基于分层协同优化与污染水平分级的水下网衣清洗机器人（NCUV）全局路径规划方法

《Applied Ocean Research》：A global path planning method for a net-cleaning underwater vehicle (NCUV) based on hierarchical collaborative optimization and pollution level classification

　　

为满足海洋水产养殖网衣清洗的工业需求，并应对当前清洗作业效率低下及生态影响等问题，本文提出一种基于分层协同优化（HCO）的网衣清洗水下机器人（NCUV）路径规划方法。传统蚁群优化（ACO）和灰狼优化（GWO）算法通常仅在单一层次上进行优化，因此难以有效处理区域间冗余连接及区域内覆盖效率低下的问题。所提出的HCO方法采用结合全局子区域排序与局部路径细化的两层协同机制，从而同时解决上述问题。在全局层面，采用L-SHADE算法优化子区域的遍历顺序；在局部层面，改进的GWO算法引入非线性函数控制收敛因子，以优化每个子区域内的轨迹。实验结果表明，在路径规划方面，HCO方法优于传统ACO和GWO算法，在清洁效率和能量消耗方面均实现了显著提升。

海洋水产养殖作为满足全球海鲜需求的重要途径，近年来受到广泛关注。作为基础设施的养殖网衣极易积累大量污损生物和附着物，这不仅导致网孔堵塞、水体交换效率下降，还会增加网衣结构失效和疲劳损伤的风险，从而影响养殖环境质量和生产的可持续性。因此，对网衣进行清洁维护至关重要。传统的人工打捞清洗方式劳动强度大、效率低；机械清洗虽提高了效率，但可能损伤网衣并影响环境；近年出现的防污涂层或生物防污技术虽具环保性，但各有局限性。随着人工智能与机器人技术的发展，智能水下网衣清洗机器人（NCUV）因其灵活性高、效率好及环境适应性强而成为研究热点。然而，作为NCUV作业核心的清洗路径规划，直接影响其清洁效率、作业覆盖率和能耗，合理的路径规划需确保无死角的覆盖清洁并优化任务执行效率。因此，NCUV清洗路径规划研究具有重要理论意义与实践价值。

现有的自主水下航行器（AUV）完全覆盖路径规划（CCPP）研究相对成熟，主要集中在协同覆盖、复杂环境避障与路径平滑、动态环境在线决策等方面。但AUV通常在开阔水域进行三维探索，其路径规划侧重于避障和轨迹优化。相比之下，水下清洗机器人属于接触约束应用场景，需在目标表面稳定交互下进行覆盖作业。船体清洗机器人的研究虽提供了参考，但其针对的是相对刚性连续的船体表面。而养殖网衣清洗作业在柔性、可变形、透流的网衣表面上进行，在海流扰动下网衣几何形状可能发生动态变形，使得环境表征和流固耦合建模更为困难。此外，清洗任务需处理非均匀的污损分布和多子区域覆盖需求。NCUV系统严格受限于在网衣二维表面上运动，其主要任务是实现网衣面板的完全覆盖清洁，同时考虑污损的非均匀分布和动态变化的清洗难度。在海流扰动的柔性网衣表面条件下，NCUV的CCPP必须同时解决运动连续性和成本异质性覆盖问题。一方面，NCUV通过履带行走机构紧贴网衣表面运动，其轨迹受网衣拓扑和摩擦力的强约束，频繁或急转弯易导致履带打滑、脱轨甚至设备翻覆。因此，生成的覆盖路径必须明确考虑路径平滑性和运动连续性。另一方面，与经典CCPP通常假设同质环境并追求均匀遍历不同，养殖网衣上的污损具有显著的时空异质性，呈现“初期斑块分布、后期极化增厚”的特征，导致各区域清洗成本差异显著。均匀覆盖策略易产生冗余的区间转移和低效的区内覆盖，从而降低整体清洗效率。这些特性使得传统AUV路径规划算法以及船体清洗机器人开发的清洁路径规划方法，无法直接应用于NCUV完全覆盖清洁任务。

鉴于此，本研究聚焦于NCUV的完全覆盖路径规划问题，旨在海流扰动的柔性网衣表面条件、污损异质性和运动约束下生成可执行的覆盖路径。为应对上述挑战，本文提出了一种基于分层协同优化的完全覆盖路径规划（HCO）算法。该方法旨在生成与网衣清洗作业的运动约束和任务异质性兼容的可执行覆盖路径。具体而言，该方法采用结合全局子区域排序与局部区内路径优化的两层协同机制。在全局层面，通过优化子区域的访问顺序来缓解由污损分布不均引起的冗余区间转移。在局部层面，将运动相关约束嵌入规划过程，并引入自适应清洗策略以提高路径连续性、覆盖效率和各区域内的实际可执行性。

本研究的主要贡献总结如下：首次设计并实现了基于分层协同优化的完全覆盖路径规划（HCO）算法。该算法设计了一个分层协同优化框架，其中全局层采用L-SHADE算法优化子区域覆盖序列，局部层引入非线性函数控制收敛因子，从而改进灰狼优化器（GWO），实现子区域内优化的路径轨迹。该算法显著提升了路径规划中的覆盖和清洁效率。设计了基于污染水平的动态路径优化策略：针对网衣表面附着物分布不均的特点，提出了基于污染等级的动态路径优化策略。通过引入速度因子，改变NCUV的航行速度，使其在覆盖高污染区域时航行速度降低，以提高清洁效率，同时减少在低污染区域的冗余清洗操作，显著降低了能耗。仿真实验验证了算法在复杂环境中的鲁棒性和实用性：本文构建了具有不同形状子区域的清洗场景，验证了HCO在不同环境下的性能。实验结果表明，该算法在简单和复杂污染场景的覆盖路径方面均优于ACO算法和GWO算法，展现出卓越的鲁棒性和实用性。

问题构建部分指出，在清洗网衣附着物生长的早期阶段，问题可转化为多清洗子区域覆盖问题。多区域规划不仅要考虑子区域内的覆盖，还需考虑子区域间的覆盖顺序。本文提出的清洗策略总体思路是：首先进行多区块区域衔接路径规划，综合考虑局部区域的起点和终点来确定NCUV的覆盖顺序。然后进行局部区域路径规划，为每个子区域内的污染斑块设计高效遍历路径。同时，局部区域路径规划考虑了附着物污染水平和NCUV的行进速度。本节给出了NCUV多区域覆盖路径规划设计的总体结构，包括提出的NCUV运动模型、网衣地图模型和最优路径评估模型。

NCUV的运动模型基于SOLIDWORKS设计，配备四个垂直推进器和四个辅助可调推进器，理论上可实现五个自由度的运动。但考虑到其在网衣上的作业模式，滚转运动被自稳机构约束，俯仰运动不可控，因此具有四个主要自由度。运动模型通过坐标变换矩阵定义了NCUV在网衣固定坐标系和机器人运动坐标系下的速度矢量关系，并给出了相应的四自由度运动学方程。网衣地图建模将网衣环境离散化并映射为二维矩阵空间，构建基于栅格的环境模型。为简化规划复杂性，对不规则清洗区域的边界进行了适当扩展，将其转化为更易处理的规则形状。路径描述与评估模型定义了完整覆盖路径的表达式。针对NCUV动力学约束的工程问题，将完全覆盖路径规划问题进一步定义为对总路径长度、路径重叠率和转向次数的优化。研究根据污损类型和空间分布密度，将清洗区域划分为一般、中等和高三个作业难度等级。基于运动学约束，建立了速度-清洗耦合机制：当作业难度等级升高时，NCUV需采用减速策略以确保清洗质量。这通过引入时间因子τ来动态修正总路径长度Lpath来实现。此外，定义了覆盖率Rc、冗余率Rr以及偏航角ψ的成本函数。鉴于实验场地受潮汐流控制，构建了一个融合网衣几何约束与潮汐流损失特性的波动高度评估模型Jheight，以评估环境适宜性。最后，构建了一个任务-环境-机构耦合的能耗评估模型Etotal，联合考虑了由污损水平驱动的速度调节、网衣接触力的变化、流向引起的附加阻力和所需的清洗功率。

算法设计部分详细阐述了分层协同优化（HCO）路径规划算法。传统的ACO和GWO算法通常仅关注局部路径优化，虽能优化单个子区域内的路径，但常忽略子区域间的访问顺序，导致冗余的区间连接和较低的区内覆盖效率。为此，所提出的HCO方法在全局和局部两个层次上进行协同优化。全局层采用改进的L-SHADE算法确定子区域间的最优遍历顺序，旨在最小化子区域间的非生产性 transit 距离。该过程包括种群初始化、变异、交叉、选择以及参数更新等步骤，通过优化每个子区域的起始点和访问顺序来确定最优衔接路径。局部层采用改进的灰狼优化器（NI-GWO）优化每个子区域内的路径。针对标准GWO可能陷入局部最优的问题，通过引入非线性控制因子优化收敛因子a，并根据灰狼社会层级重构位置更新方程，赋予不同层级个体差异化的搜索权重和扰动机制，从而增强全局探索能力。适应度函数设计采用分层评估方案，将全局层适应度（Fglobal）和局部层适应度（Flocal）通过动态权重耦合为统一的优化目标Jcost。Fglobal评估子区域间连接的冗余性，Flocal则联合评估可执行轨迹的几何覆盖性能、运动稳定性和能耗。

模拟实验与分析部分设置了实验环境和参数。模拟环境综合考虑了海流对网衣结构的作用机制，构建了涨潮和落潮条件下的网衣结构动态地图，并基于典型污损生物生长特征，将清洗区域按污染程度分为三个等级。实验对比了HCO与传统ACO、GWO算法在简单和复杂清洗区域环境下的性能。在简单清洗区域实验中，设置了固定返回点和无返回点两种场景。结果显示，所有算法均能实现100%覆盖，但HCO在总路径长度和路径冗余率方面表现最优，平均能耗最低，且收敛速度更快、最终适应度值更低。在复杂清洗区域实验中，同样设置了固定返回点和无返回点场景。HCO同样保持了100%覆盖率，并在总路径长度、冗余率（为零）和平均能耗方面均优于ACO和GWO。即使在复杂几何形状下，HCO也能生成相对平滑的轨迹，保持较低的波动高度和最小的能耗分散度，并展现出更快的收敛速度和更稳定的收敛性能。

实验验证部分介绍了基于3D打印技术制造的NCUV物理样机，并进行了初步功能测试，包括运动控制、吸附攀爬网衣等，验证了各模块协同工作的可行性。为验证HCO算法的实际性能，在学校海洋装备实验室进行了NCUV水下试验，结果表明该算法能够对多个子区域进行路径规划并实现任务区域的完全覆盖。进一步，在宁波象山大黄鱼养殖基地开展了海试，结果再次证明HCO算法能够应用于实际网衣清洗路径规划，使NCUV完成覆盖清洁区域的任务。

讨论部分指出，尽管HCO算法展现了良好性能，但未来研究仍需关注以下挑战：网衣地图创建的挑战，需开发先进的水下定位和感知技术，如结合深度学习和传感器融合，以实现复杂水下环境中实时、精确的网衣地图创建。水下通信问题与路径偏差，由于无法使用GPS，需改进水下通信技术和实时反馈机制，研究如何在环境扰动下保持规划路径与实际运动的一致性。集成其他技术以增强适应性，例如集成水下视觉识别和深度学习算法，使机器人更好地感知和适应动态环境变化。

研究结论部分总结如下：海洋水产养殖网衣需要频繁维护，为减轻传统人工清洗的繁重工作和低效率，已开发出水下清洗机器人。对于此类机器人，高效的完全覆盖路径规划是提高清洁质量、作业效率和能源利用率的关键要求。本文研究了海洋水产养殖网衣清洗机器人的完全覆盖路径规划问题。提出的基于分层协同优化的完全覆盖路径规划（HCO）算法，解决了NCUV高效稳定清洗路径规划的挑战。该算法结合了全局和局部优化策略，并采用基于污染程度的动态路径优化方法，在清洁效率、路径覆盖和降低能耗方面实现了显著改进。