针对异构海冰场景的改进型A?+D?Lite分层框架路径规划算法

《Ocean Engineering》：Improved A?+D?Lite hierarchical framework path planning algorithm for heterogeneous sea ice scenarios

北极航道路径规划方法，提出分层框架结合改进的A*和D?Lite算法，全局规划用低分辨率地图，局部动态用高分辨率，通过坐标转换整合，实验显示风险降低50%，计算时间减少97.23%，路径缩短16.86%。

　　北极航线作为连接亚洲、欧洲和北美的捷径航运通道，具有重要的战略意义。随着全球贸易需求的增长，北极航线的开发不仅能够显著缩短航运距离，还能提升运输效率，降低物流成本。然而，北极海域的复杂冰况和多变地形给船舶的航行安全带来了严峻挑战。此外，由于北极航线的特殊环境，船舶在航行过程中需要面对更高的燃油消耗和由此产生的温室气体排放，这对海洋生态造成一定影响。因此，为了推动北极航线的商业化运营，必须开发一种能够在航行安全、经济性和操作效率之间取得平衡的路径规划方法。

传统的海洋船舶路径规划方法广泛采用启发式搜索算法，这些算法的核心设计机制源于仿生学原理。例如，A*算法在静态环境中能够通过启发函数确保全局路径最优，而D*Lite算法则基于逆向搜索与增量更新机制，其局部重规划大大降低了计算复杂度。近年来，随着人工智能技术的发展，一些研究开始尝试将机器学习和数值优化方法引入路径规划领域。例如，一些学者提出了基于强化学习的自主覆盖路径规划模型，用于海洋搜救任务；还有的研究结合三维广义速度障碍算法，提出了分布式协调路径规划方法。这些智能算法在特定复杂场景中表现出色，但在面对全局静态、局部动态的混合环境时，往往存在计算成本高、可靠性差和实现复杂等不足。

与传统的海洋路径优化算法相比，针对北极航线的路径规划研究相对较少。已有的一些研究尝试结合遗传算法与A*算法，优化船舶在北极水域的航线和速度，以减少能耗并安全避障。还有一些研究基于实时数据，提出了仿生神经网络算法，用于自主水下航行器（AUV）在极地冰层下的全方位扫描，以实现环境适应和节能。此外，还有研究将遗传算法与安全粒子群优化算法结合，提出了一种无人水下航行器辅助的极地破冰路径规划方法。这些方法虽然在一定程度上提高了路径规划的适应性，但仍然存在应对突发冰况变化的能力不足、计算效率与规划精度之间的平衡不够、以及安全与经济之间的协调性不强等问题。

针对上述问题，本研究提出了一种基于SIHE-A*和SIHE-D*Lite算法协同优化的分层框架，用于实现宏观层面的路径规划效率优化和微观层面的动态障碍避让规划。该框架在确保航行安全的前提下，兼顾经济性和计算效率，使得路径规划既能够适应北极海域的复杂冰况，又能够在突发情况时快速调整。SIHE-A*算法用于低分辨率地图的全局路径规划，而SIHE-D*Lite算法则用于高分辨率地图的局部动态重规划。通过坐标映射融合，最终生成的路径能够在宏观和微观层面实现有效的协调。

在方法设计方面，本研究对传统的A*算法和D*Lite算法进行了改进。具体而言，引入了海冰环境成本函数和障碍缓冲成本函数，以优化路径规划的效率和安全性。同时，将海冰风险场量化函数融入启发函数，以更准确地评估路径的风险。这种改进使得SIHE-A*和SIHE-D*Lite算法能够在复杂冰况环境中更有效地进行路径搜索和优化。SIHE-A*算法适用于低分辨率地图的全局路径规划，能够快速生成大致路径，提高计算效率；而SIHE-D*Lite算法则用于高分辨率地图的局部动态重规划，能够更精确地避开障碍物，提高路径的安全性，同时减少不必要的绕行，从而优化经济性。

在环境建模方面，本研究基于科学观测数据构建了分层的海冰环境模型，以提供路径规划算法的模拟支持。根据过去六年（2019–2024）VISHOP平台的监测数据，北极航线的夏季海冰覆盖率约为15%，海冰厚度范围从0到1.5米。因此，在全局地图建模中，设定总的海冰覆盖率为一定比例，并结合海冰厚度和浓度数据，构建出更为精确的海冰环境模型。该模型不仅能够反映海冰的分布情况，还能够为路径规划提供必要的环境信息，从而提高算法的适应性和准确性。

在模拟实验和结果分析方面，本研究选取了Risk-Aware RRT*+DWA分层算法、SIHE-A*算法和传统的A*+DWA分层算法作为对照组，与提出的SIHE-A*+SIHE-D*Lite分层算法进行对比实验。实验从三个方面对算法性能进行了系统评估：路径长度、风险指数和算法运行时间。路径长度指的是融合路径在全局地图中的总长度，而局部区域的路径长度则根据实际情况进行调整。风险指数用于衡量路径规划过程中可能遇到的风险，如冰层厚度、冰块移动等。算法运行时间则反映了路径规划的计算效率，即算法在实际应用中所需的时间。

实验结果表明，与Risk-Aware RRT*+DWA算法相比，SIHE-A*+SIHE-D*Lite算法的风险指数降低了50%，计算时间减少了97.23%，路径长度也缩短了16.86%。与传统的A*+DWA算法相比，SIHE-A*+SIHE-D*Lite算法的风险指数降低了50%，计算时间减少了50.77%，路径长度同样有所缩短。此外，与单独使用SIHE-A*算法相比，SIHE-A*+SIHE-D*Lite算法在风险指数和计算时间方面均表现出更优的性能，同时在路径长度方面也有所改善。这些结果表明，本研究提出的分层框架能够在复杂冰况环境中实现更高效、更安全的路径规划。

在讨论与结论部分，本研究认为，面对北极海域复杂多变的冰况环境和航行安全挑战，提出的分层框架能够在路径规划过程中实现全局与局部的协同优化。通过SIHE-A*和SIHE-D*Lite算法的结合，该框架不仅提高了路径规划的效率和安全性，还实现了经济性和计算效率之间的有效平衡。此外，该框架在应对突发冰况变化方面表现出更强的适应能力，使得路径规划能够更加灵活和高效。

本研究的创新点在于，提出了一个分层的路径规划框架，结合了SIHE-A*和SIHE-D*Lite算法，以应对北极航线中复杂的冰况环境和航行安全挑战。通过引入环境成本函数、障碍缓冲成本函数和风险场量化函数，使得路径规划能够更加精确地避开冰层和障碍物，提高航行安全性。同时，该框架在全局和局部路径规划中分别采用不同的算法，以兼顾计算效率和规划精度。在实验验证方面，本研究选取了多个典型的北极航行场景，如狭窄海峡中的局部冰块和密集海冰水域，并对算法性能进行了系统评估。结果表明，该框架在路径长度、风险指数和计算时间方面均优于现有方法，为北极航线的商业化运营提供了新的思路和技术支持。

本研究的主要贡献包括以下几个方面：首先，引入了环境成本函数、障碍缓冲成本函数和风险场量化函数，使得路径规划能够有效避开冰层，提高航行安全性；其次，采用SIHE-A*算法进行全局路径规划，能够显著提高计算效率；第三，采用SIHE-D*Lite算法进行局部动态重规划，能够提高路径规划的精度和安全性，同时减少不必要的绕行，从而优化经济性；第四，提出了一个分层规划框架，实现了全局路径规划与局部动态障碍避让的协同优化，在确保航行安全的前提下，兼顾经济性和计算效率，为北极航线的路径规划提供了新的解决方案。

本研究的成果不仅为北极航线的路径规划提供了理论支持，也为实际应用提供了技术指导。通过科学观测数据的构建和模拟实验的验证，本研究展示了分层框架在复杂冰况环境下的有效性。未来，随着北极航线的进一步开发和利用，该框架有望在更多实际场景中得到应用，为船舶航行提供更加智能化、更加高效的路径规划方案。同时，该研究也为其他复杂环境下的路径规划提供了借鉴，为人工智能技术在实际应用中的发展提供了新的思路。