利用虚拟系泊水下滑翔机阵列观测南海受台风驱动的上层海洋动力过程：方法与分析

《Journal of Ocean Engineering and Science》：Observing typhoon-driven upper ocean dynamics in the South China Sea using a virtual mooring underwater glider array: methods and analysis

针对台风引起的上层海洋动力学观测难题，本研究提出基于D3QN的虚拟系泊框架，利用水下无人机阵列实现高精度动态监测。通过840,000次仿真验证，D3QN策略平均定位误差0.68公里，优于传统反应式补偿（0.75公里）和短视预测（0.73公里）方法，且在预测误差扰动下仍保持91.6%的有效定位率。2024年台风季实地试验表明，该框架能有效维持无人机阵列在强流场中的稳定观测，成功捕获台风Yagi过境期间显著的温盐垂直结构变化、表面冷却及混合层加深现象，验证了其在极端海洋环境中的实用性。

　　这项研究提出了一种基于学习的虚拟锚定框架，利用水下无人潜航器阵列来观测南海地区台风驱动的上层海洋动态。在台风引起的强流和有限的自主平台定位能力的情况下，传统的海洋观测手段难以实现精确和持续的监测。为此，研究团队开发了一种基于深度强化学习（DRL）的方法，特别是采用双深度双重Q网络（D3QN）架构，以提高在动态流场和预测不确定性下的定位能力。模拟实验涉及400个站点的84万个潜航路径，结果表明D3QN方法的平均定位误差最低（0.68公里），优于反应性和预测性策略。鲁棒性测试确认了该方法在受扰动的预测中的可靠性。在台风条件下进行的现场实验进一步验证了基于潜航器的虚拟锚定方法的可行性，潜航器观测揭示了显著的上层海洋响应，突显了该框架在捕捉台风引发的海洋变化方面的实用性。

台风是影响上层海洋最强烈的能量大气现象之一，特别是在西太平洋。台风的强风和海面压力梯度引发强烈的空气-海洋相互作用，导致显著的上层海洋响应，如海面冷却、混合层加深、上升/下沉流以及增强的垂直混合。这些过程对局部和区域尺度的热预算、生物地球化学循环和海洋环流模式产生影响。因此，理解台风引发的海洋响应在时间和空间上的特征对于改进天气和气候模型、预警系统以及海洋预报服务至关重要。

尽管其重要性，但直接观测台风对上层海洋的影响仍然有限，这主要是由于传统海洋观测系统的局限性。固定浮标可能在极端风浪条件下受损或移位，而卫星传感器往往受到浓厚云层和低时间分辨率的限制。船载观测虽然信息丰富，但受到安全考虑和后勤限制，不适合实时台风监测。因此，尝试模拟台风-海洋相互作用的海洋模型经常面临验证和初始化不足的问题，这限制了其准确性。

水下潜航器提供了一种在极端条件下观测海洋动态的有希望的替代方案。这些自主平台可以在数周到数月内持续运行，以高垂直分辨率剖面水体，同时消耗的能源极少。它们的耐久性和全天候操作能力使其能够安全地采样受台风影响的区域，为快速海洋变化提供宝贵的见解。为了提高空间覆盖和时间连续性，提出了虚拟锚定潜航器阵列的概念，其中每个潜航器被控制在预定义的空间域内，有效地模拟固定点锚定。这种方法结合了潜航器的高分辨率垂直剖面能力和准拉格朗日定位控制，使其适用于动态的中尺度和次中尺度观测。

近年来，虚拟锚定策略在增强海洋观测方面显示出有效性。例如，Domingues等人通过靶向和持续的潜航器部署，展示了在飓风Gonzalo期间捕捉上层海洋响应的价值。Nakamura等人使用盘状水下潜航器在东海进行虚拟锚定，成功地进行了长期的海洋观测。Troesch等人实施了基于预测的路径规划，利用预测的流场保持剖面浮标位置，实现了稳健的定位。Zhou等人开发了指定区域的持续监测策略，利用混合水下剖面仪，实现了在动态海洋环境中的长期观测。

尽管有这些优势，水下潜航器仍然容易受到被动漂移的影响，因为它们缺乏水平推进能力，仅依赖浮力驱动运动。这使得在强流事件如台风期间维持所需的特定空间位置成为一个重大挑战。传统方法，如反应性流场补偿和短时间预测规划，通常依赖于确定性的流场预测，并在处理环境不确定性方面存在局限性。预测运动规划，通过在短时间内优化潜航器轨迹，利用预测的流场来保持剖面浮标位置，显示出潜力。然而，其性能对模型误差敏感，需要频繁更新。为了提高在预测不确定性下的鲁棒性，研究人员探索了结合集合预测或概率流场模型的随机控制策略。Ferri等人开发了一种需求采样任务规划器，使潜航器阵列能够适应不确定性条件，以最大化数据采集。

其他在不确定环境中建立的成熟方法包括集合预测、随机优化和分布式协同控制。集合预测和随机优化依赖于概率流场预测，需要显式的环境模型，而分布式协同控制依赖于预定义的通信和协调协议。尽管这些方法在各种海洋应用中显示出有效性，但它们通常需要详细的先验知识或协调的基础设施，这可能限制了在高度动态和部分未知环境中的灵活性和自主性，如台风影响的水域。

近年来，水下机器人群体控制的进展探索了仿生协调机制、基于共识的分布式控制和自适应编队策略，展示了在多任务如多车辆覆盖、协同搜索和编队保持中的有效性。然而，这些方法通常适用于在相对均匀的流场环境中操作的代理，具有可靠的车辆间通信和短时间决策时间范围。这些假设在本研究中考虑的潜航器阵列虚拟锚定场景中很难满足。首先，深海潜航器部署往往面临稀疏或延迟的声学通信，这限制了共识或主从方案的实用性。其次，操作环境特征高度动态、深度变化的流场，特别是在台风驱动条件下，这可能使固定的编队几何或纯粹反应性控制规则失效。第三，虚拟锚定要求长时域适应性，因为有效的定位需要前瞻性深度和航向决策，以减轻预测不确定性和未建模流场变化的影响。

近年来，深度强化学习（DRL）作为一种强大的替代方案，在不确定和动态环境中被用于海洋机器人导航。与传统的反应性或依赖预测的规划方法不同，DRL使自主代理能够通过与环境的互动直接学习适应性的策略，使其能够在不依赖显式流场模型的情况下抵抗漂移。这种泛化能力对于虚拟锚定的潜航器阵列特别有价值，因为持续的定位需要在变化和不可预测的流场中保持稳定。

与经典群体控制、分布式协同控制和短时域预测方法相比，基于DRL的方法克服了关键的理论限制。传统方法通常依赖预定义的控制规则、有限时域优化或显式的通信协议，这限制了它们在预测不确定性和未建模环境变化中的适应性。相比之下，DRL通过持续的环境互动学习长期奖励最大化的策略，使代理能够在瞬时误差修正和长期定位稳定性之间取得适应性的平衡。这导致了在不可预测的扰动下增强的鲁棒性，使DRL特别适合复杂的海洋环境。

在本研究中，我们开发了一种基于DRL的潜航器定位策略，其中使用了Dueling Double Deep Q-Network（D3QN）作为学习算法。为了提高学习效率，潜航器的航向调整被表述为离散控制任务，其中基于D3QN的价值方法特别适用。通过解耦动作选择和评估，D3QN减少了标准深度Q网络（DQN）中固有的过估计偏差，从而实现更稳定的学习和更高的决策准确性。其离策略性质，结合经验回放，进一步增强了样本效率和训练稳定性。此外，D3QN相对简单的架构和较低的计算开销，与操作多个潜航器时可用的有限计算资源相匹配。

在初步实验中，还考虑了其他DRL方法。虽然Proximal Policy Optimization（PPO）在连续控制和强泛化方面有效，但由于其策略梯度公式，需要更长的训练时间和更高的计算资源。Soft Actor-Critic（SAC）虽然在高维连续动作空间中表现出色，但在我们的离散动作场景中表现出不稳定的收敛性，并且与潜航器机载处理器的计算预算兼容性较差。考虑到这些因素，D3QN被选为一种平衡和稳健的解决方案，它在离散海洋控制任务中表现出色，同时保持实际训练效率和操作规划流程的整合性。

然而，DRL在海洋机器人，尤其是基于潜航器的虚拟锚定阵列操作中的应用仍处于起步阶段。关键挑战包括确保策略在不同流场中的泛化能力、提高训练期间的样本效率以及将学习策略与现实世界中的约束如有限的作动、能源预算和传感延迟进行整合。此外，虽然大多数DRL研究集中在目标到达或路径跟随任务，但虚拟锚定需要在持续作用下保持长时间的定位，代表了智能海洋观测系统的一个有前景但尚未充分探索的前沿领域。

本研究提出了一种全面的方法，使用虚拟锚定配置下的水下潜航器阵列来观测台风驱动的上层海洋动态。具体而言，我们通过引入基于D3QN的规划策略来应对强流扰动和预测不确定性下的潜航器定位挑战。本研究的关键创新和贡献包括：（1）一种新颖的基于学习的定位策略：我们开发并验证了基于D3QN的规划框架，使虚拟锚定水下潜航器能够适应预测不确定性并优于传统的反应性或短时域预测方法；（2）对预测不确定性的定量处理：我们使用数据同化和再分析产品对海洋流场预测不确定性进行了定量评估，并明确将其纳入路径规划考虑，以提高鲁棒性；（3）首次在强烈台风事件中演示虚拟锚定潜航器阵列的应用：我们首次展示了在台风通过期间使用虚拟锚定潜航器阵列，捕捉了高分辨率的垂直剖面，揭示了极端大气强迫下的显著分层变化、海面冷却和增强的垂直混合。

研究结果为在恶劣海洋条件下部署和控制潜航器阵列提供了有价值的指导，有助于改进台风-海洋相互作用的监测和理解。本文其余部分的结构如下。第2节概述了研究区域和潜航器阵列的部署。第3节介绍了虚拟锚定策略，包括三种定位方法：反应性流场补偿、短时域预测规划和基于深度强化学习的定位方法，并展示了模拟和现场验证的结果。第4节总结了收集的潜航器数据，描述了质量控制程序，并分析了台风Yagi对上层海洋的影响。第5节对本文进行了总结，提出了关键发现，并对未来在极端天气条件下基于潜航器的监测工作提出了建议。

研究区域和潜航器阵列的部署
本节提供了研究区域和潜航器阵列部署的概述，旨在捕捉台风期间的高分辨率三维海洋数据。
研究区域的地理范围和海洋特征
根据过去十年的台风路径数据统计分析，北部南海（SCS）是西太平洋中最易发生台风的区域之一。该地区经常经历强烈热带气旋的通过，特别是在夏季和初秋，使其成为研究台风引发的上层海洋动态的自然实验室。历史观测和数值研究已表明，通过该地区的台风可以引发显著的海面温度变化、盐度结构变化、混合层深度变化和垂直流剪切变化。
在特别关注的区域中，北部南海的大陆架-坡折过渡区——以崎岖的地形、陡峭的地形梯度和变化的水体分层为特征——是多种海洋过程的热点区域。这些包括内部波的生成和传播、中尺度涡旋与大陆架动态的相互作用、沿岸上升增强以及次中尺度不稳定性。该区域的空间异质性和动态复杂性导致在台风强迫下出现非线性的上层海洋响应，如温跃层位移、混合增强和海面冷却不对称性。
为了有效捕捉和分析这些过程，本研究将观测区域定义为18°N至21°N纬度和114°E至117°E经度之间的区域。该区域涵盖了多种地形特征，包括大陆坡、架坡折和部分深海盆地，气候上代表了台风影响区的南海。

潜航器阵列的部署
在定义的研究区域内，部署了一个由多个自主潜航器组成的虚拟锚定阵列，以进行持续的台风引发的上层海洋动态观测。如图1所示，阵列采用了6×3矩阵配置，潜航器之间的间距约为50公里，以确保广泛的空间覆盖和足够的水平分辨率，用于检测中尺度和次中尺度海洋过程，尽管平台数量有限。用于虚拟锚定观测的水下潜航器如图2所示。

每个潜航器被编程为重复锯齿形下潜循环，最大下潜深度为500米。选择这一深度是为了有效捕捉上层海洋的垂直结构，同时优化能源效率并实现长期任务。在每次剖面过程中，潜航器以平均水平速度约0.25米/秒和25度的俯仰角运行，每次剖面覆盖水平距离2-3公里，耗时3-4小时。

温度、盐度和压力的垂直剖面通过机载CTD传感器收集，采样间隔为6秒。此外，深度平均的流速估计基于潜航器在海面记录的连续GPS位置之间的水平位移。这种观测策略使得能够在台风期间获取高分辨率、三维的数据集，以解析上层海洋的微尺度空间和时间变化。

为了在台风期间保持潜航器阵列的空间一致性，虚拟锚定操作通常依赖于先进的定位策略。这些策略使潜航器能够抵抗漂移，保持准固定位置，从而在高度动态的海洋条件下提供准欧拉观测。

图1展示了研究区域和潜航器阵列部署的示意图，而图2展示了用于虚拟锚定观测的水下潜航器。

虚拟锚定策略
鉴于潜航器的漂移特性和在恶劣天气条件下的操作挑战，本研究探讨了一组虚拟锚定策略，旨在增强定位性能。以下子节提供了三种控制和规划方法的比较分析，适用于单个潜航器，随后展示了它们在现实海洋环境中的模拟和实验验证。

反应性流场补偿
为了在环境流场的影响下保持单个水下潜航器的空间稳定性，实施了一种反应性流场补偿策略。该方法使潜航器能够通过持续估计背景流场并相应调整航向来抵抗水平漂移。它设计为轻量、鲁棒且适合实时机载执行，使其特别适用于动态环境如台风条件。

该策略从潜航器在每次下潜循环中经历的深度平均水平流速估计开始。这利用了潜航器在每次锯齿形下潜周期前后记录的海面位置之间的水平位移。设（x1,y1）和（x2,y2）分别为下潜周期开始和结束时记录的海面位置，设Tcycle为周期总时间。实际的水平位移定义为：

ΔP = (x2 - x1, y2 - y1)

假设流场对垂直剖面的影响是均匀的，深度平均的流速估计为：

vcurrent = ΔP / Tcycle

这种简单而有效的估计方法已经在操作性潜航器部署中得到验证，并被广泛使用，成为反馈式航向校正的基础。

在图3中，反应性航向校正策略的原理得到了展示，它使潜航器能够根据深度平均的流速估计进行实时航向调整。这种基于反馈的补偿策略在现实海洋条件下已得到验证，特别是在涉及强而时间变化的流场场景中。然而，该方法的一个关键局限性在于其假设背景流场可以被深度平均的流速向量有效表示。实际上，垂直剪切和分层流结构可能导致估计与实际流场引起的漂移之间的显著偏差，特别是在台风条件下，上层海洋混合增强时。此外，由于航向校正仅在每次下潜周期的开始时应用，控制响应可能在快速变化的环境中出现延迟。这些局限性促使我们探索更预测或自适应的控制策略，如后文所述。

短时域预测规划
为了在动态和空间异质的流场环境中提高潜航器的响应能力，实施了一种预测性定位策略，也称为贪婪搜索算法，利用短时域的海洋流场预测。与仅依赖过去漂移信息的反应性方法不同，这种方法利用预测的流场来规划航向命令，以考虑预期的流场扰动。通过最小化即将到来的下潜周期中的预期位置偏差，潜航器可以执行更具信息量和自适应的运动规划，即使在复杂流场条件下也能保持其位置在预定义的定位区域中。

该策略假设可以通过数值海洋模型如区域海洋模型系统（ROMS）、混合坐标海洋模型（HYCOM）或哥白尼海洋环境监测服务（CMEMS）的预测产品获得近未来的流场预测。在每次下潜周期的开始，潜航器获取其当前位置和时间的预测流场。这些预测通常代表深度平均或层特定的流场，并通过空间和时间插值与潜航器计划的轨迹匹配。预测的流场被视为接下来的下潜周期中的外部强迫场，从而更准确地建模预期的轨迹偏差。这种数据驱动的前瞻性为智能航向规划奠定了基础。

在图4中，展示了短时域预测规划策略的原理。这种贪婪选择方法有利于短期位置准确性，并且可以在机载上高效执行。该预测规划的有效性已在模拟和现实世界活动中得到验证，特别是在准确的流场预测支持下。然而，该方法仍然是局部最优的，并且可能对流场预测误差敏感。此外，其非自适应性质限制了在快速变化的流场中的性能，促使我们探索基于学习的控制策略。

深度强化学习用于复杂海洋流场的定位
为了克服反应性方法和短时域预测策略在高度非线性和不确定的海洋环境中的局限性，开发了一种基于深度强化学习（DRL）的定位框架。该方法利用深度双重双重Q网络（D3QN）架构，使潜航器能够自主学习有效的运动策略，以抵抗流场引起的漂移和海洋流场的空间变化。

与传统的Q学习或标准深度Q网络（DQN）方法相比，D3QN引入了两个关键改进：使用双Q学习机制和独立的目标网络来稳定训练和减少Q值更新时的过估计偏差，以及使用对抗网络结构，将状态值函数和动作优势函数分离，使代理能够更有效地评估给定状态下的动作重要性。这些改进提高了学习稳定性、收敛速度和复杂、部分可观测海洋环境中的整体策略性能。

在图5中，展示了基于D3QN的定位策略的网络结构，强调了双流设计和分离的Q值估计机制。

尽管所提出的框架基于标准的D3QN架构，但在台风条件下的潜航器阵列虚拟锚定中，引入了若干方法论创新。具体来说，加入了强制探索机制，以防止过早收敛并提高策略在高度动态流场环境中的鲁棒性。此外，实现了优先经验回放缓冲区，以提高样本效率和稳定训练。进一步，状态-动作设计被定制为适应潜航器动力学和任务约束，其中三维流场被压缩为二维表示。这种简化不可避免地牺牲了动力学保真度，但显著提高了训练效率，同时保留了深度变化的流场对网络学习的必要影响。

D3QN代理的设计和训练
D3QN代理通过状态-动作-奖励公式进行定制，反映了水下潜航器操作的唯一约束。在模拟或历史海洋流场数据（如CMEMS预测场）上训练后，该代理被部署在岸基控制中心，而不是嵌入在潜航器上。这一决定将计算需求从资源受限的潜航器转移到岸基控制中心，使得能够无缝整合高分辨率的流场预测。在操作中，航向路径点在控制中心计算并上传到潜航器，通常在卫星通信的定期浮出事件中。这种周期性更新周期与预测数据的可用性和潜航器的缓慢机动特性相匹配，确保了计算可行性和操作实用性。

在任务执行期间，水下潜航器遵循标准的剖面下潜。在浮出时，它通过卫星通信将当前的地理定位和状态传回控制中心。岸基的D3QN代理随后将潜航器的最新位置与当前的海洋预测数据相结合，评估接下来的下潜周期的环境条件，并选择下一个最优的运动命令。该命令通常包括一个期望的航向角或剖面轨迹参数，在下一次下潜前上传到潜航器。

这种岸基控制策略允许D3QN策略在每次浮出事件中自适应地重新规划潜航器的运动，从而利用更新的环境知识。它确保了在动态和部分可观测的海洋流场中的稳健定位性能，无需持续的机载计算或通信。

在实验验证中，研究团队对三种定位策略进行了比较，包括反应性流场补偿、短时域预测规划和基于DRL的D3QN规划。通过模拟和现场实验，验证了这些策略的有效性和实际应用性。

模拟比较
为了补充现场实验并实现更广泛、更系统的比较，进行了大量数值模拟，以评估三种定位策略在不同海洋流场条件下的性能。模拟由CMEMS全球海洋物理再分析和预测产品（GLOBAL_ANALYSISFORECAST_PHY_001_024）驱动，使得在各种动态场景下进行重复和系统性测试成为可能。该数据集提供了空间分辨率为1/12°、时间分辨率为6小时的海洋流场数据，使得能够表示对潜航器尺度模拟至关重要的中尺度和次中尺度海洋变化。

模拟时间段设定为2024年6月1日至12月24日，覆盖了北部南海的台风季节，其中大多数台风事件每年发生。这一时间窗口使我们能够评估潜航器定位性能在代表性且动态活跃的海洋条件下。总共部署了400个虚拟站点，均匀分布在研究区域（16°N–21°N，115°E–120°E），这些区域为深度超过500米的区域，经常受到台风影响。均匀的空间分布确保了流场变化的充分采样和性能评估的广泛地理覆盖。

为了在真实环境中模拟潜航器的海洋流场经历，我们对6小时的流场数据进行了时空线性插值，基于每个潜航器的浮出位置和时间。这种方法有助于近似潜航器采样过程中的流场时间变化，避免了假设静态海洋条件的简化。

对于每个虚拟站点，潜航器执行了2,100个连续的剖面，总共有84万个定位剖面。三种定位策略在相同条件下独立测试，使它们的长期性能可以进行控制和可重复的比较。定位准确性通过统计分析所有站点和时间步长的定位误差来量化，使用三个关键指标：平均误差、最大误差和最小误差。

研究结果表明，基于学习的D3QN策略在所有评估的误差指标上优于其他两种方法。特别是，D3QN策略在平均定位误差方面保持在0.68公里内，突显了其优越的准确性。此外，短时域预测规划策略的定位准确性优于反应性流场补偿策略，后者依赖于估计的深度平均流速信息。

进一步，通过比较每个站点的平均定位误差来分析定位性能，计算每个站点的误差平均值。结果显示，所有三种策略在广泛的流场条件下都保持了相对稳定的定位性能。除了少数孤立的站点，大多数站点的平均定位误差被控制在0.8公里以内。基于学习的D3QN策略在所有站点中持续获得较低的平均定位误差，其中大部分站点的平均误差低于0.68公里。这突显了D3QN控制器在变化和动态的海洋流场条件下的强稳定性和鲁棒性。虽然一些站点经历了偶尔的较大误差峰值——主要是由于高度复杂或快速变化的局部流场，这些流场可能无法被模型充分捕捉或在实时中补偿，但D3QN策略的误差峰值通常比其他策略更小。与之前的研究结果一致，短时域预测规划策略在整体定位准确性上优于反应性流场补偿策略。

考虑海洋流场预测不确定性
短时域预测规划和基于学习的D3QN规划策略均依赖于海洋流场预测，使得这些预测的准确性对性能至关重要。在本节中，我们评估了预测流场的准确性，并探讨了D3QN策略在处理预测不确定性方面的鲁棒性。

在模拟中，使用了海洋流场预测数据进行潜航器运动规划，而使用了近实时同化数据来模拟实际运动。这种设置允许在现实海洋流场预测不确定性下评估定位误差。对于所有剖面，短时域预测规划策略和基于学习的D3QN规划策略的平均定位误差分别为0.81公里和0.79公里。如果排除海洋流场预测不确定性，这两种方法的平均定位误差分别降至0.78公里和0.75公里。这些结果表明，两种方法都能应对预测不确定性。

基于学习的D3QN策略的定位误差分布通过所有剖面的核密度估计（KDE）曲线展示。实线表示考虑了海洋流场预测不确定性，虚线表示未考虑。短时域策略的误差分布中心在0.74公里，而D3QN策略的误差分布中心在0.67公里。从KDE曲线来看，短时域策略产生了较高比例的剖面具有非常低的误差（约0–0.2公里），但同时也产生了较多的高误差剖面（超过0.9公里），这突显了其贪婪性质的固有缺点。相比之下，D3QN策略实现了更集中的误差分布，有较少的极端偏差，表明了更一致的定位性能。当考虑平均和中位数定位误差时，D3QN策略展示了更高比例的高精度剖面，加强了其规划精度和整体可靠性。此外，通过比较考虑和不考虑预测不确定性的KDE曲线，可以看出短时域策略的“双极”分布模式在考虑预测误差时被缓解。这是因为，在预测流场中做出的局部最优决策在实际流场中可能不再最优，因此导致更大的误差。这种效应在KDE曲线中明显表现为许多非常低误差剖面（0–0.1公里）向0.1–0.6公里范围移动。对于D3QN策略，预测误差使一些在0.4–0.8公里范围内的剖面向高误差和低误差方向移动，其中高误差方向移动更明显。这解释了其总体平均误差的轻微增加。然而，两种策略都表现出对海洋流场预测不准确的一定抗性，其性能在现实不确定性条件下保持稳健。

实验验证
在2024年台风季节的虚拟锚定观测试验中，反应性流场补偿策略和短时域预测规划策略得到了实验验证。在这些现场试验时，基于学习的D3QN规划方法仍在开发中，尚未达到适合现场部署的阶段。因此，在实验中只测试了前两种策略，而D3QN方法的验证计划在未来的现场活动中进行。

实验分为两个阶段：第一阶段为10月21日至22日，第二阶段为10月24日至27日。为了操作的简便性，仅在规划策略中使用了航向角作为控制参数。其他潜航器的运动参数在实验中固定，包括35度的俯仰角、500米的下潜深度和约0.5米/秒的滑翔速度。

在第一阶段的实验中，选择了两个靠近各自虚拟锚定点的潜航器G17和G18来评估在相似流场条件下的规划策略性能。潜航器G17采用混合控制方法——白天使用短时域预测规划策略，晚上切换到反应性流场补偿策略，而G18在整个实验过程中使用反应性策略。在这一阶段，短时域策略尚未完全自动化，需要手动输入每个下潜的最新浮出位置和流场预测。由于这一限制和人员的限制，它仅在白天应用。

图13展示了第一阶段实验中每个潜航器浮出位置与目标虚拟锚定点的偏差。实线表示短时域预测规划期间，虚线表示反应性流场补偿期间。潜航器G17最初位于目标点较远的地方，但通过算法的指导逐渐接近目标。为了确保公平比较，仅包括有效点——定义为潜航器进入目标锚定点3公里范围内的浮出点——在定位误差分析中。基于此标准，短时域预测规划策略的定位误差约为1.5公里，而反应性流场补偿策略的定位误差约为1.3公里。然而，短时域策略仅产生了六个有效浮出点，这限制了其定位误差估计的统计可靠性和普遍性。此外，在这一实验中，短时域策略在潜航器远离目标点时被终止。在正常操作条件下，持续的规划可能会导致后续浮出点更接近目标，从而在切换到反应性补偿策略时减少定位误差。虽然这种效应可能在更大的样本量下变得不重要，但这一案例中的有限浮出点放大了终止策略远离目标点的影响，从而增加了平均误差并进一步限制了结果的代表性。

在第二阶段的实验中，选择了四个潜航器G5、G17、G18和G19进行进一步的比较研究。虚拟锚定点如图14所示。在实验期间，台风Trami通过该区域，其轨迹由图14中的黑色实线表示。台风引起的显著流场变化对潜航器定位控制提出了重大挑战。

在第二阶段的实验中，潜航器G18在白天使用短时域预测规划策略，晚上切换到反应性流场补偿策略。它从10月24日至26日正常运行，但在26日清晨发生故障。因此，潜航器G5被指定继续实验。为了比较，潜航器G17和G19在整个第二阶段始终使用反应性流场补偿策略。

图15展示了第二阶段实验中每个潜航器浮出位置与目标虚拟锚定点的偏差。实线和实心圆圈表示短时域预测规划期间，虚线和空心圆圈表示反应性流场补偿期间。潜航器G18在10月26日早期发生故障，导致异常行为和定位能力的丧失。潜航器G5随后接管任务并逐渐稳定在目标锚定位置附近。在整个实验期间，潜航器G17和G19始终保持在各自指定锚定点附近。然而，从10月27日开始，所有潜航器在接近目标方面面临更大的困难，特别是潜航器G5，其表现出显著的偏离。这种性能的恶化归因于强海洋流场的影响，这迫使潜航器进入更被动的定位，从而增加整体定位误差。尽管存在这些挑战，短时域预测规划策略和反应性流场补偿策略在大多数情况下成功地将潜航器保持在各自虚拟锚定点3公里半径内。具体而言，G17的平均定位误差约为1.08公里，G19的平均定位误差约为1.09公里，G18的平均定位误差约为0.98公里，G5的平均定位误差约为1.67公里，基于有效浮出点的记录。

在四个潜航器中，G5表现出异常高的平均定位误差。这一结果可以归因于几个因素。如图14所示，潜航器G5位于台风路径附近，因此经历了最强烈的海洋流场条件。在10月27日的早晨，G5附近的流速与潜航器自身的推进能力相当，使得其几乎无法移动。此外，潜航器在当天的剖面循环中开始时距离其虚拟锚定点相对较远。这些综合因素导致了该天的总体定位误差显著增加。这一假设得到了进一步支持，因为尽管潜航器的复合速度——由计划的航向和海洋流场结合——几乎指向目标，但由于开始时距离目标点较远，潜航器未能有效接近目标，导致仅微小的横向漂移。如果排除这些无法优化的约束性剖面，G5的重新计算的平均定位误差降至约1.08公里，与反应性流场补偿策略的误差相当。

基于两个实验阶段的结果，短时域预测规划策略的平均定位误差约为1.38公里，而反应性流场补偿策略的平均定位误差约为1.19公里。如果排除10月27日G5的数据——由于极端流场条件难以优化——短时域策略的平均误差降至1.19公里，几乎与反应性策略的误差相匹配。值得注意的是，在第二阶段的实验中，G18的平均定位误差为0.98公里，低于G17和G19的1.12公里。这表明在正常流场条件下，短时域策略可以表现良好。然而，这也揭示了短时域策略在处理复杂和强流场条件时的较弱能力。总体而言，在两个实验阶段的平均定位误差方面，反应性流场补偿策略表现出相对优越的定位性能，特别是在复杂和强流场条件下。这突显了在动态挑战区域谨慎应用基于预测的规划策略的重要性，并强调了开发能够缓解海洋流场预测固有不确定性的自适应或基于学习的方法的必要性。由于在2024年观测任务中算法开发的进展有限，反应性流场补偿策略主要用于潜航器阵列的定位规划。

观测和分析
实施了定位策略后，潜航器阵列在整个台风季节进行了系统的海洋观测。本节总结了收集的数据集，特别关注台风Yagi，其直接通过潜航器阵列，提供了研究台风引发的上层海洋动态的独特机会。

潜航器观测概述
在2024年台风季节，从6月下旬到12月上旬，总共部署了22个水下潜航器，以进行虚拟锚定阵列的持续观测。由于硬件故障和日常维护等因素，不是所有潜航器在整个观测期间都能同时运行。尽管有这些中断，阵列成功收集了9,122个高质量的温度和盐度垂直剖面。

为了确保潜航器海洋观测的可靠性和科学价值，应用了系统的质量控制（QC）流程。基于这一过程的结果，数据被编译并分为多个质量等级，以满足不同的研究需求。

台风Yagi的海洋响应分析
在整个观测活动中，六个显著的台风事件通过了北部南海：台风Bebinca（7月21日至23日）、台风Yagi（9月5日至7日）、台风Trami（10月25日至27日）、台风Yinxing（11月8日至10日）、台风Toraji（11月12日至14日）和台风Wanyee（11月18日至20日）。括号中的日期表示每个台风通过（直接通过）或接近（在附近）潜航器阵列的时间。其中，台风Yagi直接通过潜航器阵列，有八个潜航器在整个事件中持续记录垂直剖面（图16）。这些观测捕捉了上层海洋温盐结构在台风强迫下的完整演变，使Yagi成为一个适合详细分析的代表性案例。

图16展示了潜航器阵列在台风Yagi期间的轨迹。黑色箭头线表示台风的路径。

台风Yagi的合成背景
台风Yagi起源于2024年8月下旬的西太平洋，迅速在菲律宾海增强，得益于有利条件，包括海面温度高（30–31°C）、海洋热含量高和弱垂直风剪切。它在9月4日达到峰值强度，最大持续风速为58米/秒（209公里/小时），中心气压为925百帕，被归类为超级台风。这使Yagi成为近年来影响北部南海最强烈的台风之一。

Yagi于9月6日在海南岛文昌登陆，随后穿过琼州海峡进入北部湾，于9月7日在越南北部再次登陆。卫星观测和再分析数据揭示了显著的海面冷却、强烈的上层海洋混合和混合层加深，这是由于强烈的风应力与原有的分层相互作用。

潜航器在台风Yagi期间的定位能力分析
在台风Yagi期间，潜航器阵列采用反应性流场补偿策略进行定位。图17展示了台风Yagi期间海面流速和潜航器轨迹的变化。在强风-流条件下，潜航器经历了显著的偏离，因为一旦环境流速显著超过潜航器的水平速度，潜航器就无法保持位置——这是物理/操作限制，而不是控制实现的缺陷。在更温和的流场中，该策略有效地减少了漂移（如前文所述），产生了准欧拉时间序列，但当流速接近或超过约1米/秒时，性能显著下降。

图18展示了八艘潜航器在台风Yagi期间的定位偏差随时间的变化。在台风期间，潜航器的平均每小时定位误差约为0.49公里，最大峰值达到0.71公里，特别是在最强的流场条件下。这些结果表明，在极端强迫下，虚拟锚定的性能显著下降，而相比之下，正常条件下的定位性能良好。然而，由于在台风期间，潜航器的轨迹分布围绕台风路径，这使得它们能够保持在感兴趣的区域附近，从而采集覆盖整个台风生命周期的分布式观测。这些结果展示了所提出的虚拟锚定框架的实用有效性，其在极端条件下的时空覆盖程度，目前很少有其他技术可以匹敌。

在四个潜航器中，G5表现出异常高的平均定位误差。这一结果可以归因于几个因素。如