This paper investigates the tracking control of the autonomous surface vessels (ASVs) with the time-varying disturbances. While the echo state network (ESN) accounts for the unknown dynamics in the model, a model-based event-triggered control (MBETC) scheme is presented by using the compound learning technique, which combines the learning of the ESN and the estimation of the compound disturbance. Different from the existing compound learning, the proposed scheme updates the estimates of the ESN weights and the compound disturbances in an event-triggered manner, in which two novel prediction errors are involved in their update laws. The values of prediction errors are obtained by using the online-recorded data during the inter-event time. To solve the recently proposed problem of “jumps of virtual control laws” arising in the backstepping-based event-triggered control (ETC), an event-triggered adaptive model is established to generate the continuous estimates of the states and direct the control laws. By the merit of ETC, the proposed scheme can importantly reduce the communication traffic in the measurement network compared with its continuous substitutes. By the merit of online-recorded-data-based compound learning, the proposed scheme can achieve the good understanding of synthetic uncertainties. All the errors in the closed-loop system are proved to be semi-globally uniformly ultimately bounded (SGUUB). Finally, a numerical example corroborates the proposed scheme.

本文研究了具有时变扰动的自主水面舰艇（ASV）的跟踪控制。虽然回声状态网络（ESN）解释了模型中的未知动态，但是通过使用复合学习技术提出了基于模型的事件触发控制（MBETC）方案，该方案结合了ESN的学习和对ESN的估计。复合干扰。与现有的复合学习不同，该方案以事件触发的方式更新了ESN权重和复合干扰的估计，其中两个新的预测误差涉及其更新定律。在事件间隔时间内，通过使用在线记录的数据获得预测误差的值。为了解决最近提出的基于反推的事件触发控制（ETC）中出现的“虚拟控制律跳跃”问题，建立了一个事件触发自适应模型来生成状态的连续估计并指导控制律。借助ETC的优点，与连续替代方案相比，该方案可以显着减少测量网络中的通信流量。通过在线记录数据复合学习的优点，提出的方案可以很好地理解综合不确定性。闭环系统中的所有误差都被证明是半全局一致的最终有界（SGUUB）。最后，一个数值例子证实了所提出的方案。建立事件触发的自适应模型以生成状态的连续估计并指导控制律。借助ETC的优点，与连续替代方案相比，该方案可以显着减少测量网络中的通信流量。通过在线记录数据复合学习的优点，提出的方案可以很好地理解综合不确定性。闭环系统中的所有误差都被证明是半全局一致的最终有界（SGUUB）。最后，一个数值例子证实了所提出的方案。建立事件触发的自适应模型以生成状态的连续估计并指导控制律。借助ETC的优点，与连续替代方案相比，该方案可以显着减少测量网络中的通信流量。通过在线记录数据复合学习的优点，提出的方案可以很好地理解综合不确定性。闭环系统中的所有误差都被证明是半全局一致的最终有界（SGUUB）。最后，一个数值例子证实了所提出的方案。通过在线记录数据复合学习的优点，提出的方案可以很好地理解综合不确定性。闭环系统中的所有误差都被证明是半全局一致的最终有界（SGUUB）。最后，一个数值例子证实了所提出的方案。通过在线记录数据复合学习的优点，提出的方案可以很好地理解综合不确定性。闭环系统中的所有误差都被证明是半全局一致的最终有界（SGUUB）。最后，一个数值例子证实了所提出的方案。