AUV深度控制滑模控制器设计：从建模到Simulink仿真实现

水下机器人调试的时候，最折磨人的往往不是机械结构，而是你在岸上把参数调得漂漂亮亮，一下水就发现完全换了一套脾气。我之前在某高校实验室做无人潜航器的控制仿真时就有切身体会：最开始用PID做深度控制，实验室理想环境下表现还行，可一旦把非线性水动力项和外部流干扰加进模型，PID那组参数就明显压不住了。后来把控制器换成滑模控制（SMC），从Matlab和Simulink仿真一路做到半实物测试，一套控制结构管到底。今天这篇就把这套AUV滑模控制器的设计、建模和仿真实现思路完整拆一遍，给正在做水下机器人控制、想用Simulink快速验证SMC算法的读者一份能直接复现的参考。

这篇内容你能拿到的东西很明确：一个可以动手跑通的AUV垂直面深度控制仿真模型，一套从误差状态到滑模面再到控制律的完整推导流程，加上我当时在仿真里遇到的各类奇奇怪怪的问题和对应排查思路。不是纯理论罗列，是那种写完代码、跑完仿真、被波形坑过之后才总结出来的东西。

1. AUV建模的一笔账：要知道自己在控制一个什么样的系统

1.1 别急着上六自由度，按控制目标砍维度

水下机器人的完整运动模型是六自由度，三个平动加三个转动，光是整理惯性矩阵、科氏力矩阵、阻尼矩阵，就能写满好几页推导。如果一上来就把六自由度模型塞进Simulink，控制器还没写，光参数校对就能耗掉两三天。工程上更常见的做法是：按照控制任务把自由度砍掉，先在一个平面或一条轴向上把控制器逻辑验证清楚。

我做的是垂直面深度控制，所以状态只保留垂向位置z和垂向速度w，水平面的航向和位置默认由另一套控制器稳住。简化后的状态方程长这样：

• x1 = z，垂向位置；
• x2 = w，垂向速度；
• x1_dot = x2；
• m·x2_dot = τ + Δ - c1·x2 - c2·|x2|·x2。

其中τ是垂向推力，Δ是净浮力与重力之差，c1是线性阻尼系数，c2是平方阻尼系数。这个模型不算精密，但足够支撑控制器设计，也方便在Simulink里用积分器直接搭出来。

为什么我坚持保留|c2·x2|·x2那个平方阻尼项？因为水下机器人在速度稍微起来之后，水动力阻尼明显不再线性。实际测试里，正是这个非线性阻尼会让按线性模型设计的PID控制出现持续振荡。我第一次建模图省事，把阻尼项全部按线性近似，仿真出来的深度响应曲线和后面实机记录的数据对不上，后来把平方阻尼项加回去，曲线走势才基本吻合。

1.2 模型参数的不确定性才是SMC上场的原因

模型参数大体可以分三类：质量、排水体积、净浮力，这些通过称重和体积测量就能标定出来，精度很高；阻尼系数c1和c2，通常靠CFD估算加约束水槽试验获取，误差30%都很正常；剩下的就是海流、波浪这类时变外扰，根本没法精确建模。

参数有误差这件事本身，正是SMC能站住脚的根本原因。SMC的控制律里，模型参数只用于估计等效项，未建模动态和外扰只要其边界已知，切换项就能强行把它们抵消掉。也就是说，阻尼系数估算偏了，只要偏差在一定范围内，控制器照样能完成跟踪任务，只是代价是控制量抖振会略微变大。

在Simulink里做模型，我建议把已知参数统一放进一个结构体变量。比如param.m = 180、param.rho_g_V = 9800、param.c1 = 28、param.c2 = 40，后面加干扰往结构体里加字段就行。这样参数改动不会散落在各个模块里，调完一组参数也方便留档，换工况时直接加载不同的结构体即可。

提示：建模这一步花的时间，基本占整个项目的一半。模型和实体之间的偏差没搞清楚之前，控制器设计得再漂亮，放进仿真里也就是一场漂亮的空转。

2. 滑模控制器设计的推导过程：从误差状态到控制律

2.1 滑模面是什么，为什么要引入它

深度控制的本质是让z跟踪期望深度z_d。定义深度误差e = z_d - z，速度误差de = dz_d - w。如果直接对这些误差做比例微分控制，产出就是一个带前馈的PD控制器，抗模型失配的能力很有限。SMC换了一个思路：构造一个误差状态空间中的“滑模面”，让系统状态先被吸引到滑模面上，再沿着滑模面滑向平衡点。

最常用的一阶滑模面写出来就是：

s = de + λ·e

λ是一个正的设计常数，决定系统在滑模面上的收敛速度。这个式子值得多看两眼：当s恒等于0时，de = -λe，误差会以指数速度收敛到零。也就是说，把原来二阶误差系统的控制问题，转换成了如何让s快速归零并保持为0的问题。这里的s可以理解成一座桥，把高维误差动态降成一阶动态，之后所有控制精力都放在“把s推向零”这件事上。

2.2 等效控制加切换控制：一套控制律打天下的底气

要推导控制律，就对s求导。把前面AUV模型的动力学方程代入，并加入期望加速度项，可以整理出如下控制律：

τ = m·(d²z_d + λ·de + k·s + ε·tanh(s/φ)) + c1·w + c2·|w|·w - Δ

这个式子分两部分看。前一部分是等效控制，包含期望加速度前馈、滑模面误差修正和趋近项，作用是把系统状态稳定地引导到滑模面上；后一部分是对非线性动态的补偿，把阻尼力和浮力重力差直接抵消掉。切换项ε·tanh(s/φ)则专门用来对抗模型不确定性和外部扰动，其中ε要大于扰动上界，才能保证系统状态被“拽”到滑模面上。

这里有一个理论前提必须强调：切换项的幅值必须大于外部扰动和模型不确定性的上界之和，否则到达滑模面的条件不成立，系统会一直徘徊在滑模面附近无法收敛。但ε又不能取得太大，否则控制量抖振剧烈，执行器寿命和功耗都受影响。工程上常见的做法是在2到3倍扰动上界之间先保守取值，跑到仿真里观察响应再逐步往下压。

2.3 符号函数换成平滑近似：抖振问题在源头上的第一个解法

我第一次实现SMC时直接用符号函数sgn(s)，仿真波形总算能跑通，但把控制输入τ的曲线拉出来一看，高频振荡非常夸张。这就是SMC出了名的抖振问题。抖振的根源在于符号函数在滑模面附近产生理想的高频切换，控制器输出在正值和负值之间反复跳跃。仿真里看波形只是不好看，放进实物里执行器根本扛不住，传动机构也会被迫高频磨损。

处理抖振最直接的修改，就是把sgn(s)换成饱和函数或者tanh函数。具体替换为：

ε·sgn(s) → ε·tanh(s/φ)

其中φ是边界层厚度。φ取很小的值时，tanh可以近似符号函数；φ取较大值时，切换项变得更平滑，抖振减弱但抗扰性也下降。我个人更偏好tanh，因为它的曲线连续可导，在边界层内没有转折点，对控制输出的平滑性更好。饱和函数sat(s/φ)在边界层边界处有个折角，虽然也能用，但生成的控制信号不如tanh自然。

以我前面那个简化AUV模型为例，初始参数大致可以取λ=0.5、k=5、ε=2.5、φ=0.5。需要注意这个组合只对那个模型有效。不同质量和水动力条件下的AUV，参数差异非常大。大型UUV和微型ROV之间，质量和阻尼系数甚至可以差出两三个数量级，照抄参数没有任何意义，理解每个参数的作用才是关键。

3. Simulink仿真架构搭建：从零到能跑通模型

3.1 顶层模块怎么切分

整个仿真模型在顶层可以分成四块：信号源、控制器、被控对象、数据记录。信号源负责生成期望深度z_d以及它的一阶、二阶导数；控制器根据状态误差算出控制量τ；被控对象就是AUV动力学模型，输入控制力和干扰，输出速度和位置；数据记录包括Scope示波器和To Workspace模块，把关键信号写进工作区供后续分析。

模块之间的信号线我一定建议命名，或者在连线上用Goto/Local标签方式管理。刚开始贪图省事全部用直连线，模块一多之后，根本分不清哪根线是期望速度、哪根线是反馈深度，排查问题的时候只能一根根往回捋，非常痛苦。命名信号线之后，双击连接线就能看到信号含义，排查效率能提高一半。

3.2 用MATLAB Function块实现SMC控制器

在Simulink里写SMC控制器，最直接的方式是放一个MATLAB Function块，把控制律完整地写成一个函数。下面是我当时用的核心代码，模型参数从函数输入端传入，便于统一整定：

function tau = smc_controller(z_d, dz_d, ddz_d, z, w, lambda, k, epsp, phi, m, c1, c2, delta) e = z_d - z; de = dz_d - w; s = de + lambda * e; sat_s = tanh(s / phi); f_estimate = c1*w + c2*abs(w)*w - delta; tau = m * (ddz_d + lambda*de + k*s + epsp*sat_s) + f_estimate; end

这个函数基本就是2.2节控制律的代码化。特别提醒一下正负号问题：tau的符号取决于AUV模型的推力方向约定，我调试时因为正负号没对齐，出现过深度往反方向跑的情况。如果你复现时发现曲线方向不对，最先检查的就是模型里τ的正方向和状态方程里的符号约定是否一致。

还有一个实操细节：期望深度的一阶、二阶导数，不要用Simulink的Derivative模块对期望深度信号求导。Derivative模块本质上是数值微分，信号稍微有点噪声，导数曲线就会出现毛刺，进而污染控制量。更干净的做法是在信号源里直接解析构造导数，比如用Ramp和Step组合出梯形速度剖面，再解析求导得到期望加速度，根源上消掉数值噪声。

3.3 被控对象：两个积分器就能搭出AUV模型

被控对象建得越复杂，仿真越容易被数值问题干扰而掩盖控制算法的真实表现。我建议先用两个积分器串联搭简化模型，逻辑非常直观：

• 计算总加速度：acc = (τ - c1·w - c2·|w|·w + Δ + d) / m；
• 加速度经过第一个积分器得到速度w；
• 速度再经过第二个积分器得到位置z；
• 状态反馈回控制器，构成闭环。

注意干扰d一定要加在被控对象模型的加法器里，而不是加到控制器前馈路径上，这样控制器并不知道干扰的精确值，才能在仿真中真正检验SMC的抗扰能力。如果干扰提前告知了控制器，那仿真结果就只是自欺欺人。

搭建积分器模型的时候，最好把m、c1、c2、delta这些参数做成外部输入，而不是写死在Gain模块的数值里。这样后面参数整定直接改工作区变量或封装层参数就行，免去每次打开模型找模块改数的麻烦。

3.4 求解器配置：固定步长和变步长怎么选

Simulink求解器配置是很多人容易忽略的坑。连续模型默认用变步长ode45，对多数系统没问题，但SMC中含有快速切换机制，即使做了tanh平滑，切换动作也比较陡。我实际测试下来，变步长求解器会自动缩小步长来捕捉快速动态，仿真速度会明显下降，而且个别工况下还会出现数值刚性导致的震荡。更稳妥的方案是先用变步长ode45快速验证算法逻辑，等参数基本确定后切到固定步长求解器，步长取1e-3秒或更小，做最终的性能评估。

步长选择有个简单的权衡逻辑：步长太大，快速切换项可能被跨过，导致仿真结果失真；步长太小，仿真时间成倍拉长，调参效率低。我一般先用1e-3秒做日常调参，最后评估阶段再用1e-4秒跑一组最终数据归档。

3.5 示波器里该看什么信号

很多人做SMC仿真只盯深度跟踪曲线，看着曲线贴上了就觉得算法有效。实际上，真正判断SMC控制器工作状态的信号是滑模面s。建议同时观测这五路信号：

• z和z_d的跟踪曲线，判断最终控制精度；
• 速度w曲线，判断运动状态是否合理；
• 控制输入τ曲线，判断执行器负载是否可接受；
• 滑模面s曲线，这是最核心的指标；
• 切换项输出曲线，判断抖振程度是否可控。

判断逻辑非常直接：如果s曲线没有收敛到零附近，说明切换项强度不够，系统根本没进入滑模运动；如果s能在零附近，但围绕零的震荡幅度很大，说明边界层太窄或ε过大。先看清楚了s的形态再动参数，比盯着深度曲线瞎猜高效得多。

4. 仿真调试的真实过程：发散、震荡和参数整定思路

4.1 现象一：一运行就发散，控制量直接爆表

我完成第一版搭建后，最常遇到的情况就是仿真一启动，控制量瞬间冲到几百，深度曲线直接飞掉。这个问题的排查经验可以沉淀成一张表：

排查顺序我总结成了三步：先看s曲线，再看控制量，最后看深度。很多发散问题只要看s就明白了，比如s在高频震荡且幅值不衰减，说明切换项不够或者趋近律参数不合适；如果s直接单调增大，说明符号方向搞反了，或者期望导数的符号有问题。先看s，能帮你在前两步定位到大部分问题。

4.2 现象二：能跟踪但抖振明显，执行器曲线上全是毛刺

在参数粗调合格后，最常见的问题就是抖振。切换项里的tanh虽然平滑了符号函数的突变，但边界层φ取得太小，控制量依然会有明显的高频分量。处理抖振我一般按照三个方向依次尝试，不必一上来就大改参数：

第一步，观察φ是否过小。把φ从0.1往0.5方向调，看τ曲线的毛刺是否明显减少。要注意此操作会让稳态误差略微增大，属于权衡。第二步，适当减小ε。如果当前ε已经超过实际干扰的2倍以上，就可以逐步下调。第三步，考虑切换项改为自适应边界层，让φ随|s|的大小动态变化：|s|大时φ大，平滑趋近；|s|小时φ小，保持精度。

还有一种更“曲线救国”的办法，是把趋近律换成指数趋近律的改进形式，比如加一个-η·s项让趋近速度随s幅值自动变化，本质上就是增加线性趋近项来减少切换频率。这个改法在仿真中效果明显，但设计工作量也会增加，适合对SMC有一定理解之后再尝试。

4.3 调参顺序和效果对比

SMC参数整定的顺序非常关键，我自己的经验是：先定λ，再定k，最后定ε和φ。λ决定滑模面的斜率和误差收敛速度，如果λ太大，期望加速度前馈会放大，执行器容易饱和；λ太小，系统响应慢。定住λ后再调k，k控制s趋近零的速度，相当于把系统“推向滑模面”的力度。ε和φ放在最后，是因为它们直接影响稳态性能和抖振幅值，依赖于前两个参数已经稳定。

下面是我在简化模型上做的一组典型调参对照：

可以把λ想成“误差收敛的阶梯”，k想成“把s拽回零的绞盘”，ε则是“对抗外力的保险丝”。调完一轮之后不要急着改下一组，先把波形存下来，最好是叠加对比图。只凭肉眼目测很难判断前面那组参数到底差在哪里，但把新旧曲线叠加之后，超调量、调节时间、稳态误差差多少一目了然。

5. 从理想仿真走向半实物验证：干扰、离散化和执行器约束

5.1 把干扰造得真实一些

基础仿真里的干扰通常就是一个阶跃或者正弦波。这个测试太温柔了，实际水下环境中的干扰是低频浪涌加高频噪声叠加出来的。我一直推荐给模型加组合干扰：

d = 500·sin(0.2·t) + 80·randn

第一项模拟慢变海流，第二项模拟波动与传感器噪声。组合干扰会让SMC的切换项始终处于动态对抗中，能够检验控制器在不同干扰频段下的表现。如果在这种干扰下深度跟踪误差还能保持在允许范围，再去面对真实水域时心里才有底。

另外还要考虑执行器饱和。AUV推进器或舵面能提供的力是有限的，控制律算出来的τ被限幅之后，实际上是一个非线性环节。把Saturation模块加在控制器输出和被控对象输入之间，再重新跑一遍，你会发现参数可能要整体回调，因为饱和限幅等效于减小了系统增益，原来的λ和k在饱和边缘工作时容易诱发极限环振荡。执行器变化率约束也可以通过Rate Limiter模块加进去，模拟电调响应速度，对防止实际作动器损坏很有帮助。

5.2 连续控制律的离散化处理

Simulink里默认的连续控制器，到了嵌入式环境必须离散化。最简单的做法是采用前向欧拉法，把每一拍的控制计算改成：

s_k = de_k + λ·e_k

τ_k = m·(ddz_d,k + λ·de_k + k·s_k + ε·tanh(s_k/φ)) + c1·w_k + c2·|w_k|·w_k - Δ

这里的采样周期T_s要和实际控制器的控制周期一致。T_s太大会导致离散化误差放大，切换项在滑模面附近可能来回穿越；T_s太小又给执行器带来不必要的计算负担。我一般先用T_s=0.02秒做离散化仿真，和连续系统对比结果，再逐步调整。离散化之后，之前连续仿真里看不到的离散抖振现象会显现出来，这是正常的。

这里有一个容易被忽略的坑：连续系统仿真中φ取0.5没问题，离散化后同一组参数在20毫秒采样周期下可能震荡明显。原因是离散化降低了系统对滑模面附近动态的感知精度，边界层厚度的有效作用变小了。遇到这种情况，适当放大φ，相当于用边界层把离散误差也包住，是最简单有效的对策。

5.3 仿真结论怎么约束实测预期

仿真验证只能证明算法原理和参数方向是对的，不能证明参数可以直接搬到实物。真实AUV的阻尼系数、海流强度、传感器延迟都和仿真模型有偏差，实测时几乎注定要重新调一遍参数。我能给的实操建议是：仿真中不要把参数整定到极限状态，留出20%到30%的裕量。比如最优ε在2.5附近，那实测就从3.0起步往回调；φ也稍取大一点，先保证执行器不抖振，再逐步收紧精度。这样能让从仿真到水下测试的跨度小很多。

在半实物验证环节，我的习惯是先用固定深度阶跃测试最简工况，确认系统方向正确之后，再切换到梯形深度剖面测试跟踪性能，最后才上正弦轨迹加干扰的复杂工况。分级测试的好处是，一旦出问题，能直接定位到是控制器逻辑、执行器响应还是干扰模型出了问题，而不是所有问题混在一起无从下手。

我个人在做这个项目时最大的体会是，SMC给AUV控制带来的不是某组神奇的参数，而是一种设计思路：先定义误差收敛方式，再用切换项兜住所有模型误差和外部扰动。这个思路在仿真环境中验证起来非常快，因为Simulink天然适合这种控制器与被控对象分离的架构。如果你准备在自己的AUV项目里尝试SMC，我的建议是从最简模型开始，先跑通一条深度控制链路，确认滑模面信号在示波器上乖乖归零之后，再一步步增加自由度、干扰和离散化复杂度。每一步只引入一个新变量，排查起来才不会手忙脚乱。