《Drones》:GWO-IFDS Approach: A Feasible Path Planning Method for Autonomous Underwater Vehicles in Dense Obstacle Environments with Ocean-Current Disturbances
编辑推荐:
自主水下航行器(AUV)越来越多地用于海底检查、水下搜索、海洋观测和基础设施维护。然而,在密集的三维(3-D)水下环境中进行可行且安全的轨迹规划仍然具有挑战性,因为AUV必须避开多个不规则静态障碍物,对移动障碍物做出反应,并在海流扰动下保持鲁棒的导航性能。传统
自主水下航行器(AUV)越来越多地用于海底检查、水下搜索、海洋观测和基础设施维护。然而,在密集的三维(3-D)水下环境中进行可行且安全的轨迹规划仍然具有挑战性,因为AUV必须避开多个不规则静态障碍物,对移动障碍物做出反应,并在海流扰动下保持鲁棒的导航性能。传统的路径规划方法在密集的3-D环境中可能面临高计算成本或轨迹平滑性差的问题。干涉流体动力系统(IFDS)通过将障碍物视为虚拟流场中的扰动源,提供了一种有前景的基于流场的规划机制。然而,IFDS的性能强烈依赖于斥力和切向参数,这些参数通常凭经验选择,可能无法在路径长度、平滑性、安全裕度和能耗之间提供最优权衡。为了解决这些问题,本文提出了一种灰狼优化增强的IFDS方法,称为GWO-IFDS。首先,使用统一的超椭球体隐含函数对静态和动态水下障碍物进行建模,使得球体、圆柱体、椭球体、礁石和海床丘能够以共同的数学形式描述。其次,开发了一个3-D IFDS规划器,通过组合朝向目标吸引流和障碍物诱导的调制矩阵来生成无碰撞流线。第三,引入灰狼优化算法,通过最小化标量化的多准则适应度函数(考虑路径长度、终端误差、轨迹平滑性、能量代理和最小障碍物间距)来优化IFDS的斥力和切向参数。最后,在四个代表性场景下进行了仿真研究:多个静态障碍物、混合静态和动态障碍物、混合障碍物与海流扰动,以及GWO、粒子群优化(PSO)、差分进化(DE)、贝叶斯优化(BO)、遗传算法(GA)和固定参数IFDS之间的参数优化比较。结果表明,所提出的GWO-IFDS方法能够生成比固定参数IFDS更平滑、更安全的轨迹,且转向努力相关成本更低。在类似声纳感知不确定性、有界转向约束和不同权重设置下的附加测试进一步验证了所提出框架的鲁棒性和可行性。
自主水下航行器(AUV)在海洋观测、海底检查、资源勘探等任务中日益重要,但其在密集三维(3-D)水下环境中的路径规划面临严峻挑战:需同时避开不规则静态障碍物、应对动态移动目标,并在海流扰动下保持鲁棒导航性能。传统方法如基于图搜索、采样、人工势场(APF)或进化优化的路径规划,在密集3-D环境中常出现计算成本高、轨迹不平滑、局部最小值或参数敏感等问题。干涉流体动力系统(IFDS)通过将障碍物视为虚拟流场中的扰动源,能够生成平滑流线,但其斥力和切向参数依赖经验选取,难以在路径长度、平滑性、安全裕度和能耗间取得最优平衡。为此,研究人员提出一种灰狼优化增强的IFDS方法(GWO-IFDS),旨在通过低维参数优化提升IFDS的适应性,而不直接优化高维路径点序列。该研究在《Drones》期刊发表,其重要意义在于:构建了轻量化参数优化框架,使IFDS能在密集静态、动态障碍物及海流扰动下生成更平滑、更安全的轨迹,并降低转向努力相关成本;通过声纳不确定性测试、有界转向约束验证和权重敏感性分析,增强了实际应用的可信度与可重复性,为AUV在复杂水下环境中的滚动重规划提供了可行方案。
研究人员采用的主要关键技术方法包括:1)统一超椭球体(superellipsoid)隐含函数建模,用于描述球体、圆柱体、椭球体、礁石和海床丘等多种形状的静态与动态障碍物;2)基于IFDS的三维流场规划器,通过目标吸引流和障碍物诱导的调制矩阵生成无碰撞流线;3)灰狼优化(GWO)算法,优化IFDS的斥力参数和切向参数,最小化标量化的多准则适应度函数(含路径长度、终端误差、平滑性、能量代理和最小障碍物间距);4)滚动重规划策略,用于动态障碍物和海流扰动下的在线路径更新;5)声纳感知不确定性模拟,包括高斯噪声和随机测量丢包,并采用安全边界膨胀策略增强鲁棒性;6)运动学到动力学可跟踪性验证,通过速度-姿态映射层和饱和转向律确保轨迹可执行。所有仿真均在MATLAB R2024a平台上进行,使用Intel Core i7 CPU和32 GB RAM。
**4.1 仿真设置**
研究人员设定仿真工作空间边界为[0, 100]×[0, 100]×[0, 50] m,AUV初始位置为(10, 10, 10) m,目标位置为(90, 90, 40) m,规划速度1.0 m/s,时间步长0.1 s,目标到达阈值0.5 m,安全距离3.0 m。转向约束:最大偏航率0.70 rad/s,最大俯仰率0.70 rad/s。IFDS参数范围:斥力参数[0.1, 10.0],切向参数[0.1, 10.0]。GWO种群规模14,迭代次数14。适应度函数权重:路径长度0.1,终端误差0.3,平滑性0.1,能量代理0.1,障碍物间距惩罚0.4,失败惩罚1000。通过设定这些参数,研究人员建立了可重复的仿真基础。
**4.2 密集静态障碍物环境**
该场景包含多个不同形状的静态障碍物(圆柱体、椭球体、礁石状、管道状和海床丘),并设置了一个狭窄通道。研究人员通过三维(3-D)和二维(2-D)路径图(图7)展示了GWO-IFDS生成的轨迹。结果显示,AUV能够顺利通过狭窄通道而不发生停滞,主要得益于切向调制和滚动参数优化提供的连续绕行倾向。此外,通过坐标曲线、姿态角曲线、控制输入曲线和IFDS参数变化图(图8)的分析,证实了所提出方法生成的轨迹平滑、转向命令有界,且优化后的IFDS参数能根据局部障碍物分布自适应调整,在安全裕度、路径效率和机动平滑性间取得平衡。
**4.3 静态和动态障碍物环境**
在此场景中,研究人员在静态障碍物基础上增加了三个动态障碍物(移动球体、横向移动圆柱体、垂向振荡椭球体)。通过不同时间步的路径图(图9)和机动参数曲线(图10)分析,发现所提出方法能在滚动重规划下实时响应移动障碍物,保持轨迹连续性。控制输入保持在有界范围内,IFDS参数随障碍物接近而自适应增大斥力参数以扩大安全裕度,同时调整切向参数以维持路径平滑性,证明了该方法在动态环境中的鲁棒性。
**4.4 静态-动态障碍物与海流扰动**
研究人员引入包含背景流、周期性波浪流和涡旋扰动的海流场,评估GWO-IFDS的鲁棒性。通过路径图(图11)和机动参数曲线(图12)分析,发现即使在海流导致AUV偏离标称方向的情况下,所提出方法仍能稳定收敛至目标,且不违反障碍物间距约束。优化后的IFDS参数能根据海流方向自动调整:当海流将AUV推向障碍物时,斥力参数增加以扩大安全裕度;切向参数动态调整以维持平滑性,从而有效抑制漂移引起的机动不稳定性。
**4.5 基于不同参数优化方法的算法比较**
研究人员将GWO-IFDS与固定参数IFDS、改进人工势场法(IAPF)、PSO-IFDS、DE-IFDS、BO-IFDS和GA-IFDS在相同静态障碍物环境下进行比较。定量指标(表2)显示,GWO-IFDS在路径长度、平滑性、能量代理、最小障碍物间距和终端误差方面均优于或接近最优,尤其具有更小的轨迹波动和更低的控制努力。CPU时间分析(表3)表明,GWO-IFDS的总CPU时间为30.56 s,其中参数优化占21.09 s,平均每滚动重规划步耗0.0474 s,验证了其轻量化特点,适合在线或半在线优化。
**4.6 声纳感知不确定性下的鲁棒性测试**
研究人员模拟声纳测量噪声(标准偏差0.5~2.0 m)和随机丢包(概率5%~20%),并在安全边界膨胀策略下进行50次蒙特卡洛运行。结果(表4)显示,在轻度不确定性(噪声0.5 m,丢包5%)下成功率为100%,最小间距3.85 m;在严重不确定性(噪声2.0 m,丢包20%)下成功率降至88%,但最小间距仍为2.45 m,大于名义安全距离。这表明安全膨胀机制能有效提升对不完美感知的鲁棒性,但过大噪声会导致路径变长和终端误差增加。
**4.7 运动学到动力学可跟踪性验证**
研究人员通过检查最大偏航率、最大俯仰率、最大俯仰角和转向努力代理,验证了生成轨迹的物理可执行性。结果(表5)显示,最大偏航率命令达到饱和边界0.70 rad/s,表明转向限幅器在局部避障中激活;最大俯仰率命令为0.163 rad/s,远低于0.70 rad/s边界;最大俯仰角为26.43°,超过保守的20°参考值,提示对于严格小俯仰角要求的AUV平台,需在适应度函数中增加俯仰角惩罚或通过低层控制器约束。总体而言,该方法能生成有界转向命令的平滑参考轨迹,适合进一步由低层跟踪控制器执行。
**4.8 权重敏感性分析**
研究人员改变障碍物间距惩罚权重和平滑性权重,分析其对最小障碍物间距的影响。结果(表6)表明,间距惩罚权重越大,最小间距越大(从2.80 m增至4.10 m);平滑性权重增大也会增加最小间距,但可能导致路径更长或通过狭窄通道能力下降。因此,在密集水下环境中,应优先保证终端误差和间距惩罚权重较大,以确保目标可达性和避障安全,路径长度和平滑性可作为次要优化准则。
**总结讨论与结论**
本文讨论了所提出方法的三点局限性:未包含完整声纳信号处理管线、AUV采用规划层简化模型而未考虑六自由度(6-DOF)水动力学、海流和动态障碍物模型为简化代表模型、加权求和目标未提供帕累托前沿分析。未来工作将聚焦于集成真实声纳感知、非线性水动力学跟踪控制、硬件在环仿真及实际水下实验。研究结论翻译如下:本文提出了一种用于自主水下航行器(AUV)在密集障碍物环境与海流扰动下的GWO-IFDS路径规划方法。采用统一的超椭球体障碍物模型描述不同水下障碍物,包括静态和动态对象。基于IFDS框架,通过障碍物诱导的调制矩阵修改名义目标指向流,使AUV能在三维空间中生成平滑避障轨迹。为克服传统IFDS的参数敏感性问题,引入灰狼优化(GWO)优化斥力和切向参数,并设计了考虑路径长度、终端误差、平滑性、能量代理和障碍物间距的多目标适应度函数。针对实际实施中的问题,进行了声纳不确定性仿真研究。在密集静态障碍物、混合静态-动态障碍物以及海流扰动环境下进行了仿真,并与固定参数IFDS、改进人工势场、PSO-IFDS、DE-IFDS、BO-IFDS和GA-IFDS进行了对比。仿真结果表明,所提出的GWO-IFDS方法通过平衡安全性、平滑性和路径效率,能提升整体路径质量。尤其是优化后的IFDS参数有助于减少不必要的绕行、改善障碍物间距,并在动态障碍物和海流扰动下增强鲁棒性。声纳不确定性测试表明,所提出的安全膨胀策略能在有噪声和间歇性感知下提高避障鲁棒性。