综述：基于Alpha形状和DBSCAN的水下滑翔机全局路径规划方法AD-RRT*

（编辑推荐）本文提出AD-RRT*算法，通过融合Alpha形状和DBSCAN聚类构建偏好采样策略，结合洋流影响度量与蒙特卡洛圆形区域采样，显著提升水下滑翔机（UG）在复杂海洋环境中的路径规划效率。创新性引入可行性评估机制与时间优化框架，为资源勘探等任务提供新思路。

　　

Abstract

近年来，基于快速探索随机树星型算法（RRT*）的路径规划方法因其渐进最优性被广泛应用于机器人领域。针对水下滑翔机（UG）在洋流环境中的全局路径规划难题，本研究提出AD-RRT*算法，通过Alpha形状和基于密度的噪声空间聚类（DBSCAN）构建动态偏好采样区域，结合蒙特卡洛圆形采样策略提升目标点收敛效率。创新性引入节点连接可行性评估机制，并建立以洋流影响度量为导向的父节点选择标准，最终通过基于抵达时间（ETA）的路径优化框架实现高效规划。

Introduction

水下滑翔机凭借长续航、低噪声等优势，已成为海洋资源勘探的重要工具。然而洋流对UG运动轨迹的干扰不可忽视：顺流可降低能耗，逆流则可能导致任务失败。传统RRT算法在海洋环境中存在盲目采样缺陷，AD-RRT通过三阶段改进实现突破：1）基于DBSCAN和Alpha形状的动态采样区域识别；2）融合洋流矢量的节点选择策略；3）以ETA替代欧氏距离的路径优化体系。

Method Overview

算法核心包含六大创新模块：

1. 偏好采样策略：通过射线投射法将洋流方向与起止点连线夹角纳入采样函数
2. 可行性评估：采用三维Dubins路径模型验证节点间可达性
3. 蒙特卡洛优化：在目标点周围构建圆形置信区域加速收敛
4. 洋流影响度量：定义流速投影系数λ=cosθ·‖v_current
   ‖/‖v_UG
   ‖
5. 时间最优重布线：以ETA为成本函数进行边缘优化
6. 迭代优化框架：通过T_max
   阈值控制计算复杂度

Simulation Results

在包含涡旋洋流的仿真环境中，AD-RRT较传统RRT算法规划效率提升47.3%，路径时间成本降低29.8%。特别在强逆流场景下，算法通过动态调整采样权重系数α∈[0.2,0.8]，有效避免陷入局部最优。

Conclusion

AD-RRT*首次将几何聚类与流体动力学结合应用于UG路径规划，未来可拓展至多智能体协同勘探领域。研究团队特别指出，深度平均洋流模型（DACM）的精度将直接影响算法在真实海洋环境中的表现。