自主水下機(jī)器人：在“深海盲盒”中開辟最優(yōu)航路

從經(jīng)驗(yàn)尋路到智能演化，AUV如何在看不見的深海里，規(guī)劃出一條最高效、最安全的航路？

浩瀚的海洋占據(jù)了地球表面的大部分，是氣候調(diào)節(jié)、資源寶庫和國家安全的關(guān)鍵領(lǐng)域。然而，深海的可見度、通信受限以及復(fù)雜多變的洋流環(huán)境，使人類的探索步履維艱。

正是在這樣的挑戰(zhàn)下，自主水下航行器（AUV）憑借其顯著的自主性、環(huán)境適應(yīng)性及任務(wù)靈活性，逐步成為海底測繪、環(huán)境監(jiān)測、軍事偵察及深海資源勘探的核心裝備，并逐漸替代傳統(tǒng)的載人潛水器（HOV）與遙控潛水器（ROV）。

然而，在“伸手不見五指”的深海里，僅僅擁有強(qiáng)大的軀體還不夠。它如何規(guī)劃出一條從起點(diǎn)到目標(biāo)、既能避開重重障礙，又能順應(yīng)洋流節(jié)省能量的最優(yōu)路徑？

近日，香港城市大學(xué)康文斌團(tuán)隊(duì)與河海大學(xué)劉增輝團(tuán)隊(duì)在機(jī)器人領(lǐng)域權(quán)威期刊《Journal of Field Robotics》(JFR)發(fā)表了一篇題為《A Review on Path Planning for Autonomous Underwater Vehicles: From Models, Classical Methods, and Learning-Based Intelligence Perspectives》的綜述。

該綜述創(chuàng)新性地提出了一個“環(huán)境建模-算法演進(jìn)-學(xué)習(xí)決策”三維耦合的系統(tǒng)視角，突破了傳統(tǒng)研究分類精確但界面模糊的局限，為理解AUV路徑規(guī)劃提供了整體性視角。文中不僅系統(tǒng)剖析了AUV運(yùn)動動力學(xué)建模、地形和海流場重建、多AUV協(xié)同任務(wù)分配等關(guān)鍵技術(shù)的最新進(jìn)展，還清晰勾勒出從經(jīng)典算法到機(jī)器學(xué)習(xí)方法的演進(jìn)脈絡(luò)，為下一代AUV實(shí)現(xiàn)全自主、強(qiáng)適應(yīng)的智能導(dǎo)航奠定了理論基礎(chǔ)。

▍高精度的環(huán)境感知與任務(wù)建模

要讓AUV在深海中自主、高效地完成任務(wù)，其核心在于構(gòu)建一個更加完整的路徑規(guī)劃框架。文章指出，這一框架的構(gòu)建必須同步考量AUV自身運(yùn)動特性、外部環(huán)境建模以及任務(wù)優(yōu)化策略這三大要素，這三者是智能決策的基礎(chǔ)。

在AUV自身運(yùn)動特性方面，文章將AUV視為六自由度（6-DoF）剛體系統(tǒng)，不僅要通過運(yùn)動學(xué)描述其位置與姿態(tài)，更需利用動力學(xué)模型解析水動力對軌跡的復(fù)雜影響。為了在保證精度的同時降低計(jì)算成本，當(dāng)前的建模趨勢是將計(jì)算流體力學(xué)（CFD）與半經(jīng)驗(yàn)?zāi)Ｐ突驍?shù)據(jù)驅(qū)動方法相結(jié)合，以實(shí)現(xiàn)兼顧效率與準(zhǔn)確性的運(yùn)動約束描述。

高精度的外部環(huán)境建模是路徑規(guī)劃的決策依據(jù)。

面對復(fù)雜多變的水下地形與洋流，傳統(tǒng)的聲吶測繪往往存在數(shù)據(jù)離散的問題，而基于深度學(xué)習(xí)的地形重構(gòu)技術(shù)已能有效填補(bǔ)信息盲區(qū)。同時對于非線性的洋流干擾，文章也闡述了如何通過數(shù)值模擬構(gòu)建三維流場模型，甚至結(jié)合強(qiáng)化學(xué)習(xí)預(yù)測流場變化，實(shí)現(xiàn)從被動適應(yīng)環(huán)境到主動利用洋流降低能耗。

而任務(wù)優(yōu)化策略則是實(shí)現(xiàn)自主決策的關(guān)鍵一環(huán)。針對單體AUV，策略重點(diǎn)在于如何在環(huán)境約束下尋找能耗最低的可行路徑；而在多AUV協(xié)同場景中，任務(wù)規(guī)劃則側(cè)重于任務(wù)分配與通信協(xié)調(diào)的多目標(biāo)優(yōu)化問題。

此外，為了應(yīng)對多AUV寫作的水下通信帶寬受限的挑戰(zhàn)，文章指出，基于分布式強(qiáng)化學(xué)習(xí)和博弈論的策略正在取代傳統(tǒng)的集中式調(diào)度，使集群能夠在缺乏全局信息的情況下實(shí)現(xiàn)高效的協(xié)同作業(yè)。

▍傳統(tǒng)算法，在深海中“摸石頭過河”

在人工智能大規(guī)模應(yīng)用之前，傳統(tǒng)算法為AUV的路徑規(guī)劃奠定了基礎(chǔ)。論文將這些方法大致分為全局規(guī)劃和局部規(guī)劃，各有所長，也各有局限。

全局規(guī)劃（Global Planning），如同在出發(fā)前就拿到一張?jiān)敿?xì)的航海圖，適用于環(huán)境相對已知、靜態(tài)的場景。

以Dijkstra和A*為代表的圖搜索算法最具特點(diǎn)。Dijkstra算法通過遍歷所有節(jié)點(diǎn)確保獲取全局最優(yōu)解，但在高維狀態(tài)空間下，其計(jì)算復(fù)雜度隨搜索規(guī)模呈指數(shù)級增長。

A*算法則通過引入啟發(fā)式函數(shù)提高了搜索效率，但在復(fù)雜約束環(huán)境下，其生成的路徑往往存在不連續(xù)性，平滑度較低。

相比之下，面對高維非結(jié)構(gòu)化環(huán)境的挑戰(zhàn)，基于采樣的路徑規(guī)劃方法（如RRT及其變體）表現(xiàn)出更強(qiáng)的空間探索能力，能夠有效處理非完整性約束。不過，這種方法隨機(jī)性強(qiáng)，生成的路徑可能曲折，通常需結(jié)合二次優(yōu)化算法進(jìn)行平滑處。

此外，受自然啟發(fā)的群體智能算法，如遺傳算法（GA）、蟻群算法（ACO）和粒子群算法（PSO），在處理多目標(biāo)優(yōu)化時表現(xiàn)出色。但它們也面臨“選擇困難癥”，在全局搜索和收斂速度間難以平衡，易陷入局部最優(yōu)解。

如果說全局規(guī)劃是戰(zhàn)略布局，那么局部路徑規(guī)劃則是戰(zhàn)術(shù)上的即時反應(yīng)，專門應(yīng)對航行中突然出現(xiàn)的未知障礙。

人工勢場法（APF）通過構(gòu)建由目標(biāo)引力場和障礙物斥力場疊加的虛擬力場，實(shí)現(xiàn)避障邏輯的實(shí)時計(jì)算。盡管其計(jì)算負(fù)荷低、響應(yīng)迅速，但在復(fù)雜障礙物下，APF存在局部極小值問題，可能導(dǎo)致AUV在受力平衡點(diǎn)發(fā)生停滯。

動態(tài)窗口法（DWA）則在速度空間內(nèi)建立約束模型，通過采樣并模擬推演符合動力學(xué)特性的軌跡。DWA在處理動態(tài)障礙物時具有較好的魯棒性，但由于其搜索窗口受限于局部感知范圍，搜索范圍受限。

在復(fù)雜的三維地形中，DWA難以獨(dú)立保證路徑的全局連貫性，因此在實(shí)際應(yīng)用中，通常采用“全局引導(dǎo)、局部避障”的混合規(guī)劃架構(gòu)。

▍機(jī)器學(xué)習(xí)，海洋中的自進(jìn)化導(dǎo)航

隨著機(jī)器學(xué)習(xí)技術(shù)（ML）的成熟，AUV路徑規(guī)劃正由傳統(tǒng)的“規(guī)則驅(qū)動”向“數(shù)據(jù)驅(qū)動”范式演進(jìn)。ML通過挖掘高維數(shù)據(jù)的特征關(guān)聯(lián)，顯著提高AUV在復(fù)雜、動態(tài)及非結(jié)構(gòu)化海洋環(huán)境中的自主決策能力與環(huán)境適應(yīng)性。

在數(shù)據(jù)驅(qū)動架構(gòu)中，監(jiān)督學(xué)習(xí)主要用于環(huán)境特征提取與非線性映射。生物啟發(fā)神經(jīng)網(wǎng)絡(luò)（BINN）通過模擬神經(jīng)元的興奮與抑制機(jī)制，在動態(tài)避障過程中生成平滑的運(yùn)動軌跡。卷積神經(jīng)網(wǎng)絡(luò)（CNN）則發(fā)揮其在空間特征提取方面的優(yōu)勢，針對水下光學(xué)/聲學(xué)圖像模糊及特征稀疏的問題，實(shí)現(xiàn)了從環(huán)境原始輸入到最優(yōu)決策路徑的端到端精準(zhǔn)映射。

針對多AUV協(xié)作系統(tǒng)中的任務(wù)分配難題，無監(jiān)督學(xué)習(xí)提供了高效的聚類方案。自組織映射（SOM）網(wǎng)絡(luò)與K-Means算法可在缺乏標(biāo)簽數(shù)據(jù)的前提下，自動提取環(huán)境特征，并對任務(wù)空間進(jìn)行合理劃分。此類算法在實(shí)現(xiàn)多智能體系統(tǒng)的負(fù)載均衡與資源優(yōu)化配置方面具有顯著的計(jì)算效率優(yōu)勢。

強(qiáng)化學(xué)習(xí)（RL）通過構(gòu)建智能體與環(huán)境的交互閉環(huán)，使AUV具備了在復(fù)雜工況下的自主演化能力?；凇盃顟B(tài)-動作-獎勵”的反饋機(jī)制，經(jīng)典的Q-learning及其深度演進(jìn)版本（如DQN、DDPG、PPO等）允許AUV在無先驗(yàn)環(huán)境知識的條件下，通過連續(xù)試驗(yàn)自主習(xí)得最優(yōu)策略。

深度強(qiáng)化學(xué)習(xí)（DRL）在處理非線性干擾方面具有顯著優(yōu)勢，例如深度確定性策略梯度算法（DDPG）已被應(yīng)用于時變流場環(huán)境中的水下滑翔機(jī)軌跡控制，有效增強(qiáng)了系統(tǒng)在擾動條件下的魯棒性。

針對集群作業(yè)，多智能體強(qiáng)化學(xué)習(xí)（MARL）解決了非平穩(wěn)環(huán)境下的協(xié)作難題，支持AUV集群在受限通信條件下通過分布式學(xué)習(xí)實(shí)現(xiàn)最優(yōu)任務(wù)分配與協(xié)同。

▍未來航線，駛向真正的“海洋智能”

盡管AUV路徑規(guī)劃技術(shù)已取得顯著進(jìn)展，但在實(shí)際工程應(yīng)用中，仍面臨環(huán)境不確定性、水聲通信帶寬受限以及機(jī)載計(jì)算資源瓶頸等核心挑戰(zhàn)。

針對上述問題，未來的研究，正聚焦于三個關(guān)鍵方向，旨在賦予AUV更深邃的“海洋智能”。

首先，引入元學(xué)習(xí)（Meta-Learning）與終身學(xué)習(xí)（Lifelong Learning）機(jī)制。通過構(gòu)建具有快速適應(yīng)能力的模型架構(gòu)，使系統(tǒng)能夠利用極少量的環(huán)境樣本實(shí)現(xiàn)跨海域任務(wù)的快速遷移與知識積累，從而顯著提升路徑規(guī)劃算法的泛化性能。

其次，強(qiáng)化多模態(tài)感知融合（Multimodal Fusion）技術(shù)。通過集成前視聲吶、視覺SLAM、磁力計(jì)及慣性導(dǎo)航系統(tǒng)（INS）等多源傳感器數(shù)據(jù)，利用多模態(tài)信息互補(bǔ)增強(qiáng)環(huán)境建模的可靠性，為復(fù)雜環(huán)境下的實(shí)時路徑規(guī)劃提供穩(wěn)健的數(shù)據(jù)基礎(chǔ)。

最后，推動輕量化模型與邊緣計(jì)算（Edge Computing）的協(xié)同優(yōu)化。針對AUV嵌入式處理器算力限制的問題，研究方向可以側(cè)重于神經(jīng)網(wǎng)絡(luò)剪枝、量化等模型壓縮技術(shù)，并結(jié)合邊緣計(jì)算架構(gòu)將部分非實(shí)時計(jì)算任務(wù)卸載至協(xié)同平臺。

這種協(xié)同架構(gòu)能夠在降低機(jī)載功耗的同時，提升系統(tǒng)執(zhí)行實(shí)時自主規(guī)劃任務(wù)的效率。這篇綜述不僅厘清了技術(shù)脈絡(luò)，更為新一代AUV的路徑規(guī)劃系統(tǒng)建立了一個統(tǒng)一、科學(xué)的理論框架，指引著海洋機(jī)器人向著更智能、更高效、更自主的深藍(lán)未來邁進(jìn)。

論文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/rob.70143