该论文采用一种基于共识的优化协调协议和鲁棒控制器，通过引入球面坐标变换和分布式优化运动协调策略解决了非完整约束问题，并设计了基于神经动力学的鲁棒反馈控制器来处理欠驱动问题，确保在存在未知干扰情况下，UUVs 编队系统的稳定性和所有状态的一致有界性。通过广泛的仿真比较，验证了所得到的最优编队跟踪协议的优越性和有效性。

Aug, 2023

该研究提出了一种智能控制策略，旨在消除无人水下车辆轨迹跟踪过程中存在的执行器饱和问题。

Oct, 2022

利用时间序列神经网络代替推进力学模型，开发搜索式反向模型控制系统，以多个目标为目标，找到一组鳍动力学参数，并演示了如何集成此模型来进行在线控制。

Sep, 2022

研究了一种适用于多个水下舰艇的分布式鲁棒学习控制策略，考虑到完全不知道舰艇的系统参数以及建模误差、海洋干扰和噪声，通过图论合成具有稳定性保证的分布式控制器，并采用回步控制技术处理动态模型中的参数不确定性，提出了在线学习过程来处理时变和未知系统，并引入神经动力学模型来解决建模误差、环境干扰和测量噪声问题，通过稳定性分析确保了理论层面上的鲁棒自适应性能，最后通过大量的仿真实验验证了所提出的分布式控制策略的有效性。

Aug, 2023

本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示，评估了不同初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制适用性。

Aug, 2022

本文提出了一种基于神经动力学的分布式控制策略，通过反步和滑模控制的混合形式实现了多个不同差动驱动移动机器人的分布式 leader-follower 形成控制，并集成了自适应滑动创新滤波器，以提供对建模不确定性鲁棒的精确状态估计。经过多次模拟，验证了该控制策略的有效性和高效性。

May, 2023

利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV 的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高 3 倍。

Oct, 2023

本论文针对多移动机器人的分布式编队控制提出了一种提高现实可行性的新方法，首先采用变结构和级联设计技术引入分布式估计器，消除了对导数信息的需求以提高实时性能，然后采用仿生神经动力学方法开发了一种运动学跟踪控制方法，旨在提供平滑的控制输入并有效解决速度跳跃问题，此外还提出了一种基于学习的鲁棒动态控制器，以解决在完全未知动力学和干扰下操作的机器人的挑战，该控制器在实时参数估计的同时保持了其对干扰的鲁棒性，并通过严密的数学分析证明了所提方法的整体稳定性，最后，多个综合仿真研究表明了所提方法的优势和有效性。

Mar, 2024

提出了一种基于智能容错控制策略的水下载具轨迹跟踪问题的解决方案，该策略采用改进的反步法和滑模控制来解决物理约束条件下的舵机饱和问题，并基于 Grasshopper 优化算法来解决推进器故障的力量缺失问题，仿真结果表明该方案具有很好的鲁棒性和有效性。

Jan, 2023

研究论文提出了一种基于学习的自适应控制系统，使用交叉熵深度学习方法确定自适应参数，并通过实验和指标对其稳定性进行了研究。

Apr, 2024