海流环境下水下航行器自适应海洋采样的路径规划研究

Autonomous marine vehicles hold great promise for undertaking adaptive sampling of ocean phenomena, path planning is one of the most critical problems to ensure adaptive sampling operation. In this study, the applicant will focus on path planning of autonomous marine vehicles for efficient adaptive sampling. This project presents the first attempt to consider strong, variable currents when planning for adaptive sampling mission. By choosing an appropriate trajectory, the path planner enables marine vehicles to both exploit favorable currents to achieve longer operation duration, as well as collect broader or more robust data. Quantum-behaved particle swarm optimization (QPSO) algorithm will be modified and applied first time in solving path planning for adaptive sampling which is a typical non-deterministic polynomial-time hard problem. Motivated by the rolling window path planning algorithm, a watching window on-line path re-planning algorithm is proposed which emphatically solves the continuous adaptive sampling of dynamic ocean phenomena．The balance scheme between global path planning task and local path re-planning task is also proposed．Based on this scheme, a real-time path planning system is established which can achieve not only the global optimization but also the local path re-planning according to the dynamic ocean phenomena. The new autonomous planning techniques developed in this project will contribute to improve the capability of oceans observing system for adaptive sampling.

自主式水下航行器可以实现对海洋现象高效、立体、实时的自适应观测采样，然而复杂海流环境下水下航行器的采样路径规划问题还有待于深入研究。本项目针对水下航行器自适应海洋采样的路径规划问题，通过将海流预报数据导入路径规划系统，设计合适的优化目标函数和约束条件，使得航行器能够在生成的路径下充分利用海流的推动获得更长久的续航能力，从而能够采集到更多、更有效的数据；通过结合自适应海洋采样的应用背景，提出QPSO路径规划方法在启发式知识应用、优化机制等方面的改进措施，以提高最优路径搜索能力和搜索精度。借鉴滚动窗口的机器人路径规划方法，提出一种适用于动态海洋特征采样的基于观测窗口的在线路径重规划方法；提出协调完成离线全局路径规划和在线路径重规划两个任务的权衡策略，并依据该策略搭建水下航行器海洋采样实时路径规划系统。本项目研究成果有望提高水下航行器自主观测平台对海洋现象的自适应观测采样能力。

水下航行器在复杂海流环境下的采样路径规划是实现自主海洋观测的关键技术之一，本项目针对水下航行器自适应海洋采样所面临的问题，开展了路径规划算法的理论研究，主要研究成果包括：（1）针对最大化利用海洋能以减少水下航行器到达目的地的航行时间，提出了量子粒子群算法，此算法引入了海流预测来寻找水下航行器的最优路径，最大限度地利用了当前运动的能量和到达目的地所需的时间；（2）针对单个水下航行器在动态海流环境中的采样路径规划问题，提出了基于 Voronoi 划分的蚁群算法，此算法利用了Voronoi划分和锦标赛选择法，使得更多的Voronoi边位于更高的科学兴趣区域，然后与蚁群算法相结合，改进了算法中的启发式函数，可以求解出单个水下航行器采集海洋信息的无碰最优路径；（3）针对多个水下航行器在动态海流环境中的协同采样路径规划问题，提出了基于精英组的进化算法，即在进化算法中引入了基于分组的框架和精英选择法，结合两者优势，使得进化算法的每个后代能够以一定的概率生成自己所在组的新解，促进更优解传递到下一代的子群中，从而规划出多个水下航行器的采样路径能够采集到更多的海洋信息；（4）针对水下航行器在静态大范围海洋环境中的采样任务，提出了快速搜索自适应采样树星算法，此算法结合了快速搜索随机树算法、锦标赛选择法和信息启发性这三种方法的优势，从而更有效率的在大范围海域内搜索出最优采样路径。在上述研究工作的基础上，课题组建立了仿真实验和湖试试验，验证了本项目提出的算法的可行性与有效性。