胡 橋 ,趙振軼 ,馮豪博 ,姜 川

(1.西安交通大學(xué) 機(jī)械工程學(xué)院,陜西 西安,710049;2.西安交通大學(xué) 機(jī)械制造系統(tǒng)工程國家重點實驗室,陜西 西安,710049;3.西安交通大學(xué) 陜西省智能機(jī)器人重點實驗室,陜西 西安,710049)

0 引言

自然界中存在著大量的群體自組織行為,其中最為典型的包括蟻群、鳥群和魚群等。他們中一些功能簡單的個體在通過局部關(guān)聯(lián)組成一個整體之后,涌現(xiàn)出令人印象深刻的整體智能行為,其可以完成的任務(wù)復(fù)雜程度遠(yuǎn)超個體智能的簡單加和。因此,自然界的群體智能行為吸引了人們的關(guān)注,而以智能機(jī)器人為代表組成的多智能體系統(tǒng),為人們研究自然界的群體智能行為涌現(xiàn)提供了研究平臺。

隨著機(jī)器人制造和人工智能技術(shù)的飛速發(fā)展,機(jī)器人可以完成越來越多的陸地工程任務(wù),例如路徑規(guī)劃、自主巡航和群體協(xié)作等。相比之下,水下航行器則面臨著更加極端復(fù)雜的環(huán)境,如復(fù)雜的水流運(yùn)動與海底結(jié)構(gòu)、高壓環(huán)境、低能見度和環(huán)境對儀器設(shè)備的干擾等,發(fā)展水下航行器的難度遠(yuǎn)高于陸地機(jī)器人,一方面,航行器無法憑借簡單的探測工具獲取周圍水環(huán)境信息,另一方面,對于航行器的運(yùn)動控制也會受到水流的巨大干擾。這些都是海洋探索與開發(fā)過程中亟待解決的問題。

多智能體圍捕任務(wù)作為體現(xiàn)多智能體系統(tǒng)智能化程度的非常具有代表性的任務(wù),具有重要的研究價值。圍捕任務(wù)可以為實現(xiàn)捕獲、搜索、攔截、隊形轉(zhuǎn)換和協(xié)作搬運(yùn)等提供支撐,可以廣泛應(yīng)用于反恐、安保、軍事等領(lǐng)域,具有重要意義。圍捕任務(wù)中所涉及的研究內(nèi)容包括集群數(shù)學(xué)模型、個體運(yùn)動方式、通信協(xié)議、智能決策和任務(wù)評價指標(biāo)等,由于其涉及方面廣、復(fù)雜程度高、對多智能體協(xié)作要求嚴(yán)格等特點,使其成為多智能體協(xié)作的重點研究方向。

路徑規(guī)劃作為水下智能集群進(jìn)行作業(yè)任務(wù)中的關(guān)鍵一環(huán),在提升航行性能、保障航行安全、降低航行能耗和提升作業(yè)效率等方面起到重要作用[1-2]。與單智能體系統(tǒng)相比,水下智能集群航路的規(guī)劃更為復(fù)雜,不僅需要考慮海洋環(huán)境因素,還需要對航行器間航行路徑進(jìn)行統(tǒng)籌協(xié)調(diào),對路徑規(guī)劃系統(tǒng)的實時性、系統(tǒng)性和魯棒性提出了更高要求[3],使其得到越來越多學(xué)者的關(guān)注。文中以此為主題,綜述國內(nèi)外的多智能體集群協(xié)同任務(wù)的研究現(xiàn)狀,并重點介紹筆者團(tuán)隊在此領(lǐng)域的研究成果。

1 國內(nèi)外智能集群多種協(xié)同任務(wù)及相關(guān)技術(shù)研究現(xiàn)狀

近年來,圍繞智能集群的各類任務(wù)應(yīng)用及涌現(xiàn)的一些問題,國內(nèi)外學(xué)者進(jìn)行了廣泛研究并取得了許多具有重要意義的成果。文中梳理了其中一些關(guān)于智能集群任務(wù)類型及其涉及關(guān)鍵技術(shù)的相關(guān)工作,并從集群圍捕、路徑規(guī)劃和編隊控制三方面來進(jìn)行闡述。

1.1 集群圍捕任務(wù)

以智能機(jī)器人[4-7]為代表的智能個體集群組成的多智能體系統(tǒng)是人們研究自然界智能群體行為的重要研究平臺。其中,多智能體協(xié)同圍捕任務(wù)則是反映多智能體系統(tǒng)智能化程度的代表性任務(wù)之一。協(xié)作圍捕任務(wù)技術(shù)可以為其他任務(wù)提供支持,如搜索[8]、攔截、隊形轉(zhuǎn)換[9]和合作運(yùn)輸[10],可廣泛應(yīng)用于反恐、安全和軍事等領(lǐng)域。協(xié)同圍捕任務(wù)涉及的關(guān)鍵技術(shù)包括群體數(shù)學(xué)建模、個體運(yùn)動模式、個體間信息交互方式、智能決策過程和任務(wù)評價指標(biāo)等。所涉及的智能機(jī)器人集群技術(shù)是多樣而復(fù)雜的。因此,研究人員經(jīng)常以協(xié)同圍捕任務(wù)[11]的完成情況來評價智能集群系統(tǒng)的性能。

目前已經(jīng)有許多研究者對水下協(xié)同圍捕問題中的一些關(guān)鍵技術(shù)進(jìn)行了詳細(xì)的研究并取得了卓越的成果。自主水下航行器(autonomous undersea vehicle,AUV)作為智能水下航行器的代表平臺之一,因其具有探測、通信、智能決策和控制等功能而在水下作業(yè)中得到廣泛應(yīng)用。在多AUV 協(xié)同圍捕問題中,多AUV 系統(tǒng)工作在未知的水下環(huán)境中,對水下AUV 集群的探測、通信和控制提出了新的挑戰(zhàn)。由于水下環(huán)境的復(fù)雜性,AUV 的傳感范圍非常有限,無法獲得準(zhǔn)確的全局信息,但是合作圍捕必須考慮避障行為。Huang 等[12]對AUV的圍捕問題進(jìn)行了建模,采用構(gòu)造信息完整地圖的方法完成了AUV 的圍捕,對水下圍捕策略進(jìn)行了仿真驗證。然而,該策略需要太多的先驗信息,在實際中很難獲得。Cao[13]和Zhu[14]等利用仿生神經(jīng)網(wǎng)絡(luò)(bionic neural network,BNN)模型研究了多AUV 圍捕問題,提出了一種基于距離的協(xié)商方法來分配圍捕任務(wù)。分別在二維和三維環(huán)境下進(jìn)行了仿真研究。該算法能夠較快地捕獲目標(biāo),但需要全局地圖信息進(jìn)行建模,同樣實際應(yīng)用有限。Ni 等[15]提出了一種基于雙向協(xié)商策略的動態(tài)聯(lián)盟方法和一種基于改進(jìn)遺傳算法的運(yùn)動方向分配方法,圍捕AUV 在行動前會進(jìn)行協(xié)商,可以有效提高圍捕AUV 的航行效率。Cao 等[16]采用協(xié)商的方法為每個AUV 分配合適的理想圍捕點。圍捕AUV 可以按預(yù)期路徑點包圍運(yùn)動目標(biāo),但在該研究中,圍捕團(tuán)隊是通過提前協(xié)商組成的,由于水下通信的困難,各AUV 之間交互的信息量非常有限,無法進(jìn)行大量的交流,因此,這種方法很難在實際中應(yīng)用。Cai 等[17]采用生成對抗網(wǎng)絡(luò)(generative adversarial networks,GAN)迭代訓(xùn)練生成適合水下三維和干擾環(huán)境的控制律,實現(xiàn)對非合作目標(biāo)的成功獵殺。Liang 等[18]提出了一種基于免疫機(jī)制的行為驅(qū)動協(xié)作控制方法,開發(fā)了具有自組織和容錯特性的混合非中心拓?fù)浣Y(jié)構(gòu)。但是,以上2 位學(xué)者的研究均是基于簡單環(huán)境,沒有障礙物等復(fù)雜情況,通過訓(xùn)練特定環(huán)境中的控制關(guān)系得到的控制律作為生成模型的輸入,無法應(yīng)用于其他更廣泛的情況。Chen 等[19]針對具有不同運(yùn)動能力的AUV,結(jié)合了Glasius 啟發(fā)式神經(jīng)網(wǎng)絡(luò)(Glasius bio-inspired neural network,GBNN)模型和置信函數(shù),在動態(tài)水下環(huán)境中利用非均勻多捕獵AUV 智能追捕逃逸者,其構(gòu)建的水下三維環(huán)境及多AUV 運(yùn)動過程如圖1 所示。但是,水下環(huán)境的復(fù)雜性與信息獲取的困難導(dǎo)致了構(gòu)建通用的神經(jīng)網(wǎng)絡(luò)模型十分困難,因此這類方法難以在復(fù)雜多變的水下實際環(huán)境中應(yīng)用。

圖1 動態(tài)水下環(huán)境中非均勻多AUV 集群圍捕示意圖Fig.1 Diagram of inhomogeneous multiple AUVs cooperative hunting in dynamic underwater environment

綜上所述,一方面由于傳統(tǒng)電磁波在水下環(huán)境中的快速衰減,水下航行器之間通信及定位相對困難;另一方面由于定位與狀態(tài)反饋很難精確的獲得,這些因素對水下多智能體集群系統(tǒng)的穩(wěn)定性造成了很大的挑戰(zhàn),對實現(xiàn)集群任務(wù)造成了很大干擾。因此,水下智能集群系統(tǒng)從個體和系統(tǒng)模型到集群算法方面都具有其自身特殊性。目前所實現(xiàn)的功能仍然較為初級,系統(tǒng)的穩(wěn)定性不夠,且智能化、自主化程度不高,這方面的研究仍處于探索階段,大量理論與工程問題亟待解決。

1.2 路徑規(guī)劃任務(wù)

路徑規(guī)劃問題可以描述為在一定區(qū)域的海域環(huán)境中,在對海域空間建模的基礎(chǔ)上,通過路徑搜索算法尋找一條或多條由起始點至目標(biāo)點的評價單目標(biāo)最優(yōu)或多目標(biāo)最優(yōu)(例如航行時間最短[20]、路徑長度最短[21]、航行能耗最小[22]、安全性最好等)的無碰撞路徑。相比于地面移動機(jī)器人和空中飛行器,水下智能集群的路徑規(guī)劃問題更為復(fù)雜,面臨來自海底地形、海洋生物及海洋渦流等多方面因素的干擾[23-24]。

路徑規(guī)劃可分為離線路徑規(guī)劃(靜態(tài)路徑規(guī)劃)和在線路徑規(guī)劃(動態(tài)路徑規(guī)劃)兩類。離線路徑規(guī)劃指根據(jù)全局先驗信息提前搜尋一條或多條由起始點至目標(biāo)點的可行路徑,側(cè)重于優(yōu)化航行路徑的某些指標(biāo)以達(dá)到縮減航行時間、節(jié)約航行能耗等目的,其規(guī)劃結(jié)果精度取決于先驗環(huán)境信息的準(zhǔn)確度。離線路徑規(guī)劃對規(guī)劃方法的實時性要求不高,但由于不能對變化的環(huán)境因素進(jìn)行航路修正,因此難以在復(fù)雜多變的海洋環(huán)境中保證航線路徑的時效性和安全性。動態(tài)路徑規(guī)劃指基于全局先驗信息和傳感器實時獲取的環(huán)境信息實時規(guī)劃并更新路徑,側(cè)重于提高水下航行器對動態(tài)環(huán)境障礙等難以提前預(yù)知的干擾因素的應(yīng)對能力、在航行軌跡偏離預(yù)定路徑情形時的主動修正能力,因而對路徑規(guī)劃算法的實時性要求很高而對最優(yōu)性要求較低。目前,主流的路徑規(guī)劃算法可分為傳統(tǒng)方法、基于柵格地圖的圖搜索方法、基于隨機(jī)采樣的圖優(yōu)化方法以及智能仿生方法四大類,如圖2 所示。

圖2 路徑規(guī)劃算法Fig.2 Path planning algorithms

可視圖法和勢場法是應(yīng)用最為廣泛的2 種傳統(tǒng)路徑規(guī)劃方法。可視圖法將障礙物用外接多邊形表示,將起始點、目標(biāo)點與障礙多邊形頂點三者之間進(jìn)行兩兩連線,并摒棄與障礙多邊形相交的連線,從而得到表示可行路線的有向圖。然后通過Dijskra 算法[25]、Lee 算法[26]等尋優(yōu)算法搜索出從起始點至目標(biāo)點的多段可行路線依次首尾相接的最短路徑。但此方法的路徑規(guī)劃效率隨著障礙數(shù)變多和形狀變復(fù)雜而顯著降低,在解決實際路徑規(guī)劃問題時其實時性難以滿足需求。勢場法是一種虛擬力法,其勢場一般由目標(biāo)點產(chǎn)生的引力場和障礙物產(chǎn)生的斥力場疊加而成,通過被控對象在勢場中所受虛擬力的方向和大小確定局部路徑,能夠規(guī)劃出非常平滑的路徑[27-28]。雖然該方法具有求解效率高、路徑質(zhì)量好的優(yōu)點,但存在局部極值較多、參數(shù)調(diào)節(jié)困難、全局最優(yōu)性差等不足。

基于柵格地圖的圖搜索方法通過將地圖離散化為由可行柵格和障礙柵格組成的柵格地圖,并應(yīng)用A*算法、LPA *算法、D*算法等搜索算法規(guī)劃從起始點至目標(biāo)點由一系列相接?xùn)鸥窠M成的最優(yōu)路徑。A*算法自1968 年首次被提出以來一直是應(yīng)用最為廣泛的全局路徑規(guī)劃算法[29],屬于啟發(fā)式全局算法,具有搜索效率高、建模簡單等優(yōu)點,但存在易于陷入局部最優(yōu)、搜索性能對參數(shù)敏感等缺陷。LPA*算法是一種改進(jìn)A*算法,能夠處理動態(tài)環(huán)境中的起始點和目標(biāo)點均固定情形下的最短路徑規(guī)劃問題[30]。D* Lite 算法是在A*算法的基礎(chǔ)上發(fā)展而來的增量式路徑搜索算法,Bing 等[31]采用D* Lite 算法解決水下航行器在動態(tài)變化三維水下環(huán)境的路徑規(guī)劃問題,有效彌補(bǔ)了A*算法及LPA*算法在變化環(huán)境中實時搜索效率低的問題。蔣林等[32]針對A*類算法拐點多、遞歸計算復(fù)雜的問題,提出了一種基于射線模型的全局路徑規(guī)劃算法,所規(guī)劃路徑具有更好的平滑性、靈活性和穩(wěn)定性。針對A*算法僅能求解不包含動力學(xué)、運(yùn)動學(xué)等約束下路徑規(guī)劃問題的缺陷,Dolgov 等[33]提出了Hybrid A*算法,通過滿足約束要求的曲線段生成節(jié)點或求解節(jié)點與相鄰節(jié)點的連接方式,在此基礎(chǔ)上應(yīng)用A*方法探索狀態(tài)空間。

基于隨機(jī)采樣的圖優(yōu)化方法主要分為快速擴(kuò)展隨機(jī)樹法(rapidly-exploring random tree,RRT)和概率路圖法(probabilistic road map,PRM)兩大類[34-35],而RRT*算法則是從RRT 算法發(fā)展而來的最優(yōu)路徑規(guī)劃方法[36],由于具有全局漸進(jìn)最優(yōu)的特點而逐漸取代RRT 和PRM 成為應(yīng)用最為廣泛的基于隨機(jī)采樣的路徑規(guī)劃算法,如圖3 所示。由于RRT*求解效率與求解質(zhì)量成負(fù)相關(guān)關(guān)系,因此提升RRT*算法的路徑規(guī)劃性能一直以來都是研究熱點。雙向搜索方式通過從起始點和目標(biāo)點分別構(gòu)建隨機(jī)搜索樹,可以有效減少迭代次數(shù)從而降低規(guī)劃時耗[37]。Chen[38]等將回旋曲線應(yīng)用于構(gòu)造樹枝平滑的隨機(jī)搜索樹,有效地提高了規(guī)劃路徑的可執(zhí)行性,但存在尋優(yōu)能力弱以及計算成本高等缺陷。Chandler 等[39]針對動態(tài)目標(biāo)時路徑重規(guī)劃問題,通過對原有隨機(jī)搜索樹進(jìn)行重布線修正減少重規(guī)劃開銷,提出了效率更高的在線RRT*和FMT*算法。

圖3 RRT＊路徑規(guī)劃算法示意圖Fig.3 Path planning based on RRT＊

常用于路徑規(guī)劃的智能仿生算法包括遺傳算法、粒子群優(yōu)化算法兩類。遺傳算法是由Holland[40]于1975 年提出的基于自然界優(yōu)勝略汰思想的一種隨機(jī)搜索優(yōu)化算法,具有收斂速度快、建模簡單、普適性強(qiáng)等優(yōu)點,被廣泛應(yīng)用于解決水下航行器的全局路徑規(guī)劃問題。張美燕等[41]將水下航行器航行集群的協(xié)作探測路徑規(guī)劃問題轉(zhuǎn)化為多旅行商問題,以能耗及能耗均衡為約束條件并采用遺傳算法進(jìn)行求解,有效提高了水下航行器集群的巡航速度及作業(yè)時長,但該方法并沒有對環(huán)境障礙進(jìn)行考慮。Kapanoglu 等[42]將路徑模板匹配融入遺傳算法中實現(xiàn)了集群的合作全覆蓋路徑規(guī)劃,能有效減少區(qū)域覆蓋時耗,但該方法由于路徑模板局限性而難以適用于動態(tài)環(huán)境。粒子群優(yōu)化算法是由Eberhart 等[43]提出的模擬鳥類種群捕食行為的一種啟發(fā)式算法,能在有限的計算時間內(nèi)保證最優(yōu)性。Guo 等[44]針對水下航行器在時變海流環(huán)境下的全局路徑規(guī)劃問題,通過預(yù)估海流速度矢量和建立AUV 運(yùn)動學(xué)方程改進(jìn)粒子群優(yōu)化算法以提高水下航行器的自主路徑規(guī)劃能力。鄒佳運(yùn)[45]針對水下滑翔機(jī)集群對區(qū)域的探測路徑規(guī)劃問題,提出了一種基于粒子群算法和序貫思想的覆蓋路徑規(guī)劃算法,實現(xiàn)了以較小的計算成本規(guī)劃較優(yōu)區(qū)域搜索方案。王浩亮等[46]提出了基于量子行為的自適應(yīng)粒子群優(yōu)化方法,在此基礎(chǔ)上結(jié)合基于人工勢場法的局部路徑規(guī)劃方法提出了一種雙層協(xié)調(diào)路徑規(guī)劃結(jié)構(gòu),實現(xiàn)了水下滑翔機(jī)集群在復(fù)雜海洋環(huán)境中具備靈活避碰能力的時間最優(yōu)路徑規(guī)劃,但該方法沒有考慮海洋生物等動態(tài)障礙,在環(huán)境多變場景中規(guī)劃效率仍難以滿足實際需求。

總體而言,目前水下智能集群路徑規(guī)劃技術(shù)圍繞著提升單智能體系統(tǒng)對復(fù)雜海洋環(huán)境的應(yīng)變能力、降低路徑規(guī)劃的實時計算成本、滿足水下智能集群在不同工況下航路需求3 個方面,朝著高實時性、高動態(tài)避障性能、多指標(biāo)優(yōu)化方向發(fā)展。但水下智能集群的路徑規(guī)劃技術(shù)由于其復(fù)雜性仍未在應(yīng)用層面取得重大進(jìn)展,制約了其在無人集群協(xié)同作戰(zhàn)、海洋應(yīng)急搜救等領(lǐng)域的廣泛應(yīng)用以及相關(guān)海洋技術(shù)領(lǐng)域研究的發(fā)展。

1.3 編隊控制任務(wù)

編隊控制是目前水下無人集群技術(shù)的研究熱點之一,是提升水下無人集群現(xiàn)代化、智能化和信息化的重要途徑之一。水下智能集群通過一定的編隊控制方法進(jìn)行運(yùn)動協(xié)調(diào),或組建穩(wěn)定的編隊隊形,在海洋環(huán)境考察、海洋物資運(yùn)輸、水下集群作戰(zhàn)等領(lǐng)域都具有單水下作業(yè)平臺所無法比擬的優(yōu)越性,可以為實現(xiàn)高性能路徑規(guī)劃、高質(zhì)量實時避障、高效率作業(yè)水平提供支持。但相對而言,由于集群規(guī)模的增大,水下智能集群的編隊隊形協(xié)調(diào)控制也變得更為復(fù)雜,在穩(wěn)定性、實時性、系統(tǒng)性和魯棒性等方面對編隊控制算法提出了更高的要求?，F(xiàn)階段,常用的編隊控制方法主要有領(lǐng)航者-跟隨者法、虛擬結(jié)構(gòu)法和行為法3 種,此外還有為了提高編隊控制魯棒性所提出的人工勢場法和圖論預(yù)測法。其中,領(lǐng)航者-跟隨者法和虛擬結(jié)構(gòu)法通常情況下還需搭配額外的軌跡跟蹤方法以完成對集群的航路控制。

領(lǐng)航者-跟隨者編隊控制方法是由Wang[47]于1991 年首次提出的一種主從式編隊控制方法,其核心思想是由領(lǐng)航者進(jìn)行路徑規(guī)劃,跟隨者基于領(lǐng)航者位置和速度等信息根據(jù)約束條件計算位置誤差與速度誤差等信息以保持相應(yīng)的運(yùn)動狀態(tài),從而形成較為穩(wěn)定的編隊隊形系統(tǒng)。其將無人集群系統(tǒng)的運(yùn)動控制問題分解為領(lǐng)航者的路徑規(guī)劃問題和跟隨者的跟蹤運(yùn)動問題,有效減小了無人集群編隊控制的復(fù)雜程度和控制難度。但作為一種基于集中式控制的方法,其控制效果依托于領(lǐng)航者的航行情況、通信穩(wěn)定性等因素,因此實際應(yīng)用效果通常難以維持在預(yù)期水平。賴云暉等[48]基于領(lǐng)航者-跟隨者策略和圖論法,通過為領(lǐng)航者和跟隨者應(yīng)用不同的控制策略,實現(xiàn)了穩(wěn)定的固定編隊隊形控制,但該方法僅適用于較為簡單的環(huán)境且難以處理隊形切換問題。Yan 等[49]針對編隊控制中海洋流場干擾造成的定位精度降低問題,提出一種基于圖論和虛擬領(lǐng)航者的編隊控制方法,有效減少航行器間的通信量,增大編隊隊形的控制精度和穩(wěn)定性。

虛擬結(jié)構(gòu)編隊控制方法是由Lewis[50]于1997年提出的一種分布式編隊控制方法,其核心思想是將期望隊形考慮為剛性虛擬結(jié)構(gòu),根據(jù)虛擬結(jié)構(gòu)為每臺水下航行器分配期望位置,水下航行器以期望位置為參考計算期望速度等控制信息,從而確定水下智能集群的運(yùn)動路徑。這種方式將水下智能集群的編隊隊形控制問題轉(zhuǎn)化為水下航行器對參考點的追蹤問題,具備較高的編隊隊形和運(yùn)動軌跡控制精度,但由于缺乏隊形變換靈活性因此難以適應(yīng)復(fù)雜的海洋環(huán)境。Cervantes 等[51]針對三維環(huán)境下水下航行器的軌跡控制問題,結(jié)合微分器設(shè)計出一種基于混合結(jié)構(gòu)的虛擬結(jié)構(gòu)法控制器,以位置和航向角4 個參數(shù)作為控制量,以較低誤差實現(xiàn)了水下航行器對虛擬參考點的跟蹤軌跡控制。潘無為[52]采用虛擬結(jié)構(gòu)法,以期望隊形中心為虛擬結(jié)構(gòu)中心,形成虛構(gòu)結(jié)構(gòu)隊形以及虛擬結(jié)構(gòu)質(zhì)點,虛擬結(jié)構(gòu)中心采用人工勢場法實現(xiàn)避障,水下航行器跟蹤虛擬結(jié)構(gòu)質(zhì)點實現(xiàn)隊形控制,并通過仿真實驗驗證了該算法的可行性。

基于行為的編隊控制方法根據(jù)化繁為簡的思想將水下航行器集群的編隊行為控制分解為一系列的子行為,通過控制水下航行器對子行為的有序執(zhí)行實現(xiàn)對水下航行器集群整體行為的控制。在實際工程應(yīng)用中,水下智能集群間共享事先預(yù)定義的基本行為集合,在作業(yè)過程中通過對基本行為的組合實現(xiàn)復(fù)雜行為,基于行為控制原則動態(tài)協(xié)調(diào)分配各水下航行器的行為和航跡實現(xiàn)水下航行器集群的協(xié)同控制,因此具備較高的靈活性、適應(yīng)性和魯棒性。Hacene 等[53]通過將集群編隊行為分解成目標(biāo)追蹤、障礙避碰和互相避讓等若干基本行為,基于領(lǐng)航者-跟隨者策略實現(xiàn)集群系統(tǒng)在未知動態(tài)環(huán)境中的目標(biāo)跟蹤、實時避障和隊形控制,但難以應(yīng)用于障礙形狀復(fù)雜的環(huán)境中。Kang 等[54]針對未知海洋環(huán)境中的水下智能集群編隊控制問題,融合模糊邏輯控制提出了一種基于行為的編隊控制方法,并通過仿真驗證了該方法的可行性和魯棒性。

綜上所述,現(xiàn)有編隊控制研究基本都以實現(xiàn)軌跡跟蹤、隊形控制等多種需求為切入點,在提升隊形控制穩(wěn)定性、保證協(xié)同避障安全性、減少通信負(fù)擔(dān)等方面已經(jīng)取得了大量成果,但現(xiàn)有方法仍難以同時對外界干擾、通信延遲、信道受限以及拓?fù)浣Y(jié)構(gòu)切換等因素進(jìn)行考慮。此外,現(xiàn)有研究均以同構(gòu)水下航行器集群系統(tǒng)作為被控對象,即所有水下航行器均具有相近的動力學(xué)特性、運(yùn)動學(xué)特性和軟硬件系統(tǒng),但相比之下,功能不同的異構(gòu)水下航行器組成的水下智能集群系統(tǒng)具有更廣泛的應(yīng)用前景。因此,在編隊控制方面要實現(xiàn)更為普適實用的水下智能系統(tǒng)仍然面臨許多挑戰(zhàn)。

2 AUV 集群多任務(wù)關(guān)鍵技術(shù)

筆者團(tuán)隊在水下智能集群多任務(wù)領(lǐng)域也進(jìn)行了大量研究。為對水下AUV 平臺為代表的水下航行器集群進(jìn)行研究,設(shè)計的全向移動AUV 實驗平臺如圖4 所示。其中,水平和垂直螺旋槳推進(jìn)器為AUV 提供了全向移動能力;控制和傳感艙包括電場通信和視覺檢測模塊,使得AUV可以在其周圍環(huán)境的一定范圍內(nèi)獲取信息。

圖4 全向移動AUV 實驗平臺Fig.4 An omnidirectional mobile AUV experimental platform

2.1 集群協(xié)同圍捕技術(shù)

在水下環(huán)境中,由于多智能體之間的通信以及各自的定位都具有一定的困難,對水下多智能體集群系統(tǒng)的穩(wěn)定性提出了挑戰(zhàn)?，F(xiàn)有研究在集群系統(tǒng)的穩(wěn)定性、智能化和自主化方面仍處于探索與提高階段。筆者團(tuán)隊主要針對多AUV 在有障礙的水下弱信息環(huán)境中的協(xié)同圍捕任務(wù)展開研究。與深海環(huán)境相比,淺水環(huán)境有更多的障礙和其他干擾,由于在實際淺水區(qū)的大多數(shù)情況下,目標(biāo)和圍捕AUV 之間的二維平面距離變化遠(yuǎn)大于航行器的深度變化,因此考慮二維平面中的運(yùn)動。協(xié)作圍捕任務(wù)描述如下:在無界的二維空間中,存在一個由圍捕AUV 和具有與圍捕AUV 相同智力的對抗目標(biāo)組成的對抗集群。每個圍捕AUV 從初始位置開始,經(jīng)過數(shù)個時間步長,當(dāng)所有圍捕AUV 到達(dá)智能對抗目標(biāo)周圍并形成包圍隊形時,圍捕任務(wù)完成。

基于人工勢場(artificial potential field,APF)的方法是AUV 局部任務(wù)路徑規(guī)劃問題的一種常用方法,該方法對圍捕AUV 的通信和信息檢測能力要求較低,并且具有計算復(fù)雜度低、實時性高的優(yōu)點,已在理論研究和實踐中被廣泛應(yīng)用。然而,傳統(tǒng)基于APF 的方法在應(yīng)用于多AUV 協(xié)同圍捕任務(wù)時,缺乏合作友好鄰居之間的區(qū)分,并且容易陷入局部最優(yōu),導(dǎo)致路徑振蕩,甚至無法到達(dá)預(yù)期區(qū)域。因此提出了一種基于改進(jìn)的人工勢場(HAPIAPF)方法的混合自適應(yīng)偏好方法,以解決在有障礙的水下弱信息環(huán)境中多AUV 協(xié)同圍捕問題。該方法考慮了水下協(xié)同圍捕任務(wù)的實際約束,建立了包括水下靜態(tài)和動態(tài)障礙物、AUV 傳感交互距離限制、AUV 速度變化、目標(biāo)對抗策略和其他影響因素在內(nèi)的任務(wù)模型。在傳統(tǒng)APF 方法中,目標(biāo)對圍捕AUV 的吸引力隨著距離的減小線性降低并隨著對目標(biāo)的接近最終趨于零,這可能導(dǎo)致圍捕AUV 最終只受到友鄰個體之間排斥力的影響,不利于最終形成穩(wěn)定的編隊。為了解決這一問題,并在最后階段使成群的圍捕AUV 快速穩(wěn)定地包圍目標(biāo),提出了一種圍捕偏好策略。定義目標(biāo)引力函數(shù)為

式中:RT為圍捕收斂距離參數(shù);ρ(Xi,XT)為目標(biāo)和第i個AUV 之間的歐式距離。在傳統(tǒng)APF 方法中,當(dāng)個體受到障礙物周圍吸引力和排斥力的影響時,在AUV 移動的下一時刻,合力可能會發(fā)生或正或負(fù)的變化。因此,AUV 計劃的路徑可能出現(xiàn)反復(fù)震蕩,導(dǎo)致能源浪費(fèi)和時間消耗。為了解決這一問題,使多AUV 群快速穩(wěn)定地通過障礙區(qū)域,提出了一種具有改進(jìn)虛擬力的避障偏好策略。個體AUV 受到的友鄰作用函數(shù)為

式中:n為圍捕AUV 的數(shù)量;ρ(Xi,Xj)為第i個AUV 和感知范圍內(nèi)的第j個友鄰個體之間的歐氏距離。假設(shè)共有m個障礙物或等效障礙物在第i個AUV 的感知距離內(nèi),障礙物的作用力函數(shù)為

最后,通過設(shè)計自適應(yīng)權(quán)重控制單元,基于AUV 集群的狀態(tài)來選擇當(dāng)前的最佳策略。通過仿真研究驗證了所提出方法的有效性。部分仿真過程及評價指標(biāo)如圖5 和圖6 所示。

圖5 靜態(tài)環(huán)境中集群圍捕過程軌跡圖Fig.5 Cooperative hunting track in static obstacle environment

圖6 評價指標(biāo)Fig.6 Evaluation indexes

如圖5 所示,在從位于原點附近的初始位置出發(fā)后圍捕AUV 集群以平滑的回避路徑穿過障礙物影響區(qū)域,并始終保持在安全距離以上,順利通過受障礙物影響的區(qū)域,最終在目標(biāo)周圍形成了穩(wěn)定且規(guī)則的環(huán)狀隊形,任務(wù)過程收斂。

以上工作經(jīng)過與現(xiàn)有方法的對比分析[55],表明了所提出方法具有快速響應(yīng)實時性強(qiáng)、避障路徑平滑、最終隊形穩(wěn)定、動態(tài)環(huán)境適應(yīng)性強(qiáng)的優(yōu)點。未來將根據(jù)任務(wù)需求,進(jìn)一步優(yōu)化改進(jìn)方法。

2.2 水下多路徑規(guī)劃技術(shù)

水下多路徑規(guī)劃是指為水下智能集群規(guī)劃多條從起始位置到目標(biāo)位置的互不重合的可行路徑,是水下智能集群實現(xiàn)多編隊協(xié)同航行、巡航及圍捕的關(guān)鍵技術(shù)之一。相比于水下單路徑規(guī)劃,國內(nèi)外學(xué)者對于水下多路徑規(guī)劃技術(shù)的研究相對較少。在這方面,筆者團(tuán)隊開展了基于遺傳算法的最短航行時耗多路徑規(guī)劃相關(guān)研究[56-57]。

對于靜態(tài)環(huán)境中的水下多路徑規(guī)劃,基于遺傳算法引入精英族系策略,以平均路徑長度最短且相似度低的解集為尋優(yōu)目標(biāo)進(jìn)行迭代求解?？紤]到相互重合的路徑會導(dǎo)致水下智能集群在航行過程中存在相互避讓問題并提高航行所需時耗,采用了基因相似度來評價解集中個體所代表路徑的重合程度,從而引導(dǎo)解集個體朝著各局部極值迭代。同時為了避免早熟收斂現(xiàn)象,算法采用了基于三元錦標(biāo)賽選擇的復(fù)制算子、基于三元錦標(biāo)賽選擇的淘汰算子、基于局部最優(yōu)的變異算子以及基于單點交叉法的交叉算子,進(jìn)一步平衡了算法的全局搜索能力和局部尋優(yōu)能力。該算法在水下智能集群獨立航行和編隊航行工況下均能規(guī)劃出最優(yōu)路徑解集,如圖7 和圖8 所示。

圖7 獨立航行工況下多路徑規(guī)劃Fig.7 Multipath planning under independent navigation condition

圖8 編隊航行工況下多路徑規(guī)劃Fig.8 Multipath planning under formation navigation condition

針對動態(tài)環(huán)境中的水下多路徑規(guī)劃,在實時性更好的A*算法的基礎(chǔ)上,引入排斥因子構(gòu)建綜合代價函數(shù),通過迭代思想和柵格優(yōu)先度將用于規(guī)劃單一最優(yōu)路徑的A*算法拓展為用于多路徑規(guī)劃的MA*算法。MA*算法的流程為:

1)將所有無障礙柵格的柵格優(yōu)先度p值置為0,不可達(dá)柵格p值置為+∞。

2)清空open 表和close 表。

3)將水下無人集群的起始柵格放入open表中,g值置為0,f值置為0;將所有其余柵格的g值和f值置為+∞;將所有柵格的父節(jié)點置為0。

4)若open 表不為空,則取出open 表中f值最小的柵格n,否則判斷路徑規(guī)劃失敗。

5)對于n的所有鄰接?xùn)鸥駈next,將不在open表中且不在close 表中的柵格放入open 表中,將n作為nnext的父節(jié)點,并由式(4)～(6)更新其g值、f值;對已在open 表中的柵格nnext則由式(4)～(7)更新其g值、f值和父節(jié)點,即

6)若n不為目標(biāo)柵格,則將n從open 表中移除,并放入close 表中,跳轉(zhuǎn)至step4。

7)由g依次迭代獲取父節(jié)點直至父節(jié)點為起始柵格,反推得到一條可行路徑Ppath。

8)若可行路徑數(shù)量少于所需路徑數(shù)量,則按式(8)和(9)對所有可行柵格的p值進(jìn)行更新;若部分可行路徑受變換環(huán)境影響轉(zhuǎn)為不可行路徑,則刪除該部分可行路徑并對所有可行柵格的p值進(jìn)行更新。

9)轉(zhuǎn)至步驟2),進(jìn)行下一輪迭代,即

式中:k為組成可行路徑Ppath的所有柵格;Kp和Ka為可行路徑間距調(diào)節(jié)參數(shù);Kmap根據(jù)路徑規(guī)劃問題空間規(guī)模設(shè)為某一定值,一般取0.000 1～0.001,下標(biāo)start 和goal 分別為起始柵格和目標(biāo)柵格。

由于MA*算法進(jìn)行每次迭代所需時間很少,通過不斷維護(hù)地圖中每個柵格的p值就可以實現(xiàn)在一次新的迭代中獲取當(dāng)前環(huán)境中的最優(yōu)多路徑方案,從而實現(xiàn)了變化環(huán)境中的實時路徑規(guī)劃。

3 總結(jié)與展望

針對水下航行器技術(shù)發(fā)展和集群多任務(wù)的需求,開展了一系列相關(guān)關(guān)鍵技術(shù)研究,取得了許多重要的技術(shù)突破。文中概述了其中一些關(guān)于智能集群任務(wù)類型及其涉及關(guān)鍵技術(shù)的工作,包括集群圍捕、路徑規(guī)劃和編隊控制等。但是,由于水下機(jī)器人面臨著復(fù)雜的環(huán)境和干擾,無法憑借簡單的探測工具獲取周圍環(huán)境信息,仍然存在實際應(yīng)用中亟待解決的技術(shù)難題。因此,水下智能集群協(xié)同技術(shù)在水下多任務(wù)領(lǐng)域展現(xiàn)出巨大的發(fā)掘潛力,值得進(jìn)一步的研究與探索。

從協(xié)同圍捕任務(wù)的角度分析,現(xiàn)有的研究注重理想環(huán)境中的任務(wù)策略研究。然而,水下環(huán)境復(fù)雜多變,多智能體之間的通信、各自的定位都具有一定的困難,這對水下多智能體集群系統(tǒng)的穩(wěn)定性造成了很大的挑戰(zhàn)。因此,水下智能集群系統(tǒng)從個體、系統(tǒng)模型到集群算法都具有其自身特殊性。未來研究方向應(yīng)注重提高系統(tǒng)的穩(wěn)定性,即提出一般的任務(wù)策略,降低對特定環(huán)境和條件的依賴,使其在不同環(huán)境中具有更好的適應(yīng)能力。同時進(jìn)一步提高航行器的智能化、自主化程度,使得集群系統(tǒng)更加適應(yīng)獨立復(fù)雜的任務(wù)需求,更好地完成任務(wù)。此外,還需要在研究過程中發(fā)現(xiàn)并提出完善準(zhǔn)確的任務(wù)評價指標(biāo),這將有助于學(xué)習(xí)類算法的進(jìn)步與實際應(yīng)用,也能為水下多航行器協(xié)同圍捕任務(wù)提供新的研究思路。

從路徑規(guī)劃任務(wù)的角度分析,相比于地面移動機(jī)器人和空中飛行器,水下智能集群的路徑規(guī)劃問題更為復(fù)雜,面臨來自海底地形、海洋生物及海洋渦流等多方面因素的干擾。而相比于水下單路徑規(guī)劃,國內(nèi)外學(xué)者對于水下多路徑規(guī)劃技術(shù)的研究相對較少?？傮w而言,目前水下智能集群路徑規(guī)劃技術(shù)圍繞著提升單智能體系統(tǒng)對復(fù)雜海洋環(huán)境的應(yīng)變能力、降低路徑規(guī)劃的實時計算成本、滿足水下智能集群在不同工況下航路需求3 個方面,朝著高實時性、高動態(tài)避障性能和多指標(biāo)優(yōu)化方向發(fā)展。但水下智能集群的路徑規(guī)劃技術(shù)由于其復(fù)雜性仍未在應(yīng)用層面取得重大進(jìn)展,其在無人集群協(xié)同以及相關(guān)海洋技術(shù)領(lǐng)域的研究仍然具有廣闊的發(fā)展空間。因此,未來的研究應(yīng)注重動態(tài)環(huán)境的多路徑規(guī)劃技術(shù),在提升規(guī)劃路線的普適性和最優(yōu)性的同時,降低對于環(huán)境信息的依賴程度,以有利于水下多路徑規(guī)劃技術(shù)在海洋集群技術(shù)領(lǐng)域得到更加廣泛的實際應(yīng)用。

從編隊控制的角度分析,水下航行器集群通過一定的編隊控制方法進(jìn)行運(yùn)動協(xié)調(diào)是實現(xiàn)高性能路徑規(guī)劃、高質(zhì)量實時避障及高效率作業(yè)水平的先決技術(shù)之一。雖然在相關(guān)領(lǐng)域已取得了一定的研究成果,但仍難以滿足實際應(yīng)用需求。此外,相關(guān)研究仍缺乏對動態(tài)障礙、信道干擾和通信延遲等因素的考慮,同時主流的單一編隊控制策略也難以實現(xiàn)靈活的編隊隊形切換、異構(gòu)平臺協(xié)同、異構(gòu)感知信息融合等功能,使得水下自主集群的優(yōu)越性仍未得到充分發(fā)揮,制約了水下智能系統(tǒng)的廣泛應(yīng)用。因此,未來的研究應(yīng)注重發(fā)展弱通信條件下協(xié)同控制、編隊任務(wù)多元化控制和異構(gòu)系統(tǒng)控制策略,以有利于編隊控制技術(shù)應(yīng)用于不同的海洋環(huán)境及作業(yè)場景。

4 結(jié)束語

AUV 智能集群協(xié)同任務(wù)技術(shù)涉及機(jī)器人學(xué)、流體力學(xué)和智能科學(xué)等多個領(lǐng)域?，F(xiàn)有研究更多的處在理論研究階段,問題相對復(fù)雜,研究難度大。同時由于迫切而廣泛的需求,該領(lǐng)域具有很高的研究價值和廣闊的發(fā)展前景。但現(xiàn)有技術(shù)的研究更多地集中在基礎(chǔ)理論及理想化環(huán)境中的應(yīng)用程度,距離在實際環(huán)境中多種復(fù)雜任務(wù)的廣泛應(yīng)用仍然有相當(dāng)?shù)木嚯x。可以預(yù)計在未來,隨著航行器載體智能化和自主化程度的進(jìn)一步提高以及水下集群協(xié)同技術(shù)的進(jìn)一步突破,AUV 智能集群將在海洋探索、海洋開發(fā)與保護(hù)、維護(hù)國家海洋權(quán)益方面發(fā)揮重要作用。