This paper investigates the issue of finite-time cooperative depth control of a multi-autonomous underwater vehicle (AUV) system with heterogeneous dynamical structures and heterogeneous time-varying parameters. Initially, we introduce a hierarchical control architecture to decouple communication from the local dynamics effectively, thus mitigating the complexities introduced by such heterogeneity. The architecture leverages the Internal Model Principle (IMP) to transform the arduous task of finite-time cooperative depth control for the heterogeneous multi-AUV system into tractable individual finite-time observation and tracking problems, which simplifies the overall control problem substantially. Subsequently, in response to both finite-time observing and tracking problems, a cooperative observer is designed based on a potential function, and a distributed local feedback controller is developed to achieve finite-time cooperative control. Stability parameter conditions for both the observer and controller are derived rigorously to facilitate control design. The proposed control approach relaxes the constraints on communication topology and dynamics, enhancing its practical applicability in multi-AUV systems. The feasibility of the hierarchical architecture and the finite-time stability of the upper observer and lower controller are rigorously analyzed. Comparative numerical simulation experiments are conducted to demonstrate the effectiveness of the proposed methods.

Abstract The aim of this paper is to propose a novel method for identifying the hydrodynamic parameters of a deep‐sea mining vehicle during deployment and retrieval. The proposed approach combines numerical simulation with a nonlinear filter. Initially, a dedicated hydrodynamic model for the deployment and retrieval of the mining vehicle is constructed. The identification process commences with simulations based on computational fluid dynamics (CFD). This approach utilizes CFD to simulate the motion of the deep‐sea mining vehicle during deployment and retrieval, employing an implicit solution approach to analyze its motion in Heave and Yaw degrees of freedom under periodic external forces. Consequently, this provides hydrodynamic performance data. Subsequently, the unscented Kalman filter (UKF) estimator is applied to optimally solve an augmented matrix that incorporates both motion data and hydrodynamic parameters, yielding numerical values for the hydrodynamic parameters. Simulation results demonstrate that, in comparison to motion performance obtained by the CFD method, the hydrodynamic model derived from UKF enables an effective prediction of the motion of the deep‐sea mining vehicle, with prediction errors consistently below 6%.

ABSTRACT Obstacle avoidance, as an indispensable part of the autonomous driving process, plays an essential role in safeguarding vehicular safety. The intricacies of the driving environment coupled with the uncertainties in vehicle dynamics render the formulation of an obstacle avoidance strategy a formidable challenge. In this study, a novel obstacle avoidance control is proposed for autonomous vehicles that eschews local trajectory replanning based on the principle of constraint‐following. Initially, trajectory tracking is achieved by formulating equality constraints on the vehicle's states, which are based on kinematic relationships between the desired trajectory and the controlled vehicle. By analyzing the geometric relationships between obstacles and the vehicle, the obstacle avoidance inequality constraints of the vehicle position are established. Based on a potential function, we transform the inequality constraints into equality constraints, thereby recasting the obstacle avoidance as a constraint‐following control problem. Subsequently, a closed‐form constraint force based on the Udwadia‐Kalaba (U‐K) approach and an adaptive law are put forward. Through Lyapunov minimax analysis, it has been demonstrated that the derived control ensures the constraint‐following performance. Finally, the Simulink‐CarSim co‐simulations are implemented. The results indicate that the proposed control guarantees the vehicle trajectory tracking and collision‐free performance.

With advancements in autonomous driving technology, the coupling of spatial paths and temporal speeds in complex scenarios becomes increasingly significant. Traditional sequential decoupling methods for trajectory planning are no longer sufficient, emphasizing the need for spatio-temporal joint trajectory planning. The Constrained Iterative LQR (CILQR), based on the Iterative LQR (ILQR) method, shows obvious potential but faces challenges in computational efficiency and scenario adaptability. This paper introduces three key improvements: a segmented barrier function truncation strategy with dynamic relaxation factors to enhance stability, an adaptive weight parameter adjustment method for acceleration and curvature planning, and the integration of the hybrid A* algorithm to optimize the initial reference trajectory and improve iterative efficiency. The improved CILQR method is validated through simulations and real-vehicle tests, demonstrating substantial improvements in human-like driving performance, traffic efficiency improvement, and real-time performance while maintaining comfortable driving. The experiment’s results demonstrate a significant increase in human-like driving indicators by 16.35% and a 12.65% average increase in traffic efficiency, reducing computation time by 39.29%.

This research presents a novel method for identifying hydrodynamic model parameters that are essential for the deployment and recovery of deep-sea mining vehicles. The proposed methodology utilizes a gradient descent (GD)-based optimization technique to minimize a loss function specifically formulated based on the governing motion equations relevant to these processes. This approach yields more accurate hydrodynamic parameters, thereby enhancing predictive capabilities. A key aspect of this article is the comparative analysis between the proposed method and the Unscented Kalman Filter method, demonstrating that GD optimization reduces local time-series errors and exhibits greater stability. Importantly, this technique does not require evenly spaced datasets, thus simplifying data input and enhancing practical applicability. Furthermore, the ease of reusing both the GD optimizer and the loss function facilitates efficient computation of motion data for deep-sea mining vehicles, surpassing traditional filtering methods in terms of input sample data requirements. This article represents a significant advancement in the field of deep-sea vehicle dynamics by introducing a GD-based methodology for hydrodynamic parameter identification.