《Biomimetics》：A Bio-Inspired Pursuit–Evasion Game and Fixed-Time Safety Control Method for USV Swarm Encirclement
编辑推荐：
无人水面艇（Unmanned Surface Vehicle, USV）集群在复杂海洋环境中的动态目标围捕过程中面临显著挑战，尤其是目标强机动性和严格安全约束。为解决这些问题，本文提出一种新颖的围捕与捕获方法。所提方法将仿生追逃动态博弈与固定时间安全控制相结合
无人水面艇（Unmanned Surface Vehicle, USV）集群在复杂海洋环境中的动态目标围捕过程中面临显著挑战，尤其是目标强机动性和严格安全约束。为解决这些问题，本文提出一种新颖的围捕与捕获方法。所提方法将仿生追逃动态博弈与固定时间安全控制相结合。借鉴自然界群体捕食中的动态协同阻断与逃逸空间压缩行为机制，建立多追捕者—单逃逸者动态博弈模型。构建追捕者与逃逸者的支付函数以刻画双方策略交互，并基于动态博弈均衡生成USV集群自适应协同围捕策略。针对复杂海洋环境中的环境扰动和快速响应需求，设计固定时间安全控制器。以动态博弈生成的期望围捕位置为控制目标，通过引入控制障碍函数（Control Barrier Function, CBF）构建安全约束机制，实现USV集群快速收敛与协同避碰。进一步，通过Lyapunov稳定性理论证明控制系统位置误差的固定时间收敛性和安全约束满足性。最后，在洋流扰动下进行动态目标围捕数值仿真，验证所提方法的有效性。结果表明，USV集群能够适应目标连续机动，实现稳定围捕与捕获，并满足安全约束。
研究背景方面，海洋智能装备技术快速发展，USV在海洋环境监测、目标搜索、海上巡逻及复杂海域任务执行中具有应用前景。与单平台模式相比，USV集群依靠多智能体信息交互与协同决策，可发挥数量优势并提高任务效率和环境适应性。动态目标协同围捕集成目标跟踪、路径规划、编队控制和自主决策等技术，但复杂动态海洋环境下仍存在诸多挑战。现有包容控制方法常依赖目标速度与位置先验信息，围捕性能易受目标机动和环境扰动影响；扩展状态观测器与滑模控制虽可增强鲁棒性，但控制参数设计复杂且收敛速度有限。领航—跟随、虚拟结构等方法受固定编队结构限制，目标高速或急转向时围捕效率下降；人工势场法易陷入局部极小。强化学习方法需要大量训练数据，闭环稳定性和安全性难以显式保证；自适应一致性与鲁棒非线性控制多聚焦运动执行层，未将多追捕者与主动逃逸目标之间的策略交互显式纳入控制框架。仿生围捕研究多侧重行为规则设计，缺乏最优策略严格分析，难以保证系统收敛和安全约束。因此，研究人员提出一种融合仿生追逃动态博弈与固定时间安全控制的USV集群围捕方法，以同时考虑对抗决策、快速收敛、扰动抑制和安全约束。
研究人员开展了如下研究：建立多追捕者—单逃逸者动态博弈模型，构造追捕者与逃逸者支付函数以刻画双方策略交互，并基于动态博弈均衡生成自适应协同围捕策略；设计固定时间安全控制器，以动态博弈生成的期望围捕位置为控制目标；引入CBF构建安全约束机制，实现快速收敛和协同避碰；通过Lyapunov稳定性理论证明位置误差固定时间收敛及安全约束满足；在洋流扰动下开展动态目标围捕数值仿真。研究结论表明，USV集群能够适应目标连续机动，实现稳定围捕与捕获，并满足安全约束。其意义在于形成覆盖策略生成到安全执行的闭环控制框架，提高USV集群在复杂海洋环境下动态目标围捕的适应性和安全性。
关键技术方法概括：研究人员以有向图描述USV通信拓扑并采用局部通信；建立多追捕者—单逃逸者动态博弈模型，构造追捕者与逃逸者支付函数，通过Hamilton-Jacobi-Isaacs（HJI）条件求均衡并生成期望围捕轨迹；依据目标速度方向动态调整围捕角；设计固定时间位置—航向控制器和固定时间动态控制律；设计扰动观测器在线估计并补偿复合扰动；引入CBF构建安全约束并进行Lyapunov稳定性证明。仿真采用MATLAB平台与CyberShip模型，设置四艘USV围捕一艘目标，加入洋流、波浪和随机扰动，并进行基线比较、消融实验与100次Monte Carlo（蒙特卡洛）试验；未涉及样本队列来源。
研究结果部分，5.1 参数设置：采用CyberShip模型，四艘USV协同围捕一艘目标，设置惯性矩阵、阻尼、固定时间控制参数、安全约束参数、控制输入限制、动态博弈支付权重及复合海洋扰动，包括稳态洋流、周期波浪和随机扰动。5.2 仿真分析：轨迹结果表明USV先快速接近目标，再动态重排并形成稳定闭合编队，目标在150 s、300 s、450 s仍位于USV编队几何中心；围捕距离误差和位置跟踪误差快速收敛，安全函数始终为正；追捕支付与逃逸支付逐渐收敛，说明动态博弈均衡形成。结论为该方法能适应持续目标机动，实现长期稳定围捕并满足安全约束。5.3 与基线方法比较：5.3.1 评价指标：采用围捕建立时间、稳态径向均方根误差（Root-Mean-Square Error, RMSE）、最小船间距离、安全约束满足率、围捕保持率和控制努力。5.3.2 比较设置：与一致性编队、领航—跟随、人工势场、非线性围捕和预测围捕比较，所有方法采用相同初始位置、目标初始条件和海洋环境。5.3.3 围捕性能比较：所提方法围捕建立时间最短，稳态径向RMSE较低，围捕保持率和安全约束满足率为100%；领航—跟随在该场景下未满足连续围捕条件；非线性围捕最小船间距离低于安全距离；预测围捕稳态径向误差更小。5.3.4 控制努力分析：所提方法总控制努力高于五个基线，且在持续跟踪阶段仍较高，体现控制付出与围捕精度、保持率及安全性之间的权衡。5.3.5 变化条件下比较评估：（1）仿真设置与统计评价：变化追捕USV数量、目标—追捕者最大速度比、通信延迟和丢包概率，每条件20次随机试验，共1080次运行。（2）集群规模影响：USV数量由四艘增至八艘，平均建立时间增加，稳态径向RMSE仅小幅变化，围捕成功率、保持率和安全满足率保持100%。（3）目标—追捕者速度比影响：速度比由0.4增至0.8，建立时间和径向误差增加，但围捕成功、保持和安全满足率仍为100%；一致性编队和人工势场保持率下降，领航—跟随失败。（4）通信延迟与丢包影响：固定延迟增加会提高建立时间和径向误差，但成功、保持和安全满足率仍为100%；随机丢包影响较小。（5）控制努力分析：归一化控制努力随集群规模略增、随速度比增大而增加，通信条件变化下相对稳定。5.4 主动逃逸目标消融研究：5.4.1 实验设置：比较完整实现与去除动态博弈、去除固定时间控制、去除CBF安全性控制三种变体，目标根据追捕者位置和运动历史主动调整航向与速度。5.4.2 围捕性能：完整实现建立围捕并保持；去除固定时间控制后建立时间更长、稳态误差更大；去除动态博弈后未建立围捕。5.4.3 安全约束与控制努力：去除CBF后最小船间距离低于安全距离，安全满足率下降；完整实现保持较高安全满足率，控制努力略有增加。结果表明动态博弈、固定时间控制和CBF安全性控制均对完整任务性能有贡献。5.5 跟踪围捕Monte Carlo验证：5.5.1 仿真设置与统计结果：100次随机初始条件与扰动试验中，标准和严格围捕准则成功率均为100%，围捕保持率和安全满足率均为100%，CBF在42次试验中介入，平均激活比约0.89%。结论为所测跟踪控制配置具有可靠围捕建立、持续围捕和安全船间距离保持能力。5.5.2 固定时间收敛界验证：利用100组初始位置误差数值计算理想稳定时间，均低于初始条件无关的理论上界，最大稳定时间约为理论上界的58.84%，表明理论界具有一定保守性但数值结果支持该界。
讨论与结论部分，论文未设独立讨论章节。结论翻译如下：为解决USV集群协同决策困难、目标强机动性和安全约束难以满足等动态目标围捕挑战，本文提出一种融合仿生追逃思想、动态博弈理论与固定时间安全控制的USV集群围捕方法。通过构建追逃动态博弈模型，针对时变目标运动状态生成自适应围捕策略。结合固定时间控制与安全约束机制，所提框架提高了USV集群的快速跟踪性能和无碰撞运行能力。仿真结果表明，在洋流扰动和连续目标逃逸运动下，所设计方法引导USV形成稳定围捕编队。即使目标频繁调整航向和速度，也不能挣脱集群约束。此外，USV位置误差快速收敛，所有安全约束持续满足，验证了所提算法的有效性和鲁棒性。未来研究方向包括：（1）将动态博弈建模框架扩展至复杂三维海洋环境、障碍约束围捕、多目标对抗场景和严重通信限制，以增强方法对实际海洋任务的适应性；（2）融合强化学习与数据驱动优化，实现博弈策略的在线学习和自主迭代，提高集群预测与反制未知目标运动行为的能力；（3）在实际海洋湍流和工程约束下开展实船实验，进一步验证所提控制框架的实用性。
