将领域知识嵌入以抵抗扰动的海洋航行自主导航

为何在恶劣海况下操舵至关重要

现代科学和工业越来越依赖无人船和水下无人机来检查电缆、维护近海风电场并探索深海。然而，这些航行器必须在风、浪和洋流不断将它们推离航道的变幻海况中工作。本文介绍了一种新方法，旨在帮助海洋机器人即便在海况最动荡时也能保持航线，进而有望提高操作安全性、降低维护成本并提升全球水域数据的可靠性。

将海洋视为移动的障碍跑道

当今的海上任务从调查南极的冰架到检查承载全球互联网流量的海底电缆，涵盖面广。在所有这些工作中，船舶或水下航行器必须以米级精度沿预定路径运行，有时需穿行于风机基础等密集结构之间。问题在于海洋并非静止的试验水槽。阵风、陡峭的波浪和变化的洋流会将航行器横向推移、扭转并减速。传统控制方法假设工程师能写出关于航行器运动的精确方程，但在真实海况中这些方程往往不完整并迅速失效。结果可能导致严重的导航误差，甚至在极端情况下导致事故。

教会机器“听懂”海浪的语言

本文研究者采取了不同路径：他们不依赖完美的数学模型，而是让学习系统观察海况并实时响应。其方法核心是一种特殊形式的神经网络，称为专用柯尔莫哥洛夫—阿诺德网络（Specialized Kolmogorov–Arnold Network，简称 SKAN）。与典型的黑箱式人工智能不同，SKAN 以海洋的节律为设计出发点。设计者输入简单的类波函数，这些函数捕捉了风、浪和洋流随时间起伏的规律。这些构件像一组乐音，网络可以从中谱写出真实扰动的复杂“旋律”，从而加快学习速度并减少所需数据量。

有经验地思考的控制伙伴

该框架由两部分构成：一个扰动观测器和一个无模型控制器。观测器使用 SKAN 网络估计同时作用在航行器上多个方向的无形推力与力矩。在每一时刻它消化最近的运动和海况信息，并输出对当前力与转矩的最佳估计。控制器则通过数据训练而非手工建模来决定如何调整推进与舵向。关键在于，控制器同时接收航行器状态和观测器对扰动的估计，使其能在错误放大之前抵消大部分海洋干扰。为提高训练效率，作者将记录的运动数据切成许多重叠片段，实际增加了有用的训练样本，而无需长时间且风险高的海上试验。

在虚拟船舶与潜艇上测验

为检验该思路是否有效，研究团队建立了近海风电场的详细仿真——这是一个尤其严苛的试验场，洋流在塔架周围弯曲，波浪湍急且安全间隙狭小。他们让一艘虚拟水面艇沿六条电缆检验航线行驶，同时施加真实的风速、波高和洋流模式。与一种流行的深度强化学习控制器相比，他们基于 SKAN 的系统将平均路径跟踪误差降低了约五分之一，并在强阵风与横波条件下保持航行器稳定。随后他们又测试了一种自主水下航行器，该航行器被指派沿螺旋形和哑铃形轨迹环绕风机基础。方法同样将偏差保持在较小范围，动作平稳，即便水下洋流和深度变化试图将航行器扰离轨道。

用更少数据学到更多

研究还考察了扰动观测器自身的表现。通过用增强的运动数据片段训练，基于 SKAN 的观测器在精度上能达到使用完整原始数据集时的大约 90%，而其实际只扩展了一小部分原始数据（约为原始数据的十分之一）。这意味着该系统可以用更少的样本就准备就绪——在从船舶和潜航器收集真实世界数据既昂贵又耗时的情况下，这是一个重要优势。当风、浪和洋流强劲时，配备该观测器的控制器能将路径误差紧密聚集，而未采用补偿的系统则表现出更大且更分散的偏差。

更安全、更智能的航程前景

简言之，作者表明通过将人类对海洋行为的先验知识与数据驱动的机器学习相结合，可以在不精确刻画每个物理细节的前提下，更精确地引导海洋机器人通过恶劣条件。他们的框架把混乱的海洋运动转化为控制器能快速利用的信息，从而为水面船舶和水下航行器带来更平稳、更安全的航迹。尽管目前的结果来源于仿真，但相同的理念也可能帮助未来的海洋机器人舰队——甚至无人机和自动驾驶汽车——在不可预测的环境中以更少的数据和更简单的模型应对挑战。

引用: Zhao, Y., Ma, Y., Zhu, G. et al. Domain knowledge embedded anti-disturbance autonomous navigation for marine vehicles. Commun Eng 5, 82 (2026). https://doi.org/10.1038/s44172-026-00666-9

关键词: 自主海洋航行器, 海洋扰动, 机器学习控制, 近海风电场, 路径跟踪