（信号与信息处理专业论文）大尺度环境下的auv路径规划与路径跟踪.pdf

大尺 【一 独创声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特另, i d h 以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含未获得 ( 注! 垫塑直墓丝益墓缱型主堕丝：奎拦亘窒2 或其他教育机构的学位或证书使 用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 学位论文作者签名：f 司狈a 签字日期：沙睁年箩月 2 夕日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，并同意以下 事项： l 、学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许 论文被查阅和借阅。 2 、学校可以将学位论文的全部或部分内容编入有关数据库进行检索，可以 采用影印、缩印或扫描等复制手段保存、汇编学位论文。同时授权清华大学“中 国学术期刊( 光盘版) 电子杂志社”用于出版和编入c n k i 中国知识资源总库， 授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据库。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名： 飘黼 签字日期：- t , o t o 月1 7 日 导师签字：鲰 签字日期：i d 年罗月刁日 大尺度环境下的a u v 路径规划与路径跟踪 摘要 自主式水下机器人( a u v ) 是近年来发展起来的具有一定的自主导航和规划 能力的新型水下运载平台，通常可以活动在非常危险或者人力难以到达的海域， 极大地扩展了人类对于水下的作业能力与探测范围。对于智能水下机器人来讲， 路径规划与路径跟踪问题一直以来都是研究的热点之一，它是指在一定的环境模 型中规划出一条从已知的起始位置出发、绕过障碍物、到达预先规定的终止位置， 并满足某些优化条件的路径。由此可见，路径规划能力是自主式水下机器人实现 自主导航的关键环节。 本文围绕a u v 自主航行过程中的两项关键技术路径规划与路径跟踪进 行了研究，为a u v 实现自主航行奠定了基础。 论文中首先介绍了a u v 自主导航技术的国内外研究现状、应用情况、发展趋 势，综述了路径规划与路径跟踪技术，以及本课题的研究意义。接着详细讨论了 快速步进算法进行路径规划的原理与仿真结果、路径跟踪算法建模与实现。之后 针对自主式水下机器人( a u v ) 在大范围静态环境完全未知或部分未知的情况， 本文提出一种应用动态划分全局工作环境、以多次局部优化代替一次性全局优化 的路径规划方法。该方法充分利用a u v 行进中实时获取的局部环境信息，应用快 速步进算法对局部区域进行路径规划，并结合优化机制，最终得到a u v 的全局近 似最优路径。在此基础上，根据a u v 的运动学模型及动力学模型，利用基于p i d 控制器的a u v 轨迹跟踪技术，在s i m u l i n k 仿真环境中对任意路径进行了跟踪。 经m a t l a b 仿真验证：该路径规划算法具有简单、实时性好、求解效率高的特 点，完全符合实验要求；路径跟踪仿真结果表明该算法具有快速、精确、全局稳 定的良好特性。本文的最后着重于算法的工程应用，在v c 中实现了大尺度环境 下的路径规划算法。 关键词：a o v 、路径规划、动态划分、快速步进算法、路径跟踪 p a t hpia n nin ga n dt r a c kin gf o ra u v inl a r g e s e aiee n vir o n m e n t a b s t r a c t a u t o n o m o u su n d e r w a t e rv e h i c l e ( a u v ) i sal ( i n do fi m p o r t a n tu n d e r w a t e r e q u i p m e n t 、i mc e r t a i na u t o n o m o u sn a v i g a t i o na n dp r o g r a m m i n gc a p a c i t y , w h i c h u s u a l l yc a na c t i v ei nv e r yd a n g e r o u so ri n a c c e s s i b l es e aa r e ao fm a n p o w e r , g r e a t l y e x p a n d i n gt h eh u m a nc a p a c i t yf o ru n d e r w a t e rw o r ka n dd e t e c t i o nr a n g e a so n eo f k e yt e c h n o l o g yf o ri n t e l l i g e n tu n d e r w a t e rv e h i c l e ，p a t hp l a n n i n ga n dp a t ht r a c k i n g m e a n st h a ta u vc a nf i n da no p t i m a lp a t hf r o ms t a r t i n gp o s i t i o nt ot h ee n di nt h e e n v i r o n m e n tw i t ho b s t a c l e sw h i l em e e ts o m eo p t i m u mc o n d i t i o n s t h u s ，p a t h p l a n n i n ga n dp a t ht r a c k i n ga b i l i t yi st h ek e yt oa c h i e v ea u t o n o m o u sn a v i g a t i o nf o r a u t o n o m o u su n d e r w a t e rv e h i c l e t h i sp a p e rr e s e a r c h e st w ok e yt e c h n o l o g yo fa u vi n d e p e n d e n tn a v i g a t i o n - - t h e p a t hp l a n n i n ga n dt r a c k i n g ，a n dl a y s t h ef o u n d a t i o nf o ra c h i e v i n ga u t o n o m o u s n a v i g a t i o n f i r s t l y , t h i sp a p e ri n t r o d u c e st h er e s e a r c hs t a t u so na u v a th o m ea n da b r o a d ， a p p l i c a t i o np r o s p e c t s ，d e v e l o p m e n tt r e n d s ，s u m m a r yo ft h ep a t hp l a n n i n ga n dt r a c k i n g t e c h n o l o g ya n dr e s e a r c hs i g n i f i c a n c e o ft h i st a s k s e c o n d l y , t h i sp a p e rd i s c u s s e s d e t a i l e d l yt h et h e o r yo fu s i n gf a s tm a r c h i n gm e t h o d f o rp a t h p l a n n i n ga n ds i m u l a t i o n r e s u l t ，m o d e l i n ga n dr e a l i z a t i o no ft h ep a t ht r a c k i n ga l g o r i t h m t h e na c c o r d i n gt oa l a r g es c a l es t a t i cu n k n o w no rp a r t i a l l yu n k n o w ne n v i r o n m e n t ，t h i sp a p e rp r o p o s e sa n e wp a t hp l a n n i n gm e t h o dw h i c hd y n a m i c a l l yd i v i d e st h eg l o b a le n v i r o n m e n ta n d u s e sm u l t i p l el o c a lo p t i m i z a t i o n si n s t e a do fo n e - t i m eg l o b a lo p t i m i z a t i o n t h em a i n i d e ab e h i n dt h i sm e t h o di st om a k ef u l lu s eo ft h el o c a lr e a l t i m ee n v i r o n m e n t i n f o r m a t i o n ，p a r t i t i o ng l o b a lw o r k i n ge n v i r o n m e n td y n a m i c a l l ya n do p t i m i z ee a c h l o c a la r e au s i n g f a s t m a r c h i n ga l g o r i t h m ( f m ) ，f i n a l l yg e n e r a t e ag l o b a l q u a s i o p t i m a lp a t h o nt h i sb a s i s ，a c c o r d i n gt ot h ek i n e m a t i c sa n dd y n a m i cm o d e l o f i i i a u vw et r a c e do na na r b i t r a r yp a t hb a s e do nt h ep i dc o n t r o l l e ra u vt r a c k i n g t e c h n o l o g yi ns i m u l i n k t h em a t l a bs i m u l a t i o nr e s u l tp r o v e st h a tt h ep a t hp l a n n i n g m e t h o di sk n o w nt ob es i m p l ei m p l e m e n t a t i o n ，r e a l t i m e ，e f f i c i e n tf o rf i n d i n gc o s t o p t i m a lp a t h ，a n dm e e t st h ee x p e r i m e n t a lr e q u i r e m e n t p a t ht r a c i n gs i m u l a t i o nr e s u l t s s h o w st h em e t h o di sf a s t ，a c c u r a t ea n dg l o b a ls t a b l ep r o p e r t i e s l a s t l y , t h i sp a p e r f o c u s e so nt h ea p p l i c a t i o no ft h ea l g o r i t h ma n da c h i e v e si ti nv c k e y w o r d s ：a u v ；p a t hp l a n n i n g ；d y n a m i c a l l yd i v i d e ；f a s tm a r c h i n gm e t h o d ；p a t h t r a c k i n g 目录 摘要i a b s t r a c t i i i 1 绪论1 1 1 引言1 1 2 国内外a u v 的研究现状及发展前景1 1 2 1 国内外研究现状1 1 2 2a u v 的发展前景4 1 3 路径规划技术5 1 3 1 路径规划问题的描述5 1 3 2 路径规划问题分类5 1 3 3 路径规划常用的方法6 1 3 4 路径规划技术的发展8 1 4 路径跟踪技术8 1 4 1 开环控制8 1 4 2 反馈控制9 1 4 3 智能控制方法9 1 5 本课题的研究背景及意义1 0 1 6 本课题的研究内容1 1 2 基于快速步进算法的全局路径规划1 2 2 1 引言1 2 2 2 栅格环境建模1 2 2 3 快速步进算法介绍1 3 2 3 1 路径规划问题描述1 4 2 3 2 快速步迸算法求解1 4 2 4 算法步骤1 5 2 5 路径的安全性，2 0 2 6 仿真结果2 0 v 2 7 本章小结2 2 3 基于p i d 控制器的a u v 路径跟踪2 3 3 1 研究对象介绍2 3 3 2p i d 控制器介绍2 4 3 3 路径跟踪算法介绍2 6 3 3 1 旋转规划2 6 3 3 2 平移规划2 7 3 3 3 运动轨迹产生2 7 3 4 仿真及结果2 8 3 4 1 仿真模型介绍2 8 3 0 3 3 3 4 3 4 3 4 3 5 3 5 3 6 3 7 3 8 3 9 实现4 1 4 2 4 2 4 3 4 5 4 6 5 3 大尺度环境下路径规划的v c 实现4 7 5 4 本章小结4 9 6 总结与展望5 0 参考文献5 2 致谢5 6 个人简历5 7 攻读硕士学位期间发表的论文5 8 v i l v i i l 大尺度环境下的a u v 路径规划与路径跟踪 1 绪论 1 1 引言 2 1 世纪，随着全球人口增多，资源缺乏、环境污染问题日益；b h , 唇t j ，人类越 来越关注海洋资源。海洋中蕴藏着丰富的矿产资源、生物资源和能源，国际海底 区域约占地球表面积的7 1 ，该区域内的资源不属于任何一个国家，而属于全人 类。由于科技和经济方面的制约，人类对海洋的探测长期被限制在水下几百米范 围内。因此，哪个国家具备深度开发海洋资源的实力，就能率先享受这部分资源。 自上个世纪8 0 年代以来，美国、日本、英国、德国等国家先后制定了优先发展 海洋高技术的战略决策，期望在2 l 世纪海洋政治、经济和军事等各方面的竞争 中处于有利地位，同时也期望在海洋领域找到新的经济增长点。 自主式水下机器人( a u t o n o m o u su n d e r w a t e rv e h i c l e ，简称a u v ) 是近些年发 展起来的具有一定自主导航和规划能力的新型水下运载平台，通常无需人工干 预，可以活动在难以接近或无法预知的危险海域，完成自主导航、自主避障以及 自主作业等诸多任务，极大地扩展了人类对于水下的作业能力和探测范围。因 此，无论在军事上，还是在商业上的不适合人类作业的场合，均可由a u v 替代， 例如深海中资源勘探采样、水下测量、深海打捞等应用领域乜1 ，自主式水下机器 人都具有无可比拟的优越性。 1 2 国内外a u v 的研究现状及发展前景 1 2 1 国内外研究现状 目前，各海洋大国的许多研究机构都投入了大量的人力物力，用于研究和开 发自主式水下机器人。最新一代的机器人更加注重智能化，具有多种感知功能， 可以在复杂环境中进行规划、判断与决策，具有非常高的自主学习能力，通用性 非常强。 按照对潜水器的控制方式不同，可以把水下机器人分为两大类口：有缆水下 机器人，习惯把它称为遥控潜水器( r e m o t eo p e r a t e dv e h i c l e ，简称r o v ) ；无缆 水下机器人，习惯称为自主潜水器( a u t o n o m o u su n d e r w a t e rv e h i c l e ，简称a u v ) 。 大尺度环境下的a u v 路径规划与路径跟踪 无缆水下机器人是水下机器人的一个重要组成部分，是含机械学、电子学、自动 控制、模式识别、人工智能等多个高科技领域的集合体，与有缆水下机器人( r o v ) 相比，它具有活动范围大、潜水深、机动性好、安全、智能化、运行和维护费用 低等优点，成为完成各种水下任务的重要工具。本文要研究的就是无缆水下机器 人。 美国对于a u v 的研究起步较早，研究机构较多。其中，美国海军空间和海战 ( s p a w a r ) 系统中心主要从事a u v 的指挥和控制系统、光纤和水声通信系统、运 载器主体的研制，代表产品有a u s s h l ( 图卜1 ) 。a u s s 外形酷似鱼雷，全长5 2 0 0 m m ， 直径8 0 0 m m ，重量1 2 3 0 k g ，带有2 个垂直推进器和2 个纵向推进器，可以以最大 速度6 k n 连续航行l o 小时。a u s s 带有水声通信设备，可在6 0 0 0 m 深的水下向水 面传送侧视声纳数据。麻省理工学院( m a s s a c h u s e t t si n s t i t u t eo ft e c h n o l o g y ) 的 “o d y s s e yi i ”( 图1 - 2 ) ，长2 2 0 0 m m ，直径5 7 0 m m ，水平运动速度大于4 k n ，爬升 速度大于3 k n ，续航力6 小时( 3 k n 时) ，如果采用最大电池结构，续航力可达 2 4 小时。2 0 0 8 年1 0 月，麻省理工学院又推出一款潜水机器人，“奥德赛4 号”h 1 。 新罕布什尔大学( u n i v e r s i t yo fn e w h a m p s h i r ) 海洋系统工程实验室研制出 “e a v e e a s t ”璐1 ，基于知识的系统分为高级与低级两部分，高级部分包括：数 据评价、状态评价、监控和指导；低级部分包括实施管理、传感器管理和系统监 视。 图卜2o d y s s e y1 1 日本在研究中主要强调a u v 技术的实用化。东京大学u r a ( 浦) 实验室开发的 具有多种不同功能的a u v ，如“t w i n b u r g e r ”、“p t e r o a l 5 0 、2 5 0 ”及“r l 等。 韩国d a e w o o 重工业公司的船舶海洋研究所同俄罗斯海洋研究所共同合作研制出 2 大j ( 度环境下的a 1 j v 路径规划与路径跟踪 名为o k p l 一6 0 0 0 的自主式水下无人航行体，该a u v 形状像鱼雷，主要用于深海探 测、打捞与观察海底沉没物体等。英国巴斯大学研究人员宣称，一种外形酷似螃 蟹的机器人( 图卜3 ) 在未来的水下勘测探索任务中将发挥重要作用。德国的s t n 公司开发的名为“深海”c ( d e e p c ) ( 图1 - 4 ) 新型自主水下航行器，直径1 m ， 重约2 0 0 0 k g ，续航时间6 0 小时，潜水深度4 0 0 0 m 。s t n 公司计划在d e e p c 上尝 试使用许多新技术，包括缩微燃料电池、碳纤维增强塑料、高性能水下导航系统 等。俄罗斯历来相当重视a u v 技术的发展，这方面的研究主要由俄科学院远东海 洋技术问题研究所承担，自主研发的两台载人水下机器人成功完成了俄历史上首 次北极高纬度海域深潜试验。 图卜3 “螃蟹”机器人图卜4 “深海”c 我国是一个濒临海洋的国家，由于技术方面的限制，我国对于a u v 的研究起 步较晚。1 9 9 5 年，中科院沈阳自动化研究所与俄罗斯合作，研制出c r 0 1 型无 缆水下机器人，潜水深度为6 0 0 0 米1 ，标志着我国在这项技术领域的水平已经 赶上了发达国家。2 0 0 8 年3 月研制的c r 一0 2 型无缆水下机器人能穿透5 0 米厚 的泥层，除了用于深海海底的矿产资源探测，也应用到失事船只的打捞、事故调 查和深海科学考察。图1 - 5 是c r 一0 2 型水下机器人的外观。2 0 0 8 年9 月，中国 自主研发的首个自主与遥控混合作业模式水下机器人“北极a r v ”盯1 ( 图卜6 ) ， 在北纬8 4 度北冰洋海域成功完成冰下调查。“北极a r v ”是国家“8 6 3 计划”海 洋技术领域的一项重要课题，其知识产权完全归中国所有，标志着我国在恶劣环 境下的海洋探测技术又上了一个新台阶。 大尺度环境下的a i n 路径规划与路径跟踪 图1 - 5c i 卜- 0 2 型水下机器人图卜6 北极a r v 1 2 2a u v 的发展前景 、 随着经济与科学技术的发展，a u v 的开发已经取得了巨大的成就，它代表了 未来水下机器人技术的发展方向，特别是未来海洋战争等军事方面的需求，为 a u v 的发展带来了无限契机，这也成为各国研究工作的重点，是展示一个国家科 技与国防实力的重要方面。 a u v 开始步入应用阶段。发展军事用途的自主式水下机器人是因为军事行动 对复杂性和持续性要求较高，这就促使a u v 朝着更深、更远、功能更强大的方向 发展1 ，以便更好地完成信息收集、侦察、确认和俘获目标等任务。 ( 1 ) 大深度 地球上9 7 的海洋深度在6 0 0 0 米以上，称之为深海，许多国家把发展6 0 0 0 米水深技术作为一个目标。美国、日本、俄罗斯、中国等国都先后研制了6 0 0 0 米级的a u v 。谁能掌握这一技术，谁就能在深海开发中占有先机。 ( 2 ) 远程化 所谓远程，是指a u v 一次补充能源连续航行超过1 0 0 海里以上。解决a u v 远 程化这一技术难题的关键在于能源技术、远程导航技术和实时通讯技术。尽快寻 找新能源并广泛应用，这一当今世界的热点问题将在a u v 的长远发展中得到深刻 的体现。 ( 3 ) 功能更强大 如今的a u v 在复杂海域环境中作业的表现尚不能让人们满意，基本没有作业 能力，而且智能水平也不高，因此未来a u v 必须具有较强的作业能力和更高的智 能，这必然会更多的依赖传感器和自主学习能力。发展多机器人协同控制技术， 4 入t 度环境下的a u v 路径规划与路径跟踪 也是增加a u v 智能化的重要方面。 综上所述，a u v 的研究是一个十分活跃、具有广泛应用前景的前沿研究领域， 可应用于军事侦察、资源勘查、深海打捞等危险与恶劣环境中。a u v 的应用化必 将带动多学科多领域的相互融合与长远发展。 1 3 路径规划技术 移动机器人的研究包括多个方面，其中路径规划是它研究的基础也是关键环 节凹1 。水下机器人在远程作业过程中，为了保证自身安全，就必须能够有效避障。 智能机器人利用自身搭载的传感器，从周围的环境中收集环境信息，采用一定的 算法构造一个关于周围环境的符号化模型，以达到规划、执行上层任务的目的。 1 3 1 路径规划问题描述 机器人的导航问题主要是由d u r r a n t w h y t ehf 提出的三个问题n 们n ： ( 1 ) w h e r ea mi ? ( 2 ) w h e r ed o1w a n tt og o ? ( 3 ) h o w d oig e t t h e r e ? 第一个是关于机器人的定位问题。第二个问题与机器人的具体任务有关，需 要在上层任务中给机器人指定目标。第三个便是路径规划问题，在特定环境中， 指定一个起始点和一个期望的目标点，机器人能够按照一定的任务要求，寻找一 条从起始点行进至目标点，并且能有效避障的运动轨迹n 引，即最优或近似最优路 径。 j t s c h w a r t z 和m s h a i r 在文献 1 2 中对于路径规划给出了如下定义：设r 是一个由若干刚体部件所组成的机器人系统，共有k 个方向的自由度，并假设r 在一个分布有若干机器人的己知障碍物信息的二维或三维空间自由运动。对r 来 说，路径规划问题就是给定r 的起始位置b ，和一个期望到达的终止位置e ，确 定是否有一条对r 来说从b 到e 的无碰路径，若有，则规划出来。 1 3 2 路径规划问题分类 根据机器人对环境信息获知的程度不同，路径规划可分为两类1 ：环境信息 大尺度环境下的a u v 路径规划1j 路径跟踪 完全已知的全局路径规划和环境信息完全未知或部分未知，通过传感器实时探测 周围环境，进行局部路径规划。 全局路径规划必须事先知道工作空间中全部的障碍物信息，对先验知识要求 比较苛刻。这类问题主要着眼于规划出一条从起始位置到目标位置的安全路径， 并且有机会综合考虑外界条件，例如机器人自身性能、环境恶劣程度等，通过某 种搜索算法，规划出相应的最优路径。相比之下，局部路径规划只需要获得距离 机器人较近的障碍物信息，但对传感器采集信息的实时性要求较高。机器人在行 走过程中，根据传感器的实时信息不断地更新障碍物地图，从而计算出机器人此 时的位置及周围一定范围内的障碍物分布情况，获得从当前位置到某一子目标点 的无碰优化路径。 从实际应用的角度来看，单纯的使用全局路径规划或者局部路径规划都难以 解决路径规划问题。如今常采用的策略是将两者结合起来。首先，在现有环境信 息基础上规划全局路径，同时，机器人在行进中不断感知外界环境，获取新的障 碍物信息，并把这些新的信息融入其环境模型中，从而保持环境地图的更新，完 成局部范围的路径规划问题。 1 3 3 路径规划常用的方法 路径规划问题首先要解决的问题便是以一定的方法建立环境模型，对周围环 境进行抽象后建立相关的模型。合理的环境表示才有利于规划中搜索量和时空开 销的减少。环境建模的方法不同，决定了路径规划方法的差异。用于全局路径规 划的典型方法有栅格法、可视图法、自由空间法等，局部路径规划常用方法有人 工势场法、模糊逻辑法、人工神经网络算法等。 栅格法n 胡将机器人的工作空间分解成一系列具有二值信息的网格单元，一般 称为栅格。每个栅格点表示两种状态之一，如果某个栅格范围内不含任何障碍物， 则属于自由空间；反之，属于障碍物空间。然后通过优化算法在栅格图中搜索一 条从起始栅格到目标栅格的路径来完成路径搜索。栅格法多采用四叉树n 6 1 或者八 叉树n 刀表示工作环境。 可视图法n 8 1 把机器人视为一个质点，将机器人、目标点和多边形障碍物的各 个顶点进行组合连接，并保证这些连线均不与障碍物相交，这就形成了一张图， 6 大尺度环境下的a i j v 路径规划与路径跟踪 称为可视图。搜索最优路径的问题就转化为求经过这些可视直线的最短距离问 题。该算法将机器人简化为一个点进行分析，有可能使机器人绕过障碍物时离障 碍物太近甚至接触，不能保证该路径是安全的。因此，可视图法虽然可以求得最 短路径，但不能保证该路径是最优的，而且算法的效率方面尚有待于提高。 v o r o n o id i a g r a m s 法和t a n g e n tg r a p h n 钉法均为对可视图法进行的改进。 自由空间法通常采用预先定义的如凸区法汹1 、三角法乜订等基本形状构造自由 空间，并将这些自由空间及它们之间的联系组成一个连通图。该算法按比例扩大 障碍物，而把机器人缩小成一个点，通过搜索连通图来进行路径规划。该法比较 灵活，但是依然存在机器人行进过程中的安全性问题。 人工势场法乜2 3 的基本思想是假设目标点对机器人存在吸引力，而障碍物对机 器人产生排斥力，机器人在这样一种虚拟的人工受力场中运动，由吸引力和排斥 力的合力作为机器人运动的动力。在局部环境中的障碍物模型是在机器人运行过 程中动态建立并不断修正的，因此该方法可以有效避障，便于底层的实时控制， 但是，该算法存在局部极值点3 问题，即可能在某一点处排斥力和吸引力相互抵 消，使机器人在到达目标点之前就停留在局部极值点。文献 2 3 中通过加入随机 扰动的方法解决了局部极值点问题。 模糊逻辑避碰是一种仿人控制过程，原理就是根据以往经验总结的规则确定 输出值泓1 。该方法最大的优点是充分参考人的驾驶经验，计算量小，可以边运动 边规划，满足实时性要求。同时，克服了人工势场法易产生局部极值点问题，算 法的适用范围更广。但模糊控制算法过多的依赖人的经验，无法涵盖可能遇到的 所有情况；当环境变得复杂、输入量增多时，推理规则和模糊表会急剧膨胀，很 难得出有效结果。文献 2 5 和 2 6 中都研究了机器人的模糊规划方法，其工作比 较有代表性。 人工神经网络算法( a r t i f i c i a ln e u r a ln e t w o r k s ) 是一种具有自学习和自适应 能力的算法，是模仿动物神经网络行为特征，进行分布式并行信息处理的数学模 型1 。该算法的出现，改善了计算机技术对于简单环境的感知、辨识和反应能力 上的缺陷。该算法的执行过程和人类大脑的工作方式类似，也是一种复杂的、非 线性的、并行处理的信息系统。它试图模拟人脑的感知和学习能力，标志着人工 智能方法研究己取得重要进展。 7 大尺度环境下的a u g 路径规划与路径跟踪 1 3 4 路径规划技术的发展 以上提到的路径规划方法，他们都存在优点和不足。如今涌现出的新方法都 是向着相互结合、取长补短的方向发展。每一种算法也在不断改进，以提高路径 规划的效率，适应更加复杂的海洋环境。 ( 1 ) 路径规划重在实时性，因此局部路径规划可以很好的满足要求，能快速 避开未知障碍物，比较有效的方法是人工势场法和从它衍生的雷达法啪1 等。另外， 路径规划方法越来越注重自学习和自适应能力。 ( 2 ) 全局路径规划具有高效性和完整性的优点，但对先验知识要求比较苛 刻。而局部路径规划只需获得部分障碍物信息，算法比较灵活，实时性高，但对 目标的趋向性不强。如今常用的方法便是将两者相结合，例如将八叉树法和人工 势场法相结合来解决动态环境中三维空间的路径规划问题。 ( 3 ) 模糊逻辑算法和人工神经网络在路径规划中的应用越来越广泛，这两种 方法已经在之前的章节中做了介绍。例如，国外k i m m op u l a k k a 和v e l ik u j a n p a a 利用s o f m 神经网络来进行路径规划啪1 。 1 4 路径跟踪技术 路径跟踪的主要任务是考虑移动机器人实际位置和运动状态的情况下准确 跟踪一条给定( 实时产生或者随意给出) 的路径，实际上就是完成机器人的运动 控制。路径规划最终的效果通常需要运动控制系统的执行体现出来，因此跟踪控 制技术将直接影响a u v 的导航能力。 从运动控制器的工作方式来看，运动控制可分为开环控制和反馈控制两类。 随着研究的深入，智能控制方法被引入机器人的运动控制，并被广泛应用。 1 4 1 开环控制 开环控制下路径跟踪的目的就是跟踪一条轨迹，该轨迹由它的位置或者速度 轮廓及航向角轮廓描述成为时间的函数。这是通过将轨迹分割成相对平滑、可以 被定义的运动区段来完成的，例如直线段或圆弧段。跟踪问题首先要计算平滑的 轨迹，驱动机器人从初始位置行进到最终位置，该过程中机器人的相关参数不被 8 人八度王4 ：境下的a u v 路杼规划2 - j 路径跟踪 反馈回输入端。 开环控制操作上比较简单，但存在几个缺点n ： ( 1 ) 要追求路径跟踪的准确性，必须事先考虑机器人自身运动学和水下动 力学方面的限制和约束，以及周围环境的影响。开环控制算法相对简单，对这些 问题难以面面俱到，因此跟踪效果不理想。 ( 2 ) 机器人运动的轨迹并不是标准的直线或者圆，有时甚至难以分割，从 一个轨迹段到另一个轨迹段是不平滑的，这意味着机器人的速度需要更加精确的 规划，而且当航向角瞬时变化很大时需要采取紧急措施。 ( 3 ) 海洋中环境经常发生动态的改变，在开环控制下，机器人只能根据事 先规划好的速度、角度轮廓行进，缺少对于环境变化的应对措施，因此路径跟踪 没有实际意义，不能满足工程应用的要求。 1 4 2 反馈控制 在移动机器人的运动控制中，更为适宜的办法是使用一个状态反馈控制器 。该控制器主要是通过反馈线性化理论对机器人的非线性进行完全补偿，得到 一个全局线性化的闭环方程，然后可以利用成熟的线性控制理论进行分析和设 计，如采用极点配置羽、小增益原理口3 1 等补偿不确定因素带来的影响，使系统达 到一定的稳定性能要求。例如，文献 3 3 运用小增益定理设计了一类线性补偿器， 以保证系统的厶稳定以及场，稳定；文献 3 4 在此基础上，对系统非线性摄动 部分做了一些合理的假定，通过少数几个常数参量以及跟踪误差的范数来描述系 统的不确定性。 鲁棒控制口5 3 也是基于反馈线性化的一种路径跟踪方法，主要优点是引用了反 馈机制后可以利用较成熟的线性控制理论，特别是在得知系统的线性相关性能情 况下表现更加优秀。但是如果不完全了解机器人的动力学相关参数，难免存在补 偿不足的情况。 1 4 3 智能控制方法 上述的开环控$ t _ ；i d 反馈控制方法都存在着缺点，当被控对象的模型存在不确 定性以及环境存在较大的动态变化时，经典控制方法往往无法得到满意的效果。 9 大尺度环境下的a u v 路径规划与路径跟踪 如今，智能控制方法得到了成功的应用，比较常见的是模糊逻辑控制和神经网络 方法。 模糊逻辑控制实际上利用了人类专家的控制经验来控制对象，通过合理选择 模糊控制器的参数和优化规则库，使其输出合适的线速度和角速度，从而控制移 动机器人准确地跟踪已规划好的路径汹1 。模糊逻辑控制由于符合人类思维的习 惯，算法上比较容易实现，是解决不确定系统控制的一条有效途径，已经得到了 广泛的应用。但是由于机器人动力学的高度非线性化以及环境的不确定性，我们 难以预见到所有可能的情况，对于复杂的系统，要构造其全部模糊规则也是一个 复杂、困难的过程。因此，让机器人能够自行学会模糊规则是极为必要和有实 际意义的。 目前，一些研究人员已经将遗传算法用于模糊控制规则的设计洲。遗传算 法模拟了自然界中优胜劣汰、适者生存的生物进化规律，具有全局收敛性、隐含 的并行性和鲁棒性等特点，弥补了模糊逻辑控制算法中存在的不足，对环境有良 好的适应性。 神经网络控制是2 0 世纪8 0 年代末期发展起来的自动控制领域的前沿学科之 一，它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统 的控制问题开辟了新途径n 引。神经网络方法能够充分逼近任意复杂的非线性系 统，具有自主学习和自适应能力，应用范围更加广泛。由于大量神经元之间广泛 连接，即使少量连接损坏，也不会影响系统的整体功能，有很强的容错性，可以 保证机器人在复杂环境中正常工作。算法本身采用并行分布处理方法，运算能力 更强大。但是该方法需要一定时间来建立网络，而且非常依赖经验。 1 5 本课题的研究背景及意义 本课题来源于“国家8 6 3 计划”基于同时定位与地图构建方法的a u v 自 主导航技术，对自主式水下机器人的路径规划和路径跟踪两个问题进行了系统研 究：应用动态划分全局工作环境、以多次局部优化代替一次性全局优化的方法解 决路径规划问题；以该项目中的a u v 样机c r a n g e r 为研究对象，根据a u v 的运 动学模型及动力学模型，对具有非完整性的a u v 轨迹进行跟踪。 自主式水下机器人( a u v ) 是近些年发展起来的具有一定的自主导航和规划 l o 大尺度环境下的a u v 路径规划与路径跟踪 能力的新型水下运载平台，通常可以活动在危险或者人力难以到达的海域，极大 地扩展了人类对于水下的作业能力与探测范围。路径规划能力是自主式水下机器 人实现自主导航的关键环节，它是在一定的环境模型中规划出一条从已知的起始 位置出发、绕过障碍物、到达预先规定的终止位置，并满足某些优化条件的路径。 路径规划偏向于理论方面的研究，其最终效果通常需要运动控制系统的执行 体现出来，因此路径跟踪更接近于实际应用，它将直接影响a u v 的导航能力。路 径规划与跟踪技术，二者联系紧密、相互影响，是自主移动机器人智能决策的重 要组成部分。 1 6 本文的主要工作 本文着重解决大尺度环境下的a u v 路径规划和路径跟踪问题，经过仿真验 证，算法的结果完全符合实验要求。 本论文各章的内容安排如下： 第一章绪论，简要介绍了国内外自主式水下机器人( a u v ) 的研究现状及发 展前景，综述了路径规划与路径跟踪技术，以及本课题的研究意义。 第二章主要讨论了利用快速步进算法进行全局路径规划的原理与实施步骤， 给出了水下机器人在二维环境中的仿真结果，并对路径的安全性进行了分析。 第三章主要阐述了基于增量型p i d 控制器的水下机器人路径跟踪技术，重点 考虑了不同海流影响下，如何实现a u v 对任意路径的跟踪，并给出了仿真结果及 总结。最后分析了算法中存在的不足。 第四章讨论了大尺度环境下如何进行a u v 路径规划，主要思想是动态划分全 局工作环境、以多次局部优化代替一次性全局优化。论文详细介绍了算法的原理 和步骤，最后给出了m a t l a b 仿真结果。 第五章介绍了大尺度环境下a u v 路径规划算法的工程实现，将第四章介绍的 算法在v c 开发环境下实现，总结了编程过程中的一些细节问题及不足之处。 最后，对所做的工作进行了总结，并指出了下一步的努力方向。 大尺度环境下的a u v 路径规划与路径跟踪 2 基于快速步进算法的全局路径规划 2 1 引言 在前面的章节中，我们简要介绍了机器人路径规划的经典方法。海洋环境的 复杂性决定了单纯依靠己知环境信息的全局路径规划方法，已经不能对突发事件 ( 例如船只、海洋生物、未知海底环境) 做出有效的反应。本文采用快速步进算 法h 射( f a s tm a r c h i n gm e t h o d ) ，主要考虑的因素是水下环境的实际情况：水下环 境的低信号带宽；水流对机器人速度、航向的影响；并且，水下的工作空间非常 大，像鱼雷似的车辆具有不完整性约束。所以，一个可靠的认知过程对找到一条 合适的水下路径来说非常重要。该算法向大家展示了快速步进算法作为水下路径 规划的高级工具，能够在一个采样环境上执行时收敛于一个平滑的一致连续解， 这个特征对于明白该方法是非常重要的。 利用该方法我们可以在经过声纳图像处理后的地图上找到从起点到达终点 的能够有效避障的最优路径，而不论障碍物的形状是圆形、多边形或是三角形， 使用该方法得到的路径都可以进行很好的避障，具有可靠性、准确性、易执行特 性，体现出它相对于一些经典算法的优越性。 2 2 栅格环境建模 每一种路径规划算法都需要相应的环境表示。快速步进算法是基于栅格法环 境建模的一种路径规划方法。我们在第一章介绍过该方法，栅格法的原理是将整 个环境地图用规范的小格点划分成许多小空间，非障碍物占据的栅格为自由栅 格，一般用白格表示；障碍物占据的栅格为非自由栅格，用黑格表示。图2 1 给 出了栅格环境建模的表示方法及其改进。 其中，( a ) 表示原始的工作环境空间，( b ) 中的栅格法用大小相同的栅格划 分机器人的工作空间，并用栅格数组来表示环境，每个栅格点表示两种状态之一， 黑格代表障碍物，栅格数组的值标记为l ，白格代表自由空间，标记为0 ，这种 方法虽然执行简单，但是表示效率不高。图( c ) 便是对栅格法的一种改进，先 将整个区域四分化，无障碍物出现的区域将不再划分，之后继续对其他区域四分 1 2 大尺度环境下的a u v 路径规划与路径跟踪 化，减少了时空开销。 ； i i ， j lf l i l j ii 图2 1 栅格法建模及其改进 图2 - 2 是水平集方法的形象化表示。所有的栅格被表示成一幅代价函数的连 通图，不断向前传播由起点开始的水平集边界值，直至到达终点，然后执行反溯 法，将所有寻找到的节点连接起来，就可以得到运动物体的最优路径。栅格法执 行简单，为路径规划的实现带来了很多方便。 t ， h o f 、， l 7 r ， ，一