多自主式水下機器人的路徑規劃和控制技術研究綜述

趙蕊，許建，向先波，徐國華

1 中國艦船研究設計中心，湖北 武漢 430064

2 華中科技大學 船舶與海洋工程學院，湖北 武漢 430074

0 引 言

自主式水下機器人（AUV）作為一種無纜型水下航行器，是海洋資源勘探和開發的重要工具。

AUV在軍用領域的應用十分廣泛，可用于反潛戰、水雷戰、情報偵察、巡邏監視、后勤支援、地形測繪和水下施工等［1-3］，故世界各國都在致力研究先進的AUV系統以增強國防實力。美國的伍茲霍爾海洋研究所、蒙特雷灣海洋研究所、麻省理工學院海洋研究中心等眾多研究機構研制了大量應用于短期水雷偵察系統和長期水雷偵察系統的AUV。1990年，挪威國防研究機構制定了AUV長期發展計劃，其中HUGIN系列AUV已多次參加挪威皇家海軍的獵雷演示試驗。與此同時，法國及俄羅斯等國家也在軍用AUV方面開展了大量研究工作［4］。

在民用領域，AUV主要用于海洋環境考察、海底礦產和生物資源勘探、海事救援、海洋考古及海底光纜工程建設與維護等［5］。在中國大洋礦產資源開發研究協會的支持下，中國與俄羅斯聯合研制開發了CR-01型和CR-02型（6 000 m）AUV，可以在深海底平坦地形的多金屬結核礦區工作環境下完成聲學、光學和水文測量任務。美國Tesla Offshore公司已應用Bluefin-21型AUV開展海洋管道檢修服務及海床地理環境地圖的繪制工作。2011年，美國蒙特雷灣海洋研究所在Juan de Fuca海嶺投放了“Dorado深海AUV”，該型AUV的最低航行高度為海底上方50 m，其配置的多波束聲吶可以精確測繪火山口周圍的海底地貌［6-7］。

近幾十年來，鑒于AUV在民用和軍用領域的重要地位，各國在AUV技術方面均取得了長足的發展［8-10］，并基于任務需求研發了多自主式水下機器人（MAUV）系統。

1 MAUV系統

1.1 應用研究進展

隨著AUV技術的不斷成熟，其已成為能夠完成指定任務的水下自主作業系統。然而，單個AUV難以滿足一些動態復雜任務的應用需求，MAUV系統由此應運而生［11-13］。在水下作業方面，MAUV系統因其空間分布性、高效性、魯棒性及靈活性等特點，具備單臺AUV所無法比擬的優勢。MAUV系統的核心思想是將多個功能簡單的AUV組成一個系統，通過控制各AUV協調合作來完成給定任務［14-17］。目前，美國空間及海軍作戰系統中心設計了分布式MAUV水下監聽系統，并建立了水下基站用以監測水下數據。哈爾濱工程大學海洋綜合技術工程研究中心也基于智能MAUV系統，在海底作戰環境探測、水下大型物品運輸等方面開展了研究［18］。由MAUV組成的水下網絡可以與水上網絡相結合，形成全方位立體化的信息網絡，其中水面艦艇或浮標可以作為水上和水下連接的中繼節點。由于水下信息網絡能夠長期在復雜或高威脅環境中完成海區監視、情報搜集和環境監測等任務［19-22］，故MAUV系統具有重要的研究意義和應用價值。

1.2 科學研究進展

為保證MAUV順利完成水下環境立體協同調查、水下協作搜索、水下協同圍捕、水下信息傳輸等各種協調控制任務，首先需要明確MAUV協同作業系統中各AUV的路徑規劃。然而，MAUV協同路徑規劃是一個包含復雜約束條件的大規模組合優化問題，需為系統內每臺AUV規劃從起點到終點的最優或接近最優的路徑，進而通過協調組合策略使整個系統的組合路徑最優，從而實現系統總消耗時間最短、能量消耗最少、轉彎半徑最小及加速度最大等目標［23-25］。

另一方面，MAUV集群協同完成某項任務時，一般要求多臺AUV保持一定的隊形執行任務，即在航行過程中控制AUV與群體中其他AUV的相對空間距離，實現AUV集群的編隊形成和編隊控制，系統中的多臺AUV將從一個隨機的初始狀態過渡到一個整體有規律或符合設計要求的穩定狀態。MAUV集群在行進過程中既要遵循一定的隊形約束，又要適應當前的工作環境（例如，障礙物或空間的物理限制），具有相當的挑戰性。

2 MAUV路徑規劃技術

目前，MAUV的路徑規劃方法主要如下。

1）生物啟發自組織神經網絡算法。

生物啟發自組織神經網絡（Self-Organizing Map，SOM）算法包含3個步驟：首先，通過計算歐氏距離來選取獲勝神經元；其次，在某個神經元獲勝后，設計一個鄰域函數，該鄰域函數決定了輸入神經元對獲勝神經元和相鄰神經元的影響力，其中獲勝神經元所受的影響最大，鄰近神經元所受的影響逐漸減小，鄰域以外的神經元不受影響，影響力決定了在某次迭代過程中鄰域神經元權重調整的大小；最后，通過更新三維權向量方法使AUV到達目標點［26］。

2）蟻群算法。

蟻群算法由意大利學者Dorigo提出，該算法通過模擬螞蟻社會的分工與協作來進行尋優［27］。基于蟻群算法的MAUV協調路徑規劃包括路徑優化和路徑校核2部分。在路徑優化之前，應對各AUV所要訪問的路徑點數量進行分配。為了保證各AUV的任務量相當，應盡可能均勻分配訪問路徑點。各路徑點被訪問的先后順序由蟻群算法來實現，依次連接某臺AUV的起點、被分配的路徑點及其終點，就形成了該AUV的路徑。對所有AUV執行同樣的操作即可生成MAUV的路徑。若路徑點數量n恰好能被AUV數量m整除，則每個AUV將分配n/m個路徑點；若n不能被m整除，則將余數再從首至尾逐一分配給各AUV，直到分配完為止。路徑的長度可以通過計算路徑中所有相鄰路徑點（包括AUV的起點和終點）之間的距離求得，將各AUV的路徑長度求和即可得到MAUV的總路程［28-29］。

3）內螺旋覆蓋算法。

內螺旋覆蓋（Internal Spiral Coverage，ISC）算法是一種基于柵格地圖的在線覆蓋算法［30］。該算法采用簡單的圓形機器人來覆蓋環境，并假設機器人內部測距傳感器（里程計）可以精確測量機器人的全局坐標。覆蓋過程中，ISC算法分為2個階段：邊界探索階段和在線覆蓋階段。在邊界探索階段，機器人從環境的任一頂點開始，采取右側沿環境邊界行走的方式運動一周。將機器人右側接觸傳感器所在柵格賦值為0，表示該柵格無法覆蓋；將機器人走過的柵格賦值為1，表示該柵格已被覆蓋；將機器人左側柵格賦值為2，表示下一圈要覆蓋的柵格，即在線規劃的覆蓋路徑。在邊界探索階段結束時即可獲得環境邊界，此時機器人完成了邊界附近的一圈覆蓋，并規劃了下一圈的運動路徑，然后進入在線覆蓋階段。在在線覆蓋階段，機器人沿邊界探索階段賦值為2的連續柵格運動，并將其賦值為l，同時將機器人左側未賦值的柵格賦值為2。當第2圈覆蓋結束時即可生成第3圈的覆蓋路徑，機器人以此方式向內螺旋完成所有區域的覆蓋。如果環境內部存在障礙物，則障礙物會阻斷規劃的路徑，導致賦值為2的柵格不連續。但該障礙物在下一圈的覆蓋過程中會被機器人前方的接觸傳感器檢測到。機器人將仍然采取右側沿物體邊界行走的方式繞障礙物運動，直到前方重新出現賦值為2的柵格，機器人才會回到原規劃路徑上繼續覆蓋。對于常見的單個矩形環境，應用該算法可以從環境邊界向內螺旋完成覆蓋［31-33］。

4）粒子群優化算法。

1995年，Kennedy和Eberhart提出了粒子群優化（Particle Swarm Oplimization，PSO）算法。在PSO算法中需要初始化一群隨機粒子，然后這些隨機粒子將追隨當前的最優粒子在解空間中搜索，即通過迭代找到最優解［34］。根據PSO算法，李愛國等［35］提出了一種并行雙層結構的MAUV協同路徑規劃算法。該算法分為2層：主層和子層。子層規劃的首要任務是對每臺AUV分別利用PSO算法規劃各自的路徑。由于系統內每臺AUV的起點、終點及所處環境各不相同，所以最終每臺AUV將產生不同的最優路徑。主層規劃的主要任務是對不同AUV的路徑進行最佳組合，使組合內的多臺AUV整體協同路徑最優且彼此間無碰撞。在子層規劃過程中，隨著迭代次數的增加，標準的PSO算法將出現陷入局部最優和算法后期收斂速度緩慢的問題。為解決這些問題，首先，需采用自適應參數動態調整PSO算法中的慣性權重因子w以及學習因子c1和c2，并選擇適當的路徑規劃評價函數，用以得到每臺AUV的最優路徑。然后，應利用結合差分進化（Differential Evolution，DE）算法的主層規劃來計算系統整體的MAUV協同最優路徑，即通過DE算法的變異、交叉和選擇得到多臺AUV之間無碰撞（AUV與障礙物，以及AUV之間）且系統消耗最小的組合最優路徑。最后，對適應函數進行評估［36］。

3 MAUV集群協同技術

執行任務時，MAUV編隊中的各AUV應保持一定的隊形，并與編隊中的其他AUV保持一定的空間距離。MAUV編隊控制可以借鑒移動機器人及水面船舶的編隊控制方法，例如基于領航者—跟隨者、基于行為和基于虛擬結構等方法［37-38］，具體如下。

1）基于行為法。

基于行為的控制方法即通過設計機器人的基本行為及局部控制規則，從而產生期望的整體行為。編隊控制器由一系列行為組成，每個機器人有基本的行為方式，每種行為方式有自己的目標或任務。一般情況下，機器人的行為包括避碰、避障、駛向目標和保持隊形等。避碰即運動過程中避免機器人之間發生相互碰撞，避障即動態環境下編隊機器人在運動過程中避免碰到障礙物，保持隊形是編隊控制中最基本的獨立行為［39］，駛向目標即實現預先指定的狀態。Balch和Arkin首次提出了基于行為的控制方法，并利用2個循環策略設計了保持隊形的行為控制器。Cao等［40］提出了子行為加權綜合的控制實現方法，即對每個子行為分別求出控制變量，然后加權平均求得綜合的控制變量。

2）人工勢場法。

人工勢場法即通過設計人工勢場和勢場函數來表示環境及隊形中各機器人之間的約束關系，應用機器人所受到的障礙物斥力和目標點引力來構造勢場，并以此為基礎進行分析和控制，機器人則將從平面得到的最小勢谷中選擇運動方向。該方法的優點是計算簡單且便于實時控制，特別是可以有效處理障礙物約束的避障避碰問題；缺點是勢場函數難以設計，且存在局部極值點問題。Liang等［41］在障礙物環境下提出了非完整移動機器人基于勢場函數的分布式控制器。這種分布式控制器能夠保證編隊機器人達到預設隊形，同時避免相互碰撞以及與障礙物之間的碰撞［42］。

3）跟隨—領航法。

跟隨—領航法即在MAUV集群中指定某臺機器人為領航者，其余為跟隨者，跟隨者將以一定的間距跟蹤領航機器人的位置和方向［43-44］。該方法可以指定一個或多個領航者，但只能指定一個群體隊形的領航者。跟隨—領航者法有2種控制器形式：l-l控制器和l-ψ控制器。l-l控制器考慮的是3臺機器人之間的相對位置問題，一旦跟隨者與2個領航者之間的距離達到設定值，即可認為整個隊形實現了穩定狀態。而l-ψ控制器的目標是使跟隨者與領航者之間的距離和相對轉角達到設定值［45］，可利用跟隨—領航編隊控制方法，將水下機器人編隊控制問題轉化為跟隨者利用水聽器跟蹤領航者位置和航向的問題。針對MAUV編隊中某臺機器人的通信或機械故障，建立一種編隊容錯控制算法，可在機器人出現故障后自動重新調整編隊，避免故障機器人的后繼機器人掉隊，由此實現編隊的容錯控制［46-47］。

4）虛擬結構法。

虛擬結構法主要應用于飛行器和人造衛星的編隊飛行控制中。該方法的特點是機器人之間可以保持一定的幾何形狀，這樣形成的剛性結構稱為虛擬結構。雖然每個機器人相對于參考系統的位置不變，但其可以按照一定的自由度來改變各自的方向。MAUV將剛體結構上的不同參考點作為各自的跟蹤目標就可以形成一定的隊形：首先，需定義虛擬結構的期望動力學特性；然后，將虛擬結構的運動轉化為每個機器人的期望運動；最后，得出機器人的軌跡跟蹤控制方法［48-50］。

5）模型預測控制方法。

傳統控制方法一般適用于具有明確模型和確定性環境的控制，而實際應用中的環境一般都是動態變化的，而且具有不確定性［51］。模型預測控制（Model Predictive Control，MPC）即基于動態環境變化和過程的不確定性，反復采用有限優化結果代替全局優化結果，由此實現優化與反饋的理想結合以及對信息的充分利用。通過在線滾動優化并結合實時信息的反饋校正，即可基于實際過程進行每個時刻的優化［52］。

4 研究展望

MAUV系統對增強我國海洋資源探測能力，提高我國海洋國土的防御能力具有深遠的政治意義、經濟意義和戰略意義［53-54］。目前，在MAUV路徑規劃和集群協同控制研究方面，主要存在以下研究難點，這也是后續研究的發展方向。

1）MAUV動態自適應技術。

獲取了海洋環境不確定模型后，應研究水下航行器集群網絡如何通過動態自適應的編隊來獲得整體的最優性能，主要研究內容包括：水中通訊受限、編隊內航行器個體間的信息異步傳輸等問題；MAUV編隊網絡自適應控制研究；MAUV編隊系統整體性能實現情況分析；最優控制的水下航行器路徑規劃方法研究［55-56］。

在航行過程中，可將離線規劃的全局航線作為參考航跡，分別進行水平方向和垂直方向的路徑規劃，建立在線規劃的目標函數。以某水下航行器的線性化橫側向運動方程作為等式約束，利用最小值原理構造哈密爾頓函數進行最優航跡解算，實現航跡的最優控制。同時，利用古典變分極值條件的微分方程組并結合梯度迭代法和一維搜索初值方法對其求解，即可得到更精確可行的三維水下航跡。

2）MAUV分布式控制技術。

MAUV編隊控制與人工智能領域中多智能體的協同控制有一定的相似之處，多智能體協同控制技術可以實現快速集群控制［57］、牽引控制［58］、目標圍捕［59-61］、沿給定路徑的編隊運動［62］、時延約束下的編隊控制［63］等功能，故如何將單個航行器視為相對獨立的智能體，并借鑒現有智能體協同控制方法實現MAUV集群編隊控制是需要研究的重要內容。值得注意的是，多智能體系統的協作機制與系統的群體體系結構、個體體系結構、感知、通信和學習等方面均密切相關［64-65］。

為了求解分布式控制問題，需要研究如何利用智能體獨立完成各自的子任務來實現相互之間的合作，并關注多個智能體之間如何協調運用各自的知識、目標、技能和計劃來共同采取行動以解決問題。在進行MAUV集群分布式控制的同時，可以通過搭載任務傳感器和各種聲學設備（例如，多波束測深儀、側掃聲吶、CTD、超短基線定位系統、多普勒速度計程儀及水下聲通訊系統等）來快速、有效地完成既定任務［66-67］。因此，基于分布式控制技術，可以實現MAUV群體行為控制及多個航行器的協同決策和管理，進而完成協同作業任務。

5 結 語

目前，MAUV系統是水下機器人技術的一個重要發展方向，通過機器人之間的合作與協調，MAUV系統不僅可以完善每臺機器人的基本功能，還可以在機器人交互中進一步拓展智能行為，從而完成水下環境立體協同調查、水下協作搜索、水下協同圍捕、水下信息傳輸等協作任務，有利于提高水下機器人的智能化水平并加快海洋化裝備的研制進展。

本文針對MAUV系統的路徑規劃及協同控制問題，對其應用現狀、科研進展及關鍵技術進行了系統的梳理和總結，并在此基礎上探討了后續研究方向。