从“被动修正”到“主动预判”的进化
ESS1 及传统老牌竞品使用的是工业通用的 PID 算法，而 ESS2 引入了深度强化学习 (Deep Reinforcement Learning)，解决了小船在动态水流中的根本难题。
PID 控制 (ESS1/竞品)
被动反应 (Reactive)
原理： 只有当船只已经被风浪推歪（产生误差 Error）之后，系统才开始计算反向推力。
"这就好比盲人走路，撞到墙才知道要转弯。"
- 需要人工根据船型调整参数 (Tuning)。
- 对突发阵风反应滞后。
- 容易产生±18° 的大幅度摆动。
Vilsun AI (ESS2)
主动预判 (Predictive)
原理： 神经网络通过训练，能识别风浪模式和船体惯性，在偏差发生前就输出补偿推力。
"像老船长一样，看着浪头就知道该怎么打舵。"
- 自适应学习环境参数，无需人工调参。
- 提前补偿，消除滞后。
- 将摆动控制在 ±10° 以内。
海况与物理惯性分析
静海域 / 微浪
在环境相对平稳时，AI 的预判优势发挥到极致。它能捕捉微小的流向变化，实现几近完美的直线航行。
大船 / 远洋巨浪
大船惯性极大，很难被推歪。 物理惯性本身就是一种滤波器，PID 虽有滞后，但对于反应迟钝的大船来说已经足够稳妥。
小船 / Vilsun 场景
- 低惯性： “一推就走”，极易受浪涌影响瞬间偏航。
- 易被推动： 同样也容易被 AI 推进器修正。
- 结论： 必须依靠 AI 的预测反应来对抗快速干扰。
实际航行轨迹对比
目标航线
PID: 强震荡 (±18°)
AI: 微幅修正 (±10°)
*示意图：受物理惯性影响，AI 系统仍会有S型轨迹，但通过预判将摆动幅度大幅压缩至舒适范围内。
| 比较维度 | ESS 1 (PID 传统算法) | ESS 2 (AI 强化学习) |
|---|---|---|
| 控制逻辑 | 基于误差反馈 (Error-based) | 基于模型预测 (Model-based Prediction) |
| 环境适应性 | 差，需针对不同负载人工调参 | 强，自我学习适应不同水流/风速 |
| 航向精度 | ±18° (强震荡) | ±10° (微幅修正) |
| 多变量控制 | 仅能单一控制航向 (Heading) | 同时控制航向 + 位置 + 能耗优化 |