神经网络驱动的鲁棒AUV跟踪控制：ADP在扰动与故障下的应用

本文主要探讨了自主水下航行器(AUV)在舵机故障和海洋流扰动下的故障容错跟踪控制问题。作者采用适应性动态规划(ADP)方法将这个问题转化为一个优化控制问题，通过创新性的设计两个神经网络估计器(NNEs)，分别用于估计舵机故障和海洋流扰动。这两个估计值被用来构建性能指标函数，这是ADP算法的核心步骤。 在ADP框架中，政策迭代(PI)策略被用来解决哈密顿-雅可比-贝尔曼(HJB)方程，这是一种在控制理论中用于求解最优控制问题的数学工具。通过构造动作神经网络和价值函数（即批评神经网络），控制器能够在存在不确定性因素的情况下，寻找使系统状态保持在预定安全域内的最优策略。 利用Lyapunov稳定性定理，作者证明了AUV的误差跟踪系统能够达到均匀最终有界的特性，即系统能够在面对舵机故障和海洋流扰动时，仍能保持稳定的跟踪性能。这是一项重要的理论贡献，因为它确保了系统的鲁棒性和可靠性。 论文还提到了接收日期、接受日期以及发表在《神经计算》(Neurocomputing)期刊上的预期位置，引用格式也得到了详细的指导。值得注意的是，提供的PDF版本是接受了初步编辑和格式调整后的预印本，可能存在未修正的错误，但提供此版本是为了让读者尽早了解文章内容。正式出版前，文章还会经历进一步的校对、排版和审查。 这篇研究通过结合神经网络技术和ADP方法，为AUV的故障容错轨迹跟踪控制提供了一种有效的解决方案，对于实际应用中的AUV导航和控制具有显著的实际意义。