AUV滑模控制器设计与Simulink仿真实战：从定深控制到鲁棒性验证

最近一段时间，陆续有几个做水下机器人课题的同学找我问同一个问题：AUV 的控制器到底怎么做才能稳定、抗扰、又能过得去答辩那一关？聊下来发现大家基本都卡在同一个地方——模型没理清楚就急着写控制律，然后 Simulink 一顿搭，仿真曲线发散得亲妈不认。我前阵子刚刚把“基于 SMC（滑模控制）的 AUV 控制器研究和 Matlab/Simulink 仿真实现”这条线完整走了一遍，从垂直面定深控制入手，到加入海流扰动的鲁棒性验证，踩了不少坑，也摸出了一套适合自己复现的流程。这篇就当是一份水下机器人滑模控制的实战踩坑记录，给同样在搞这个方向的你一个参照。

1. 这个课题到底在做什么

1.1 AUV 的控制难点在哪里

AUV（Autonomous Underwater Vehicle，自主水下机器人）本质上是一个工作在三维流体环境中的非线性、强耦合、参数时变的多体系统。它不像地面机器人那样有轮子与地面的稳定接触，也不像无人机那样有相对清晰的气动力模型。水下机器人在水中处于“近似悬浮”的状态，六个自由度（纵荡、横荡、垂荡、横摇、纵摇、艏摇）互相耦合，水动力系数只能通过 CFD 计算、约束模型试验或者实海试验来获取，误差通常在 10%~30% 之间。

更重要的是，水下环境不是真空。近水面有波浪力，深水有定常/非定常海流，甚至海水的温度和盐度变化都会导致浮力改变。这些外部干扰的频谱很宽，幅值也未必小。如果你把控制器建立在“模型完全精确”的假设上，仿真里也许很好看，一放到真实水池马上原形毕露。

这个课题最常见的子问题有三个：定深控制、航向控制、三维路径跟踪。定深控制是最基础也是最容易上手的入口——被控量是机器人的下潜深度，执行机构是垂向推进器或水平舵，其余自由度的耦合先忽略不计。它适合作为理解滑模控制的“练习场”。这个项目标题里没有具体写明是哪个控制目标，但根据绝大多数课程设计和科研开题的惯例，从定深控制切入是最稳妥的路径。等定深控制器跑通了，再扩展到水平面的航向控制和纵向的速度控制，逻辑上就顺了。

1.2 为什么选滑模控制：鲁棒性才是水下环境的关键

如果你只是想把深度稳住，用经典的 PID 也不是不行。PID 在标称工作点附近确实很有效，参数校准得好，浅水定深也能满足基本需求。但问题是，PID 对被控对象参数的敏感性比较高。AUV 在水下工作时，随着深度变化，附加质量会改变，水密度会改变，甚至随着姿态角的改变，恢复力矩也在变。一套 PID 参数很可能只在一个速度区间、一个深度区间内表现良好，越过这个范围就发虚。

滑模控制（Sliding Mode Control, SMC）属于变结构控制的一种，它的核心思路是：人为设计一条状态空间中的“滑模面”，再构造控制律，迫使系统状态从任意初始位置先趋近这条滑模面，一旦到达就沿着滑模面滑动到平衡点。滑模阶段的性质只由滑模面本身决定，与原始被控对象的精确参数关系不大。这就是它的鲁棒性来源——只要不确定性满足“匹配条件”且有界，滑模控制就能保证系统状态保持在滑模面上。

拿生活中的例子打比方：你走在一个没有护栏的斜坡上，如果路面本身很滑、风力又大，正常人会下意识抓住一条绳子或者一根扶手，顺着它往下走。绳子就是滑模面，手劲就是切换控制项。路面多滑、风多大，只要你能死死抓住绳子，最后总能安全到达底部。SMC 对 AUV 的价值就在这里——水动力系数不准、海流乱来，系统依然能保持设定好的运动性能。

另外，SMC 的工程实现很简单，一个符号函数加一个线性反馈就能构建控制律，不需要在线辨识模型参数，也不需要精确解算复杂的非线性方程。这点对于以 Matlab/Simulink 为仿真平台的课题来说非常友好。也正因为如此，SMC 在 AUV 控制研究中几乎是“默认选项”级别的存在，论文里用它不显得冷门，答辩时又容易讲清楚，非常适合作为课题核心方法。

2. 模型与控制器设计：从动力学方程到控制律

2.1 垂直面动态模型的搭建要点

先明确一个原则：做 SMC 仿真，不要一开始就上完整的六自由度模型。六自由度模型的耦合项能把人绕晕，而且很多参数你根本拿不到准确值。做控制器研究，第一目的是验证控制算法本身，第二才是贴近真实对象。我的建议是先建立垂直面（深度方向）的单自由度简化模型，把核心问题讲清楚。

垂直面定深控制的状态变量一般取两个：深度 (z) 和垂向速度 (w)。运动学方程很简单：

[ \dot{z} = w ]

动力学方程可以写成：

[ M \dot{w} = \tau - D(w)w - G + d(t) ]

其中，(M) 是包含附加质量的等效质量（刚体质量 + 垂向附加质量），(\tau) 是垂向推进器产生的控制力，(D(w)) 是水动力阻尼项，(G) 是净浮力（重力减去浮力的残余量），(d(t)) 是外部海流干扰力。

这里有一个新手很容易踩的坑：把阻尼项写成常系数线性阻尼 (D(w) = C_1)。实际上水下机器人的阻尼有明显的非线性特性，工程上常用线性阻尼加二次阻尼来近似：

[ D(w) = C_1 + C_2 |w| ]

(C_2|w|w) 这项在速度较大时占主导，绝对不能忽略。如果只取线性阻尼，仿真时低速域看起来稳定，但目标深度大跨度切换时，速度变大，模型失配，控制效果会变得很奇怪。

净浮力 (G) 这个参数也容易被忽视。很多 AUV 在配平时故意做成微正浮力，也就是 (G < 0)，这样即使控制器失效，机器人也会慢慢浮到水面，便于回收。这个残余浮力在深度控制中是一个常值扰动，它会让纯线性控制器产生稳态误差，但对滑模控制来说并不是大问题。不过模型里有没有这一项，会直接影响控制律推导时的补偿项。

一组可以用于仿真的参考参数（以中小型 AUV 的量级为例）如下：

这些数值不是从某个具体型号抄来的，而是参考了相近排水量级别 AUV 的经验范围。做课题时你可以根据自己的对象模型替换，重点是理解每一项的物理意义。

2.2 滑模面、趋近律与控制律的参数化设计

有了模型，接下来是控制器设计。目标：让深度 (z) 跟踪期望深度 (z_d)。

先定义深度误差：

[ e = z - z_d ]

如果 (z_d) 是常量（定深控制中常见情况），那么有 (\dot{e} = w)。

设计滑模面：

[ s = \dot{e} + \lambda e ]

这个 (\lambda) 是一个正实数，代表滑模面的“斜率”。它决定系统状态在滑模面上向平衡点收敛的速度。可以用一个直观的理解：状态误差和误差变化率的线性组合构成一个新的变量 (s)，控制目标从“让每项都变为零”变成了“让这个组合先变为零”。

对滑模面求导：

[ \dot{s} = \dot{w} + \lambda w ]

代入动力学方程，为了构造控制律，这一步很关键：

[ \dot{s} = \frac{1}{M} \left[ \tau - D(w)w - G + d(t) \right] + \lambda w ]

为了让系统状态满足滑模到达条件，通常选择指数趋近律加饱和函数的形式：

[ \dot{s} = -\varepsilon , \text{sat}(s/\phi) - k s ]

其中 (\varepsilon > 0)、(k > 0)，(\phi) 是边界层厚度，(\text{sat}) 是饱和函数。

于是反推得到控制律：

[ \tau = M \left( -\lambda w - \varepsilon , \text{sat}(s/\phi) - k s \right) + D(w) w + G ]

这里 (M)、(D(w))、(G) 均使用标称值，(d(t)) 部分不显式建模，由切换项 (\varepsilon , \text{sat}(s/\phi)) 和 (-ks) 兜底。滑模控制的鲁棒性就体现在这里——模型误差和外扰只要满足有界条件，都能被鲁棒项吸收，不会破坏系统稳定性。

关于边界层厚度 (\phi)，这里值得多说一句。如果 (\phi) 取得很小，比如 0.001，饱和函数几乎退化为符号函数，系统会呈现强烈的抖振；如果 (\phi) 取得太大，滑模控制就退化成类似线性比例控制，鲁棒性严重下降。实操中，(\phi) 的数量级通常和你的仿真采样步长绑定在一起考虑。固定步长 0.01s 时，(\phi) 取 0.01~0.05 是一个比较合理的起点。

从 Lyapunov 角度看，取 (V = 0.5s^2)，有 (\dot{V} = s\dot{s} = -\varepsilon s,\text{sat}(s/\phi) - ks^2 \leq 0)，系统是渐近稳定的。在有界不确定性下，系统状态最终被限制在边界层内。这个结论不需要写在论文里炫耀，但心里要有底。

3. Simulink 仿真实现：搭建选型、参数设置与调参路径

3.1 在 Simulink 中搭建模型的三种方式

模型和控制律都准备好了，接下来进入 Matlab/Simulink 仿真实现环节。很多新手一上来就开一个空白模型，然后从模块库里疯狂拖 Sine Wave、Gain、Integrator，最后连线连成一团毛线，改一个参数要找半天。我建议你根据自己后续要做什么，提前选好搭建方式。

第一种：完全用 Simulink 基础模块搭建。状态方程用两个积分器实现，控制器用 Sum、Gain、Saturation、Math Function 搭出来。这种方式最直观，每个模块对应一个数学运算，适合讲课、演示和帮助理解信号流。缺点是控制律稍微复杂一点，模块数量一多，改参数很痛苦，而且看不出整体结构。

第二种：控制器用 MATLAB Function 块实现，动力学保留在 Simulink 积分环节。这种方式是我的主力推荐。控制器部分写成子函数，逻辑集中在一个地方，参数通过模块参数接口传入，改起来非常方便。底层动力学仍然用积分器加运算模块搭，符合“模型—控制器分离”的思想，后续替换控制器、加扰动、做参数扫描都很顺畅。

第三种：全部用 S-Function（无论是 Level-1 还是 Level-2）实现，包括动力学方程。这种方式最接近嵌入式代码生成的工程实践，代码复用性高，但编写和调试成本也最高。如果你的课题目标是做仿真验证而不是实机部署，不建议一开始就直接上 S-Function，否则时间几乎全花在调试代码接口上，而不是控制算法本身。

Simulink 模型的基本布局可以分为四块：参考指令生成（阶跃或斜坡）、控制器模块、执行器饱和限幅、AUV 动力学模块。控制器模块输入深度状态 (z)、垂向速度 (w) 和期望深度 (z_d)，输出控制力 (\tau)。在控制力进入动力学之前，接一个 Saturation 模块，限幅在 ±50N 左右，模拟推进器推力上限。然后叠加上一个正弦扰动信号（模拟海流），再进动力学方程。

控制器部分的 MATLAB Function 块代码很简单，可以直接抄：

function tau = smc_controller(z, w, zd, M, lambda, epsilon, k, phi, C1, C2, G) % 滑模控制器 - 定深控制 % 输入: z 深度, w 垂向速度, zd 期望深度 % 参数: M 等效质量, lambda 滑模面系数, epsilon/k 趋近律参数, phi 边界层厚度 % C1/C2 阻尼系数, G 净浮力 e = z - zd; % 深度误差 s = w + lambda * e; % 滑模面 sat_s = min(max(s / phi, -1), 1); % 饱和函数 % 控制律 tau = M * (-lambda * w - epsilon * sat_s - k * s) + C1 * w + C2 * abs(w) * w + G; end

这个版本假设 (z_d) 是常值，所以指令的一阶、二阶导数均为零。如果你的目标深度是一个斜坡信号或者说持续下潜指令，那控制律里需要额外加入 (\ddot{z}_d) 和 (\dot{z}_d) 的补偿项，代码稍作扩展即可。

动力学部分用积分器连乘加反馈即可实现：

• 输入是控制力 (\tau) 与外部扰动 (d(t)) 之和；
• 减去阻尼项 (C_1w + C_2|w|w) 和净浮力 (G)；
• 除以等效质量 (M)，得到加速度 (\dot{w})；
• 加速度经过积分器得到 (w)，再经过积分器得到 (z)；
• 深度 (z) 和速度 (w) 反馈回控制器。

3.2 仿真配置、初始化参数与调参次序

打开 Simulink 模型之前，先修改求解器配置。这一步很多人会忽略，但直接影响仿真结果可靠性。滑模控制里的切换项对数值求解器非常挑剔，使用变步长求解器时，高频切换行为会导致步长不停缩小，仿真速度极慢，甚至出现步长错误。我建议仿真参数固定为：求解器选择 ode4（四阶龙格-库塔），固定步长 0.01 秒，仿真时长 200 秒。如果后续要加入更复杂的扰动或模拟硬件在环，可以把步长进一步缩小到 0.001 秒，但仿真耗时也会相应增加。

初始状态配置：初始深度 (z_0 = 10) m，目标深度 (z_d = 20) m，初始垂向速度 (w_0 = 0)。如果你希望规避阶跃信号的冲击，可以用一个 Rate Limiter 模块把深度指令从 10m 升到 20m 的过程拉成斜坡，斜坡时间 20 秒左右。这个做法很像实际操作中操作员设定新深度时的“渐推”动作，能有效减轻初始阶段的控制力峰值。

调参顺序有一个我反复验证过的次序，按这个流程来，基本不会出现那种“调一个参数全都乱套”的窘境。

第一步，先用不含外部扰动的标称系统跑通闭环。设定 (\lambda = 1.0)，(k = 1.0)，(\varepsilon = 0.1)，(\phi = 0.02)。观察深度响应曲线是否收敛到目标深度。此时系统大概率是稳定的，但动态品质未必好，可能超调偏大或收敛偏慢。

第二步，单独调整 (\lambda)。(\lambda) 越大，滑模面越“陡”，误差收敛越快，但过大时控制系统就像紧绷的弹簧，容易出现振荡和高频抖振。我的经验是从 0.5 开始试，每次增加 0.2，观察深度曲线在目标深度附近是否出现过冲。多数定深场景 (\lambda) 落在 0.8~1.5 之间就够用了。

第三步，固定 (\lambda) 后调 (k)。(k) 直接决定趋近滑模面的快慢，也决定对扰动的抑制强度。(k) 从 1 开始增加，每次增加 1，直到控制输入出现可辨识的高频波动或者深度曲线出现振荡为止。这时把 (k) 回调 20% 左右，留出稳定裕度。

第四步，如果控制输入还是抖振明显，调整 (\phi)。(\phi) 的物理意义是“多小的滑模误差就算已经到位”。(\phi) 增大，控制量变平滑，代价是稳态误差可能略微增大。一般从 0.01 往上调，到 0.05 还不见效，就要检查是不是前面 (\lambda) 或 (k) 设置得太极端。

第五步，加入外部扰动。在动力学输入端叠加一个正弦信号 (d(t) = 5 \sin(0.2t) + 2)，海流强度的量级大致对应中等海况下的垂向干扰。观察深度波动是否在可接受范围（通常要求稳态深度波动小于 0.05m）。如果波动太大，优先增大 (k)，而不是改 (\lambda)。

第六步，做参数摄动测试。把标称模型中的 (M) 人为增大 20%，比如从 55 改到 66，观察闭环是否依然稳定。这一步是滑模控制器区别于 PID 控制器的核心亮点所在，也是汇报时最有说服力的实验。如果 (M) 摄动后控制器仍能保持稳定的深度跟踪，说明鲁棒性验证到位了。

4. 仿真结果分析与问题排查实录

4.1 仿真曲线怎么看：深度、速度与控制输入

仿真跑完之后，重点观察三条曲线：深度 (z) 随时间变化曲线、垂向速度 (w) 随时间变化曲线、控制输入 (\tau) 随时间变化曲线。

深度曲线是最直观的。阶跃响应场景下，期望曲线是一条从 10m 跳变到 20m 的阶跃线，实际深度曲线应该在经过一段瞬态过程后稳定到 20m 附近。判断标准有两个：一是超调量，一般不应该超过目标深度变化量的 10%，也就是 1m 左右；二是稳态误差，稳定后深度与 20m 的偏差应该控制在 ±0.05m 以内。如果深度曲线出现持续等幅振荡，说明参数组合有问题，系统处在临界稳定状态。

垂向速度曲线值得仔细看。正常情况下，深度切换开始时速度快速上升，接近目标深度时速度减小并趋于零。如果速度曲线出现高频正负交替，说明控制器处于频繁开关状态，这就是抖振的外在表现。抖振在仿真里可能看着只是“曲线变毛”，但在实物上就是推进器过热、舵机磨损的元凶。

控制输入曲线 (\tau) 是判断控制器“累不累”的关键。理想的 (\tau) 曲线应该是：初始阶段有一个明显的大幅值脉冲，推动 AUV 从初始深度向目标深度运动；接近目标后，控制输入快速降到一个小的常值附近，用来抵消净浮力和水阻力。如果在稳态阶段控制输入还在高频大幅摆动，说明边界层参数 (\phi) 太小，切换项过于激进。对实体 AUV 来说，执行机构是很贵的，这种高频摆动必须避免。

加入海流扰动之后，三条曲线的行为会发生变化。深度曲线会出现周期性波纹，波纹幅值越小说明抗扰能力越强；速度曲线会叠加周期性的波动，这个正常；控制输入曲线会变得更“忙”，持续输出波动力量对抗海流。此时更关注的指标是深度的最大波动幅值，而不是追求控制输入平直。

4.2 常见问题速查与避坑技巧

实操过程中最容易遇到的问题，我整理成一张速查表，方便你对症下药：

除了表里这些问题，还有几个经验之谈，属于不跑几轮仿真根本发现不了的坑。

第一，不要一上来就同时加非线性和外部扰动。调参阶段先保持模型干净，只有线性阻尼加标称参数。等你对控制器参数的行为边界建立感觉之后，再逐步把非线性阻尼、净浮力、海流扰动、参数摄动加进去。分层验证，出现问题时你能立刻知道是哪一层引入的。

第二，保存参数和波形时要带着场景信息。我习惯用“参数名_数值_日期”的命名格式保存每个阶段的模型快照，并在注释里记录当时的评判结论。比如“lambda_1.0_k_5.0_phi_0.02_超调OK_稳态OK”。滑模控制参数之间的交互影响很微妙，过了两个星期回来再看，没有日志根本想不起来当时为什么那样调。

第三，注意控制量符号约定。垂向推进器力 (\tau) 的正方向约定必须与深度坐标方向一致，否则控制律内外符号对不上，系统必发散。一个常见的错误是在模型里用“向下为正”的深度方向，但推力器正方向却定义成“向上”，符号多绕一圈，体现出的现象就是控制器给力越大，系统偏得越远。这个问题排查很费时间，建议搭建模型时把符号约定写成一个注释块，挂在 Simulink 模型页面旁边，随时自审。

第四，谨慎使用直接跳变的阶跃深度指令。水下机器人物理上不可能瞬间改变深度，阶跃指令会造成非常大的初始控制量，导致执行器饱和，而饱和又会引入额外的非线性效应，干扰你对 SMC 性能的判断。用斜坡指令或梯形速度指令作为参考输入，才是贴近真实任务的做法。这也更符合实际操作习惯——操作员设定新深度后，通常是缓慢推进，而不是猛拉操纵杆。

5. 最后，说点实际操作中的体会

我也不是第一次做这类控制仿真，但每完成一轮滑模控制器的设计，还是会有些新的感触。SMC 的公式十分钟就能推完，写控制器代码也就几十行，真正考验人的是把那些参数调到一个既稳、又快、又不抖、又能扛扰动的平衡点上。这个平衡点没有解析公式可以直接算，完全是靠对系统物理过程的理解和反复试错磨出来的手感。

我个人的体会是：滑模控制不是“调出一个最好的参数”就完事的算法，它本质上是一套处理模型不确定性的方法论。理解了这一点，你就不会把时间浪费在追求极致的精确模型上，而是把精力放在判断不确定性边界、设计足够的鲁棒裕度上。这也是为什么我说这个课题虽然看起来只是小型的定深控制仿真，但做完之后你对整个 AUV 控制系统的认识会不一样。

如果你接下来打算把这个方向继续推进，一个很自然的扩展是从垂直面定深控制过渡到水平面航向控制，再把两者结合成三维路径跟踪，自由度从二自由度逐步加到六自由度。控制器框架可以沿用滑模体系，抖振抑制可以进一步引入动态面控制或者高阶滑模。仿真环境方面，Matlab/Simulink 依然是最高效的选择，后续如果要上实机验证，建议先把控制输出限幅、积分限幅、状态估计和传感器噪声注入都加进模型，这样仿真结果才真正具备工程参考价值。