时预测其在水下的位置。随后，将该预测位置与当前水面领航者的实际位置进行“虚拟同步”，从而在控制中心形成一个全局的编队状态图景。3) 编队误差计算与控制律生成：基于动态领航-跟随的几何关系，计算当前编队状态与期望队形之间的误差。结合李雅普诺夫稳定性理论，设计控制律，在保证系统稳定的前提下，生成对各个跟随者的控制指令（调整净浮力、俯仰角、目标航向）。4) 能量约束集成：为确保编队整体续航时间最大化，模型将每个滑翔机的能量消耗模型作为优化约束。能量消耗考虑了浮力调节、俯仰调节、控制系统、传感器、通信和横滚调节等各部分。优化目标是最小化编队总误差，同时尽可能均衡各滑翔机的剩余续航时间，避免个别个体过早耗尽能量。

第三步，开发滑翔机编队协同控制架构（GFC2A）。 本研究将上述虚拟分布式控制模型、VTPM、海洋模型数据库进行集成，开发了一套名为GFC2A的软件架构。该架构包含五大模块：任务规划模块（分配初始航点与任务）、参数化控制模块（运行VTPM）、编队控制模块（运行动态领航-跟随算法）、物理约束模块（处理编队误差和能量约束）以及数据模块（存储和调用海洋模型数据、观测数据、滑翔机状态数据）。信息流闭环运作：滑翔机上浮时将位置、状态、观测数据通过卫星（铱星、天通、北斗）传回岸基控制中心的GFC2A；GFC2A结合实时接收的海洋模型数据（本研究采用APDRC和HYCOM数据），通过虚拟分布式控制算法计算出新的控制参数；最后将这些参数通过卫星下发至对应的滑翔机，指导其下一剖面的运动，从而实现无人值守的自主协同控制。该架构亦支持“人在回路”模式以应对突发任务或紧急情况。

第四步，仿真与海上试验验证。 为全面验证GFC2A的有效性，研究团队进行了仿真和两次实际海上试验。仿真实验设置了不同数量障碍物的场景，测试编队基于人工势场法进行避障的同时保持队形的能力。结果显示，在20个障碍物下编队轨迹平滑稳定，在30个障碍物下虽出现较大波动但仍能维持队形，验证了控制算法的鲁棒性。

第一次海上试验（海试I）于2019年在南海北部进行，使用4台水下滑翔机进行编队保持验证，预设为边长约20公里的四边形队形。试验持续约三周。期间，GFC2A成功实现了对编队的动态协调。试验结果显示，整个任务期间编队保持稳定，平均队形偏差约为1.39公里，各滑翔机队形的均方根误差在0.973至1.178公里之间。这证明了在真实海洋环境下，基于VTPM预测和动态领航者机制的虚拟分布式控制能够有效克服通信延迟和异步问题，维持预定队形。

第二次海上试验（海试II）于2021年进行，使用3台水下滑翔机进行虚拟定点（Virtual Mooring）观测，旨在验证编队的时间同步能力。三台滑翔机初始布放时间和剖面周期不同。GFC2A通过调整各滑翔机的剖面运动参数（主要是剖面时间），使它们最终实现在相近的时间点上浮。试验结果显示，经过数天的协调，三台滑翔机成功实现了时间同步，其上浮时间差被控制在10分钟以内，剖面时间均被协调至80-90分钟。这对于需要多平台同步采样的协同观测任务具有重要意义。

本研究的结论是，成功提出并验证了一种面向OoT的水下滑翔机编队协同控制架构（GFC2A）。该架构通过数据驱动的VTPM精确预测水下位置，结合动态领航-跟随方法和能量约束优化，实现了在通信受限的大范围海域内对水下滑翔机编队的有效协调控制。两次海上试验分别验证了其在队形保持和时间同步方面的优异性能。

本研究的价值体现在多个层面。在科学价值上，它为解决水下移动节点在弱通信条件下的协同控制问题提供了一个创新性的框架，将数据驱动建模与经典控制理论相结合，丰富了水下机器人集群智能控制的理论体系。在应用价值上，GFC2A为实现“透明海洋”所需的广域、同步、自适应海洋观测提供了切实可行的技术方案，能够显著提升海洋环境监测、资源勘探和军事侦察等任务的数据获取效率与质量。该架构的设计理念也可为其他无人系统（如无人机、无人船）在通信受限环境下的协同作业提供参考。

本研究的亮点突出。首先，方法新颖：创造性地提出了PCA-GA-BPNN算法构建VTPM，将数据驱动的高精度预测模型引入到水下滑翔机的运动控制中，克服了传统模型对复杂环境适应性不足的缺点。其次，架构创新：提出的虚拟分布式控制模型和GFC2A，巧妙地利用预测和同步机制，规避了水下实时通信的瓶颈，实现了真正意义上的三维异步编队控制。第三，验证充分：研究不仅进行了详细的仿真分析，更通过两次不同目标、具有相当时间跨度的实际海上试验，全面验证了所提方法和架构的可行性与有效性，增强了结论的说服力。第四，考虑全面：研究不仅关注编队几何控制，还将能量消耗作为重要约束纳入优化，提升了方案的实际工程应用价值。

此外，研究还展示了较强的系统工程能力，从算法开发、架构设计到软硬件集成和海上试验组织实施，形成了一个完整的研究闭环。文中所附的GFC2A软件界面、硬件终端和海上试验轨迹图等，也为其他研究者提供了宝贵的参考资料。最后，作者指出未来工作将引入边缘计算和云计算以提升自动化与智能化水平，并将GFC2A的功能扩展至其他无人航行器，展现了该研究方向的持续发展潜力。