基于多源定位、概率预测与平滑路径规划的深海潜水器协同搜救技术

《Ocean Engineering》：Cooperative search and rescue for deep-sea submersibles with multi-source localization, probabilistic prediction, and smooth path planning

深海潜水器搜救中存在定位不准、预测差、策略低效的问题。本文提出整合多源定位、概率预测和智能规划的协作框架，包含多传感器定位模型、MCMC预测模型和DMS-EACO路径规划算法，显著提升搜救效率路径长度减少19.6%-77.6%且收敛速度提高54%以上。

　　

黄思伦|徐瑞康|魏云飞|史一涵

北京航空航天大学无人系统研究所，中国北京

摘要

深海潜水器的搜救（SAR）是海洋安全中的一个关键挑战，这一挑战受到定位不准确、预测能力差以及搜索策略效率低下的制约。本研究开发了一个高效的合作框架，以提高SAR的成功率。该框架结合了多源定位、概率预测和智能规划技术。其核心包括三个组成部分：（1）一个多传感器多模式集成定位模型，用于准确确定发生故障的潜水器的初始姿态；（2）一个基于马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）的概率预测模型，该模型模拟了在动力丧失和完全故障情况下潜水器的位置变化分布，并考虑了海流干扰；（3）一种新颖的动态引导精英蚁群优化（Dynamic-guided Elite Ant Colony Optimization, DMS-EACO）算法，该算法通过引入平滑性来解决3D SAR路径规划问题。该算法通过Sigmoid衰减因子、动态引导机制和转向启发式函数提高了搜索效率和路径平滑性。此外，敏感性分析评估了潜水器在推进系统故障情况下的动态行为。仿真结果表明，与主流优化算法相比，所提出的算法在两种典型故障情况下将最优路径长度减少了19.6%至77.6%，并使收敛速度提高了54%以上，生成了更加平滑的搜索轨迹。

引言

深海潜水器对于探索海洋奥秘和开发海洋资源至关重要，在科学研究、资源勘探和国家安全方面发挥着重要作用（Cui等人，2025年）。然而，深海环境极其复杂且充满不确定性。在高压、黑暗、低温以及复杂海流和地形的多重影响下，潜水器面临较高的失去联系的风险。一旦发生机械故障或通信中断，其精确定位和快速救援成为一项艰巨的任务——这不仅对国家资产和宝贵科学数据的保护至关重要，而且更关系到船上人员的安全。

目前，寻找失踪潜水器的搜救任务面临三个核心挑战。首先，深海环境中的导航信号严重衰减，使得单一定位方法容易受到干扰，无法可靠地获取潜水器的实时状态，从而影响了后续救援决策的数据基础。其次，由于复杂海流和深海动态的影响，失踪潜水器的漂移轨迹具有高度不确定性。传统的搜索区域定义方法通常基于确定性假设，存在明显局限性，因此需要开发高精度的概率预测模型来提高轨迹推断的可靠性。最后，深海搜救路径规划是一个典型的高维动态优化问题。传统优化算法在收敛速度和全局优化能力方面表现不足，难以在尽可能短的时间内生成既平滑又能耗低且接近最优的救援路径。

尽管现有研究在定位技术、轨迹预测和路径规划等单个组件方面取得了显著进展，但这些方法大多采用“孤立”的发展模式，缺乏能够有机协调定位、预测和规划的集成框架。这种关键阶段之间的分离导致了搜救系统整体响应效率、动态环境适应性和任务成功率方面的重大瓶颈。为了解决当前技术系统中各模块之间的脱节问题，本文旨在通过构建一个集成多源信息和智能决策的合作搜救框架，系统性地提升深海失踪潜水器任务的整体效能。

本研究的核心研究目标是通过系统集成三种关键技术——多传感器融合定位、概率漂移轨迹预测和改进的群体智能路径搜索——为深海潜水器建立一个端到端的合作搜救框架。具体而言，本研究旨在实现潜水器运行状态的准确感知、故障后位置的动态概率推断，以及高效、平滑且节能的搜索路径规划，从而全面提高深海紧急搜救操作的精确性、快速性和可靠性。本文的主要贡献包括：

(1)

本文整合了三种关键技术——多传感器融合定位、概率漂移轨迹预测和智能路径搜索——为深海潜水器构建了一个端到端的合作搜救框架。

(2)

为了解决极端环境中导航传感器有限和单一导航模式的问题，设计了一个多传感器融合多模式定位和导航模型。该模型为深海潜水器提供了准确的实时状态信息。

(3)

在故障预测方面，为了解决海流对故障潜水器位置的影响问题，提出了一种基于马尔可夫链蒙特卡洛（MCMC）方法的位置预测模型。该模型考虑了动力丧失（无控制漂移）和完全动力故障两种情况，生成了不同的概率位置分布。

(4)

为了解决传统蚁群优化（ACO）的不足之处，如收敛速度慢、全局搜索能力弱和过早收敛等问题，本文提出了一种动态引导并考虑运动平滑性的精英蚁群优化（DMS-EACO）算法。该算法通过引入Sigmoid衰减因子来提高启发式信息的质量，并通过动态引导机制和精英策略有效平衡了探索与利用。此外，还采用了转向启发式函数来优化运动平滑性和能耗，从而实现了高概率区域的快速低成本覆盖。

部分内容摘要

深海导航与定位

在深海导航与定位中， Strapdown惯性导航系统（SINS）因其自主运行和不受外部信号影响的特点而备受重视（Pei等人，2021年；Shen等人，2021年；Weng等人，2020年），特别适用于需要高度隐蔽性的任务。因此，SINS通常被用作核心导航单元，并广泛集成到多源融合导航系统中。然而，SINS的定位误差会逐渐累积

主要方法

本节详细阐述了研究的理论组成部分。如图1所示，本研究的整体框架包括四个主要部分。第一部分基于数字高程模型（DEM）建立目标海底地形和海洋流场环境，实现救援环境的三维建模，为后续步骤提供基础空间背景。第二部分开发了多传感器融合、多模式定位和导航系统

故障预测仿真

准确建模海底地形和海洋流场是预测潜水器后续位置的基础。在动力丧失场景的数值仿真中，核心初始运动参数设定如下：故障前的初始速度为$2m/s，衰减系数为0.005。为了确保仿真流场与实际海洋环境的高度吻合——鉴于目标区域并非数据稀疏区域——$

敏感性分析实验

本节对潜水器在动力丧失条件下的行为进行了敏感性分析。在所提出的DMS-EACO算法中，动态衰减系数通过Sigmoid函数体现，该函数动态调节启发式信息的强度。其定义如下：$\phi =1?\frac{1}{1+\exp (?m\left(\frac{k}{K}?c\right)}$

其中，两个关键参数（衰减率因子）和$c$（转换阈值）共同构成了所谓的“动态衰减系数”的核心。在仿真中

讨论

本文提出的集成定位-预测-规划合作搜救框架和DMS-EACO算法在寻找失踪深海潜水器的任务中表现出显著优势。主要贡献、机制和意义如下：

首先，本研究开发的多传感器融合和多模式定位模型有效解决了极端深海环境中单一导航源的可靠性问题。

CRediT作者贡献声明

黄思伦：撰写——原始草稿、可视化、软件开发、方法论设计。徐瑞康：验证、调查、概念化。魏云飞：撰写——审稿与编辑、监督、资源协调。史一涵：撰写——审稿与编辑、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。