自治水下机器人轨迹跟踪控制是指AUV依据设计的控制律，从指定的初始状态出发，跟踪惯性坐标系中的参考轨迹，达到全局一致渐近稳定且满足跟踪位置误差要求。自治水下机器人的轨迹跟踪控制技术是水下机器人研究中的一个重要方面。目前相关研究成果报道还不多，常用的自治水下机器人轨迹跟踪控制策略主要有：非线性状态反馈控制方法、传统PID控制方法、滑模控制方法、反步控制方法、智能控制方法等。91673

(1)非线性状态反馈(Nonlinearstatefeedback)控制方法

非线性状态反馈方法的主要脉络是基于不确定性机器人的运动学模型，以微分几何为基础，通过非线性状态反馈模块，设计非线性状态反馈控制律，在动态响应过程中得到一个趋于稳定的闭环系统。状态指闭环系统中用参考轨迹和实际跟踪轨迹之间误差形式来表示的机器人状态空间方程中的参数向量。该方法的最大问题是如何使系统全局渐近稳定在原点平衡状态。B。d’AndreaNov-el[1]等人全面地分析了非线性机器人的结构与其反馈线性关系的基础上，利用微分平摊的概念，引入动态的反馈，来获取符合指数收敛的存在奇异点的局部跟踪控制律。该方法优点是以一维动态跟踪控制来获取闭环系统无奇异点的跟踪控制器，相应的也存在缺点，即要求参考角速度控制输入不能是零[2]，这使得轨迹跟踪中极为普遍的直线轨迹跟踪不能实现。

(2)传统PID控制方法

初始阶段AUV轨迹跟踪控制大多采用传统的PID控制方法，它是在解藕简化6自由度自治水下机器人动力学模型的根基上，从水平面、垂直面上两个方面实现对AUV的轨迹跟踪控制[3]。此种传统PID控制很长时间内得到普遍应用，其控制效果取决于PID参数，而PID参数整定又取决于被控物质的模型，且AUV动力学模型存在强耦合、非线性的特性及不确定的水动力参数；同时，在跟踪控制实现前，需要对AUV动力学模型进行许多修改，造成这种PID传统轨迹跟踪控制方式在多种实际状况下无法满足实际需要。(3)滑模(SlidingMode)控制方法因为变结构滑模控制技术模糊了准确的控制对象模型及对于外界干扰具有一定的鲁棒性，所以滑模控制技术在AUV控制中得到广泛关注[4]。它不仅应用于AUV的状态控制[24-25]，而且在AUV轨迹跟踪控制中有较好的表现[5]。滑模控制的致命的缺陷在于其控制中必定产生“抖振”，使得水下机器人控制电机状态不断变化，极易发生电气与机械系统故障，令AUV控制性能变差与工作寿命减少。目前，虽然许多学者不断发表了一些减少滑模控制“抖振”的理论[6]，但都停留在系统仿真研究上，并未在实际中产生有效应用。(4)反步(Backstepping)控制方法此种控制方式依据李雅普诺夫(Lypaunov)函数来构造反步控制器，将由积分环节串联的各子系统的非线性严格反馈系统逐级稳定的方法。文献[7]介绍了基于简化的动力学模型的后退方法，通过设计恰当的辅助速度控制输入的鲁棒自适应控制器，实现机器人对理想轨迹的跟踪。由于此方法不考虑机器人系统的动力学特征，所以控制器结构简单且便于实现。但是该方法适用领域较少，仅针对具有严格反馈结构的机器人，并且伴随着动态响应需要机器人具有很多时候具有接近无穷大的加速度，使得机器人的伺服电机的使用寿命大幅减少且难以保养，造成不易应用于实际中。

(5)智能(Intelligent)控制方法智能控制使控制系统设计不再取决于数学模型，打开了非线性的束缚，同时也为如何

对非完整移动机器人进行运动控制提出了新的策略[8-9]，具有重要的理论价值和广阔应用前景。现在在运动控制问题中主要类别为模糊控制和神经网络控制。文献[10]对模糊神经网络在多变量、强耦合、非线性的这类机器人控制系统中的应用进行了综述，对模糊神经网络控制目前的问题和发展趋势进行了细致研究。文献[11]针对模糊的机器人模型和外界干扰下的未知变化，提出了一种基于神经网络的机器人模型基本自适应控制方案，选择两个动态对角回归神经网络以确认和控制未知动力学模型，使系统在跟踪特性和抗干扰性达到了一定的高度。文献[12]提出了一种模糊神经网络控制策略基于遗传算法，即建立模糊规则让模糊神经网络离线学习，使网络参数逼近全局最优。并在计算机仿真和AS-R自主轮式移动机器人平台分别实验，验证了所设计轨迹跟踪控制律的有效性。文献[13]依据预瞄控制理论构造了运动模糊控制器和预瞄模糊控制器，在移动机器人的路径跟踪中获得良好控制效果。