无人船(unmanned surface vehicles,USV)是一种船端无人操控的水面船舶,近年来受到了广泛关注。如何实现自主航行是USV面临的核心问题,而设计一种具有精确航迹控制能力的运动控制器是解决该问题的基础。本文围绕USV运动控制的两种基本形式——轨迹跟踪(trajectory tracking)控制和路径跟随(path following)控制,在模型预测控制(model predictive control,MPC)方法基础上结合视距(line-of-sight,LOS)导航、最小支持向量机(least squares support vector machines,LS-SVM)、扩张状态观测器(extended state observer,ESO)等方法开展USV运动控制研究,以解决运动控制中由于环境干扰影响、模型参数改变、参数和干扰不可测等因素导致的控制精度不高问题,并利用建立的USV运动控制实验平台在真实环境下验证所提出的运动控制算法的有效性。本文主要研究工作和成果如下:(1)为解决不确定环境下带系统约束的欠驱动USV轨迹跟踪问题,利用水动力模型分别提出了基于线性MPC(linear MPC,LMPC)和非线性MPC(nonlinear MPC,NMPC)轨迹跟踪控制方法,并分别描述了状态空间模型建立、模型线性化与离散化、约束设置、目标函数设计等过程。通过仿真实验分析了这两种方法的轨迹跟踪控制效果,结果表明,本文所提出的LMPC和NMPC方法均具有较好的轨迹跟踪控制效果且能抵抗一定强度的干扰,LMPC方法在计算效率上优于NMPC方法,而NMPC方法具有更高的控制精度。通过与滑模控制器对比得出,基于MPC的USV轨迹跟踪控制器具有更优良的控制效果。(2)针对USV运动控制中的路径跟随控制问题,为克服水动力模型参数难以辨识的弊端,提出了一种基于二阶非线性Nomoto舵角响应模型的路径跟随控制方法。首先,在传统LOS导航方法的基础上提出了一种自适应LOS导航算法来提高路径切换时的跟踪精度,该自适应LOS导航算法主要是通过自动调节路径点接纳圆大小以获得更高的跟踪精度;其次,提出了一种基于自适应LOS导航方法和MPC方法的路径跟随控制方法;最后,分别在无环境干扰和有环境干扰情况下对路径跟随的效果进行了仿真验证。结果表明,相比于传统LOS导航方法,自适应LOS导航方法结合MPC控制具有更高的路径跟踪控制精度,且该路径跟随控制方法在一定水流和其他干扰的情况下仍能较好地完成路径跟踪控制。(3)为解决USV在路径跟随中由于模型参数改变引起的控制效果变差问题,提出了一种基于λ-LS-SVM和MPC的自适应路径跟随控制方法。其中,λ-LS-SVM用于运动模型参数的在线参数辨识,具体是基于滑动数据窗口实现数据集的在线更新,基于一种模型变化指数λ来判断模型是否发生改变,利用输入持续激励方法保证参数辨识过程中有足够的激励。对于所提出基于λ-LSSVM和MPC的自适应路径跟随控制方法,在仿真实验中通过设置不同场景来验证λ-LS-SVM对提升参数辨识精度的效果,以及验证该自适应控制方法能否自动适应自身和外界环境的改变。结果表明,相比于LS-SVM,λ-LS-SVM方法能较稳定地辨识模型参数,提出的自适应控制方法也能较好地应对路径跟随过程中模型参数的改变。(4)针对USV运动控制过程中某些状态参数不可测和干扰不可知的问题,提出了一种基于补偿扩张状态观测器(extended state observer,ESO)的MPC控制方法。补偿ESO观测器是在传统ESO观测器基础上提出的,具体是将模型中的非线性项和外界干扰统一为集总干扰来处理。在理论上对观测器的收敛性进行了分析。补偿ESO观测器将复杂的非线性模型转换为线性模型,使MPC最优化问题求解效率显著提升。在仿真环境下通过数值计算示例和USV船首向跟踪示例均验证了补偿ESO观测器能够无静差地估计不可测状态和干扰,具有较好的控制效果。(5)提出了一种基于自适应LOS导航、补偿ESO观测器和MPC(LOSESO-MPC,LEM)的USV路径跟随控制方法。在仿真环境下,通过与PID(proportional–integral–derivative,比例-积分-微分)控制方法对比验证表明,LEM控制方法能够在未知外界干扰和未知状态量下完成精确的路径跟随控制,且比PID具有更高的跟踪精度。(6)搭建了基于模型船的USV运动控制实验平台。针对模型船的室内定位和船首向获取问题,提出了一种基于单目视觉的高精度定位方法。为验证本文提出的USV运动控制方法在真实环境下的控制效果,在模型船实验平台上开展了基于MPC的航向跟踪控制、基于MPC的路径跟随控制、自适应LOS导航算法、基于LEM的路径跟随等实验,通过与其他方法的对比验证了本文所提出的方法在真实环境下具有更好的控制效果。