采用新型去中心化萤火虫群算法与自组织水下声学通信的AUV水下探索

《Computer Communications》：AUV underwater exploration with a novel decentralized Glowworm Swarm Algorithm and ad hoc underwater acoustic communication

　　

•用于去中心化群集搜索的增强发光菌群算法。
•新颖的系统设计，以应对缺乏定位和通信基础设施的挑战。
•即使在存在虚假目标和通信错误的情况下，也能实现高可靠性的搜索收敛。

引言
水下环境是一个关键但具有挑战性的探索与作业领域，应用范围从海洋资源管理到搜索与救援任务。在 2025 年美国地质调查局 (USGS) 领导的阿留申弧探险 (Aleutian Arc expedition) 中，海底探索使用了系泊通信，其中单艘载人潜水器 (HOV) 检查海底环境 [1], [2], [3]。对于搜索相关的应用，这种方法可能极具挑战性。最近，在“寻找热液失落之城”的任务中，使用了遥控潜水器 (ROV) 和自主水下航行器 (AUV)，并配合其他采样仪器，如声呐和 CTD 剖面仪 [4]。

海洋和深海环境的巨大规模和高度不可预测的条件要求移动、自动化的水面或水下作业。自主水下航行器提供了一种有前景的解决方案，通过消除对人机操作的需求，同时实现对广阔未知水下空间的高效和精确探索。此外，水下声学通信和自组织网络的进步 [5], [6], [7], [8], [9] 增加了多艘 AUV 之间的通信和网络能力，大大提高了水下探索的效率和效能，减少了任务时间并扩展了覆盖区域。

在复杂多变的水下环境中有效部署和执行多艘 AUV 的搜索操作构成了重大挑战。传统的路径规划和搜索策略通常依赖于集中式控制或预计算轨迹，在面对未知环境和不可预测的条件（如变化的水流、有限的能见度以及障碍物的存在）时可能无效 [10], [11], [12]。此外，定位仍然是水下环境中的一个重大挑战，因为 GPS 信号无法有效穿透水。与此同时，基于声学系统的定位，如长基线 (LBL)、短基线 (SBL) 或超短基线 (USBL)，部署起来困难且昂贵 [13], [14], [15], [16], [17]。这些局限性严重阻碍了 AUV 实时有效协调的能力，特别是在大规模或多智能体搜索任务期间。早期的水下自组织网络工作主要关注与建立网络、提供路由或为静态传感器或移动 AUV 提供通用端到端通信服务相关的网络问题 [18], [19], [20]。也有一些工作使用自组织通信方案来协助机器人搜索。这些工作大多数使用粒子群优化 (PSO)、强化学习或相关的多智能体协调方案作为指导 [21], [22], [23], [24], [25]。由于 PSO 使用位置的全局知识，这些工作也依赖于可用的水下定位基础设施才能正常运行。这种依赖大大阻碍了满足 AUV 在未知水下环境中自主导航和搜索日益增长的需求。

为了应对这些挑战并满足需求，本文介绍了一种新颖的去中心化方法（称为 AA-DGSO），用于自主搜索与聚合操作。AA-DGSO 的目标是不依赖位置的全局知识，而是使用去中心化、鲁棒且自适应的算法以及水下声学通信，在未知水下环境中进行自主导航和搜索，同时保持效率和韧性。AA-DGSO 遵循发光菌群优化 (GSO) 算法，该算法不依赖全球定位系统，但却能帮助指导 AUV 在未知水下环境中的目标搜索任务中运行。GSO 算法受发光菌自然行为的启发，它们使用生物发光进行通信以定位最佳区域。它还在其去中心化的生物启发框架中支持多模态搜索 [26]。在机器人搜索中，每艘 AUV 被视为一个个体发光菌。在早期工作中，机器人通过 LED 进行照明和感知来模仿发光菌，并使用运动适应 [27], [28], [29]。这些工作表明，GSO 可用于基于局部感知和通信的自主决策，以完成合作搜索任务。然而，AA-DGSO 在发光素信息（指向搜索目标的线索）如何在群集 AUV 中集成和通信的方式上与它们大不相同。

尽管 GSO 的数学基础已经确立，但理想化的生物启发算法与可部署、去中心化的群集控制系统之间存在差距，后者指导 AUV 群实现搜索任务。更具体地说，需要解决三个挑战以填补这些差距。第一个挑战是找到最好的方式来修改 GSO 算法，将其从优化算法转变为去中心化决策方案，以指导群集执行搜索操作。第二个挑战是早期 GSO 工作中实现的默认 LED 光感需要被水下自组织网络系统取代，以扩大通信范围并提高带宽，以适应搜索操作期间群内协调的需求。第三个挑战是缺乏水下定位基础设施。为了应对这些挑战，本文介绍了自组织网络辅助的分布式发光菌群优化系统 (AA-DGSO)。在 AA-DGSO 中，群中的每艘 AUV 都充当一个个体发光菌。为了解决第一个挑战，开发了多个关键系统组件，包括相对位置推断方法、去中心化荧光素聚合和运动航点选择。针对第二个挑战，使用水下声学通信和自组织网络来帮助分发对于荧光素聚合至关重要的信息。后者用于计算向搜索收敛的下一步运动。对于第三点，在没有全球定位基础设施的情况下，AA-DGSO 方案允许消息接收者利用声学 RSSI 和 AoA 来识别消息发送者的相对位置，从而避免需要昂贵的水下定位基础设施。此外，这样的位置信息还可以与荧光素信息一起通过自组织网络传播到远处的 AUV，以帮助它们决定下一步行动。

总体而言，AUV 在 GSO 算法引导的去中心化决策帮助下协作移动，以完成目标搜索和聚合任务。后者也有助于解决存在多个虚假目标时的收敛问题。这种好处也来自于水下声学通信，它将信息传播到邻近的 AUV 以协助它们的运动决策。所有 AUV 都承载这种机制，以覆盖广阔未知的水下环境。然而，AA-DGSO 并不解决特定的网络问题。相反，AUV 作为搜索代理，根据 GSO 引导的运动自组织成自组织网络，从而实现收敛。

AA-DGSO 是一个实用、可部署的水下系统，包括三个关键的架构和系统组件。它们涵盖了基于去中心化 GSO 的系统设计、位置推断和知识传播。每个组件通过独特的设计解决其自身的挑战。
1. 通过分布式内存进行状态表示：与依赖邻居当前状态的即时生物视感知的原始 GSO 不同，AA-DGSO 引入了基于表格的数据集成方案。AUV 共享其历史最佳已知适应度，映射到相对位置。这将算法从依赖实时快照转变为构建搜索环境的坚韧、分布式内存。
2. 动态多跳向量数学：自组织通信的引入超出了简单的数据路由。由于 AA-DGSO 完全在没有全球定位基础设施的情况下运行，系统利用声学 RSSI 和 AoA 连续计算动态向量加法。这使得 AUV 能够将多跳数据包翻译成接收 AUV 的可操作本地极坐标，使群集能够推断远处发现的相对位置。
3. 针对运动学约束的确定性运动：原始 GSO 利用概率性运动来逃离无限理论局部最大值。AA-DGSO 用专门为物理 AUV 的运动学局限性和水下领域典型的稀疏虚假目标拓扑而定制的确定性航点选择策略取代了这一点，确保更快的物理收敛，同时避免通信分区。

总之，本工作的贡献有三方面：(a) 使 AUV 群集能够在不依赖现有水下定位基础设施的情况下进行搜索和聚合；(b) 将理论优化算法转化为适用于未知水下环境的实用且可部署的分布式系统；以及 (c) 针对不可靠的水下声学通信设计高效且坚韧的系统组件。

对 AA-DGSO 的评估计划在两个方向上进行。第一个方向旨在评估群集在虚假目标和网络连通性相关因素影响下执行搜索和聚合任务的有效性和正确性。另一个方向针对 AA-DGSO 在位置错误和通信丢失或数据包错误情况下的韧性和效率。还评估了部署策略的影响。评估针对两个主要指标，即搜索收敛时间和到达真实搜索目标的 AUV 百分比。评估结果表明，所提出的 AA-DGSO 系统可以正确指导 AUV 群集收敛，即使不存在全球定位系统。进一步实验还表明，当群集中的自组织网络连接得到保证时，即使存在虚假目标、定位错误和数据包丢失，搜索性能也能得到保持。这些令人鼓舞的评估结果源于 AA-DGSO 的设计，其中 AUV 定期广播其历史最佳已知荧光素表，而不是其即时状态。因此，丢失的数据包不会破坏数据，但可能会延迟其传播。结果显示，这种延迟可能导致更长的平均搜索收敛时间。模拟还表明，即使以时间效率的巨大代价为代价，群集最终也会收敛。

本文其余部分组织如下。第 2 节总结了与 AA-DGSO 在水下声学和自组织通信网络、自组织通信辅助搜索以及使用 GSO 的机器人搜索领域相关的工作。第 3 节涵盖 GSO 算法的背景（第 3.1 节）以及 AA-DGSO 基于的几个重要系统特性（第 3.2 节）。第 4 节介绍了 AA-DGSO 系统的设计细节。第 5 节详细说明了网络连通性阈值的严格分析验证以及部署几何形状对搜索效率的数学影响。第 6 节给出了模拟评估指标和结果，第 7 节通过未来的研究方向总结了论文。

章节片段
相关工作
三个研究领域与所提出的工作相关，包括水下声学通信和自组织网络、自组织通信辅助的机器人搜索，以及 GSO 在机器人应用中的更具体使用。它们在本节中进行了简要总结。

背景与系统规格
本节旨在提供 AA-DGSO 设计中所需背景和系统细节，包括所使用的假设。第 3.1 节的背景通过发光菌群优化 (GSO) 算法的细节为 AA-DGSO 奠定了基础。在第 3.2 节中，涵盖了目标应用场景的细节、AUV 和通信的技术方面、运行条件等。这些系统规格和假设使得后续章节关于……的设计和评估成为可能

AA-DGSO 系统设计
所提出的 AA-DGSO 方案将个体 AUV（发光菌）建模为使用本地交互自主导航搜索空间，这依赖于代表当前位置适应度的荧光素值。该方案中有三个重要模块，即感知、通信和运动。本节概述了每个模块以及模拟框架内的相应操作步骤。同时，每艘 AUV 将维护一个非常重要的数据结构，称为……的

初始部署策略
群集搜索操作的有效性取决于两个关键因素。首先，AUV 必须集体覆盖尽可能大的区域，以最大化找到指向实际目标的强线索的机会。其次，整个群集从一开始就需要保持健壮的网络连通性，以确保任何有希望发现的成果都能及时在所有 AUV 之间共享。因此，精心规划的初始部署策略对于成功的搜索至关重要。这样的策略

评估
评估 AA-DGSO 系统并非易事。由于搜索和聚合的有效性是目标，评估必须考虑在各种条件下的收敛时间和收敛率。这些条件包括虚假目标的数量、初始部署策略、数据包丢失率、传输范围以及节点间连通性。AA-DGSO 需要针对这些条件进行测试有两个主要原因。首先，它们是搜索的干扰因素

结论
本文介绍了自组织网络辅助的分布式发光菌群优化 (AA-DGSO) 方案，这是一种协调自主水下航行器 (AUV) 进行水下搜索任务的新颖方法。

所提出的方法直接针对水下环境中的关键局限性进行了处理，例如缺乏GPS以及声学定位系统成本高昂的问题，这些问题对传统的群体智能算法构成了挑战。该方法通过整合去中心化的萤火虫群体算法……

CRediT作者贡献声明
杨碧晨：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，方法论，调查，形式化分析，概念化。
洪晓燕：写作——审阅与编辑，写作——初稿撰写，验证，监督，资源，方法论，概念化。
董帅：方法论，概念化。

关于生成式AI及AI辅助技术在稿件准备过程中的声明
在准备本文过程中，作者使用了ChatGPT和Google Gemini以改善本文的行文流畅度和语言使用。在使用该工具/服务后，作者对内容进行了审阅和编辑，并对所发表文章的内容承担了全部责任。

利益冲突声明
作者声明，不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。

杨碧晨|洪晓燕|董帅