全文共 3000 字，阅读大约需要 8 分钟。（文末的腾讯广告，每点击一次，我们就会获得0.5元的收入，您的爱心都会捐赠给贫困地区的孩子，我们会定期公布捐赠用途。感谢您长期以来的支持！❤）水下机器人路径规划问题研究的是在海洋环境中，在航行起点和航行终点之间寻找一条整体最优或次优路径，作为该时间段下水下机器人的航行期望路线。 由于海洋水平面之下并不是平静而一马平川的，且充满复杂性和动态性，因此水下环境一直是自主式水下机器人路径规划的一大挑战。目前路径规划的主要制约因素是：有限的数据传输能力、有限的能源储备和水下作业的传感技术。海洋环境受到大气、海岸和重力等一系列具有挑战性的因素的影响。根据这些因素的影响是否可以近似估计，水下环境可以分为可预测和不可预测。传统的基于人工智能的路径规划算法一般假设环境条件对路径规划者来说是先验的，即环境可预测。但是现有的路径规划算法为了更高的实用价值，其考虑的水下环境是动态的，在水下全时域中都需要与环境进行持续的交互，因此某种程度来说其效果无法预测。路径规划对于许多涉及水下机器人的应用都是非常必要的，其最优考虑项都是以最小的能源成本和计算开销来规划安全路线为基础的。深海智人将以无人水下自治机器人的路径规划为主题，以多篇文章的方式全面综述水下机器人在可预测和不可预测环境下的各种路径规划策略。并针对可预测和不可预测环境，对单AUV和多AUV路径规划的算法进行分别详细解析。本期文章首先带你了解无人水下机器人路径规划的前世今生，认识这一领域最基本的概念和应用进展。基于Seetrack软件的AUV任务规划
©Seetrack Software
▼
无人水下自治机器人（AUV）是“无人水下航行器（UUV）”的一个水下系统分支。无人水下航行器主要分为水下自治机器人（AUV）和水下遥控式机器人（ROV）。ROV通过脐带接受自水面控制站的供电和操作指令。AUV则携带独立的机载电源，这些电源一般是由圆柱形干电池组成，AUV没有连接电缆，执行任务中的动作和判断完全自主。AUV的外形结构设计包括“鱼雷型”、“滑翔型”和“悬停型”。AUV的尺寸则从便携式到巨大的数百吨排水量。AUV系统是一种高度非线性的机器人系统，其动力学方程包含由于水动力阻尼因子而产生的非线性项。大型AUV一般具有浮力调节装置，使得本身可以在海面和海面下工作。AUV 发展到如今，外形越来越多种多样了，这三个字母似乎越来越代表的是水下自治系统的统称
©互联网
运动规划通常与“路径规划（PP）”和“轨迹规划（TP）”联系在一起。路径规划是寻找AUV从起始位置到达预定目的地所必须经过的点的路线，而AUV的这段旅程的时间历程称为轨迹规划，即轨迹规划是以时间和空间位置为标定的。AUV导航是路径规划的一个重要方面，导航即知道自己的位置。水下环境中一般没有外部通信和类似“全球定位系统（GPS）”的导航信号。因此，在没有方向位置信息和功率受限的情况下，AUV要想准确准时的导航到目标需要考虑或者受限的因素非常非常多。SeeTrack Military V4 software
©Seetrack
目前在这一领域，有三种主要的AUV导航方法，即“航向推算-惯性导航系统（DR-INS）、声学导航系统和地球物理导航系统”。同时根据现有的AUV导航研究特征，我们可以把水下导航划分为三个不同的问题，即“近水面航行、中深度区域航行和近底航行”。在路径规划控制（PPC）问题中，AUV必须在没有时间约束的情况下通过收敛路径。早期关于轮式机器人PPC的研究解决了两个主要问题，即“路径参数化”和路径终止点的选择问题。国外很早以前设计过一种基于轨迹跟踪和路径规划控制相结合的“自主水面舰艇（ASC）”和AUV协同运行的控制系统，感兴趣可以参考：Combinedtrajectory tracking and path following: Anapplication to the coordinatedcontrol of autonomous marine craft.在一系列研究PPC的项目中，基于船舶动力学、Lyapunov理论、Serret–Frenet方程和模糊逻辑等理论来提出针对水面船舶PPC的方案是最典型的。有人就基于此提出一种“内外控制”的方案，该方案可以成功地在各种AUV上实现路径规划控制，同时采用一种利用AUV动力学的跟踪控制器和输出反馈控制器来实现控制。另外有研究人员提出一种基于分段仿射参数依赖模型的离散时间PPC策略。该方法为解决AUV的“底部规划”问题提供了一种解决方案，所设计的非线性控制器为增益调度控制器，并在“Infante AUV”的垂直面动力学模型上进行了验证。“Infante”是西班牙语中对“婴儿”的称呼，代表着微型版本。此研究中还提出了不同的路径规划控制器，如“自抗扰控制器（ADRC）”，“滑模控制器（SMC）”和高精度PD控制器。国内有人设计出一种自适应SMC控制器，以应对高速AUV在水面航行时空气影响下的速度变化。“多目标模型预测控制（MO-MPC）”已在Saab Sea Eye Falcon的开放式ROV/AUV上进行验证，验证结果表明这种控制方式为一种有效的PPC策略。为提高AUV在不同应用中的性能，如海洋勘测、军事任务中的水雷搜索和探测等，因此开发一种针对动力变动范围优化的路径规划控制器在综合AUV的项目中就非常重要，这主要体现在对AUV的螺旋桨系统进行精确、快速的控制，以对适应不同任务下的动力进行合适的、精确的控制。在这一领域内，多个AUV编队控制的不同PPC，这种策略以遵循指定的路径，同时保持所需的空间模式为特征。还有一种称为“广义超扭曲算法（GSTA）”的二阶SMC，其用于自动调整增益，以应对外部不确定干扰的动态误差。也有根据“前视声纳（FLS）”提供的信息，提出“实时反应避障算法（RRA）”和“预测制导避障算法（PGOA）”等任务中PPC。毫无疑问，在实际的水下任务中，水下环境是水下机器人路径规划的最重要组成部分/影响因素。海洋环境受到一系列因素的影响，如大气因素、海岸因素和重力因素等，从而使得AUV在海洋中自主航行和作业变得非常具有挑战性。大气因素包括风、阳光和降水；海岸因素涉及河流、冰川；重力因素则包括地球自转、海床和潮汐等。水下航行器的航行主要受风、浪和洋流的影响。在确定路径时，需要充分考虑洋流的影响。虽然海洋环境是不可预测的、时变的，但在某些特定时间或者地点可以通过对环境因素的影响进行近似模拟，从而产生一个可预测的水下环境行为模型。而当环境的变化不确定或未知时，环境被认为是不可预测的。因此，水下环境具有可预测性和不可预测性。本系列文章将对AUV-PP中不同的路径规划算法进行定性分析。详细描述基于可预测和不可预测海洋环境的单、多AUV的各种算法。通过对不同路径规划控制技术在AUV路径规划领域的应用及其优缺点和避免困难的范围进行定性分析，以期对读者的后续研究有所帮助。这次系列文章的后续主题如下：用于单个AUV路径规划任务的不同方法、多AUV的路径规划策略以及实际应用中的讨论和展望。请大家关注“深海智人”公众号和视频号，帮你发现更多知识。
1、与【深海智人 Sealien】合作，让您的产品大量、精准曝光，如有需求，请联系微信：Shouhuihua888。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
