水面無人艇路徑規劃研究現狀

陳羽 褚天仁

摘? 要：進入人工智能化時代，水面無人艇成為研究熱點，路徑規劃算法是實現水面無人艇智能化的重要部分。該文針對水面無人艇對環境信息的獲取程度，分別從全局路徑規劃以及動態局部路徑規劃綜述當前路徑規劃方面的最新研究成果，總結學術界對規劃路徑算法的切入點。最后討論目前無人艇在路徑規劃上的挑戰以及對未來無人艇實現智能化的展望。

關鍵詞：無人艇；路徑規劃；局部路徑規劃；自主航行；人工智能

中圖分類號：U664.82? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2024）06-0084-04

Abstract： In the era of artificial intelligence， the surface unmanned vehicle has become a research hotspot， and the path planning algorithm is an important part of realizing the intelligence of the surface unmanned vehicle. Aiming at the degree of acquisition of environmental information by surface unmanned craft， this paper summarizes the latest research results of current path planning from global path planning and dynamic local path planning， and summarizes the entry point of path planning algorithm in academic circles. Finally， the challenges of path planning of unmanned vehicles at present and the prospect of intelligent unmanned vehicles in the future are discussed.

Keywords： unmanned craft; path planning; local path planning; autonomous navigation; artificial intelligence

無人艇（Unmanned Surface Vehicle，簡稱USV）是一種無人駕駛的水面船舶，通過采用無線通信、傳感器和自主導航技術實現航行和任務執行。無人艇通常被用于海洋科學研究、海洋資源勘測、海底地形測繪、環境監測、軍事偵察和救援等領域。無人艇可以根據預設的任務規劃自主航行路徑，使用雷達、聲納、相機等傳感器收集環境信息，并將這些數據通過無線通信傳輸回地面或其他控制站。無人艇具有較強的適應性和靈活性，能夠在惡劣的海洋環境中執行任務，如海況惡劣、危險區域或遠離陸地。無人艇技術的發展為海洋領域帶來了更高效、更安全的數據采集和任務執行方式。通過減少人員風險、提高工作效率和降低成本，無人艇在未來將扮演越來越重要的角色[1]。

路徑規劃是無人艇實現自主導航的關鍵環節之一，其確定了無人艇的航行路徑，使其能夠安全、高效地到達目標地點執行任務。在過去的幾年里，無人艇路徑規劃研究取得了顯著進展，本文將對相關研究進行綜述。

1? 全局路徑規劃算法

1.1? 傳統方法

基于圖論的算法：這類算法通過將環境建模為圖形結構，采用圖論中的算法進行路徑規劃。其中最常用的算法是Dijkstra算法和A算法。Dijkstra算法用于尋找最短路徑，適用于靜態環境。A算法結合了啟發式信息，能夠在較快時間內找到較優路徑[2]。

基于啟發式搜索的算法：通過設定啟發式函數來評估路徑的質量搜索最優路徑。其中包括遺傳算法、模擬退火算法等。遺傳算法基于生物進化思想，通過基因編碼和交叉變異的操作來搜索最優解。模擬退火算法則模擬金屬退火過程，通過隨機搜索來找到全局最優解[3]。

基于規則的方法：根據預先設定的規則和約束來進行路徑規劃。例如可以設定規定無人艇在遇到障礙物時繞行或避讓。這種方法適用于簡單的環境和任務要求，但對于復雜和動態環境的適應性較差[4]。

傳統路徑規劃方法通常需要依賴事先建立的環境地圖和目標位置信息。對于復雜和動態環境，這些方法的適應性和魯棒性可能較差。近年來，隨著深度學習和強化學習等技術的發展，越來越多的研究開始采用基于學習的方法來進行無人艇路徑規劃。這些方法通過模型訓練和自主學習，使無人艇能夠在未知環境中實現自主導航和路徑規劃。

1.2? 智能路徑規劃算法

智能路徑規劃算法主要是指基于人工智能和機器學習技術的路徑規劃方法。下面列舉了幾種常見的智能全局路徑規劃算法。

1.2.1? 遺傳算法

遺傳算法（Genetic Algorithm）是一種模擬生物進化過程的優化算法。在路徑規劃中，可以通過基因編碼和遺傳操作（如交叉、變異）來搜索最優路徑。遺傳算法適用于多目標優化問題和復雜的搜索空間，具有全局搜索能力[5]。遺傳算法流程如圖1所示。

楊琛等[6]提出基于遺傳算法優化PID控制器的方法來解決無人艇路徑跟蹤在環境未知擾動以及模型參數難以確定的問題；胡紅波等[7]提出免疫遺傳算法有效提高無人艇任務分配方法的尋優速度以及分配效果；劉源等[8]設計了基于雙懲罰函數的遺傳算法，有效解決無人艇在風浪留等外界復雜環境干擾波動下遇到的問題。

1.2.2? 粒子群優化算法

粒子群優化算法（Particle Swarm Optimization）是一種基于群體智能的優化算法。在路徑規劃中，可以將路徑視為粒子的位置，在搜索空間中進行迭代優化，以找到最優路徑。粒子群優化算法具有快速收斂和全局搜索的能力[9]。

劉文霞等[10]提出量子粒子群優化算法，通過引入動態控制參數減少了路徑長度，提高了路徑平滑度和安全性；林法君等[11]提出動態權重的粒子群算法，建立柵格化的障礙區海域模型，提高尋址的速度和安全性。

需要注意的是，智能路徑規劃算法的選擇應根據具體情況和任務需求。不同的算法適用于不同的問題和環境。此外，還可以通過組合多種算法或結合傳統規劃方法來提高路徑規劃的效果和魯棒性。

1.2.3? 蟻群算法

蟻群算法（Ant Colony Optimization）是受到螞蟻覓食行為啟發的一種啟發式優化算法。在路徑規劃中，可以將無人艇視為螞蟻，通過模擬螞蟻釋放信息素和選擇路徑的行為來搜索最優路徑。蟻群算法適用于解決動態環境下的路徑規劃問題[12]。蟻群算法流程如圖2所示。

沈智鵬等[13]結合無人帆船在特定環境下的運動狀態提出改進自適應蟻群算法，優化啟發函數，加快了算法收斂速度；孫功武等[14]解決死鎖情況發生并改進啟發函數提高算法的收斂速度和精度。

2? 局部路徑規劃

無人艇局部路徑規劃算法主要是針對在復雜和動態環境中進行實時避障和調整的問題。下面列舉了幾種常見的無人艇局部路徑規劃算法。

2.1? 動態窗口法

動態窗口法（Dynamic Window Approach）通過在速度和轉向空間中定義一個窗口，根據無人艇的運動約束和感知信息，動態地選擇合適的速度和轉向，以避免障礙物并達到目標點。該方法適用于快速計算和實時更新路徑規劃的情況。

高宇等[15]結合無人艇運動學參數考慮了避碰規則以及障礙物因子，提高了算法的避障能力；譚智坤等[16]將動態窗口法和速度障礙法相融合，提高了無人艇的動態避障調節能力。

2.2? 人工勢場法

人工勢場法（Artificial Potential Field Approach）將無人艇視為一個粒子，給每個目標點和障礙物分配一個勢場，無人艇通過計算力的合成來規劃路徑。該方法能夠適應復雜的環境和避免障礙物，但容易出現局部最小值和振蕩的問題。

李家林等[17]引入閾值解決與障礙物的碰撞問題，并結合模糊遠近界點的概念解決目標不可到達問題；張豐等[18]通過修改斥力函數以及施加船向角和增加隨機擾動的方法，有效解決路徑振蕩和無法到達目標點的問題。

2.3? 模型預測控制法

模型預測控制方法（Model Predictive Control）通過建立動力學模型和環境模型，利用模型進行預測，然后根據最優控制策略規劃路徑[19]。該方法可以考慮動態約束和目標需求，適用于復雜環境和高精度控制。

2.4? 強化學習法

強化學習法（Reinforcement Learning）也可以用于局部路徑規劃。通過與環境交互，智能體可以學習在局部環境中選擇動作以達到目標。這種方法可以自動學習和優化路徑規劃策略，適用于動態和未知環境[20]。

夏家偉等[21]基于多智能體深度強化學習的分布式控制方法，采用集中式訓練和分布式執行的多智能體近端策略優化（MAPPO）強化學習架構使得無人艇在不同期望隊形、不同集群數量和部分智能體失效等場景中能夠成功完成快速集結；蘇震等[22]設計了協同圍捕環境下深度強化學習算法的狀態信息、動作信息、神經網絡結構和獎勵函數實現了無人艇協同圍捕工作，完成無人艇集群博弈對抗。

需要根據具體的任務需求和環境特點選擇合適的局部路徑規劃算法。通常情況下，局部路徑規劃算法會與全局路徑規劃算法結合使用，全局路徑規劃負責確定目標點和大致路徑，而局部路徑規劃則負責實時調整和避障。結合多種算法和技術可以提高無人艇的路徑規劃效果和安全性。

3? 挑戰與未來發展

3.1? 無人艇路徑規劃挑戰

由于無人艇作業環境的復雜性和突發性較高，對無人艇進行安全路徑規劃的挑戰也是艱辛的。在進行路徑規劃時，需要從多方面考慮，進而保障無人艇能夠安全到達目的地，避免造成經濟損失。

1）環境：路徑規劃需要考慮水域的地形、障礙物、海流和風力等環境因素。傳感器數據的準確性和實時性對路徑規劃的影響也不可忽視。

2）任務需求：不同的任務需求對路徑規劃有不同的要求，如最短路徑、最優路徑、多目標路徑等。

3）安全性：安全是無人艇路徑規劃的重要考慮因素，包括避免與其他船只或障礙物發生碰撞，以及在突發情況下能夠及時應對。

3.2? 未來展望

通過總結無人艇路徑規劃的技術算法，綜合當前路徑規劃的發展現狀，現存在以下幾種發展難點和重點。

1）多目標優化：無人艇路徑規劃中的多目標優化是一個具有挑戰性的問題，需要權衡不同目標之間的關系，如航行時間、能源消耗、任務完成率等。

2）動態環境下的路徑規劃：在實際應用中，水域環境可能會發生變化，如海流的變化、新的障礙物出現等。因此，如何實現在動態環境下的實時路徑規劃是一個需要解決的問題。

3）集群協同：多艘無人艇之間的協同和合作是未來研究的重點，可以通過路徑規劃算法實現艇群的分工與協同，提高整體效率。

4? 結論

無人艇路徑規劃是無人艇自主導航的重要環節。傳統方法和強化學習方法是目前研究中常用的路徑規劃方法。然而，仍然存在挑戰，如多目標優化和動態環境下的路徑規劃。未來的發展方向包括多目標優化、動態環境下的路徑規劃以及集群協同等方面的研究，這將進一步推動無人艇技術的應用和發展。

參考文獻：

[1] 馬鳴，古楠，董佳偉，等.基于電子海圖的無人艇集群區域覆蓋路徑規劃[J/OL].中國艦船研究：1-9[2023-08-17].

[2] 應澤光，何琪.基于改進A*算法的無人艇復雜水域路徑規劃[J].機電技術，2022（5）：33-35.

[3] Sensor Research：Data from Qingdao University of Science and Technology Provide New Insights into Sensor Research （Greedy Mechanism Based Particle Swarm Optimization for Path Planning Problem of an Unmanned Surface Vehicle）[J]. Journal of Engineering，2019.

[4] 陳銳.復雜海洋環境下的水面無人艇智能路徑規劃[D].昆明：昆明理工大學，2022.

[5] 趙嘉祺.基于改進遺傳算法的水面無人艇避障問題研究[D].天津：天津理工大學，2019.

[6] 楊琛，蔣鑫，白波，等.遺傳算法優化PID控制器參數的路徑跟蹤控制[J].制造業自動化，2022，44（5）：78-81.

[7] 胡紅波，曹璐.基于免疫遺傳算法的無人艇任務分配研究[J].艦船電子工程，2022，42（11）：25-27，73.

[8] 劉源，顧因，李夏.復雜海況下水面無人艇路徑算法優化設計[J].軍事交通學院學報，2021，23（1）：83-87.

[9] 薛敏，徐海成，王碩.基于粒子群優化算法的無人艇路徑規劃[J].中國科技信息，2018（24）：69-70.

[10] 劉文霞，王榮杰，郜懷通，等.基于量子粒子群算法的無人水面艇路徑規劃[J].集美大學學報（自然科學版），2023，28（1）：34-40.

[11] 林法君，李焰.基于改進粒子群算法的水面無人艇全局路徑規劃[J].艦船電子工程，2022，42（8）：59-63，73.

[12] 敖邦乾，楊莎，葉振環.改進蟻群算法水面無人艇平滑路徑規劃[J].控制理論與應用，2021，38（7）：1006-1014.

[13] 沈智鵬，丁文娜，劉雨宸，等.基于改進自適應蟻群算法的無人帆船路徑規劃[J].哈爾濱工程大學學報，2023，44（6）：969-976.

[14] 孫功武，蘇義鑫，顧軼超，等.基于改進蟻群算法的水面無人艇路徑規劃[J].控制與決策，2021，36（4）：847-856.

[15] 高宇，趙嵩郢.基于動態窗口法的無人艇局部路徑規劃[J].船電技術，2022，42（7）：50-54.

[16] 譚智坤，張隆輝，劉正鋒，等.融合改進動態窗口法與速度障礙法的無人船局部路徑規劃[J].船舶力學，2023，27（3）：311-322.

[17] 李家林，張建強，李春來.基于優化人工勢場法的無人艇局部路徑規劃[J].艦船科學技術，2022，44（16）：69-73.

[18] 張豐，廖衛強，喬中飛，等.基于改進人工勢場法的無人船路徑規劃[J].集美大學學報（自然科學版），2023，28（2）：150-155.

[19] 封佳祥.水面無人艇智能路徑規劃技術研究[D].哈爾濱：哈爾濱工程大學，2020.

[20] 黃海威.無人駕駛車輛路徑規劃及跟蹤控制研究[D].邯鄲：河北工程大學，2022.

[21] 夏家偉，劉志坤，朱旭芳，等.基于多智能體強化學習的無人艇集群集結方法[J].北京航空航天大學學報，2023，49（12）：3365-3376.

[22] 蘇震，張釗，陳聰，等.基于深度強化學習的無人艇集群博弈對抗[J].兵器裝備工程學報，2022，43（9）：9-14.