水下無人潛航器集群發展現狀及關鍵技術綜述

張偉， 王乃新， 魏世琳， 杜雪， 嚴浙平

(哈爾濱工程大學 自動化學院，黑龍江 哈爾濱 150001)

水下無人潛航器(unmanned underwater vehicle，UUV)從20世紀60年代[1]誕生以來，經歷了很大的發展。從最初的遙控潛器 (remolely operated underwater vehicle,ROV) 發展到無人無纜并有一定自主性的AUV (autonomous underwater vehicle)。AUV不依賴母船提供動力、機動性強、活動范圍大、作業效率高等特點[1]使其逐步成為各國研究者的主要研究對象，其各項技術得到了很好的發展，并在海洋資源勘探、偵查監視、反潛等民用和軍事領域得到了很好的應用。

隨著UUV技術日漸成熟，它所面臨的任務的難度和復雜度也有很大提升，單一UUV已不能滿足需求的發展。這就使多UUV以集群的形式互相協作執行任務成為了UUV發展的必然方向，同時也對UUV任務規劃、路徑規劃等關鍵技術提出了新的要求，并促進了集群智能、編隊控制等適應集群發展方向的技術的應用。

相比于單體UUV，集群有以下突出優勢[2]：1) 集群系統利用單體自主性能夠實現集體決策以及群體級穩態;2) 集群系統可擴展性很高，個別群內成員的增減不會對系統造成決定性影響;3)由于集群系統具有高度可擴展性和穩定性，所以集群系統魯棒性較強；4) 集群相比于個體最突出的特點是能夠完成個體無法獨自完成的任務。本文將重點介紹UUV集群的發展現狀和關鍵技術，為其將來的發展提供參考。

1 主要的UUV集群項目

1.1 軍事領域

各國對UUV的研究正在向集群化的方向發展，并已被應用在軍事領域。2016年英國在“Unmanned warrior” 軍事演習中直觀的展現了UUV集群在軍事作戰中的關鍵作用和未來潛力。

1.1.1 持續瀕海水下監控網絡項目 (PLUSNet)

PLUSNet (persistent littoral undersea surveillance network)[3]是由美國海軍研究辦公室 (ONR)贊助的一個多機構合作項目，旨在推進沿海監控技術發展，目標是探測和跟蹤燃油潛艇。該項目使用固定和移動水下平臺，包括具有檢測系統的底部節點，具有拖曳陣列的UUVs，以及帶有聲學和環境傳感器的水下滑翔機。節點組織成集群，與其他集群協同工作，進行大范圍的行動。除檢測、分類和跟蹤等基礎功能外，該項目還在自主性、環境適應性和網絡結構3個關鍵技術領域取得了研究進展。

1.1.2 協作自主的分布式偵察與探測系統(CADRE)

CADRE (cooperative autonomy for distributed reconnaissance and exploration)[4]系統是協調水下無人航行器的異構集合的框架，用于自主執行面向目標的任務。該系統的開發旨在解決美國海軍UUV總體規劃中提出的海底搜索和調查 (undersea search and survey, USS) 以及通信與導航救援 (communications and navigation aid, C/NA) 功能， 其關鍵屬性是可擴展性和模塊化。

CADRE系統包括一個自主水下航行器網絡 (AUV，也稱UUV) 和自主水面航行器 (ASV)，它們自主地同時進行廣域海底反水雷 (MCM) 偵查，同時保持高精度導航和定位。多模式通信架構在CADRE系統中起著至關重要的作用，允許系統中的UUV彼此之間還有與各種支持平臺保持聯系。

CADRE系統在海底地雷對抗任務的背景下開發，因此對該系統進行了2個關鍵反水雷任務方案的驗證：1) (365.6～914) m×20 nmile的狹長區域(如圖1所示)；2) 10 nmile×10 nmile的廣域范圍。2種方案均在保持嚴格的導航精度和協同定位要求的前提下進行。

1.2 民用領域

1.2.1 Cocoro自主水下航行器集群

2011年，奧地利Ganz人工生命實驗室的研究人員發布了當時世界上最大的水下無人航行器集群：CoCoRo自主水下航行器集群[5]。該項目由歐盟資助，Thomas Schmickl領導，由41個UUV組成，可以協同完成任務，其主要目的是用于水下監測和搜索。該集群系統在其行為潛力方面具有可擴展性，可靠性和靈活性。研究人員通過受到行為學和心理學啟發的實驗來研究集體自我認知，從而允許量化集體認知。

圖1 CADRE系統概念圖Fig.1 Concept diagram of CADRE system

1.2.2 WiMUST-用于地震勘測的AUV艦隊

WiMUST[6](widely scalable mobile underwater sonar technology) 項目旨在設計和測試協作自主水下航行器系統以簡化地震勘測并提供相比于現代拖纜方式的顯著優勢。WiMUST系統的主要新穎之處在于使用海洋機器人來捕獲地震數據而不是傳統的拖纜。

項目利用UUV集群牽引小型孔徑短拖纜。UUV充當可重新配置的移動聲學網絡的感測和通信節點，并且整個系統表現為用于記錄數據的分布式傳感器陣列，數據通過支持船裝備的聲源射向海床和海底地層的強聲波而獲得，如圖2所示。

圖2 WiMUST系統工作方式Fig.2 Work mode of WiMUST system

1.2.3 歐盟Grex項目

由歐盟資助的研發項目GREX[7](2006-2009)促進了多航行器協作的理論方法和實用工具的發展，縮小了概念與實踐之間的差距。由該項目資助研發的技術一方面通用性很強，連接預先存在的異構系統。另一方面魯棒性很強，能夠應對由通信錯誤引起的問題。

2008年夏天至2009年末，該項目針對“協調路徑跟蹤”和“合作視線目標追蹤”任務進行了3次海上試驗。航行器間使用預設的時分媒體訪問 (time division medium access, TDMA) 同步架構交換導航數據，允許每分鐘5次交換大約20 Bytes的壓縮數據包，同時避免數據包沖突。在有效通信條件下實現了編隊航行 (如圖3所示) 和向指定目標聚集等任務。

圖3 4架航行器的編隊航行軌跡Fig. 3 Formation trace of 4 UUV

除去以上項目以外，還有很多其他已經取得成功或仍在進行中的UUV集群項目：如美國海洋研究局資助的自主海洋采樣網絡 (autonomous ocean sampling network, AOSN)[8]；美國新澤西海灣布設的大陸架觀測系統 (the new jersey shelf observing system)[9]；由歐洲委員會資助啟動的Co3-AUV自主水下航行器的協同認知控制項目[10]；由北約水下研究中心和麻省理工學院完成的通用海洋陣列技術聲吶 (generic ocean array technology sonar, GOATS)[11]項目; 英國 Nekton 研究機構開發的水下多智能體平臺 (underwater multi-agent platform, UMAP)[12]等項目。

通過分析以上項目實例可以發現，國外的UUV集群項目以實用性為主，從實際應用角度出發，提出所面臨的問題，并通過理論結合實踐的方式尋找解決辦法；項目研究更側重系統穩定性和可擴展性的研究，在此基礎上去尋找實現概念設想的方法。

2 UUV集群發展關鍵技術

2.1 集群智能控制算法

集群智能控制算法是集群系統的核心技術，是控制各個單體活動并能將它們聯系起來形成一個系統合作執行任務的關鍵。受自然界群體行為的啟發，已有很多智能控制算法被提出，但是由于海底復雜環境和惡劣通信條件的限制，很多算法不能直接被移植到UUV集群應用當中。因此現有智能算法在海洋環境的應用以及適用UUV集群的新智能控制算法的開發仍是未來UUV集群發展的關鍵所在。

現階段對集群控制算法的研究主要還是集中于對已有智能算法的改進，例如嚴浙平[13]在已有單、多智能體強化算法的基礎上，提出一種融合了Nash—Q、CE—Q及WoLF—PHC等算法主要思想的多智能體Q學習算法，并將這種算法用于多AUV系統的控制。另外，集群控制算法的研究通常都是針對某一特殊任務或者目標，引入智能算法以達到優化控制器的目的。例如文獻[14-19]分別針對UUV集群的路徑跟蹤、編隊控制和協同圍捕等問題，將適合的智能算法引入到海洋環境中，并根據不同問題所存在的不同客觀條件對算法進行一定的改進。以上方法基本概括了目前主流的UUV集群智能算法研究方法：將已有智能控制算法針對海洋環境和特定任務進行改進，比較常用于集群控制的算法有：蟻群算法[20-21]、人工勢場法[22]、粒子群算法[23]；另外強化學習和機器學習等方法[24-27]也一直有學者對其進行集群控制應用方面的研究。UUV集群發展相對較晚，改進已有算法是一種效率較高的方法，但不應該局限于此，文獻[28]提出了一種模塊化、可擴展的應用于異構多UUV編隊協調問題的架構。文獻中對硬件擴展時的軟件配合擴展升級的研究是值得參考的研究方向。海洋環境的復雜性給UUV的研究增加了很多限制和挑戰，同時也為UUV研究創造了更多的可能性，在參考已有研究成果的同時應該根據具體情況和相關理論知識探索更適合的智能控制算法。

2.2 通信網絡設計

遠距離通信、大容量通信、高質量通信、強抗干擾性和保密性是對UUV通信系統的基本使用要求。目前UUV的主要通信方式有：光纜通信、衛星通信、無線電通信和水聲通信。其中水聲通信由于其衰減慢可實現遠距離水下通信的特點最適用于UUV集群中成員間的相互通信。但是水聲通信存在帶寬有限和傳輸速度慢且信道不穩定等缺點，有通信延遲和數據丟包等問題。因此在特定的環境條件限制以及沒有更好的通信手段的情況下，通信網絡的合理設計是一種提高水下UUV集群間相互通信效率和可靠性，從而更好地協作完成任務的可行方法。

針對水聲通信的各種缺點和海洋中的客觀不利條件，在已有的硬件條件基礎上，仍可對通信效果進行可觀的改善，達到節約能耗、減少數據丟包通信延遲帶來的影響等目的。主要方法有：改變通信拓撲[29-30]、設計更高效的通信協議[31]、改變通信模式[32]等。近些年比較有代表性的研究有：文獻[29]針對水聲信道不穩定，存在時間延遲以及海洋背景噪聲的問題，提出了一種基于Markov隨機過程的雙層獨立變換通信拓撲，通過雙層獨立結構和不斷切換的拓撲確保編隊中全部潛航器都可以實現通信覆蓋，并分析了在此變換拓撲條件下潛航器編隊收斂的條件；在此基礎上，嚴浙平等[33]又提出了有效的通信拓撲權重 (communication topology effective weight)的概念以更好地表示受噪聲干擾的通信信息的有效性。

2.3 任務分配

任務分配是隨著集群技術發展最早被研究的技術之一，任務分配的研究對象日益復雜，分配的任務也多樣化?，F階段任務分配方法根據對應集群的控制方式不同主要分為集中式分配和分布式分配2種。

1) 集中式任務分配。這種分配方式需要各UUV將自身環境信息與執行任務的代價函數信息傳輸給控制中心，控制中心權衡各UUV和任務情況進行合理分配。這種方式高度依賴通信，且作為控制中心的UUV計算負擔重。文獻[34]基于增加了延時的petri網對多UUV系統任務分配問題建模，提出了集中式和分布式相結合的任務分配方式：任務由主UUV發布，各從UUV結合自身約束條件選擇是否接受任務。文獻[35]在高延遲和不可靠的通信條件下，描述了一種使用k均值聚類的高效集中式任務分配機制，該機制在信息數據包錯誤率達到80%時仍能完成任務分配；

2) 分布式任務分配。這種分配方式并不是將決定權完全交給單體UUV，而是給各個成員一定的自主決策權力，成員可根據局部信息按某些規則進行局部任務分配，有對通信依賴小、執行速度快的特點，但由于成員不能掌握整體信息，各UUV間可能存在競爭關系。分布式任務分配比較常用的方法是合同網算法[36-38]和SOM神經網絡[39-42]。合同網算法是一種談判協調，通過模仿經濟行為的“招標— 投標—中標”機制來實現任務分配，具有并行計算、分布式通信、可擴展性和魯棒性等特點。SOM神經網絡實質上是一種競爭性學習方法，相比于合同網方法，由于沒有前者的協商機制，成員間的競爭會更多。這種方法適用于多UUV對應于多目標任務的情況，其核心是分別以目標任務和UUV對應SOM神經網絡的輸入和輸出量，任務間通過競爭計算對應到不同的UUV，通過這種方式控制UUV到達指定位置完成指定任務。

任務分配的核心目的是將集群的優勢最大化，通過合理分配任務給不同的執行者，使任務執行時間最少或能耗最小。集中式任務分配理論上可以通過通信協商找到最合理的分配方式，但是通信本身不可靠，且通信本身也會浪費掉一些時間和能量；與此相比分布式雖然不能得到最優解，但是它的優勢是能夠根據局部信息更快的作出反應。因此在應用時通常是根據實際需求將2種方法結合起來，才能發揮比較理想的效果。

2.4 路徑規劃

路徑規劃問題是指在航行器工作環境中，按照一定的評價標準(耗能最少、路線最短、時間最少等)為UUV尋找一條安全到達目標點的最優路徑。將該技術拓展到集群中，對控制和算法設計提出了更高的要求。路徑規劃首先要考慮的是安全問題，這是UUV到達目標的前提，因此避碰(包括集群內部成員避碰和避開障礙物)是此類問題中必須考慮的問題[43-45]。其次進行規劃前要先定義規劃的最優標準，不同標準利用的方法也有所不同，例如文獻[46]將TSP問題(travelling salesman problem)與蟻群算法結合尋找UUV集群最短路徑；而文獻[47]則針對存在時變洋流影響的多AUV系統，將完成任務的時間最短作為規劃目的并采用動態規劃算法來實現。另外在規劃完成后還要對路徑的可行性進行驗證，避免無效路徑的產生并排除可能存在的不穩定因素[48-49]。

2.5 編隊控制

某些多UUV任務中，UUV以編隊形式集體移動。編隊控制就是一種控制一組UUV在任務需要時沿著所需路徑移動的技術，同時保持所需的隊形，并適應環境約束：如障礙物，有限的空間，洋流和通信約束。對空中飛行器的編隊控制的研究相比于水下UUV編隊要成熟，但是由于水下特殊環境的限制，空中飛行器編隊控制算法不能直接移植到多UUV控制中，因此多UUV編隊控制技術是集群研究的焦點之一。目前主要的編隊控制方法分為以下幾種：虛擬結構方法、領航者-跟隨者方法和人工勢場法。

1)虛擬結構方法。

為了在多個機器人之間形成和保持某種幾何形狀，引入了形成的剛性結構作為參考，其中機器人的整體表現像是嵌入剛性結構中的粒子，這種方法就是虛擬結構法 (virtual structure， VS)。虛擬結構按預定軌跡航行，算法反復計算UUV與虛擬結構的誤差并進行調整，同時保持各UUV之間的剛性幾何關系，直到UUV到達所需隊形。這種編隊控制方式被廣泛應用于飛行器編隊，但在UUV集群中的研究還很少。文獻[50]提出了虛擬領航者的編隊結構，由于編隊領航者是虛擬的，因此它具有準確的位置信息，基于虛擬引導的準確位置，可以獲得UUV在編隊中的預期位置，但是只研究了2D的情況，3D的編隊控制還有待研究。

2)領航者-跟隨者方法。

在領航者-跟隨者方法中，基本思想是領航者跟蹤預定義的參考軌跡，跟隨者根據預定義的方案跟蹤領者航的狀態。其最大優點是易于理解和實現，但是，跟隨者對領航者沒有明確的反饋意見，領導者的失敗將導致整個編隊的失敗。這種方法在UUV編隊控制研究中的應用比較多，在此結構前提下研究的方向主要集中在2方面：1)在復雜環境中的隊形變換和避障。如文獻[51-52]分別研究了在面對不同環境時采用不同的隊形變換方法達到通過特定區域和避障的目的；2)編隊穩定性研究。穩定性包括編隊成員能否準確保持在隊形指定位置和編隊在復雜環境中的魯棒性。如文獻[53-54]提出了一種欠驅動多UUV主從式編隊在領航UUV速度不確定時的控制方法，構建了收斂于從UUV軌跡的虛擬UUV，然后用反步法和李雅普諾夫法分析設計了跟隨者的位置跟蹤控制，使跟隨者能準確跟隨領航者。

3)人工勢場法。

人工勢場概念由Khatib[55]提出。這種方法的基本思想是航行器在力場中移動，其類似于由正電荷和負電荷產生的電場。要達到的位置對航行器產生吸引力，障礙產生排斥力，使得航行器可以沿著潛在場地的方向移動。這種方法通常都是與其他方法共同使用，在遇到障礙或者需要隊形變換時提供輔助指向力。文獻[56-57]分別將反步法和虛擬結構法與人工勢場法結合實現多UUV編隊控制，以達到隊形保持和避障的目的。

除去以上3種常用方法，利用一致性理論對UUV進行編隊控制[29，58]，也是近期的研究熱點。多智能體一致性是指各智能體根據預先約定的協議，使指定的狀態達到一致。但是這種方法仍然很依賴通信，不能擺脫水下通信受限對編隊控制的影響。而且現階段關于一致性的研究主要局限于理論分析和仿真，還沒有具體的應用實例。

2.6 導航定位

由于UUV通常需要長時間在大范圍海域執行任務，而且通常UUV體積不大，所以所攜帶能源和質量等均受到一定的限制。這種客觀條件限制以及隱蔽性和水下特殊環境等因素綜合導致多UUV精確導航定位的實現是一項非常艱巨的任務。多UUV協同導航定位主要有2種方式[59]：1)每個UUV配備的導航裝備相同，互相通過水聲通信獲得系統中其他UUV的位置信息的并行方式；2)采用少量UUV配備高精度導航設備為其他UUV提供精確相對定位信息，其他UUV利用這種相對定位信息修正自身定位誤差的領航方式。并行式的結構簡單，但每個UUV都裝備高精度導航設備，成本將成倍增加。而領航式則兼顧了精度和成本且能夠適用于不同的使用區域和環境，是當今多UUV導航定位的重點研究方向。

多UUV協同導航精度的提高主要需要從UUV內部影響因素、各UUV間的影響因素以及整個UUV協同系統等多方面進行考慮。主要涉及到以下3方面問題[60]：1)精確建立協同導航模型以及協同導航算法的開發；2)對協同導航網絡中的誤差因素的補償(如通信延遲、洋流等)；3)對協同導航系統中的編隊構型進行優化設計。

1)建模與算法。

卡爾曼濾波是協同導航算法中最常見也最基本的方法之一，國內外學者圍繞這一算法做了大量相關工作[61-65]。其中文獻[62]針對EKF算法存在截斷誤差和計算繁瑣等問題提出了使用sigma點卡爾曼濾波(SPKF)的協同定位方法； Gianluca Antonelli等則推導出了確保線性化模型的可觀察性和非線性模型的局部弱可觀測性的條件，然后設計擴展卡爾曼濾波器估計2個AUV之間的相對位置。協同導航算法的設計和改進都是建立在準確建模的基礎上的，如文獻[66]中的雙偽測量的數學模型、文獻[63]建立的從UUV非線性導航模型等。

2)誤差補償。

導航誤差的產生有很多原因，主要包括3大類：洋流干擾、量測誤差、通信時延。

針對洋流干擾問題，張立川、劉明雍等[67-68]設計協同定位濾波算法對洋流干擾進行估計；并通過非線性極小平方優化模型求解UUV和洋流的初始量，提高初始精度等方式補償洋流影響下的UUV定位誤差。

針對量測誤差問題，李聞白[69]利用擴展卡爾曼濾波方法建立了單領航者導航系統的整體定位誤差與相對位置量測誤差間的傳遞方程。盧健等[70]根據水聲通信的特點提出了一種相關性假設并提出了誤差修正算法 (ECA)，在設定條件下利用誤差間的相關性抵消量測誤差，從而實現量測的粗估計。

水聲通信時延問題是UUV集群研究不可避免的客觀不利條件，由于時延的存在，相同時間不同UUV間的相對位置無法準確獲得。為了彌補這種誤差可采用2種方式：補償時延造成的定位誤差和追求時間同步。對于第1種方式，最常用的方法是卡爾曼濾波，如文獻[71-72]。文獻[73-74]則分別基于量測偽距的EKF移動長基線時間延遲算法和建立UUV時鐘相對偏移、漂移兩種模型實現對時間補償，達到時間同步。

3)編隊構型。

編隊構型影響著協同導航的可觀測性，而可觀測性直接決定協同導航定位的精度，因此對編隊構型的研究也是提高協同導航精度的一種可行方法。多UUV協同導航系統具有非線性特性，使得線性系統的可觀測性理論對其不再適用。為了解決這一問題國內外學者主要采用2種方式：1)將非線性系統線性化[75]，但在線性化的過程中可能會導致系統關鍵信息的丟失；2)引入非線性的可觀測性方法[76-78]。

3 結論與展望

1)一直以來限制UUV集群發展的一個主要原因是水下惡劣的通信條件。分布式優化算法能夠降低通信對控制的影響，但是現階段還沒有比較成熟的分布式優化算法應用于集群當中。未來分布式優化可能會成為集群發展的突破口。

2)對UUV集群的相關研究越來越多，但是多數研究都局限于理論推導和仿真驗證，受限于UUV集群驗證平臺的發展，相關理論和算法不能得到及時驗證。

3)目前集群的研究主要針對少數UUV的編隊和協作控制，針對大規模集群的研究很少，這也限制了UUV集群的發展潛力。

鑒于當今科技發展潮流，已經有學者提出將人工智能技術應用到UUV集群控制當中，可以預想這將大大提高現有航行器的自主能力，也將使集群控制更加智能化。未來集群技術的發展除了建立在前文提到的關鍵技術發展上之外，航行器自身的智能性的提高將是集群發展的強大助推器。