基于改进的指数分布优化器和改进的动态窗口方法的自主水下航行器（AUV）混合路径规划

《Ocean Engineering》：Hybrid path planning for AUVs based on improved exponential distribution optimizer and improved dynamic windows approach

　　• 一种改进的混合智能进化算法（IEDO-IDWA）路径规划算法在动态未知环境中增强了适应性和鲁棒性。• 通过方向初始化种群、引导解和交叉变异来避免局部最优解，提高了指数分布优化器（EDO）的收敛性能。• 对动态窗口算法（DWA）的航向评估进行了优化，模糊控制提高了适应性和路径跟踪能力，并实现了障碍物 avoidance。引言：自主水下航行器（AUVs）是一类能够在多样和复杂环境中自主执行任务的水下机器人。它整合了传感器技术、数据采集和水下通信等先进技术（Huang et al., 2025）。凭借其强大的技术能力和对复杂环境的高适应性，AUVs被广泛应用于多个领域，例如海上监视、目标检测和海底探索（Zhang et al., 2023）。尽管AUVs的实用性日益增强，但在复杂的深海环境中找到可靠的路径规划和实时障碍物避免仍然是一个核心挑战（Yu et al., 2025; Barik and Parhi, 2025）。AUV路径规划通常分为两类：全局静态路径规划和局部动态路径规划。全局静态路径规划是在任务执行之前，利用已知的环境信息和预定义的起始和结束位置计算出完整的最佳路径（Cheng et al., 2021）。常见的全局静态路径规划方法大致可以分为三类：基于图的方法、基于采样的方法和元启发式方法（Li et al., 2019）。在基于图的方法中，A*算法被广泛采用，通常用于解决低维空间中的路径规划问题（Li et al., 2022; Lin et al., 2024），并通过引入安全区域和路径优化策略来为无人车辆生成更短、更平滑的无碰撞路径。然而，在实际的水下任务中，三维路径规划的需求往往导致A*算法的计算效率显著下降。随后，在基于采样的方法中，RRT算法被广泛使用（Cao et al., 2025），因为它特别适合解决高维空间中的复杂路径规划问题，并且通常具有更快的搜索收敛速度（Wang and Zheng, 2024）。改进的RRT-Connect算法提高了其探索效率、收敛速度和路径可行性。然而，RRT算法生成的路径仍然缺乏最优性和平滑性，这影响了规划的稳定性。元启发式算法是一类简单灵活的优化方法（Lian et al., 2025）。常见的例子包括粒子群优化（PSO）、蚁群优化和遗传算法（Hu et al., 2023）。提出了一种结合差分进化（DE）和PSO的混合算法，用于围绕水产养殖网箱进行3D AUV检测路径规划。改进的PSO在避免局部最优解方面表现出更快的收敛速度和更高的鲁棒性，生成了紧密跟随网箱结构的安全路径（Liu et al., 2023）。提出了一种结合动态窗口方法的多策略增强型SAA，以解决传统SAA在动态环境中的局限性。通过改善种群初始化和搜索策略，该方法实现了更短、更平滑和更安全的路径（Ou et al., 2023）。提出了一种混合灰狼优化器（pGWO-CSA），其中加入了非线性收敛因子、增强型位置更新规则和克隆选择机制，以提高机器人路径规划的优化性能（Yu et al., 2023）。开发了一种混合GWO-DE算法（HGWODE），通过修改位置更新和基于等级的变异策略来提高优化效果，旨在为灾难场景中的UAV导航生成更平滑和更短的路径（Li and Yu, 2023）。提出了一种改进的压缩因子粒子群优化算法，用于在具有海洋流的海底环境中为AUV生成安全、高效的3D路径，从而平衡了规划效率和路径质量。尽管这些算法在路径规划方面具有显著优势，但它们也存在参数调整、易受局部最优解影响和计算复杂度高的挑战。相比之下，局部动态路径规划依赖于机载传感器实现实时环境感知，从而通过连续的实时在线调整来促进动态障碍物避免（Kobayashi and Motoi, 2022）。在流行的局部动态路径规划算法中，人工势场（APF）方法和动态窗口方法（DWA）被广泛使用（Lin et al., 2025; Dobrevski and Sko?aj, 2024）。APF方法原理简单，易于实现，可以快速引导机器人朝向目标。为了解决局部最小值问题，并使无人飞行器（UAV）在未知环境中实现实时无碰撞轨迹跟踪，提出了一种结合多种吸引力和排斥力的增强型人工势场（AAPF）算法（Goricanec et al., 2023）。提出了一种结合改进的APF和事件触发非线性模型预测控制的碰撞避免决策机制，实现了符合COLREGs标准且计算效率高的路径规划，适用于多船相遇场景（Li et al., 2024）。提出了一种改进的APF算法，加入了水滴排斥场和动态障碍物速度因子，以实现实时、稳定的障碍物避免，同时显著减少了无人车辆的航向变化（Liu et al., 2022）。提出了一种基于抑制速度机制的多机器人群集障碍物避免算法（MRF-IAPF），实现了分散式和安全的动态障碍物避免，同时保持群集形式（Shao et al., 2024）。然而，APF方法容易收敛到局部最优解，在复杂环境中的表现不佳，并且对参数调整非常敏感。相比之下，DWA有效结合了机器人的动态特性，整合了速度空间约束和环境信息，快速生成平滑、速度可行的轨迹。然而，传统的DWA依赖于固定的评估函数，仅支持二维工作空间内的障碍物避免，这严重限制了其在复杂三维水下环境中的适应性和安全性（Zhang et al., 2026）。提出了一种改进的3D动态窗口方法（DFDWA），用于AUV路径规划，结合了Crested Porcupine Optimizer和模糊逻辑，以实现自适应权重调整和碰撞风险评估（Lee et al., 2021）。提出了一种基于有限分布估计的动态窗口方法（FDEDWA），利用有限记忆滤波来估计障碍物分布，从而提高了移动机器人 在动态环境中的鲁棒性和实时性能（Yao et al., 2024）。提出了一种考虑能量消耗的动态窗口方法（EC-DWA），结合了能量消耗模型和模糊逻辑进行自适应权重调整，从而为海洋应用中的移动机器人实现了更平滑、更鲁棒和更节能的路径（Han et al., 2022）。提出了一种扩展的动态窗口方法（EDWA），结合了势场和非均匀Theta*规划器，生成符合COLREGs标准且动态可行的USV自主停靠轨迹。总之，动态窗口方法也容易陷入局部最优解，并对参数选择要求较高。上述方法在一定程度上提高了规划路径的质量。然而，在具有陡峭水下地形的复杂环境中，全局路径规划难以处理未知障碍物，而局部路径规划则有陷入不可达目标位置的风险。为了解决这个问题并实现AUV的自主导航，必须使机器人能够在沿全局最优路径行驶时自主避障。这需要将全局路径规划与局部路径规划算法结合起来（Wang et al., 2025），形成一种混合算法来解决AUV路径规划问题。本文的主要贡献可以总结如下：1. 本文提出了一种结合改进的指数分布优化器（IEDO）和改进的动态窗口算法（IDWA）的混合路径规划算法。该方法结合了IEDO的全局最优路径规划优势和IDWA的局部动态障碍物避免能力，在复杂的、动态的和未知环境中表现出更好的适应性和鲁棒性。2. 为了提高指数分布优化器（EDO）的收敛性能，采用了方向初始化种群和引导解策略。此外，还整合了交叉变异操作符，以消除提前收敛到局部最优解的问题，这是基于种群的启发式优化算法的普遍限制。3. 为了提高算法在动态水下环境中的适应性，对DWA航向角评估子函数进行了改进。此外，引入了模糊控制系统，以实现路径跟踪和动态障碍物避免之间的更好平衡。本文的其余部分组织如下：第2节建立了AUV路径规划模型。第3节介绍了结合IEDO和IDWA的混合路径规划算法（IEDO-IDWA）。第4节展示了混合路径规划算法的仿真结果。第5节总结了本文并讨论了未来的工作。路径规划问题：3D水下环境中AUV的路径规划需要一个准确反映实际操作环境的地图模型。该环境包括两种核心类型的信息：来自任务前调查数据的静态海底地形，它是生成全局最优轨迹的基础；以及任务过程中随机出现的随机障碍物，这需要实时局部路径规划以确保AUV的安全导航。因此，基于IEDO的全局路径规划算法经常表现出收敛缓慢和容易停滞在局部最优解的倾向（Shang et al., 2024）。为了提高算法的优化能力和收敛稳定性，引入了两个关键改进：方向初始化方法和引导解更新机制。这些策略旨在加速早期搜索阶段的收敛速度。此外，为了验证提出的IEDO-IDWA混合路径规划算法的性能，在两个完全不同的水下环境中进行了广泛的仿真实验。每个场景都包含了复杂地形变化以及静态和动态障碍物。蓝色圆柱体代表静态障碍物，而黄色球体表示沿黄色虚线方向自主移动的动态障碍物。当AUV在动态障碍物附近导航时，它…结论：为了应对在复杂海底环境中实现AUV路径规划的全球最优性、实时性能和安全性这一关键挑战，本文提出了一种新的协作规划框架，该框架协同结合了用于全局探索的IEDO和用于局部响应的IDWA。所提出的IEDO组件通过方向初始化缓解了标准EDO算法中的收敛缓慢和局部最优解捕获的局限性。作者贡献声明：Nie Yunli：方法学、软件。Wang Chenggang：撰写——原始草案。Du Jiahao：概念化。Huang Yizhe：形式分析。Tian Di：调查。Zhang Zihao：验证。Zhu Zhen：数据整理。利益冲突声明：作者声明没有已知的财务利益或个人关系可能影响本文的报告。致谢：本工作部分得到了山东省重点研发计划（Grant 2025TSGCCZZB0319）和青岛市科技创新专项（Grant 24-1-3-hygg-2-hy）的支持。