复杂海洋环境下基于状态感知自适应粒子群优化的AUV路径规划增强

《Ocean Engineering》：Enhancing AUV path planning via state-aware adaptive particle swarm optimization in complex marine environments

　　

高保真三维海洋环境建模。逼真的三维海底、障碍物和水流模型避免了过度简化的设置。
新颖的自适应粒子群优化算法（AEPSO）。AEPSO调节惯性权重和学习因子并对精英粒子进行变异，使适应度提升了18%。
具有工程可行性的多目标约束路径规划。通过B样条路径平滑，综合平衡了路径长度、平滑度、安全性和能耗。

引言

海洋勘探日益依赖自主水下航行器（AUV），因为它们能够在广阔区域内自主作业（Zhu等，2026；Zeng等，2015；Wu等，2020a）。AUV被用于海底测绘、深海搜救、水下目标追踪、海洋情报收集和反潜作战等任务（Teng等，2020）。在复杂海洋环境中，可靠的路径规划对于稳定导航和高效完成任务至关重要。因此，本研究聚焦于三维AUV路径规划问题。

研究人员已提出多种AUV路径规划算法，可归纳为四类（Cheng等，2021）：基于几何的搜索算法、基于采样的算法、深度强化学习算法和群体智能算法。

基于几何的搜索算法主要以Dijkstra算法（Qing等，2017）和A*算法（Li和Zhang，2020）为代表。这些算法能够有效求解二维空间中的最优路径问题。其优势在于规划结果具有确定性，在小型二维场景中可获得高质量的全球最优路径。然而，受逐点遍历搜索机制的限制，随着环境规模和空间维度的扩大，计算复杂度呈爆炸式增长，导致在大规模三维海洋空间中产生巨大的计算开销。因此，基于几何的搜索算法在直接应用于三维海洋环境中的AUV路径规划时面临明显局限，更适合小型二维场景而非大规模复杂的三维水下任务。

基于采样的算法具有概率完备性但输出具有不确定性。只要环境中存在可行路径，这类算法以高概率找到解，但生成的路径不具有确定性。快速扩展随机树（RRT）（Arifi等，2023）和概率路线图（PRM）（Arifi等，2025）是该算法族的两个典型代表。基于采样的RRT算法依赖碰撞检测模块评估候选路径的可行性，将无障碍空间中采样的路点连接起来以构建可行轨迹树。无需遍历整个空间即可快速生成可行路径，具有较高的搜索效率。然而，随机采样策略为路径规划引入了随机性，导致生成的路径不连续、转折点众多，最终路径通常为次优解。针对不同AUV路径规划中RRT变体的对比评估进一步表明，路径直线度和计算时间强烈依赖于所选的树扩展策略（Arifi等，2024）。PRM是一种多查询路线图采样算法，能够高效处理静态水下场景中的多个起终点对。其改进变体PRM*通过动态邻域半径实现了更好的路径紧凑性、平滑度和结果可重复性。然而，PRM在大规模三维海底环境中会产生较高的预处理开销，且在狭窄通道中容易出现路线图断裂问题。尽管PRM*等变体在一定程度上缓解了这些静态场景中的局限，但基于采样的算法在面对具有洋流扰动和众多障碍物的复杂海洋环境时，仍难以取得令人满意的性能。

深度强化学习已被应用于AUV路径规划，该方法将深度学习与强化学习相结合。智能体通过与环境的持续交互获取奖励反馈，并相应地迭代更新神经网络参数以优化决策策略，从而实现自主路径规划（Liao等，2024；Wu等，2022）。与RRT和PRM等需要预采样或离线构建路线图的基于采样的规划器不同，深度强化学习不依赖完整的环境先验建模。它通过试错学习直接输出动作指令，在未知和时间变化的海洋环境中表现出良好的适应性，因此引起了广泛的研究关注。现有研究在网络架构和奖励函数设计方面进行了改进，一些增强算法能够在三维仿真场景中实现避障导航并生成相对平滑的轨迹（Zhu等，2022；W. Yan等，2022；Wu等，2020b）。然而，此类方法仍存在实际局限。对于复杂的 underwater 场景，构建良好的奖励函数具有挑战性，稀疏奖励问题往往阻碍训练收敛。此外，此类算法容易过拟合，在仿真训练场景中收敛良好，但在推广到真实海洋环境时性能显著下降，从而限制了其在实际应用中的部署。

群体智能算法是一种元启发式优化技术，以粒子群优化（PSO）（Zhang等，2022）、蚁群优化（ACO）（Ma等，2019）和人工蜂群算法（ABC）（Xu等，2024）等为代表。受生物群体行为启发，这些算法利用个体历史最优和群体最优进行迭代优化。对于多约束非线性优化具有较强的全局搜索能力，非常适合复杂海洋环境中的AUV路径规划。ACO算法存在迭代逻辑复杂且信息素矩阵更新导致计算开销高的问题，收敛速度较慢。ABC算法具有良好的全局探索能力，但在应对复杂海洋优化任务时收敛效率较低。相比之下，PSO算法更新规则简单，易于编码和部署，更适合连续空间优化任务，如AUV路径规划。借助个体认知和社会认知机制，粒子通过结合个体最优和群体最优信息，在复杂解空间中高效搜索全局最优解。因此，PSO及其改进变体是AUV路径规划研究中应用最为广泛的群体智能算法之一。现有PSO算法用于AUV路径规划的研究可按环境建模能力分为三类。第一类聚焦于二维规划场景。例如，Huang和Jin（2021）提出了一种由强化学习辅助的改进PSO算法。尽管该方法加速了路径规划并缓解了传统PSO收敛效率低的问题，但其仅采用二维空间模型，忽略了三维海洋特征，如海底起伏和洋流，限制了其在真实复杂三维海洋环境中的适用性。第二类将PSO扩展到三维地形感知场景。Yuexing等（2020）利用电子海图先验知识建立三维地形模型，设计了路径距离、风险等级和平滑度评价函数，并提出了相应的改进PSO算法。该方法提高了对三维地形的适应性并取得了良好的规划效果，但忽略了实际AUV导航不可或缺的洋流分量。在洋流扰动下，该算法生成的路径可能在一定程度上偏离真实海洋条件。第三类进一步将洋流对AUV导航的影响引入三维环境建模。Li和Yu（2023）通过数学公式构建了包含地形和洋流的三维环境模型，以逼近真实海洋场景。然而，其三维环境模型未考虑海洋障碍物对AUV导航的影响。面对复杂海洋障碍物时，AUV的路径规划和避障能力仍有待探索。

大多数用于AUV路径规划的PSO变体对所有粒子采用相同的更新策略，不区分其当前搜索状态。Zhang等（2024）提出了LINW-SPSO算法，采用迭代依赖的线性递减惯性权重和异步递减学习因子，但所有粒子遵循相同的参数调度方案。Li等（2025）为三维AUV路径规划引入了自适应惯性权重和鱼群启发的活跃粒子机制，但这些策略同样是统一应用于整个种群的。统一的更新规则无法响应粒子在搜索过程中的差异，可能在复杂洋流扰动环境中限制优化效率。

综上所述，以往工作在环境建模和粒子优化策略两方面均存在不足。在上述工作基础上，我们进一步探索AUV路径规划技术。具体研究贡献如下：
1. 构建三维海底地形、障碍物和洋流模型以模拟真实海洋环境。
2. 将AUV路径规划准则整合为加权适应度函数，在安全约束下评估路径质量。
3. 提出AEPSO算法，利用适应度排名表征每个粒子的当前状态，在粒子层面调节惯性权重和学习因子，并对精英粒子施加距离自适应高斯变异。
4. 在多个仿真海洋环境中评估AEPSO，并将其收敛性、运行时间和路径质量与所选基线算法进行比较。

本文其余部分组织如下。第2节描述三维海洋环境、适应度函数和路径平滑方法。第3节介绍AEPSO算法及其数学分析。第4节报告仿真实验并讨论结果。第5节总结全文。

章节片段

问题建模

在复杂海洋环境中规划路径时，AUV必须规避海底地形和障碍物，同时考虑洋流的速度和方向。该问题被建模为加权约束优化问题。最小化复合适应度函数可获得在导航距离、平滑度、洋流相关能耗和安全之间取得平衡的路径。该建模包含海洋环境建模、适应度函数设计和路径平滑三个部分。

粒子群优化算法

粒子群优化（PSO）将每个候选解表示为一个粒子，其位置为????∈?^??，速度为????∈?^??。第??维的速度??_{????}和位置??_{????}更新公式如下：

??_{????}(??+1) = ??·??_{????}(??) + ???·???·(??_{best,????}(??) - ??_{????}(??)) + ???·???·(??_{best,??}(??) - ??_{????}(??))

??_{????}(??+1) = ??_{????}(??) + ??_{????}(??+1)

其中，??_{????}(??)和??_{????}(??)分别为迭代??时粒子??在第??维的位置和速度，??_{best,??}(??)为其个体最优位置，??_{best}(??)为群体记录的最优位置。???和???分别

参数设置

在多个海洋环境中进行了对比仿真实验，以评估AEPSO与已有算法的性能。仿真使用MATLAB R2024a实现，运行在配备AMD Ryzen 7 5800H处理器（3.20 GHz）和16 GB内存的计算机上。

三维海洋环境包含海底地形和球形障碍物，如图1所示。地形使用公式(1)生成。障碍物半径为??=[5, 6, 7, 6]。环境尺寸为100m×100m×90m。起点和

结论

本文研究了复杂三维海洋环境中的AUV路径规划问题。环境模型结合了海底地形、多种形状障碍物和洋流，加权适应度函数综合考虑了导航距离、路径平滑度、洋流相关成本和安全因素。AEPSO利用适应度排名调节个体粒子的惯性权重和学习因子，并对精英粒子施加距离自适应高斯变异。在仿真中，

CRediT作者贡献声明

杨秋玲：方法论、基金获取。陈清荣：初稿撰写、软件、方法论。朱荣鑫：审阅与编辑、方法论、概念构思。杨智伟：调查研究。

利益冲突声明

作者声明不存在任何已知的可能影响本文工作的竞争性经济利益或个人关系。

致谢

本研究部分受国家自然科学基金资助（项目编号：62662027和62362026）；部分受海南省自然科学基金资助（项目编号：626MS0092和626QN0556）。

杨秋玲 | 陈清荣 | 朱荣鑫 | 杨智伟