间接方法与迭代学习融合用于可持续供能自主水面艇的持久速度轨迹优化
机器人学
2025-03-17 v1
摘要
本文提出了一种用于太阳能自主水面艇（ASV）的实时速度轨迹优化的方法与结果，其中我们将间接最优控制技术与迭代学习相结合。由于太阳能分布的特性，ASV表现出周期性运行，但天气模式对该分布产生不可避免的扰动。该问题的性质导致了一种公式化表述，其中逐点状态电荷约束的满足通常不能保证持久可行性，且目标是在非常长（最终持久）的持续时间内最大化收集的信息。为了应对这些挑战，我们首先使用障碍函数将逐点状态电荷约束收紧到实现持久可行性所需的最小程度。然后，我们使用间接方法推导出一个简单的切换控制律，其中最优速度在每个约束非活跃时间段内被证明是一个未确定的常数值。为了识别这一最优恒定速度（在不同段之间可能不同），我们采用了迭代学习方法。结果是一个不需要太阳能预测的简单闭式控制律。我们给出了基于 SeaTrac SP-48 ASV 模型和北卡罗来纳海岸太阳能数据的仿真验证结果。这些仿真结果表明，所提出的方法（相当于一个闭式控制器和简单的迭代学习更新律）的性能几乎与需要准确未来太阳能预测和显著更强计算能力的模型预测控制方法一样好。
引用
@article{arxiv.2503.10884,
title = {Fusion of Indirect Methods and Iterative Learning for Persistent Velocity Trajectory Optimization of a Sustainably Powered Autonomous Surface Vessel},
author = {Kavin M. Govindarajan and Devansh R Agrawal and Dimitra Panagou and Chris Vermillion},
journal= {arXiv preprint arXiv:2503.10884},
year = {2025}
}