水下无人航行器的协同路径规划

水下无人航行器的协同路径规划2青岛军械技术保障大队山东省青岛市 266000

摘要：无人水下航行器作为探索海洋的关键设备，已经广泛用于完成水下搜救、勘测及海洋生物监测等军事和民用领域任务。介绍了水下无人航行器的协同路径规划的编队控制、协同路径规划及环境信息感知。

关键词：水下无人航行器；路径规划；环境信息感知；

引言

无人自主水下航行器(UUV)的协同控制作为海洋开发和多机器人系统之间的交叉领域, 近几十年来越来越受到研究人员和工程师的关注。目前, UUV协同控制理论体系尚处于构建之中, 相关研究正面临诸多亟待解决的难题。文中对多UUV 协同控制问题中的编队控制、协同路径规划、环境感知等进行了全面调研。最后讨论了未来可能研究的相关方向, 为在复杂的海洋应用场景中合理利用UUV来完成各种水下任务提供相关参考。

1编队控制

编队的目的是控制UUV的相对位置、速度和方向, 以便在群体移动的同时执行任务。为了实现编队控制, UUV之间需要通过无线或水声通信交换一些关键信息。UUV编队的架构可以分为集中式架构和分散式架构。分散式架构包括分布式架构和分层式架构, 其主要区别在于决策过程, 可看作是动作选择的过程。在集中式架构中, 1个中央控制器可以获得UUV和环境的全局信息(例如UUV位置、速度以及障碍位置等), 这些信息由UUV携带传感器进行收集。为了使多UUV保持预定的编队队形避开障碍物并到达目的地, 需要1个集中式控制器对全局信息进行处理并决策。进而,集中控制器会向每个UUV发送命令信号, 而每个UUV将其状态信息作为反馈发送给集中控制器(例如, 领导者UUV)。集中式架构的主要优点是易于实现, 但其缺点包括: 对于控制器故障的鲁棒性较弱; 需

要高带宽的通信环境, 通信资源消耗大。在分布式架构中, UUV之间可以交换

环境和UUV状态信息。为了实现分布式控制, 每个UUV需要与整群的1个子集UUV共享其信息。每个UUV都有1个控制器, 可以基于UUV群的局部信息进行独

立决策。例如, UUV根据其邻居提供速度和位置信息, 与其邻居UUV保持相同

速度和恒定距离。分布式体系结构优点包括: 具有更好的鲁棒性和灵活性; 具

有更小的通信负担。在分层式架构中, 存在1个或多个子控制器, 将UUV组织

成集群。分层式架构可以看作是集中式体系结构的扩展。集中式控制器会做出决策, 并向子控制器发出命令。然后, 子控制器处理来自集中式控制器的命

令, 并将新的命令传输到集群中。每个集群中的UUV执行命令并给其子控制器

提供反馈, 而子控制器也给集中式控制器提供反馈。分层体系结构的优点包

括: 高可伸缩性; 与子控制器共享计算和通信负担。分层式架构的缺点是对集

中式控制器的故障缺乏鲁棒性。然而,上述的缺点是相对的, 可以通过良好的补

偿方案来克服。

2协同路径规划

2.1路径规划

根据对航行环境中障碍物等信息的已知程度可以将路径规划分为环境信息基

本已知的全局路径规划和环境障碍物信息未知的局部路径规划。全局路径规划需

要提前知道该区域的海底地形和其他障碍物位置也就是环境建模，环境建模的主

要方法有栅格法等。全局路径规划的一般方法有:A*算法、人工势场法、概率路

线图 ,快速搜索随机树算法等。启发算法如:进化算法、粒子群算法、蚁群算法等。局部路径规划则完全依靠UUV自身携带的传感器对航行器周边状况进行持续

探测。在实时避碰方面使用较多如模糊决策、神经网络和强化学习方法、动态窗

口法、速度障碍法等。

2.2蚁群算法

蚁群算法是一种在路径规划领域应用较为广泛的优化算法，采用ACO算法以

解决UUV全局路径规划问题，结果表明该算法在环境相对复杂的情况下表现更好，且算法所得到的路径较为平滑，规划时间效率也较高。2012年将惩罚算子加入到

传统ACO算法中以保证UUV的路径安全性，并在二维水下环境的路径规划任务中，引入四叉树算法使ACO算法具备了局部避障的能力，这种改进策略对于算法跳出

局部最优问题也有积极作用。之后在2013年基于先前的研究用八叉树对原算法

进行进一步的改进，研究了算法在UUV三维规划问题中的表现，结果表明该算法

能够帮助UUV规划出一条安全的路径，但是由于三维空间运算量增加的原因，该

算法不可避免地出现了规划效率低等问题。针对三维问题中规划时间长的缺点，

将遗传思想融入到ACO算法中完成UUV的全局路径规划工作，通过保留遗传精英

和最大最小个体的方式，使算法在复杂的三维问题中也具有较高的搜索效率，但

由于未对实际水下环境因素加以考虑，导致结果与UUV真实工作环境具有一些差异。因此，为了让算法在解决UUV大范围水下路径问题时也能有不错的效果，需

要将海流对UUV航行的影响加以考虑。针对该问题在传统蚁群算法的基础上，将UUV航行能耗作为蚁群信息素来提高蚁群搜索能力，结果表明改进之后的规划路

径结果在能耗方面具有较大优势。2018年，基于栅格法对三维水下环境建模，考

虑UUV的转角、深度、航行距离和安全性等约束，利用蚁群算法进行三维UUV路

径规划方法研究，但是其对于海流因素考虑不足，对海洋威胁区域设定也较为主观。之后结合粒子群算法的全局寻优策略来改善ACO算法迭代过程中容易陷入停

滞的现象，并考虑航行安全的因素，利用障碍物探测构建干扰模型，提高了路径

规划结果的准确度。针对含有障碍物的二维海洋环境UUV路径规划问题，将烟花

算法融入到蚁群算法的信息素更新策略，结果表明该混合算法全局寻优能力得到

了较大增强，能够在二维海洋环境中找到一条兼顾航行距离与能耗的安全路径。

之后，针对水下航行器在三维作业任务中的规划问题，张楠楠等提出一种面向海

底地形规划的改进ACO算法，结果表明该方法提高了传统ACO算法的全局寻优能力，并且由于该方法将航行距离和路径的光滑度加入到目标函数中，使算法在实

际环境下应用时更具有说服力。将蚁群算法与布谷鸟搜索(Cuckoo Search, CS相

结合进行UUV路径规划工作，混合优化的方式避免了人为调整的问题，参数也相

对较少，结果表明该方法可以有效地缩短UUV航行距离。2021年，面对ACO算法

初期寻优能力弱，搜索效率低的问题，将粒子群算法融入到传统ACO算法中，对

状态转移规则与信息素更新策略加以改进，通过三维栅格模型对真实水下遥感地

形建模实现算法的验证工作，结果表明该算法很大程度地提高了传统算法初期寻

优能力和搜索效率，具有较大的工程意义。与其他算法相比，ACO算法是一种较