C3D: Cascade Control with Change Point Detection and Deep Koopman Learning for Autonomous Surface Vehicles

本文讨论了一种鲁棒自主系统的开发和部署，该系统能够在未知动态条件下执行海上领域的各种任务。我们研究了一种基于模块化设计的数据驱动方法，以便在不同的海上表面舰艇平台之间轻松转移自主权。数据驱动方法缓解了与先验识别系统模型相关的问题，这些问题可能会在不断变化的系统行为或不可预测的环境影响下变得不足。我们提出的基于学习的平台包括深度Koopman系统模型和变点检测器，为严重的外生和内生扰动下的领域转移提供指导。自主系统的运动控制通过最优控制器设计实现。Koopman线性化模型自然适用于线性二次调节器（LQR）控制设计。我们提出了C3D控制架构级联控制与变点检测和深度Koopman学习。该框架在ASV的保持任务中通过模拟和实际实验进行了验证。与不考虑系统变化的方法相比，该方法在所有测试案例中至少实现了13.9%的平均距离误差改进。

开发和部署一个能够在海上执行各种任务的鲁棒自主系统，解决了如何在未知动态条件下进行自主控制的问题。

采用基于模块化设计的数据驱动方法，利用深度Koopman系统模型和变点检测器实现了自主控制，并通过线性二次调节器（LQR）控制设计实现了运动控制。

论文提出了C3D控制架构，包括级联控制、变点检测和深度Koopman学习，解决了系统变化的问题。实验结果表明，该方法在所有测试案例中相比不考虑系统变化的方法，至少提高了13.9%的平均距离误差。

最近的相关研究包括《A Survey of Autonomous Surface Vehicles: Recent Advances, Challenges, and Future Directions》、《Deep Reinforcement Learning for Autonomous Surface Vessel Control》等。