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

肖广峰1  宋光1   吴金水2

1中国船舶集团汾西重工有限责任公司   山西省太原市   030000

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算法是一种较佳的规划算法，其在路径规划问题中具有良好的适用性，可以解决水下三维环境中的局部规划问题，该算法不依赖于初始航线的设定，具有较强的寻优能力，不过也存在寻优效率较低等问题。

3环境信息感知

3．1环境感知技术

环境感知是指通过传感器获取航行器的姿态和周围环境信息，再由通信设备传给控制系统做出决策指令的过程。环境感知技术包括主动感知和被动感知。被动感知是航行器利用自身携带的传感器被动接收周围环境信息。主动感知则是基于雷达和声呐传感器通过发射信号、收集和处理信号的方式来主动获取周围环境信息的感知方法。

3．2基于声呐的环境感知

无人航行器在航行的过程中需要实时判断前方障碍物情况，例如障碍物的大小、方位和距离， 然后根据这些信息完成避障功能。对于 ROV 来说，可以将前视声呐获得的障碍物信息实时传回指挥平台，然后由人工制定 ROV 的航行路径，从而避开障碍物；对于AUV来说，则需要根据前视声呐获得的障碍物信息，由路径规划算法制定航行路径。避障过程 是自动的、由程序控制的，例如使用反应式避障算法可使得航行器能够避开障碍物。一般情况下，避障的前提是实时获取障碍物所在的方位和距离信息。UUV在水下作业时，需要装配各种类型的声呐设备，比如用于防止发生碰撞的避碰声呐，用于测速的多普勒测流仪，用于探测海底的测深仪，用于观测海底地形地貌的成像声呐和侧扫声呐等，这些设备独立工作，共同完成 UUV 的作业任务。前视声呐安装在UUV 艏部，其基本用途是实时探测前方障碍物分布情况并通知控制平台对障碍物进行规避。前视声呐相当于 UUV 的眼睛，是保障 UUV 在海洋中安全航行的基础设备。除了避障，前视声呐还能用于海底地形探测、高分辨率成像、目标识别与跟踪等应用场合，因此是一种通用性很强的多功能设备。装载在 UUV 不同部位的声呐视域范围不相同，比如侧扫声呐无法获取前方信息，需要利用前视声呐填补侧扫声呐的盲区。目前，无人航行器的前视声呐主要有三类：机械扫描声呐、多波束电子扫描声呐和三维成像声呐。机械扫描声呐由机械旋转的单波束扫描固定扇面，该方式速度慢且依赖机械结构，难以保证精度和实时性。多波束前视声呐成像速度快，能够对运动物体成像，适合用于障碍物探测。三维成像声呐能够同时获得水平、垂直和距离三个方向上高精度的信息，但具有系统复杂、成本高、运算量大等特点。常用的测流设备有 ADCP(Acoustic Doppler Current Profiler, 声多普勒流速剖面仪)和DVL (Acoustic Doppler Velocity Log, 声学多普勒测速仪)。ADCP 是一种专用于探测海流速度的声呐，在对流场不产生干扰的情况下，根据多普勒频移原理探测海洋剖面上若干 个水层的海流分布，是目前最常用的测流设备。DVL 是一种用于测量海底绝对速度的声学设备，具有作用深度大、测速精度高等特点，通常与惯性导航系统配合使用，为 UUV或潜艇等载体提供高精度定位。ADCP 与 DVL 的测速原理相同，随着技术的发展和需求的不断增加，DVL 也能测量流速剖面，两者实现的功能逐渐趋于一致，因此在本文研究中统称为 ADCP。无论是用于避障、测流速、测海底地形还是目标跟踪，主动声呐都需要保证一定的角度分辨率和距离分辨率。选择较高中心频率的发射信号能够使系统分辨率提高，但海水对声波能量的吸收与频率的平方成正比，高频声波在海水中衰减很快，导致作用距离缩短。因此，考虑到分辨率和作用距离这两个相互制约的性能指标，前视声呐的中心频率一般取几十到几百千赫兹。为了充分利用 UUV 的表面积，使用共形阵是一种必然选择。

结语

UUV的环境感知在路径规划中占重要地位，本文着重介绍了无人水下航行器路径规划系统中的环境感知系统和编队控制方法。在多航行器作业时，集群完成各自任务的时间长短和单UUV航行耗时有关。由于UUV的惯性较小，导致某些情况下较强洋流会对UUV的速度产生较大影响。这就对我们的环境感知技术提出了更高的要求。

参考文献

[1]魏博文, 吕文红, 范晓静, 等. UUV导航技术发展现状与展望[J]. 水下无人系统学报, 2019, 27(1): 1-9.

[2]吴鹏，桑成军，陆忠华，等.基于改进A*算法的移动机器人路径规划研究[J].计算机工程与应用，2019, 55(21): 7.