极地多任务冰下特征扫描中边界自适应与动态神经网络驱动的双层路径规划算法研究

针对极地冰下复杂边界、能量约束和环境不确定性带来的多任务扫描挑战，研究人员提出边界自适应与动态神经网络双层路径规划算法(BADNN)。该算法通过动态网格边界自适应覆盖(BACDG)提升不规则区域覆盖完整性，结合洋流能耗动态神经网络(DNNOCE)优化连接路径能耗，仿真与"星海1000"AUV实地实验验证其路径长度、转向次数和能耗的优越性，为极地科考提供高效自主解决方案。

　　

随着全球气候变化加剧，极地区域的经济与科研价值日益凸显，冰下观测成为探索极地环境与全球气候变化的重要基础。自主水下航行器(AUV)凭借高效探测能力和完整数据获取优势，逐渐成为极地科考的关键工具。然而，与传统地形扫描相比，极地冰下特征扫描面临三大核心挑战：冰盖边界形态的高度不规则性导致覆盖完整性难以保证；AUV携带能源有限需在低负载条件下优化能耗；动态洋流环境增加了路径规划的不确定性。现有算法如SAR-A*、OA-MST等启发式方法存在边界适应不足、依赖先验信息等缺陷，而基于GBNN模型的神经网络算法虽提升实时性却难以应对复杂边界。

针对上述问题，以"星海1000"AUV为研究平台，提出边界自适应与动态神经网络双层路径规划算法(BADNN)。该算法创新性地将任务分解为覆盖路径规划(CPP)和连接路径规划(ConPP)两个层级：前者通过动态网格构建与自适应边界路径点插入策略提升不规则区域覆盖效率；后者结合洋流能耗模型动态重构神经网络，实现跨区域能量最优路径规划。研究通过200×200栅格地图仿真验证后，在青岛金草沟水库开展实地实验，证实算法在复杂边界适应性和动态洋流环境下的优越性能。相关成果发表于《Ocean Engineering》，为极地多任务冰下扫描提供全新解决方案。

关键技术方法包括：1)基于前视声呐(FLS)和声学多普勒流速剖面仪(ADCP)的实时环境感知；2)动态网格构建与边界路径点自适应插入算法(BACDG)；3)融合洋流能耗特征的动态神经网络模型(DNNOCE)；4)考虑运动学约束的路径平滑优化技术。实验采用"星海1000"AUV平台，其配备120°开角、120m探测距离的FLS传感器和60°开角、100m探测距离的ADCP传感器。

问题建模
建立多任务冰下特征扫描场景数学模型，将AUV运动能耗分解为推进能耗和洋流对抗能耗。通过ADCP实时获取三维洋流数据，构建动态能耗模型，为DNNOCE算法提供输入参数。

BADNN算法架构
算法采用双层优化框架：DNNOCE首先基于全局洋流数据生成跨区域最优连接路径；BACDG随后通过动态网格划分和边界路径点自适应插入完成区域覆盖规划。其中BACDG创新性地引入边界曲率特征提取，确保复杂冰缘形态的完整覆盖。

仿真验证
在200×200栅格地图(实际尺度20m/栅格)的仿真中，BADNN相比传统方法展现显著优势：路径总长度减少23.7%，转向次数降低41.2%，能耗节约18.9%。特别在U型边界测试中，覆盖完整率达到98.3%，远超IBINN算法的86.5%。

实验验证
青岛金草沟水库实地实验显示，BADNN规划路径能适应不同主扫描方向需求。在36.04822°N,119.829297°E至相同终点的闭合路径中，实测能耗与仿真预测误差小于5%，验证了洋流能耗模型的准确性。

该研究通过理论创新与工程验证相结合，成功解决了极地冰下扫描中的三大核心难题。BACDG算法突破传统网格法边界适应性局限，DNNOCE算法实现动态洋流环境下的实时路径优化，双层次协同机制为AUV在能源受限条件下的长时间作业提供保障。研究不仅为极地科考提供可靠技术支撑，其提出的动态神经网络架构对水下机器人其他复杂环境作业具有普适参考价值。未来工作将聚焦于多AUV协同扫描和三维冰盖建模等方向拓展应用。