一种面向动态目标的欠驱动自主水下航行器三维局部路径规划方法

《Ocean Engineering》：A three-dimensional local path planning method for underactuated AUVs with dynamic targets

　　

• •
  针对欠驱动AUV的动态目标任务，开发了一种三维局部路径规划方法。
• •
  TPTG-CRG通过引导参考点生成具有预测能力的候选参考量。
• •
  PCCE-CPE对闭环响应进行可观测性、可执行性和安全性评估。
• •
  仿真验证了该方法在可观测性、避障安全和执行稳定性方面的优势。

引言

自主水下航行器（AUV）具有自主导航和灵活机动等特性，已广泛应用于海洋资源勘探和水下作业等任务中。局部路径规划是AUV自主导航系统中的关键模块，能够在有限感知条件下，结合环境与任务信息进行实时局部运动路径规划。对于涉及动态目标的航次任务，局部路径规划不仅决定了航行器能否及时调整航向和姿态，还直接影响任务执行的安全性和稳定性（Zhu等，2022）。

与地面移动机器人和全驱动水下平台相比，欠驱动AUV具有结构更简单、能耗更低等优势；但其运动约束也更加严格。其空间机动能力通常依赖于前进推进与姿态控制之间的耦合关系，横向和垂向自由度有限，难以直接生成并稳定执行理想的三维路径（Bechliouli等，2017）。与此同时，水下环境通常具有感知范围有限、障碍物分布复杂以及目标状态持续变化等特征。这些因素共同增加了面向动态目标的AUV局部路径规划任务的难度（Liu等，2024）。

在AUV局部路径规划方面，现有研究已取得显著进展，通常可分为势场类方法、搜索/采样类方法、智能优化方法和强化学习方法（Cheng等，2021）。势场类方法，如人工势场法（APF），通过构建吸引场和排斥场实现局部路径引导和避障。搜索/采样类方法，如快速扩展随机树（RRT）和动态窗口法（DWA），通过状态空间采样或速度空间搜索生成可行路径或控制指令。这些传统方法通常具有结构清晰、实现简单和实时性较好等特点；但仍可能存在陷入局部最优、路径平滑性不足以及对动态场景适应性不够等问题。智能优化方法通常依赖启发式搜索来提高规划质量，但在在线处理过程中计算成本相对较高（Chen等，2023）。强化学习方法在适应复杂环境方面展现出巨大潜力，但对训练数据质量、场景覆盖度和模型泛化能力提出了更高要求（Yu等，2025；Kleffs和Lin，2020）。

尽管AUV局部路径规划方法已取得显著进展，但针对三维环境中欠驱动AUV面向动态目标的局部路径规划问题的研究仍然匮乏，仍存在明显不足。许多方法仍依赖静态目标点作为直接驱动。当目标从固定点转变为持续运动的物体时，局部规划结果容易出现频繁更新、接近阶段过冲和反复路径修正等问题，难以生成稳定有效的三维路径。此外，现有方法大多主要关注几何可行性和避障，对连续观测需求和闭环执行可行性考虑不足。虽然所生成的规划方案在几何上可行，但在实际任务中往往无法同时保证观测有效性和执行稳定性。图1(a)展示了传统局部路径规划框架，其中感知、规划与控制依次向下传递，整个系统呈现单向信息流特征。

为解决上述问题，我们提出了一种面向动态目标的欠驱动AUV三维局部路径规划方法。图1(b)展示了所提出的框架，该框架在规划过程中同时融入前端主动感知和后端闭环反馈，使生成的局部路径不仅能响应目标与环境的变化，还能反映平台的实际执行特性。主要贡献总结如下：

• (1)
  提出了基于目标状态预测和引导参考点构建的候选参考量生成方法（TPTG-CRG）。通过短期目标预测和引导参考点构建，将直接逼近目标瞬时位置转化为维持相对观测构型，在运动与姿态约束下生成一组具有预测能力和局部稳定性的候选参考量。
• (2)
  提出了由感知约束和控制可执行性驱动的候选参考量闭环预测与评估方法（PCCE-CPE）。预测每个候选参考量下的AUV闭环运动响应，并从连续观测、稳定执行和环境安全方面对候选参考量进行综合评估，进而选择最优局部参考量及其对应的局部规划路径。
• (3)
  构建了面向动态目标场景的局部路径规划综合评估方案，并设计多种典型仿真场景进行验证。实验结果表明，所提方法在动态目标连续观测、避障安全和局部规划稳定性方面优于基线方法。

本文其余部分组织如下：第2节综述相关工作；第3节对系统进行建模并描述问题；第4节详细介绍所提出的方法；第5节展示实验与讨论；最后一节给出结论。

章节摘要

相关工作

近年来，AUV局部路径规划研究引起了广泛关注。现有研究通常可分为传统局部路径规划方法、智能优化方法和强化学习方法，以下各小节将对其进行综述。

欠驱动AUV建模

为对欠驱动AUV的运动学和动力学进行建模，建立了两个参考坐标系，如图2所示。体坐标系{A}固定在AUV上，其原点O_a定义为AUV的质心。x_a轴与AUV的中央轴对齐，指向AUV的船首方向。y_a轴垂直于AUV的纵向剖面，指向AUV的右侧。z_a轴遵循右手定则，垂直于x_a-y_a

整体方法框架

如图3所示，所提方法以当前目标状态、AUV当前状态和局部障碍物信息为输入，主要由两个模块组成：TPTG-CRG和PCCE-CPE。首先，TPTG-CRG模块利用卡尔曼滤波器更新并对目标状态进行短期预测，然后根据目标运动方向构建引导参考点；随后，在参考量空间中整合运动约束和俯仰姿态

实验与结果

本节回答以下五个问题：

• 问题1
  与现有局部路径规划方法相比，所提方法能否在动态目标场景中获得更好的路径规划效果？
• 问题2
  所提方法在障碍物分布和目标运动条件各异的复杂场景中是否表现出鲁棒的路径规划性能？
• 问题3
  所提方法中的关键模块，如TPTG-CRG、PO-PC和SE-CC，是否有效？
• 问题4
  关键超参数的变化是否显著

结论

针对面向动态目标的局部路径规划中难以同时保证连续观测、稳定执行和局部安全的问题，提出了一种面向欠驱动AUV的三维局部路径规划方法。该方法通过短期目标状态预测和引导参考点构建生成候选参考量，并结合闭环运动响应预测，从连续观测等

CRediT作者贡献声明

刘晨：撰写—初稿、软件、方法论。丁忠军：撰写—审阅与编辑、资金获取、概念构思。张宗满：可视化、验证、调查研究。李德伟：撰写—审阅与编辑、可视化、验证。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

致谢

本工作由国家重点研发计划（项目编号：2021YFC2802100）、山东省重点研发计划（项目编号：2020JMRH0101）、青岛市自然科学基金（项目编号：24-4-4-zrij-127-jch）以及国家重点研发计划（项目编号：2017YFC0306600）资助。

刘晨|丁忠军|张宗满|李德伟