动态洋流 ROV 键盘遥操与 MLP 巡航控制

概述

本模块在 MuJoCo 中构建了一个 6-DOF 水下 ROV 仿真环境，核心特性：

  • 动态洋流扰动：时变双向流体力 Fx=ax·sin(ωx·t), Fy=ay·sin(ωy·t) 持续作用于 ROV
  • 键盘运动控制：w/s/a/d/q/e 直接发布 /rov_teleop/cmd_vel
  • MLP 神经网络巡航策略：行为克隆（Behavior Cloning）从脚本专家采集数据，训练 6→64→32→2 的 MLP，输入 [ex, ey, eyaw, vx, vy, wz]，输出世界系期望速度 [vx, vy]
  • 完全自包含：不依赖仓库其他包，MJCF 模型仅用 box/plane/cylinder 基本几何体

运行环境

项目 版本
操作系统 Ubuntu 20.04.6 LTS（VMware 虚拟机，无 GPU）
ROS 2 Humble（/opt/ros/humble）
Python 3.8.10
MuJoCo 3.1.6（OSMesa 离屏渲染）
PyTorch 2.4.1+cpu
NumPy 1.24.4

依赖安装：

pip3 install -i https://mirrors.aliyun.com/pypi/simple/ -r requirements.txt
pip3 install torch==2.4.1+cpu torchvision==0.19.1+cpu \
  -i https://mirrors.aliyun.com/pypi/simple/ \
  --extra-index-url https://download.pytorch.org/whl/cpu
sudo apt install libosmesa6

动力学模型

水下动力学在代码层施加（不依赖 MuJoCo 流体扩展），每步向 qfrc_applied 叠加：

  1. 浮力补偿：$F_z = m \cdot g$（近似中性浮力）
  2. 黏性阻尼：$F_{lin} = -c_{lin} \cdot v$，$F_{ang} = -c_{ang} \cdot \omega$
  3. 姿态自稳：横滚/俯仰误差比例力矩
  4. 洋流扰动：$F_x = a_x \sin(\omega_x t),\; F_y = a_y \sin(\omega_y t)$
  5. 速度闭环推力：$F = K_p (v_{cmd} - v_{actual})$，限幅

话题

话题 类型 方向 频率
/rov_teleop/cmd_vel geometry_msgs/Twist 输入（键盘/巡航节点） —
/rov_teleop/odom nav_msgs/Odometry 位姿+速度 50 Hz
/rov_teleop/image_raw sensor_msgs/Image (rgb8, 160×120) 前视相机 10 Hz
/rov_teleop/status std_msgs/String 状态文本 0.5 Hz

神经网络

架构：MLP（6 → 64 → 32 → 2），Tanh 激活

输入: [ex, ey, eyaw, vx, vy, wz]   # 位置/航向误差 + 当前速度
输出: [vx_world, vy_world]          # 世界系期望速度
损失: MSE（行为克隆回归专家输出）

训练流程： 1. collect：脚本专家（比例控制器）绕 4 个航点跑圈，采集 4000 组 (特征, 专家指令) 2. train：Adam 优化器，200 epoch，CPU 上 <1 分钟收敛 3. test：闭环评估，统计 MAE 与航点到达率

实测结果：专家 4/4 航点到达，MLP 2/4，MAE 1.60m / 1.67m

ROV 巡航动画

前视相机

运行步骤

# 编译
colcon build --symlink-install --packages-select mjc_rov_current_teleop
source install/setup.bash

# 全链路（采集→训练→评估）
bash main.sh

# 或分步
python3 main.py collect
python3 main.py train
python3 main.py test

# ROS 实时仿真
ros2 launch mjc_rov_current_teleop main.launch.py
# 另开终端
ros2 run mjc_rov_current_teleop keyboard_node
ros2 run mjc_rov_current_teleop cruise_node

性能评价

控制器 MAE 位置误差 航点到达
脚本专家（P 控制器） 1.60 m 4/4
MLP（行为克隆） 1.67 m 2/4

MLP 在洋流扰动下接近专家性能，证明神经网络学会了基本的航点跟踪行为；与专家的差距反映了 BC 方法在动态扰动下的泛化局限。

文件清单

mjc_rov_current_teleop/
├── package.xml / setup.py / setup.cfg
├── requirements.txt / README.md
├── main.py / main.sh
├── mjc_rov_current_teleop/
│   ├── __init__.py
│   ├── common.py          # 水下动力学 + 路径解析
│   ├── cruise_net.py      # MLP 定义/采集/训练/评估
│   ├── sim_node.py        # ROS MuJoCo 仿真节点
│   ├── keyboard_node.py   # 键盘遥操
│   └── cruise_node.py     # ROS MLP 巡航节点
├── launch/main.launch.py
├── models/rov_pond.xml    # 自包含 MJCF（基本几何体）
├── config/rov_current_params.yaml
└── resource/mjc_rov_current_teleop