主动预测抗流架构
利用 AI 的时序记忆能力，在环境干扰造成显著航向偏差前，提前输出反向推力，彻底消除“S”型蛇形轨迹。
CONCEPT 1. 核心理念：反应式 vs 预测式
传统 PID
工作逻辑： 只有当传感器检测到偏差 (Error > 0) 时，系统才开始修正。
🌊 浪打来 -> 船歪了 -> PID 检测到 -> 开始修正 -> 修正过度
结果：永远滞后，形成 S 型轨迹。
AI 预测
工作逻辑： 根据历史数据趋势，预判下一秒的环境推力，提前抵消。
🧠 RNN 记忆风流规律 -> 预判船将要歪 -> 提前输出反推力 -> 船保持直线
结果：主动稳向，轨迹平直。
WORKFLOW 2. 预测控制流程
1. 感知
IMU 9軸 (加速度/陀螺儀/羅盤) + GPS。
2. 记忆
RNN 分析過去 1-2 秒的環境受力趨勢。
3. 预判
DQN 計算抵消漂移所需的推力矢量。
4. 执行
電機輸出反向力矩，抑制偏差。
技术实现依据： 申请表(Deliverable 3) 明确提到建立 "Physics-based VRX" 包含风阻、浮力及波浪模型，这是实现预测控制的物理基础。
技术透视：LSTM 的记忆原理 (Ct vs ht)
短时记忆 (h_t)
Hidden State
这是 AI 對“當下 2 秒”的瞬時觀察。它對波浪的每一次晃動都非常敏感。如果只靠它，AI 會隨波逐流，頻繁修正。
长时细胞状态 (C_t)
Cell State
這是 AI 的“長期經驗庫”。它像一條貫穿時間的傳送帶，記錄了過去幾分鐘甚至更久的環境趨勢（如持續的側風）。即便 h_t 在劇烈震盪，C_t 能保持穩定，鎖定對抗風流所需的基礎推力。
AI LOGIC 3. 干扰分类逻辑：风 vs 浪
A. 持续力 (風 / 長浪)
特征：數據顯示持續的加速度積累 (DC Bias)。
AI 策略：建立對抗模型
- 記憶機制： RNN 將持續偏差寫入 C_t (Cell State)。
- 執行： 系統持續輸出穩定的反向推力，直到風力消失。
B. 週期震盪 (碎浪)
特征：數據呈現高頻的正負交替。
AI 策略：主動過濾
RNN 識別為無效震盪，不更新 C_t，避免電機頻繁動作。僅在震盪幅度危及舒適度時才進行阻尼介入。
技术挑战與缺失
申請表未詳述的工程挑戰，需準備答辯方案：
無傳感器推斷
挑戰： 硬件無風速/流速計。
應對： 利用 RNN 融合 IMU 加速度與 GPS 軌跡，反推環境外力。
低速 GPS 精度
挑戰： 低速時普通 GPS 漂移大，難以檢測微小偏航。
應對： 依賴 傳感器融合。以 IMU (指南针/陀螺仪) 負責短期高頻響應，GPS 僅負責長期軌跡校準。