Thanh bên bài viết
TỐI ƯU HÓA NĂNG LƯỢNG TRONG ĐIỀU KHIỂN PHÂN BỔ CHO PHƯƠNG TIỆN NGẦM TỰ HÀNH: TỔNG QUAN, THÁCH THỨC VÀ KHUNG ĐÁNH GIÁ
Nội dung chính của bài viết
Tóm tắt
Bài báo trình bày tổng quan, phân tích các thách thức và đề xuất khung đánh giá cho bài toán tối ưu hóa năng lượng trong điều khiển phân bổ của phương tiện ngầm tự hành (AUV). Khác với các tổng quan trước đây thường xem riêng bài toán bám quỹ đạo, phân bổ lực hoặc kháng lỗi, bài báo liên kết ba lớp vấn đề: mô hình động lực học và actuator, thuật toán phân bổ có ràng buộc, và khả năng duy trì nhiệm vụ trong điều kiện suy giảm cơ cấu chấp hành. Các nhóm phương pháp gồm giả nghịch đảo/WLS, quy hoạch bậc hai (QP), SQP/MPC và các hướng dựa trên AI/RL được so sánh theo ưu điểm, hạn chế, điều kiện áp dụng, yêu cầu thời gian thực và mức độ phù hợp với mục tiêu tiết kiệm năng lượng. Bài báo cũng làm rõ các thách thức triển khai gồm phi tuyến actuator, bão hòa lực, giới hạn công suất pin, nhiễu dòng chảy, sai số mô hình thủy động, độ trễ chẩn đoán lỗi và thiếu bộ chuẩn đánh giá chung. Trên cơ sở đó, khung đánh giá dựa trên kịch bản được đề xuất cho mô phỏng số, mô hình bán tự nhiên và phần cứng trong vòng lặp, với các chỉ tiêu năng lượng, công suất đỉnh, tỷ lệ bão hòa, thời gian tính toán và khả năng hoàn thành nhiệm vụ. Mô phỏng 3-DOF được trình bày để minh họa khả năng phân loại thuật toán của khung đánh giá.
This paper reviews energy optimization in control allocation for autonomous underwater vehicles (AUVs), analyzes key implementation challenges, and proposes a scenario-based evaluation framework. Unlike previous reviews that often treated trajectory tracking, force allocation, or fault tolerance separately, this paper connects three layers of the problem: AUV and actuator modeling, constrained allocation algorithms, and mission preservation under degraded actuation. Pseudo-inverse/WLS, quadratic programming (QP), SQP/MPC, and AI/RL-based approaches are compared in terms of advantages, limitations, applicability, real-time requirements, and suitability for energy-aware allocation. The paper also identifies practical challenges, including actuator nonlinearities, saturation, battery power limits, ocean-current disturbances, hydrodynamic model uncertainty, fault-diagnosis delay, and the lack of common benchmarks. A scenario-based framework is then proposed for numerical simulation, semi-natural testing, and hardware-in-the-loop experiments, using metrics such as mission energy, peak power, saturation ratio, computational time, and mission completion capability. A 3-DOF numerical case study is included to illustrate how the proposed metrics can distinguish allocation algorithms under current disturbance and actuator degradation.
Keywords: AUV, control allocation, energy optimization, challenges, fault-tolerant control, reinforcement learning.
Từ khóa
AUV, điều khiển phân bổ, tối ưu hóa năng lượng, thách thức, kháng lỗi, học tăng cường.
Chi tiết bài viết
Tài liệu tham khảo
[2] Fossen, T.I., Johansen, T.A. (2006), A survey of control allocation methods for ships and underwater vehicles, Proceedings of the 14th Mediterranean Conference on Control and Automation, Ancona, Italy, pp.1-6.
[3] Johansen, T.A., Fossen, T.I. (2013), Control allocation - a survey, Automatica, Vol.49, No.5, pp.1087-1103, https://doi.org/10.1016/j.automatica.2013.01.035.
[4] Fossen, T.I., Johansen, T.A., Perez, T. (2009), A survey of control allocation methods for underwater vehicles, In: Underwater Vehicles, IntechOpen, https://doi.org/10.5772/6699.
[5] Kostenko, V.V., Tolstonogov, A.Yu. (2021), Control allocation approaches for over-actuated underwater vehicles: A brief review, Underwater Investigations and Robotics, No.1(35), pp.15-17, https://doi.org/10.37102/1992-4429_2021_35_01_01.
[6] Kostenko, V.V., Tolstonogov, A.Yu. (2022), Optimal control allocation for AUVs with through-body thrusters, IOP Conference Series: Earth and Environmental Science, Vol.988, 032062, https://doi.org/10.1088/1755-1315/988/3/032062.
[7] Vu, M.T., Le, T.H., Thanh, H.L.N.N., Huynh, T.T., Van, M., Hoang, Q.D., Do, T.D. (2021), Robust position control of an over-actuated underwater vehicle under model uncertainties and ocean current effects using dynamic sliding mode surface and optimal allocation control, Sensors, Vol.21, No.3, 747, https://doi.org/10.3390/s21030747.
[8] Li, D., Du, L. (2021), AUV trajectory tracking models and control strategies: A review, Journal of Marine Science and Engineering, Vol.9, No.9, 1020, https://doi.org/10.3390/jmse9091020.
[9] Degorre, L., Delaleau, E., Chocron, O. (2023), A survey on model-based control and guidance principles for autonomous marine vehicles, Journal of Marine Science and Engineering, Vol.11, No.2, 430, https://doi.org/10.3390/jmse11020430.
[10] Tijjani, A.S., Chemori, A., Creuze, V. (2022), A survey on tracking control of unmanned underwater vehicles: Experiments-based approach, Annual Reviews in Control, Vol.54, pp.125-147, https://doi.org/10.1016/j.arcontrol.2022.07.001.
[11] Xia, Y., Xu, K., Huang, Z., Wang, W., Xu, G., Li, Y. (2022), Adaptive energy-efficient tracking control of a X rudder AUV with actuator dynamics and rolling restriction, Applied Ocean Research, Vol.118, 102994, https://doi.org/10.1016/j.apor.2021.102994.
[12] Yuan, D. et al. (2023), An efficient control allocation algorithm for over-actuated AUVs trajectory tracking under actuator faults, Ocean Engineering, Vol.274, 114047, https://doi.org/10.1016/j.oceaneng.2023.114047.
[13] He, J., Xie, J., Zhang, S. (2025), A review of path following, trajectory tracking, and formation control for autonomous underwater vehicles, Drones, Vol.9, No.4, 286, https://doi.org/10.3390/drones9040286.
[14] Eissa, M. et al. (2026), Trajectory tracking control of autonomous underwater vehicles: a review from classical methods to AI-based approaches, International Journal of Dynamics and Control, Vol.14, Article 32, https://doi.org/10.1007/s40435-025-01963-5.
[15] Xia, Y., Huang, Z., Xu, K., Xu, G., Li, Y. (2022), Three-dimensional trajectory tracking for a heterogeneous XAUV via finite-time robust nonlinear control and optimal rudder allocation, Journal of Marine Science and Engineering, Vol.10, No.9, 1297, https://doi.org/10.3390/jmse10091297.
[16] Li, Z., Wang, M., Ma, G., Zou, T. (2023), Adaptive reinforcement learning fault-tolerant control for AUVs with thruster faults based on the integral extended state observer, Ocean Engineering, Vol.270, 113722, https://doi.org/10.1016/j.oceaneng.2023.113722.
[17] Tian, Z., Deng, S., Wu, Z., Zhou, C. (2025), Reinforcement Learning Applications in Unmanned Underwater Vehicles: A Review, Journal of Marine Science and Application, https://doi.org/10.1007/s11804-025-00723-3.
[18] Cai, L., Chang, K., Girdhar, Y. (2024), Learning to Swim: Reinforcement Learning for 6-DOF Control of Thruster-driven Autonomous Underwater Vehicles, arXiv:2410.00120, https://doi.org/10.48550/arXiv.2410.00120.
[19] Rani, M., Singh, K.P., Kumar, N. (2026), Neural-network-based backstepping control for 6-DOF AUV trajectory tracking with T-thruster integration, International Journal of Dynamics and Control, Vol.14, Article 146, https://doi.org/10.1007/s40435-026-02073-6.
[20] Christensen, L., De Gea Fernández, J., Hildebrandt, M., Koch, C.E.S., Wehbe, B. (2022), Recent advances in AI for navigation and control of underwater robots, Current Robotics Reports, Vol.3, pp.165-175, https://doi.org/10.1007/s43154-022-00088-3.
Các bài báo được đọc nhiều nhất của cùng tác giả
- Vương Đức Phúc, ThS Đặng Đình Phúc, MÔ HÌNH HÓA PIN VÀ SUY GIẢM THAM SỐ TRONG HỆ THỐNG QUẢN LÝ NĂNG LƯỢNG TÀU THỦY BẰNG MATLAB/SIMULINK , Tạp chí Khoa học Công nghệ Hàng hải: Số 86 (2026): Số 86 (04/2026)
- LƯU KIM THÀNH, VƯƠNG ĐỨC PHÚC, VŨ KHẮC ĐIỆP, NGHIÊN CỨU GIẢI PHÁP CẤP ĐIỆN BỜ CHO TÀU BIỂN THEO MÔ HÌNH CẢNG XANH TẠI VIỆT NAM , Tạp chí Khoa học Công nghệ Hàng hải: Số 84 (2025): Số 84 (11/2025)