面向海洋观测的多智能体系统

里卡多·波尔瓦拉∗，桑杰·夏尔马，罗伯特·萨顿，万健和安德鲁·曼宁
Autonomous Marine Systems Research Group, Plymouth University, Plymouth, PL1-PL9, England
∗E-mail: riccardo.polvara@plymouth.ac.uk www.plymouth.ac.uk

开发一个鲁棒的避障模块是实现完全自主的无人水面航行器的关键步骤。迄今为止， 大多数海洋航行器通常沿着基于GPS的航路点路径行进，而完全不考虑可能发生的 碰撞。本文提出了一种结合自主飞行器与水面航行器的系统，以解决路径规划问题。

Keywords ：路径规划器；无人水面艇；无人机；避障。

引言

海洋航行器是移动机器人的三大类别之一，即海洋、地面和空中。这类航 行器还可进一步区分为无人水面车辆（USVs）和无人水下车辆（UUVs）。

军事领域对无人水面航行器的兴趣日益增加，尤其是在力量保护、监 视、水雷战等应用场景中。在过去20年里，已开发并部署了多种平台，例 如由美国太空与海战系统中心在圣地亚哥研制的Spartan无人水面艇（ USV），由葡萄牙动态系统与海洋机器人实验室开发的德尔芬和 Car-avela，以及最终由普利茅斯大学研制的斯普林格。3

文中提到的大多数船舶都是双用途航行器，即它们可以由人类在船上驾驶 或远程操控，也可以在无人模式下运行。这样，它们的能力得以增强和扩展， 且成本可控。

要实现完全自主导航，当预计即将发生碰撞时，需要存在一个避障模 块，以将无人船从当前航迹移动到另一条航迹，然后将其带回原航迹，继 续驶向目标位姿。

本文的目的是提出将无人机（UAV）与无人水面艇（USV）集成到一 个系统中，以增强对两艘船舶所处环境的整体感知能力，从而更方便地解 决自主船舶的路径规划问题。

论文的结构安排如下：第2节将讨论拥有鲁棒路径规划器的必要性， 而2.1和2.2小节将说明全局路径规划器和局部路径规划器的实现方法。第 3节描述了通过将异构平台集成到单一系统中所实现的协同工作，第4和第 5节讨论了结论。

2. 路径规划器

拥有机器人所在环境的虚拟表示是为自主船舶规划路径的关键。如第1节 所述，路径规划模块通常分为两个子组件：全局路径规划器（GPP），旨 在找到从机器人当前位姿到目标位姿的路径；而局部路径规划器（LPP） 则试图避开靠近机器人的移动障碍物。

在接下来的小节中，将描述最近用于海洋机器人领域的路径规划器， 以引导自主船舶在海面上航行，避开其他海上船只和移动危险物。

2.1. 全局路径规划器

GPP必须持续将已有的路径适应新的远距离障碍物。在Larson et al.4中， 路径规划器使用通过环境离散化创建的二维（2D）地图，每个单元格被赋 予一个表示其占据概率的值。静态和动态障碍物被处理并添加到地图中。

选择A*搜索算法作为搜索技术，并增加了障碍物接近代价，以防止无人水 面艇（USV）过于靠近障碍物。

为了避开移动的障碍物，使用速度障碍（VO）方法确定安全速度范围：一 个速度空间v-θ网格（其中v表示无人水面艇（USV）的速度速度和 θ为航向角）构成决策空间，障碍物根据载体尺寸进行扩展，并将 无人水面艇（USV）视为一个点。为了避免碰撞，其速度必须位于速度障 碍（VO）之外；如果障碍物改变速度或方向，则需根据新信息进行重新规 划。当无法避免碰撞时，路径规划器会为每个障碍物创建一个投影障碍区 域（POA）（图1），并规划一条新的安全路径。POA表示移动障碍物未 来将占据的区域，且由于一个障碍物可能多次构成威胁，因此需要针对每 一段路径重新计算POA。

Casalino et al.5提出了一种基于可见性图概念的方法。可见性图是一 种表示相互可见的位置的图：对于每一对相互可见的点，绘制一条连接它 们且不穿过障碍物的直线。

第一步是将障碍物转换为多边形。此时，在起点和目标位姿之间应用 Dijkstra算法以找到一条不与任何障碍物相交的安全轨迹。

Xie et al.6提出了一种完全不同的方法。作者受到人工势场（APF） 概念的启发：为了定义一条引导无人水面艇（USV）远离障碍物并到达目 标的安全路径，APF结合了障碍物的排斥势场和目标的引力势场。

作者对传统方法的改进在于引入了一种调节因子，该因子在存在障碍物时， 控制吸引力以线性因子减小，排斥力以高阶函数减小。通过这种方式，可 应对局部最小值或目标无法到达等情况，同时使航行器能够平滑地避开障 碍物并到达目标。

2.2. 局部路径规划器

局部路径规划器（LPP）的一个示例由Kuwata et al.提出，7其中作者建 议了一种能够在遵守碰撞规避规则（COLlision REGulations）的同时避 开移动危险物的算法，如图2所示，适用于超船、对遇和交叉相遇情况。

当无人水面艇（USV）超越一艘缓慢行驶的交通船时，必须为被超越的船 舶留出足够的空间。如果无人水面艇（USV）与交通船相向而行，则两艘 船舶都应向右偏转。否则，若有一艘交通船从右侧横穿，则右侧有他船的 船舶必须避让。

所开发的算法工作方式如下：首先计算船舶与可能障碍物之间的最接近点 （CPA）；然后应用最佳的避碰规则（COLREGS）；一旦生成速度障碍 （VO）和避碰规则（COLREGS）的约束集，便为每个可接受的 vi和 θj 生成代价，并选择代价最小的(vi, θj)组合。此时，该速度值被发送至控制 器。

3. 多智能体系统

在过去十年中，由于生产成本的降低以及易用性提高，无人机获得了越来 越多的关注。在计算机视觉和侦察等相关领域已开展了大量研究工作，但 这项新技术最引人入胜之处在于其能够与其他不同平台集成到异构系统中。

事实上，单个车辆由于传感器能力有限或存在动力学约束，难以完成复杂 任务。集成不同车辆可以解决这一问题，但也需要额外的通用通信层。

迄今为止，人们已多次尝试实现空地协同。在此场景中，无人驾驶航 空器(UAVs)与无人地面车辆(UGVs)相结合，使得每种车辆的互补技能能 够弥补其他车辆的局限性，从而使最终系统能够以更高效率完成任务。

在已开发应用中，Michael et al.10说明了如何无人机和地面无人车团队可以提供地震损毁建筑顶层三层的三维地图。其 他测绘任务示例可参见Forster等人11、Kim等人12以及Hsieh等人13。

另一个有趣的任务是被称为协同导航的任务，其中无人机充当额外的 视觉传感器14 ，向地面机器人提供有关正常障碍物或负障碍物（如孔洞和 悬崖）的信息，以便安全导航。该任务已在Choi等15以及Vandapel等16 的研究中被探讨。

在Harik et al.17中，描述了一种基于空中与地面协同的新型物体运输 方案。在工业环境中，一架无人机负责引导一组以预定义编队排列的 UGV。无人机提供的航路点被发送至领头地面机器人，其余机器人则使用 视觉跟踪器相互保持安全距离并跟随领头机器人。

4. 讨论

本节提出将无人机与无人水面艇的路径规划问题进行集成作为解决方案。

通过无人机获取的图像可以使用不同的工具（例如OpenCV、 Matlab或机器学习算法）进行处理，并将世界模型构建为占据栅格，其中 障碍物根据所用机器人的尺寸扩大一定倍数，以防止机器人与其发生碰撞。

一旦完成世界模型的构建，并计算出每个障碍物的最接近点和投影障碍区 域，便可采用A*算法实现来寻找一条连接机器人当前位姿与目标位姿的安 全路径。如果目标位于地图之外，可假设一个临时目标，即目标在地图上 边界上的投影。

使用飞行机器人代替本地摄像头的创新之处在于其灵活性：它不仅可 以覆盖有限范围，还能使无人水面艇提前观察到较远距离的情况，从而预 先规避移动危险物的异常轨迹，如图3所示。然而，使用这一有趣平台也 存在一些需要面对的缺点，例如受风流影响以及电池消耗问题。

从实际角度而言，在无人机因网络问题或电量耗尽而失去响应的情 况下，安装在船舶上的相机（单目或双目）可使其即使在没有全局路径规划 的情况下也能继续执行任务，采集必要的数据以构建局部区域模型供局部 路径规划器（LPP）使用。

5. 结论

本文回顾了以往针对无人水面航行器的路径规划器。在其他技术的基础上， 提出了一种新的多智能体系统，该系统通过与无人机的协同合作，增强对 环境的整体感知能力，以应对潜在危险并为船舶规划安全路径。