基于多AUV间任务协作的水下多目标探测路径规划
水流环境中多AUV协作目标搜索算法
水流环境中多AUV协作目标搜索算法徐丽雯;曹翔;肖旭;孙奥林【摘要】多AUV(Autonomous Underwater Vehicle)在实际水下环境中执行搜索任务时,水流对AUV的航行造成较大影响,使得搜索路径增长,整个搜索团队消耗更多能量.提出了一种将速度矢量合成算法嵌入生物启发神经网络的综合算法.利用生物启发神经网络规划出搜索路径,由于水流影响,其规划的路径较长,引入速度矢量合成算法抵消水流对AUV的影响,优化每个AUV的搜索路径,在不同水流环境中进行多AUV目标搜索仿真.通过与没有引入速度矢量合成的生物启发神经网络算法对比,证明所提方法搜索路径更短、更节省能量.【期刊名称】《淮阴师范学院学报（自然科学版）》【年(卷),期】2019(018)001【总页数】6页(P24-29)【关键词】自治水下机器人;目标搜索;水流环境;速度矢量合成【作者】徐丽雯;曹翔;肖旭;孙奥林【作者单位】淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安223300【正文语种】中文【中图分类】TP2730 引言随着对海洋的深入开发,水下机器人作为重要的海洋开发工具得到广泛关注．水下机器人领域一个重要的研究方向是协作目标搜索算法,近年来取得了大量的研究成果．作为早期目标搜索常用的方法之一,行为策略算法是将一些简单的行为集赋予机器人,使机器人具有沿边界搜索、躲避障碍物等功能．同时,通过对简单的搜索行为进行组合,机器人能够实现复杂环境中的目标搜索任务．Balch T等[1]提出一种基于行为的启发式多机器人目标搜索算法．该算法能够引导多机器人完成对地图的全覆盖搜索．Magid等[2]进一步分析了行为搜索策略在花费和利益方面的优点.利用行为策略搜索目标,机器人不需要昂贵的定位传感器，不需要花费大量的计算资源求解机器人的精确位置,从而降低了搜索目标的成本.行为搜索策略不需要事先规划出机器人的搜索路径,而是多个机器人作为一个整体随机的选择搜索方向．但是基于行为的目标搜索还存在一些不足,如:不能保证全覆盖搜索，搜索路径的重复率高,多机器人之间基本无协作等．这些缺点使得基于行为策略的目标搜索算法搜索效率低,并且没有充分发挥多机器人协作性．针对行为搜索策略的缺点,Simmons等[3]提出一种基于边界的目标搜索算法,用于提升多机器人之间的协作性．该算法控制机器人始终向着边界进行搜索,对于参与搜索的机器人该向哪一条边界搜索,则由中央机器人根据每个机器人到达各个边界的花费和到达边界后获得的增益进行任务分配．边界将被分配给利益最大的搜索机器人．通过任务分配能够使搜索任务在各个机器人之间得到合理的协调,提高了多机器人之间的协作性,同时避免了对同一边界的重复搜索,提高了目标搜索的效率．但是该算法采用集中式的控制结构,一旦中央机器人出现故障整个系统将崩溃．Berhault M等[4]提出了另一种多机器人协作搜索策略,该策略基于组合拍卖算法,充分考虑各个目标之间的关系,对多个目标进行组合拍卖实现任务分配．该算法明显提高了搜索效率,但存在组合的数量以目标数的指数级增加,目标分配计算量大的缺点．因此该策略适用于静态已知环境下的小规模的多机器人系统,而不适用于未知环境中大规模多机器人系统的搜索任务．对于未知环境中多机器人协作搜索目标的策略,Ferranti等[5]提出一种自主搜索的方法．该方法是机器人通过向未知环境加入标签的方式间接与其他机器人实现交流,从而实现了在不可靠、距离短的无线通信环境中的目标搜索，不需要环境的先验知识就能够协调多机器人在具有不同拓扑特点的地形中运动．Cai Y[6]和Hashemi A B[7]提出了另一种未知环境中的多机器人目标搜索策略．该算法基于粒子群优化模型的分布式自组织,将抽象解空间中对最优解的搜索过程转化为在未知地图中对未搜索区域的搜索过程,以此来实现对未知环境的目标搜索．但是这些方法都需要记录机器人的移动路径,一旦搜索区域较大、机器人数量较多时,系统需要的存储空间则需要很大．因此,该算法不适合大范围、大规模的目标搜索任务．对于多AUV(Autonomous Underwater Vehicle)水下协作搜索来说,目前研究报道还较少．Yoon和Qiao[8]提出一种基于同步的多AUV搜索算法,该算法能够实现大范围的目标搜索．AUV通过定时的相聚完成数据的交换,实现对目标的协作搜索．该算法还具有冗错能力,在部分AUV出现故障以后,同样能完成搜索任务．Cao 和Zhu[9]将生物启发神经动力学模型用于多AUV目标搜索,该方法不仅能够完成搜索任务,而且能够自动躲避障碍物．但是这些算法将环境理想化,没有考虑水流影响,因此降低了该算法的实用性．由于水下环境的复杂性,多AUV目标搜索完全是三维立体搜索路径规划,水下环境中海流对AUV的运动影响很大,而且海流还是动态变化的.AUV水动力参数的时变特性,也增加了目标搜索的难度．目前,虽然多AUV协作目标搜索控制算法研究在国际上已有一定进展,但是水流环境下的AUV搜索路径规划等问题还未解决．因此,本文针对水流环境中目标搜索算法进行研究,将速度矢量合成算法嵌入到生物启发神经网络中,克服目标搜索过程中水流对AUV航行的影响．根据水下栅格地图构建生物启发神经网络,使得水下栅格地图中的每一个栅格对应着神经网络中的一个神经元,根据该神经网络中神经元的在线活性输出值分布情况规划AUV的搜索路径.应用速度矢量合成算法优化AUV的航行路径,克服水流的影响．仿真实验证明本文提及的算法在常值和时变水流环境中都能实现有效的目标搜索．1 协作目标搜索算法1.1 基于生物启发神经网络的目标搜索算法基于生物启发神经网络的目标搜索算法是将搜索路径规划问题变为寻找出AUV的下一个航行位置,只要准确找出了该位置,就能够快速的发现未知目标,且不会与障碍物发生碰撞．因此,基于生物启发神经网络的目标搜索策略是将动态环境和AUV的位置相结合,决定AUV下一步的航行位置．首先,根据水下目标搜索空间建立三维的生物启发神经网络模型,并且搜索空间中的每一个栅格对应神经网络中的一个神经元;然后,将动态环境和AUV根据神经网络中每一个神经元的活性输出值分布情况来规划AUV的搜索路径．因此,基于生物启发的神经网络的搜索路径规划就转换为求解神经网络中神经元的活性输出值,并根据其活性值的分布寻找下一步航行位置．该方法的具体步骤为:1) 根据环境信息,应用神经网络活性值求解公式计算出相邻神经元的活性输出值;2) 寻找出相邻最大活性输出值的神经元;3) AUV将最大活性输出值的神经元对应于地图中的位置作为下一时刻的航行位置．当存在多个最大相邻神经元活性输出值时,AUV随机选择其中一个最大值对应的地图位置作为下一步航行的位置,该决策方式并不会影响整个搜索路径规划的过程．基于生物启发神经网络的多AUV目标搜索已有研究成果[9-10],本文不再赘述．1.2 速度矢量合成算法生物启发神经网络较好的实现了无水流环境中的多AUV的目标搜索,但是该算法不能克服水流对AUV航行的影响．下一步的任务是研究在加入水流模型后如何克服水流对AUV航行的影响,实现AUV搜索路径的优化．在生物启发神经网络模型中引入速度矢量合成算法为AUV克服水流影响、优化搜索路径提供了良好的解决方案．速度矢量合成算法的基本思想是通过控制AUV的速度方向,使水流速度和AUV速度的合速度方向指向无水流环境中规划的下一步位置,如图1所示．图1 三维速度矢量合成算法图2 矢量Uc和矢量L确定的平面在有限的三维空间中,深色的圆点表示AUV,浅色的圆点代表AUV下一步位置．Uc 是一个矢量,表示水流的速度．L是一个从AUV当前位置坐标指向下一步位置坐标的矢量,表示该AUV在无水流环境中规划的搜索路径．同时,V也是一个矢量,表示AUV的速度．由于水下机器人速度的大小已知,所以三维速度矢量合成算法可以简化为如何控制AUV的速度方向,使水流速度与AUV速度的合成方向指向矢量L的方向．设矢量Uc和矢量L的夹角为ai4,矢量V和矢量L的夹角为ai3．由几何知识可知,要满足矢量Uc和矢量V的合矢量方向沿着L的指向,必须满足矢量Uc、矢量V以及矢量L在同一个平面上,即矢量V在矢量Uc和矢量L所确定的平面上[10]．为此,引入一个矢量T,表示垂直于矢量Uc和矢量L确定的平面,可由如下公式给出:T=Uc×L(1)由于矢量T垂直于矢量Uc和矢量L确定的平面,且矢量V在矢量Uc和矢量L确定的平面上,所以可以得到:T×V=0(2)此外,根据向量的内积定理可以得出如下公式[11]:ai4=arccos(Uc×L/|Uc|·|L|)(3)由以上分析总结,式(1)、式(2)和式(3)可以保证矢量V在矢量Uc和矢量L确定的平面上．假定矢量Uc和矢量L确定的平面为xy平面,如图2所示．图2中深色的圆点表示自治水下机器人AUV,浅色的圆点表示AUV下一步的位置．此外,Ucn表示表示矢量Uc垂直于矢量L的分矢量,Vcn表示矢量V垂直于矢量L的分矢量．问题的关键变为如何计算ai3,保证矢量V和矢量Uc的合矢量平行于矢量L,且合矢量的方向沿着矢量L的指向．控制矢量Uc和矢量V的合矢量方向平行于矢量L,需满足如下公式[12]:|V|×sin(ai3)=|Uc|×sin(ai4)(4)满足式(4)的矢量V有两个,如图2所示,其中一个位于二维坐标下的第一象限,另一个位于二维坐标系下第四象限．所以必须给出限制条件,控制矢量V的方向,如下公式:ai3+ai4=arccos(Uc×L/|Uc|·|L|)(5)结合以上几个公式可以算出矢量V的速度方向．2 水流环境中的多AUV目标搜索仿真及分析2.1 常值水流环境下的多AUV目标搜索仿真实验中,首先在工作环境中构造一个三维常值水流,设三维常值水流为B(t)=y-1.859,λ=0,与xz平面的夹角为20°,即工作空间中三维常值水流的速度大小为0.1,其速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°．为了验证三维速度矢量合成算法在解决三维常值水流影响中起的作用,本节给出了有无速度矢量合成算法的对比仿真结果(图3)．如图3所示在三维常值水流的水下环境中,有5个AUV需要搜索5个目标．其中图3a给出了不加入三维速度矢量合成算法下的多AUV的搜索路径,图3b给出了加入三维速度矢量合成算法后的多AUV的搜索轨迹．由图3a看出,5个目标分别被5个AUV发现,最终,R1发现了目标T1,R2发现了目标T3,R3发现了目标T4,R4发现了目标T2,R5发现了目标T5．由于图3a没有考虑到三维速度矢量合成算法,所以AUV在航行中都会受到水流的影响,航行轨迹向着水流方向偏转．在加入了三维速度矢量合成算法后,多AUV的搜索路径如图3b所示,每个AUV都能沿着直线段航行,用更短的路径完成目标搜索任务．(a) 不加入速度矢量合成算法的搜索路径 (b) 加入速度矢量合成算法的搜索路径图3 三维常值水流环境下的多AUV目标搜索表1给出了基于上述两种算法多AUV系统的航行距离．从表中数据可知,在应用了三维速度矢量合成算法后,每个AUV的航行距离都缩短了．可见三维速度矢量合成算法能够克服水流对多AUV航行的影响,可以提高搜索效率,节省电池能量,在相同条件下能够完成更多的搜索任务．表1 基于不同算法多AUV系统的航行距离算法AUV航行距离R1R2R3R4R5 无速度矢量合成算法50.3275.1671.4564.3884.56 有速度矢量合成算法33.5450.0249.7550.9963.28(a) 不加入速度矢量合成算法的搜索轨迹 (b) 加入速度矢量合成算法的搜索轨迹图4 三维时变水流环境下的多AUV目标搜索2.2 动态水流环境下的多AUV目标搜索三维速度矢量合成算法还可以为时变水流环境下的多AUV优化搜索路径．首先设置一个变水流模型,开始搜索时,水流模型设置为B(t)=y-arctanh(1.000),λ=0,与xz 平面的夹角为5°,此时水流的大小变为0.1,速度矢量与xy平面的夹角为90°,与xz平面的夹角为5°;当AUV到达此位置时,水流变化为B(t)=y-1.4866,λ=0,与xz平面的夹角为20°,即水流大小变为0.2,速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°．为验证该算法在解决上述变水流影响的效果,本节同样给出了一组对比的仿真结果．如图4a所示,在变水流环境中,有5个AUV需要搜索5个目标．首先,生物启发神经网络用来完成多AUV目标搜索的路径规划．然后,考虑到时变水流对AUV搜索路径的影响,速度矢量合成算法用来优化AUV的搜索路径．其中图4a表示不加入三维速度矢量合成算法下的多AUV系统的目标搜索路径,图4b表示加入三维速度矢量合成算法的多AUV系统的目标搜索路径．为了进一步研究水流对AUV航行的影响,对水下机器人R4基于这两种不同算法的搜索轨迹进行比较,如图5所示．图5a给出在不考虑速度矢量合成算法AUV的搜索轨迹,图5b表示在结合了三维速度矢量合成算法后AUV的搜索轨迹．当AUV 由初始位置开始搜索时,水流的大小变为0.1,速度矢量与xy平面的夹角为90°,与xz平面的夹角为5°,水流的影响使R4偏离规划的轨迹．当R4到达此位置坐标时,水流大小变为0.2,速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°,可以看出,此时AUV的航行轨迹不再是沿着一个平滑的弧线运动,而是突然有了一个大的转向,最后搜索到T2．加入三维速度矢量合成算法后,R4的搜索轨迹如图5b所示,可以看出R4始终沿着抵消了水流影响的路径搜索到目标T2．(a)不加入速度矢量合成算法的搜索路径 (b) 加入速度矢量合成算法的搜索路径图5 R4基于不同算法的搜索轨迹综上所述,在生物启发神经网络中引入速度矢量合成算法以后,该算法能够在每次水流发生变化时,将改变的水流信息传输到三维速度矢量算法中,保证算法在完成多目标搜索任务的同时为AUV优化航行路径．算法在三维时变水流环境中的应用拓展了算法的适用范围．但是,对于时变水流和移动目标的复杂情况,算法并没有给出相应的仿真结果．3 总结针对水流环境下的多AUV目标搜索问题进行了研究．由于水流的影响使得AUV航行偏离规划的搜索路径,使得搜索效率降低;并且可能使AUV和障碍物相撞,增加AUV航行的不安全性．为了克服水流对AUV航行的不利影响,在生物启发神经网络中引入速度矢量合成算法优化AUV搜索路径,以实现AUV搜索路径与无水流环境中规划的搜索路径相同．通过对引入速度矢量合成算法和没有引入速度矢量合成算法的AUV搜索路径比较,证明了本文提及算法的有效性．分别进行常值和变水流情况下的仿真实验,进一步验证了所提及的算法能够实现各种水流下的目标搜索,有较强的适应性．虽然本文提及的算法有上述优点,但仍有一些不足,如:水流模型比较简单，在搜索过程中没有考虑AUV自身的体积等．这些都是将来工作需要解决的问题．参考文献：【相关文献】[1] Balch T, Arkin R C. Communication in reactive multiagent robotic systems[J]. Autonomous Robots, 1994, 1(1): 27-52.[2] Magid E, Tsubouchi T, Koyanagi E, et al. Building a search tree for a pilot system of a rescue search robot in a discretized random step environment[J]. Journal of Robotics and Mechatronics, 2011, 23(4): 567-581.[3] Simmons R, Apfelbaum D, Burgard W, et al.Coordination for multi-robot exploration and mapping[M].∥Proceedings of the National Conference on Artificial Intelligence, Austin, USA, 2000: 852-858.[4] Berhault M,Huang H, Keskinocak E,et al.Robot exploration with combinatorial auctions[M].∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems, Raleign, USA, 2003: 1957-1962.[5] Ferranti E, Trigoni N. Practical issues in deploying mobile agents to explore a sensor-instrumented enviro-nment[J]. Computer Journal, 2011, 54(3): 309-320.[6] Cai Y F, Yang S X. An improved PSO-based approach with dynamic parameter tuning for cooperative multi-robot target searching in complex unknown environments[J]. International Journal of Control, 2013, 86(10): 1720-1732.[7] Hashemi A B, Meybodi M R. A note on the learning automata based algorithms for adaptive parameter selection in PSO[J]. Applied Soft Computing Journal, 2011, 11(1): 689-705.[8] Yoon S, Qiao C. Cooperative search and survey using autonomous underwater vehicles (AUVs)[J]. IEEE Transactions on Parallel and Distributed Systems, 2011, 22(3): 364-379. [9] Cao X, Zhu D Q, Yang S X. Multi-AUV cooperative target search based on biological inspired neurodynamics model in three-dimensional underwater environments[J]. IEEE Transactions on Neural Networks and Learning Systems. 2016, 27(11): 2364-2374. [10] 王佳丽,曹翔. 基于生物启发反步级联控制方法的多AUV主从式编队[J]. 淮阴师范学院学报(自然科学版)， 2018, 17(1): 22-26.[11] Alberto A, Andrea C, Reiner O. Evolutionary path planning for autonomous underwater vehicles in a variable ocean[J]. IEEE Journal Oceanic Engineering, 2004, 29(2): 418-429.[12] 徐玉如,姚耀中.考虑水流影响的水下机器人全局路径规划研究[J].中国造船,2008, 49(4): 109-114.。
一种适用于AUV的自动路径规划算法
一种适用于AUV的自动路径规划算法【摘要】介绍了AUV的自动路径规划算法的概念，对算法的边界条件进行了定义。
指出了AUV航行器自动路径规划算法实现的算法原理。
通过实际测试表明该算法能计算出两个地理位置之间的最佳路径并能避开所有障碍物。
【关键词】AUV；自动路径规划算法1.引言AUV自主水下航行器是近些年来快速发展的一种新型海上平台装备。
这种水下航行器能够执行多种军事任务，例如进行海上军事探测、反水雷等。
另外AUV在民用方面也有着广泛应用，AUV能够用于海洋环境探测、海底管道铺设和检查。
然而，由于海洋地理环境比较复杂，这给AUV的水下航行路线带来了一定困难，为了能够选择正确方便的路径，人们研究了许多AUV路径规划算法。
本文想就此问题提供一种适用于AUV的自动路径规划算法。
所谓自动路径规划算法是指从电子海图上面提取地理数据，然后根据这些数据产生从开始点到目标点的航路点序列；该算法能应用于任意海军平台的路径规划。
这种算法可适用于海军的各种领域，如AUV（包括UUV和ROV）航行器的航路计算，鱼雷发射航路的计算，水面舰艇和潜艇的导航等等。
开发这种算法的目的是寻找通过给定区域并能避开所有障碍物的一条最佳路径。
路径中的航路点序列来自之前扫描发现的点集。
目前算法是针对二维航路点规划设计的，同时也考虑了海区的深度。
但在产生的航路点序列中没有深度值，这是下一步需要研究的内容。
在本文中算法的边界条件定义如下：在开始计算时先获取自身和所有已知目标的真实位置，假定计算过程中这些目标的位置保持不变。
因为整过计算过程仅几秒钟，这样做是可行的。
在这短短的计算时间内，位置的变化量可以忽略。
算法的另一个约束是最大计算时间不能超过20s。
为了适应作战系统，采用这一时间约束是必要的。
为了用于其他作战系统，很容易就可以改变该值的大小。
考虑这些边界条件后，对算法进行了开发和实现。
2.算法实现本文中的算法分为两大重要部分，他们是程序内独立的两个模块，这样保证了程序的可重用性和可维护性。
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。
第13讲 智能信息处理应用：AUV路径规划
• 第一方面：自治水下机器人多目标多任务的全局路 径规划算法 • 这是一个典型TSP全局组合优化问题。可以应用 各种进化计算方法进行全局路径优化设计,如神经 网络NN、遗传算法GA、蚁群算法ACO、模拟退火 算法SA、粒子群优化算法PSO等。 有2个方面内容： 多AUV多任务分配算法与实现、考虑海流作用的全 局路径最优。 • 第二方面：自治水下机器人局部路径规划算法： AUV全覆盖路径规划与控制。 AUV • 有一下几个方面内容：1、水下环境地图构建； 2、AUV运动规划算法；3、避障问题；4、海流问 题；5、轨迹跟踪控制问题；6、试验问题 • 自治水下机器人局部路径规划方法主要有三大类： 状态匹配方法、地图创建技术和人工势场技术。
3
• 状态匹配方法是将机器人当前的状态与过去 经历相比较，找到最接近的状态，修改这一 状态下的路径，就可以得到一条新的路径。 这一方法的主要问题是依赖过去的经验，如 果案例库中没有足够的路径，就可能找不到 与当前状态相匹配的路径； • 地图创建技术，按照水下传感器搜索的障碍 物信息，将机器人周围区域划分为不同的网 格空间（如自由空间和限制空间等），根据 网格空间的障碍物占有概率分布，再依据一 定规则确定最优路径[3],该方法主要问题是水 下传感器信息资源有限，使得网格地图的概 率分布计算困难，同时，由于要实时更新地 图数据，在网格数较多时，会产生数据爆炸 问题
1
• AUV路径规划研究主要集中在以下两方面：
• 第一方面：自治水下机器人多目标多任务的全局路径规划算 法。目前的移动机器人人工势场路径规划都是考虑单目标、 多障碍物的规划问题。但AUV在水下作业是一个多目标任务 的规划，它需要观察多个不同地点的水下目标，同时AUV是 自带动力，能源受到限制，必须在最短时间内完成多目标任 务作业。即多AUV多目标全局路径规划问题。 • 第二方面：自治水下机器人局部路径规划算法。对水下机器 人AUV来说，其每一个具体观察目标周围均存在一个或多个 障碍物，这些障碍物既有静态的（如海底的礁石、海沟等）， 也有动态障碍物（如其它AUV、移动的冰山等）。针对这种 特殊的海洋环境，如何设计出水下机器人AUV路径规划的人 工势场，是AUV路径规划的另一个重要问题。这里面包含6自 由度自治水下机器人动力学模型分析与解耦、AUV水下避障 及路径规划中的局部极小问题等。
MAUV协同搜索多智能目标的路径规划
MAUV协同搜索多智能目标的路径规划
岳伟;辛弘;林彬;刘中常;李莉莉
【期刊名称】《控制理论与应用》
【年(卷),期】2022(39)11
【摘要】本文针对复杂水下环境中多自主式水下机器人(MAUV)协同搜索多个智能目标这一重要课题展开研究.首先,利用马尔科夫链建立智能目标的决策状态转移模型的同时考虑了智能目标决策与行动的对应关系,并结合不同光照反射强度下传感器探测概率受限模型,设计新的目标概率图更新策略.然后,结合MAUV系统的约束条件和搜索效率建立实时适应值函数.接着,本文提出一种改进的多狼群算法(IMWPA)搜索策略,包括:1)利用人工势场法调整步长因子,使启发式算法更加适应探索过程.2)设计多狼群嚎叫环节,建立了狼群间的信息交流渠道.3)提出新的狼群淘汰更新机制,保障了人工狼多样性的同时避免算法趋于完全随机.最后,通过MATLAB 仿真实验对比验证了本文算法的可行性及优越性.
【总页数】9页(P2065-2073)
【作者】岳伟;辛弘;林彬;刘中常;李莉莉
【作者单位】大连海事大学船舶电气工程学院;大连海事大学信息科学技术学院;鹏城实验室网络通信研究中心
【正文语种】中文
【中图分类】TP3
【相关文献】
1.多无人机协同目标搜索路径规划仿真
2.多无人机协同搜索多目标的路径规划问题研究
3.基于多目标搜索的无人机协同轨迹智能规划
4.多智能体动态目标协同搜索策略研究
5.基于群体智能的目标搜索及路径规划机制
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多AUV间任务协作的水下多目标探测路径规划
基于多AUV间任务协作的水下多目标探测路径规划张美燕;蔡文郁【期刊名称】《传感技术学报》【年(卷),期】2018(031)007【摘要】利用自主式水下航行器(Autonomous Underwater Vehicle,AUV)对水下多目标进行协同探测是目前海洋技术领域的研究热点.主要研究在水下三维区间内的多AUV任务分配与协作探测路径规划机制,建立了以每个AUV能量耗费与能耗均衡为约束条件的水下三维空间中的多旅行商MTSP(Multiple Traveling Salesman Problem)问题模型,利用遗传算法GA(Genetic Algorithm)对该NP-Complete问题进行启发式求解,同时设计了考虑巡航总路径及访问目标数的适应度函数以提高多AUV间的能耗均衡性,实现多个AUV对多个水下目标的优化协同探测.最后本文利用MATLAB R2014a软件对多AUV任务协作与多目标探测路径规划机制进行了仿真,仿真结果验证了本文方法能均衡多AUV多目标探测问题的能量消耗,进而提高巡航速度和生命周期.【总页数】7页(P1101-1107)【作者】张美燕;蔡文郁【作者单位】浙江水利水电学院电气工程系,浙江杭州,310018;杭州电子科技大学电子信息学院,浙江杭州,310018【正文语种】中文【中图分类】TP393【相关文献】1.基于多AUV协作的稀疏水下传感网定位技术研究 [J], 张美燕;蔡文郁;郑晓丹2.基于矢量建模的AUV水下目标探测仿真方法研究 [J], 王奎民3.基于内螺旋覆盖算法的多AUV协作反水雷路径规划研究 [J], 王琦斐;杨军4.基于BISOM的多AUV任务分配和路径规划算法 [J], 陈飞飞;朱大奇;5.基于多目标蚁群策略的AUV全局路径规划算法 [J], 胡春磊;章飞;曾庆军因版权原因，仅展示原文概要，查看原文内容请购买。
AUV协同导航定位算法研究
AUV协同导航定位算法研究AUV(自主无人水下车辆)是一种具有自主控制和导航定位功能的智能水下机器人。
在实际应用中，多个AUV之间需要协同工作，实现各自的任务目标。
协同导航定位算法是AUV协同工作的关键之一，在AUV探索和监测海洋环境、搜索和打捞等许多应用领域具有广泛应用前景。
本文主要介绍AUV协同导航定位算法的研究现状及关键技术。
AUV协同导航定位算法的研究现状AUV协同导航定位算法是当前AUV导航定位领域的研究热点之一。
目前已经有很多研究成果，主要包括三种方法：基于测距设备、基于机器视觉以及基于声纳的协同导航定位算法。
其中，基于测距设备的算法主要利用AUV上搭载的超声波、激光器等测距设备，进行相互距离测量，以确定各个AUV之间的位置关系。
这种方法实现起来简单，但对设备和环境的要求较高，且精度难以满足高精度要求。
基于机器视觉的算法是利用AUV上搭载的摄像头对周围的环境进行采集，经过处理后提取出目标物体的位置信息。
这种方法实现起来较为复杂，但对环境的要求较低，且可以实现较高的精度。
基于声纳的算法是利用AUV上搭载的各种传感器感知水下环境，根据声强数据实现声学跟踪，通过计算声反演得到AUV 之间的位置关系。
这种方法适用性较广，但需要处理大量的声数据，计算量较大，需要相对较高的计算能力。
关键技术协同导航定位算法的研究需要解决的关键技术包括：合理的多机构构型设计、协同目标检测及跟踪、多机构位置信息共享和整合等方面。
在多机构构型设计方面，需要考虑AUV间的距离、角度及相对于目标的位置等因素，以达到最佳的协同效果。
协同目标检测及跟踪需要实时提取目标的位置、速度、方向等信息，以便AUV之间实现协同导航。
多机构位置信息共享和整合需要实现AUV之间的信息交流，共同确定位置、速度和方向等信息，以实现精确的协同导航。
未来展望目前，AUV协同导航定位算法的研究还存在一些困难和挑战，如AUV间信号通信的实现、多机构的运动控制和路径规划、复杂环境下导航精度的提高等问题。
多AUV水下协作搜索研究现状与展望
多AUV水下协作搜索研究现状与展望
朱大奇;庞文;任科蒙
【期刊名称】《上海理工大学学报》
【年(卷),期】2022(44)5
【摘要】随着各国对海洋研究的不断深入,海上作业越来越频繁,作为探索海洋的重要工具,自治水下机器人(autonomous underwater vehicle,AUV)在海事搜索方面的发展也越来越受到关注。
多AUV协作搜索控制作为多AUV研究的主要方向之一,在促进海洋科学与工程技术进步、海洋资源探测与开发、国家海防安全与海洋战略实施等方面有着十分重要的意义。
首先,综述了近些年来多AUV协作搜索控制的国内外研究现状;然后,从AUV自身和环境的外界约束,以及海洋探测等方面,分析了多AUV水下协作搜索控制研究所面临的技术难点和存在的问题;最后,通过分析当前多AUV协作搜索控制的进展和实际需要,对多AUV协作搜索系统的发展趋势进行了探讨。
【总页数】12页(P417-428)
【作者】朱大奇;庞文;任科蒙
【作者单位】上海理工大学机械工程学院;上海海事大学物流工程学院
【正文语种】中文
【中图分类】TP242
【相关文献】
1.多AUV协作系统研究现状与发展综述
2.基于多AUV间任务协作的水下多目标探测路径规划
3.基于多AUV协作的稀疏水下传感网定位技术研究
4.水流环境中多AUV协作目标搜索算法
5.AUV水下通信技术研究现状及发展趋势探讨
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
E E A C C ：7 2 3 0
d o i: 1 0 C 9 6 9 /j.issn .l0 0 4 -1 6 9 9 .2 0 1 8 .0 7 .0 2 1
基 于 多 AUV间任务协作的水下多目标探测路径规划！
张 美 燕 1 ，蔡 文 郁 2 ! ( 1 .浙江水利水电学院电气工程系，浙江杭州，310018;2.杭州电子科技大学电子信息学院，浙江杭州，310018)
o f research high lig hts in the fie ld o f m arine technology. M u ltip le A U V s task allocation and m u ltip le targets cooperative
p a tli plan nin g m echanism in three-dim ensional underw ater region are m ainly discussed. A ccording to the actual situa
2.School o f Electronics and Inform ation, Hangzhou Dianzi University, Hangzhou 310018 , China)
A b s t r a c t : C ooperative d e te ctio n on m u ltip le u n de rw ater targets w ith Autonom ous U n de rw ater V e h ic le s ( A U V s %is one
tio n o f u n de rw ater region &a m ultijDle tra v e lin g salesman ( MTSP ) m odel w itli constraints o f energy con sum p tion and b a l
ance rate of
ZHANG MeiYan1 ,CAI WenYu2 *
$ 1. !2chool o f Electrical Engir^ering, Zhejiang University o f Water Resources and Electric Power ,Hangzhou 310018 , China ；
each A U V is estalDlislied.
M oreover,cruise distance and
target num ber o f each A U V in MTSP
im p ro ve energy balance between m u ltip le A U V s . F u rth e rm o re ，G A (G e n e tic A lg o r ith m )is in tro d u c e d to solve th is N P -
摘 要 ：利用自主式水下航行器（Autonomous Underwater Vehicle，AUV)对水下多目标进行协同探测是目前海洋技术领域的研 究热点。主要研究在水下三维区间内的多A U V 任务分配与协作探测路径规划机制，建立了以每个A U V 能量耗费与能耗均衡 为约束条件的水下三维空间中的多旅行商MTSP(Multiple T rv lin g Salesman Problem)问题模型，利用遗传算法GA(Genetic Algothm )对该NP-Complete问题进行启发式求解，同时设计了考虑巡航总路径及访问目标数的适应度函数以提高多AU V 间 的能耗均衡性，实现多个A U V 对多个水下目标的优化协同探测。最后本文利用MATLABR2014a软件对多A U V 任务协作与 多目标探测路径规划机制进行了仿真，仿真结果验证了本文方法能均衡多A U V 多目标探测问题的能量消耗，进而提高巡航速
com plete p ro blem in a h e u ris tic m a n n e r，so
as
to
realize optim ization
cooperativeຫໍສະໝຸດ d e te c tio n
m u ltip le A U V s . F in a lly ，th is pa pe r uses M A T L A B 2014a software to sim u late m u ltip le A U V s task cooperation and m u l
can
im prove cruise speed and
lifetim e of
A U V team
K e y w o r d s : underw ater targets detection ;ta sk a ssig n m e n t'm o b ile trajectory p la n n in g 'm u ltip le A U V s
tip le targets detection path planning mechanism. Sim ulation results verify that the proposed method can balance energy
con sum p tion between A U V s ，and as a re s u lt，it
第 31卷 第 7 期 2018 $ 7 月
传感技术学报
CHINESE JOURNAL OF SENSORS AND ACTUATORS
Vol.31 No.7 July 2018
Underwater Targets Tracking Path Planning Based on Task Cooperation of Multiple AUVs!
度和生命周期。
关 键 词 ：水下目标探测;任务分配; 移动路径规划;多AUV协作
中 图 分 类 号 :TP393
文 献 标 识 码 :A
文 章 编 号 ：1 0 0 4 - 1 6 9 9 ( 2 0 1 8 ) 0 7 - 1 1 0 1 - 0 7