第13讲-智能信息处理应用：AUV路径规划

1、1,第13-1讲：AUV路径规划与智能计算,进化计算是模拟生物进化过程的计算模型。进化计算作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理以及应用范围广等显著特点，奠定了它作为二十世纪关键智能计算之一的地位。 对AUV(Autonomous Underwater Vehicle) 来说，由于海洋深处工作环境的复杂性，不可预测性，同时AUV自身携带动力能源有限、机器人高度自治的要求，为了使AUV能够高效完成多目标水下作业任务且能够有效避开障碍物，其水下路径规划技术研究显得十分关键。,2,AUV路径规划研究主要集中在以下两方面： 第一方面：自治水下机器人多目标多任务的全局路径规划

2、算法。目前的移动机器人人工势场路径规划都是考虑单目标、多障碍物的规划问题。但AUV在水下作业是一个多目标任务的规划，它需要观察多个不同地点的水下目标，同时AUV是自带动力，能源受到限制，必须在最短时间内完成多目标任务作业。即多AUV多目标全局路径规划问题。 第二方面：自治水下机器人局部路径规划算法。对水下机器人AUV来说，其每一个具体观察目标周围均存在一个或多个障碍物，这些障碍物既有静态的（如海底的礁石、海沟等），也有动态障碍物（如其它AUV、移动的冰山等）。针对这种特殊的海洋环境，如何设计出水下机器人AUV路径规划的人工势场，是AUV路径规划的另一个重要问题。这里面包含6自由度自治水下机器人

3、动力学模型分析与解耦、AUV水下避障及路径规划中的局部极小问题等。,3,第一方面：自治水下机器人多目标多任务的全局路径规划算法 这是一个典型TSP全局组合优化问题。可以应用各种进化计算方法进行全局路径优化设计,如神经网络NN、遗传算法GA、蚁群算法ACO、模拟退火算法SA、粒子群优化算法PSO等。 有2个方面内容：多AUV多任务分配算法与实现、考虑海流作用的全局路径最优。 第二方面：自治水下机器人局部路径规划算法：AUV全覆盖路径规划与控制。 有一下几个方面内容：1、水下环境地图构建；2、AUV运动规划算法；3、避障问题；4、海流问题；5、轨迹跟踪控制问题；6、试验问题 自治水下机器人局部路径

4、规划方法主要有三大类：状态匹配方法、地图创建技术和人工势场技术。,4,状态匹配方法是将机器人当前的状态与过去经历相比较，找到最接近的状态，修改这一状态下的路径，就可以得到一条新的路径。这一方法的主要问题是依赖过去的经验，如果案例库中没有足够的路径，就可能找不到与当前状态相匹配的路径； 地图创建技术，按照水下传感器搜索的障碍物信息，将机器人周围区域划分为不同的网格空间（如自由空间和限制空间等），根据网格空间的障碍物占有概率分布，再依据一定规则确定最优路径3,该方法主要问题是水下传感器信息资源有限，使得网格地图的概率分布计算困难，同时，由于要实时更新地图数据，在网格数较多时，会产生数据爆炸问题,5

5、,人工势场技术的基本思想是在AUV的目标位置周围定义一个虚拟的引力场，在障碍物周围定义一个虚拟的斥力场，引力场和斥力场会对场中的AUV产生一合力，决定AUV的运动，在合力作用下，AUV会避开障碍物而达到目标位置。 静态人工势场研究极大多数是一种静态环境的人工势场，即将障碍物和目标物均看成是静态不变的。机器人仅仅根据静态环境中障碍物和目标物的具体位置来规划运动路径，不考虑他们的移动速度。但是，现实的水下环境是动态的，障碍物和目标物都可能是移动的，如移动的冰山和合作作业的水下机器人等。,6,动态人工势场技术，主要是考虑机器人与障碍物之间的相对位置和相对速度，而非绝对位置和速度。将机器人与目标物的相对位置与相对速度引入吸引势函数设计之中；提出动态环境下的移动机器人路径规划算法,7,8,9,10,AUV路径规划的局部最小问题,11,生物启发