謝少榮, 劉堅堅, 張 丹

復(fù)雜海況無人艇集群控制技術(shù)研究現(xiàn)狀與發(fā)展

謝少榮1,2, 劉堅堅1, 張 丹1

(1. 上海大學(xué) 機(jī)電工程與自動化學(xué)院, 上海, 200444; 2. 上海大學(xué) 計算機(jī)工程與科學(xué)學(xué)院, 上海, 200444)

無人艇作為一種高度自治的系統(tǒng), 是提高水上作業(yè)效率的可靠途徑之一, 可用于水文研究、科學(xué)勘探、水文測量、應(yīng)急搜救以及安全巡邏等任務(wù)。通過信息交互與協(xié)同決策將多艘無人艇構(gòu)建成集群, 使其具有更全的感知信息、更高的執(zhí)行效率和更大的作業(yè)范圍, 能顯著增強(qiáng)無人艇自主完成任務(wù)的能力。但由于海洋環(huán)境復(fù)雜多變, 風(fēng)、浪和涌流等因素擾動大, 無人艇集群的協(xié)同控制與優(yōu)化決策面臨單艇自主完備感知難、多艇快速靈活交互認(rèn)知難、實(shí)時高效集群協(xié)同難等挑戰(zhàn)。文中從復(fù)雜海洋環(huán)境下海洋環(huán)境智能感知方法、單艇準(zhǔn)確完備自主感知機(jī)理、多艇實(shí)時交互認(rèn)知機(jī)制、無人艇集群智能協(xié)同控制決策方法和無人艇集群應(yīng)用平臺等方面對無人艇集群技術(shù)的研究現(xiàn)狀進(jìn)行了論述, 并提出了關(guān)鍵技術(shù)和難點(diǎn)問題; 同時指出, 單艇自主完備感知、多艇快速靈活交互認(rèn)知、實(shí)時高效集群協(xié)同是集群控制技術(shù)亟待深入的研究方向。

無人艇集群; 協(xié)同控制; 優(yōu)化決策

0 引言

我國是海洋大國, 約有3×106km2的海域面積, 7 000多個島礁?！跋蚝６? 背海而衰”, 爭奪世界海洋權(quán)益和資源是海洋大國與臨海國家永恒的戰(zhàn)略行為。黨的十八大提出了“提高海洋資源開發(fā)能力, 堅決維護(hù)國家海洋權(quán)益, 建設(shè)海洋強(qiáng)國”的戰(zhàn)略目標(biāo); 十九大報告明確要求“加快建設(shè)海洋強(qiáng)國”。從海洋大國到海洋強(qiáng)國邁進(jìn)的戰(zhàn)略進(jìn)程中, 離不開高端的海洋裝備。其中無人艇憑借其海-空界面運(yùn)行的優(yōu)勢, 能夠搭載各種傳感設(shè)備, 廣泛應(yīng)用于海洋運(yùn)輸與環(huán)境調(diào)查、海洋考古、水上搜救、情報搜集、偵察取證、警戒巡邏、火力打擊、艦艇護(hù)航、反水雷和反潛等領(lǐng)域, 高效地充當(dāng)著立體化海洋空間的關(guān)鍵節(jié)點(diǎn)。

然而隨著海洋環(huán)境日益復(fù)雜、作業(yè)任務(wù)日漸多樣、活動范圍日趨擴(kuò)大, 單一無人艇作業(yè)將遠(yuǎn)遠(yuǎn)不能滿足要求, 無人艇勢必朝著集群化、網(wǎng)絡(luò)化和智能化方向發(fā)展。作為海洋智能機(jī)器人技術(shù)發(fā)展到一定階段的產(chǎn)物, 無人艇集群是由多個可在局部范圍自主完成任務(wù)的單一無人艇, 通過有線、無線通信連接方式, 進(jìn)行群體協(xié)作而形成的一個整體。各單一無人艇在空間上分散布置, 在功能上存在中心指揮節(jié)點(diǎn)。通過信息交互與協(xié)同決策在更廣的作業(yè)范圍內(nèi)具備更高的作業(yè)效率、更強(qiáng)的魯棒性以及靈活性, 顯著增強(qiáng)無人艇自主完成更復(fù)雜任務(wù)的能力。

但是由于風(fēng)、浪、涌流的作用, 海洋環(huán)境具有更加復(fù)雜多變的不確定因素。在這種條件下, 無人艇集群的協(xié)同控制與優(yōu)化決策主要面臨如下挑戰(zhàn)。

1) 自主完備感知難。無人艇集群需克服復(fù)雜海況下海洋環(huán)境及其弱觀測目標(biāo)信息難以獲取的困境, 從而對海洋環(huán)境信息進(jìn)行準(zhǔn)確感知, 對海洋弱觀測目標(biāo)進(jìn)行精確識別。

2) 多艇快速靈活交互認(rèn)知難。無人艇集群需具有靈活的交互認(rèn)知機(jī)制, 使多艇之間進(jìn)行可靠的實(shí)時信息交互認(rèn)知, 從而為集群控制決策提供更多的感知信息。

3) 實(shí)時高效集群協(xié)同難。無人艇集群需具有統(tǒng)一安全抗毀的知識傳輸框架, 使得無人艇集群系統(tǒng)決策時效性高、任務(wù)整體耗時短, 且具備基于交互認(rèn)知的任務(wù)分解與最優(yōu)任務(wù)分配能力。

文中對無人艇集群控制技術(shù)領(lǐng)域的研究現(xiàn)狀進(jìn)行了論述, 并提出復(fù)雜海況無人艇集群控制存在的關(guān)鍵性問題以及未來的發(fā)展方向。

1 研究現(xiàn)狀

復(fù)雜海況下無人艇集群控制主要涉及海洋環(huán)境智能感知方法、單艇準(zhǔn)確完備自主感知機(jī)理、多艇實(shí)時交互認(rèn)知機(jī)制、無人艇集群智能協(xié)同控制決策等諸多基礎(chǔ)性的科學(xué)問題。

1.1 海洋環(huán)境智能感知方法

無人艇設(shè)計及傳感器搭載是感知海洋環(huán)境的基礎(chǔ), 因此對海洋環(huán)境及目標(biāo)數(shù)據(jù)采集方式的探索是無人艇智能感知的一個重要課題。受制于復(fù)雜海況及傳感器缺陷, 無人艇感知數(shù)據(jù)的擴(kuò)充還需依賴各種數(shù)據(jù)增廣方法。無人艇集群的數(shù)據(jù)來源于多艇和多傳感器, 因此, 多源異構(gòu)數(shù)據(jù)拼接重建是提升無人艇智能感知能力的重要研究內(nèi)容。此外, 復(fù)雜海況下的多尺度弱目標(biāo)識別研究也是無人艇集群執(zhí)行后續(xù)跟蹤、防護(hù)和攻擊等海上任務(wù)的重要基礎(chǔ)。

1.1.1 海洋環(huán)境及目標(biāo)數(shù)據(jù)采集

為更好地采集海洋場景數(shù)據(jù), 國內(nèi)外學(xué)者在無人艇設(shè)計和傳感器搭載方面取得了較大進(jìn)展。如美國海軍的無人艇系統(tǒng)“Swarm II”、上海大學(xué)研制的“精海1號”及中科院沈陽自動化所的“先驅(qū)號”無人艇等, 均利用了雷達(dá)、激光、可見光相機(jī)和紅外相機(jī)等。這些傳感器各有優(yōu)劣, 受制于復(fù)雜海況影響和傳感器缺陷, 采集大規(guī)模、高質(zhì)量海洋環(huán)境及目標(biāo)數(shù)據(jù)樣本比較困難[1-2], 現(xiàn)有樣本庫規(guī)模一般較小, 且多為從天空的俯視視角采集。除可視和紅外光譜海事影像(visible and infrared spectrums, VAIS)數(shù)據(jù)集及海洋障礙物檢測數(shù)據(jù)集(marine obstacle detection dataset, MODD)等僅包含幾千張圖片的數(shù)據(jù)集之外[3-4], 葡萄牙和新加坡學(xué)者曾分別公開過2個較大的數(shù)據(jù)集[5-6], 但仍未解決這類數(shù)據(jù)集的局限: 1) 數(shù)據(jù)集體量小, 且大多數(shù)數(shù)據(jù)為同一時段采集; 2) 高價值動態(tài)目標(biāo)樣本少, 且采集視角和風(fēng)格較為單一。

1.1.2 數(shù)據(jù)集增廣

傳統(tǒng)的數(shù)據(jù)增強(qiáng)方式包括旋轉(zhuǎn)、切割、翻轉(zhuǎn)及尺度變換等[7], 其運(yùn)算簡單、使用便捷, 但對數(shù)據(jù)集增加的信息十分有限[8], 無法解決復(fù)雜海況下高價值樣本少、分布不均等問題。三維虛擬現(xiàn)實(shí)仿真技術(shù)是生成多樣化海洋場景的一個有效途徑。Song等[9-10]提出了基于注意力機(jī)制的三維重建方法, 在配準(zhǔn)誤差和傳感器掃描噪聲較大的情況下, 實(shí)現(xiàn)了對目標(biāo)物體的高質(zhì)量三維仿真建模。與靜態(tài)物體的三維重建不同, 水作為一種流體, 其重建仿真往往需要模擬流體的物理特性, 如Schreck等[11]通過優(yōu)化求解一組描述水波物理運(yùn)動的方程, 實(shí)現(xiàn)了對水波的高逼真度動態(tài)仿真。但以上研究缺乏對海上目標(biāo)與海水間相互作用的仿真。此外, 通過生成模型合成數(shù)據(jù)是豐富現(xiàn)有數(shù)據(jù)集的另一種重要方式。常見的生成方法包括生成對抗網(wǎng)絡(luò)[12]、變分自編碼器[13]和對抗自編碼器[14]等。生成對抗網(wǎng)絡(luò)近年來在風(fēng)格遷移[15]和圖像修復(fù)[16]等領(lǐng)域取得較好效果。

1.1.3 多源數(shù)據(jù)拼接重建

受視域限制和海洋環(huán)境干擾, 單艇感知的信息一般不完備, 多艇信息拼接重建是實(shí)現(xiàn)信息增強(qiáng)的一種重要途徑。圖像的拼接重建在靜態(tài)和高信噪比圖像上已取得較好進(jìn)展, 相關(guān)文獻(xiàn)主要集中在遙感圖像拼接。例如, Schwind等[17]利用無限對稱指數(shù)濾波器(infinite symmetric exponential filter, ISEF) 處理圖像后再進(jìn)行尺度不變特征轉(zhuǎn)換(scale-invariant feature transform, SIFT)特征提取和配準(zhǔn)拼接。Wang等[18]在神經(jīng)網(wǎng)絡(luò)中直接學(xué)習(xí)圖像塊到匹配標(biāo)簽的映射函數(shù)。需要指出的是, 遙感圖像是從高空對陸地或海洋成像, 目標(biāo)的觀測視角及噪聲特點(diǎn)都與艦載圖像數(shù)據(jù)存在較大差異[19]。

1.1.4 海洋環(huán)境/目標(biāo)識別

針對單一模態(tài)數(shù)據(jù), Teutsch等[20]利用紋理、局部二值模式(local binary pattern, LBP)等特征開展了海洋船只紅外圖像數(shù)據(jù)分類研究; Wessman[21]利用具有噪聲的基于密度的聚類算法(den- sity-based spatial clustering of applications with noise, DBSCAN)實(shí)現(xiàn)了海洋目標(biāo)雷達(dá)數(shù)據(jù)的自適應(yīng)提取。另外, 為解決目標(biāo)多尺度問題, 一般以多層特征融合[22-23]和數(shù)據(jù)層級的尺度縮放[24]2種方式為主。Zhang等[25]利用空間-尺度注意力機(jī)制設(shè)計了上下文感知檢測網(wǎng)絡(luò)模型, 融合了多層尺度自適應(yīng)特征并實(shí)現(xiàn)了俯角海洋多尺度目標(biāo)檢測識別; Bloisi等[26]針對海平面的多尺度目標(biāo)識別設(shè)計固定輪廓模型并將圖像目標(biāo)區(qū)域進(jìn)行歸一化以適應(yīng)該模型從而識別輪船、島礁等目標(biāo)。然而, 目前的海上目標(biāo)識別研究側(cè)重于單一模態(tài)或特定組合模態(tài)的數(shù)據(jù), 且多基于良好海況, 缺乏復(fù)雜海況下弱目標(biāo)的分析和識別。

綜上所述, 盡管以上研究針對樣本數(shù)據(jù)和模型設(shè)計的提升提出了各種各樣的方法, 卻都局限于簡單化、單一化的應(yīng)用場景, 不適用于解決復(fù)雜海況下樣本獲取難、單艇感知不完備、多艇集群信息交互差、弱觀測目標(biāo)識別精度低等問題。復(fù)雜海況環(huán)境下無人艇的自主感知、多艇交互、智能控制較為困難, 需依賴于大量高精度、高質(zhì)量、多模態(tài)的數(shù)據(jù)以及涵蓋多種目標(biāo)類別、尺度及異構(gòu)數(shù)據(jù)的模型。因此, 迫切需要能夠?qū)崿F(xiàn)大規(guī)模、高質(zhì)量數(shù)據(jù)增強(qiáng)與模型提升的方法。面向復(fù)雜海況下海洋環(huán)境智能感知的難點(diǎn)和關(guān)鍵問題主要包括: 如何對復(fù)雜海況下難以獲取的弱觀測樣本, 設(shè)計有效的海洋環(huán)境及目標(biāo)樣本的增廣方法; 如何在單艇無法觀測完備信息的情況下, 利用多源數(shù)據(jù)實(shí)現(xiàn)面向無人艇集群的數(shù)據(jù)互補(bǔ)重建;以及如何構(gòu)建針對復(fù)雜海洋環(huán)境的目標(biāo)識別庫, 以解決多海況、多尺度、多模態(tài)的目標(biāo)識別問題。

1.2 單艇準(zhǔn)確完備自主感知機(jī)理

目標(biāo)實(shí)體屬性自主感知、實(shí)體關(guān)系的語義表達(dá)、場景信息補(bǔ)全和態(tài)勢重構(gòu)是復(fù)雜海況下單艇準(zhǔn)確完備自主感知機(jī)理的核心內(nèi)容, 同時也是無人艇交互認(rèn)知和集群控制的重要基礎(chǔ)。

1.2.1 目標(biāo)實(shí)體屬性及其關(guān)系的語義表達(dá)方法

實(shí)體屬性抽取是指從非結(jié)構(gòu)化或半結(jié)構(gòu)化的句子中提取結(jié)構(gòu)化的實(shí)體及其屬性的技術(shù)。信息抽取的研究方法主要有模式匹配方法和機(jī)器學(xué)習(xí)方法2種?；谀Ｊ狡ヅ涞姆椒▽χR的表達(dá)比較直觀、自然, 類似于規(guī)則, 更接近人的思維方式。模式匹配多是面向領(lǐng)域的, 準(zhǔn)確率較高; 基于機(jī)器學(xué)習(xí)方法靈活性較好, 不需要太多的背景知識, 但需要大規(guī)模手工標(biāo)注的語料庫支持。Luan等[27]利用動態(tài)跨度圖實(shí)現(xiàn)信息的提取, 并對此提出了一個通用框架。

關(guān)系抽取研究同樣包括模式匹配方法和機(jī)器學(xué)習(xí)方法。模式匹配方法由專家預(yù)先依據(jù)限定領(lǐng)域?qū)嶓w關(guān)系的語法或語義信息人工制定出一套規(guī)則模板, 通過完全匹配將與模板語義相同的文本關(guān)系提取出來。如鄭家恒等[28]通過計算模式實(shí)例之間的相似度, 采用單鏈法聚類抽取模式, 并將模式一一分類, 歸并同一類型的模式實(shí)例并獲得最終的關(guān)系抽取模式。機(jī)器學(xué)習(xí)方法利用各種統(tǒng)計學(xué)習(xí)的算法, 將關(guān)系抽取看作一個分類問題, 從關(guān)系訓(xùn)練樣例中抽取出特征進(jìn)行學(xué)習(xí), 自動從測試語料中抽取關(guān)系。如Pingle等[29]提出了一個系統(tǒng)來創(chuàng)建網(wǎng)絡(luò)安全文本的語義三元組, 并使用深度學(xué)習(xí)方法來提取存在的關(guān)系, 再使用該語義三元組在網(wǎng)絡(luò)安全知識圖中進(jìn)行推斷。

雖然國內(nèi)外學(xué)者對目標(biāo)實(shí)體屬性及其關(guān)系抽取進(jìn)行了深入研究, 但面向復(fù)雜海洋環(huán)境, 從相關(guān)的領(lǐng)域文本中抽取目標(biāo)實(shí)體屬性及其關(guān)系的研究較少, 對無人艇智能感知和語義理解相關(guān)理論支撐不足。因此, 圍繞海洋目標(biāo)實(shí)體屬性及其關(guān)系的抽取問題有待進(jìn)一步研究。

1.2.2 知識圖譜的表達(dá)、補(bǔ)全與推理

知識圖譜是一種將不同種類的知識自然關(guān)聯(lián)在一起而得到的關(guān)系圖譜, 對領(lǐng)域知識進(jìn)行高效的知識表達(dá), 為海洋場景態(tài)勢感知提供準(zhǔn)確完備的信息支撐。知識圖譜建立主要包含2個關(guān)鍵技術(shù), 即知識圖譜的表示與補(bǔ)全。知識圖譜的表示是指采用某種數(shù)據(jù)結(jié)構(gòu)來表示知識圖譜中的實(shí)體以及實(shí)體之間的關(guān)系。為了以更直觀的方式來表達(dá)實(shí)體之間的關(guān)系, 不同的翻譯模型(Trans)將實(shí)體表示為向量, 將實(shí)體之間的聯(lián)系表示為向量之間的平移向量。其中代表性的工作有: TransE模型[30]直接使用實(shí)體特征構(gòu)造向量, 直接通過向量之間的平移關(guān)系表示實(shí)體之間的聯(lián)系; TransR模型[31]通過關(guān)系矩陣將向量投影到關(guān)系空間再計算實(shí)體向量之間的聯(lián)系; TransD模型[32]分別定義了頭實(shí)體向量與尾實(shí)體向量的關(guān)系矩陣, 從而得到更準(zhǔn)確的實(shí)體聯(lián)系。

知識圖譜的補(bǔ)全一般可以分為靜態(tài)知識圖譜補(bǔ)全和動態(tài)知識圖譜補(bǔ)全。靜態(tài)知識圖譜補(bǔ)全是指所需的實(shí)體和關(guān)系均已存在, 只需要在已存在的實(shí)體中補(bǔ)充他們之間的關(guān)系。靜態(tài)知識補(bǔ)全算法與模型設(shè)計密切相關(guān), 即通過模型訓(xùn)練即可得到不同實(shí)體之間的關(guān)聯(lián)。動態(tài)知識圖譜補(bǔ)全是指所需的實(shí)體或關(guān)系不存在于訓(xùn)練集中, 需要動態(tài)增添、修改或刪除實(shí)體以及實(shí)體之間的關(guān)系。

知識推理指從已知的事實(shí)出發(fā), 通過已掌握的知識, 歸納出一些新的事實(shí)?；谵D(zhuǎn)移的表示推理[33]根據(jù)轉(zhuǎn)移假設(shè)設(shè)計得分函數(shù), 多元組的得分函數(shù)越高, 說明存在該多元組的可能性越大?；趶埩?矩陣分解的表示推理[34-36]通過張量/矩陣分解的方法進(jìn)行學(xué)習(xí), 分解得到的向量表示相乘重構(gòu)成張量/矩陣, 元素值即為對應(yīng)三元組的得分, 取得分值大于某一閾值的候選組作為推理結(jié)果?；诳臻g分布的表示推理[37-38]通過設(shè)計能夠反應(yīng)空間分布特征的得分函數(shù), 使得向量在表示空間中, 實(shí)體和關(guān)系的空間分布盡可能地與原知識圖譜一致。

雖然目前不斷有大型知識圖譜出現(xiàn), 知識圖譜表達(dá)、補(bǔ)全與推理方法也在不斷更新, 但是依然存在許多問題和挑戰(zhàn)。現(xiàn)有的知識圖譜表示方式在效率、空間復(fù)雜度等方面依然無法平衡, 且補(bǔ)全方法的完備性和信息量仍比較低。同時, 現(xiàn)有建立知識圖譜的方法通常需要大量的高質(zhì)量樣本進(jìn)行學(xué)習(xí), 而在實(shí)際應(yīng)用中(例如無人艇的研究)常常難以獲取高質(zhì)量的訓(xùn)練樣本, 這極大地增加了構(gòu)建知識圖譜的難度。

1.2.3 場景信息態(tài)勢重構(gòu)方法

態(tài)勢重構(gòu)是對一個動態(tài)變化的對象感知并對提取出來的態(tài)勢元素進(jìn)行察覺、理解和預(yù)測的處理過程。

在場景態(tài)勢重構(gòu)方面, 現(xiàn)有研究已經(jīng)表明其在無人艇技術(shù)中的重要地位, 并且取得了有效進(jìn)展[39-42], 但仍需解決2個問題: 1) 系統(tǒng)實(shí)時性。在復(fù)雜海況中, 無人艇的態(tài)勢變化很快, 如何快速準(zhǔn)確地進(jìn)行態(tài)勢重構(gòu), 是整個重構(gòu)系統(tǒng)需要解決的首要問題; 2) 系統(tǒng)精確性。對于復(fù)雜海況下的干擾繁多、信息來源廣泛、航行不穩(wěn)定等因素, 系統(tǒng)應(yīng)該具有對集群場景中的各種不確定因素進(jìn)行準(zhǔn)確評估和重構(gòu)的能力。

綜上所述, 國內(nèi)外在自主感知機(jī)理方面的研究已經(jīng)取得了豐富的研究成果, 但這些成果難以適用于復(fù)雜多變的海洋環(huán)境。首先, 復(fù)雜海洋場景下難以采集準(zhǔn)確的結(jié)果, 使得無人艇感知能力受限。其次, 無人艇集群實(shí)時獲取實(shí)體關(guān)系信息存在難度高、數(shù)據(jù)稀疏及碎片化等問題。此外, 無人艇航行場景信息補(bǔ)全方面, 現(xiàn)有大部分研究集中于離線狀態(tài)算法, 很難適應(yīng)不斷變化的場景, 無法準(zhǔn)確估計無人艇的航行態(tài)勢。面向復(fù)雜海況下單艇準(zhǔn)確完備自主感知的難點(diǎn)和關(guān)鍵問題主要包括: 1) 如何從領(lǐng)域文本集合中高效完備的抽取海洋目標(biāo)實(shí)體及其屬性, 構(gòu)建海洋目標(biāo)屬性知識圖譜, 結(jié)合目標(biāo)識別模型庫, 實(shí)現(xiàn)對復(fù)雜海洋環(huán)境下無人艇目標(biāo)屬性的準(zhǔn)確感知; 2) 如何構(gòu)建并補(bǔ)全海洋場景目標(biāo)實(shí)體關(guān)系知識圖譜, 形成海洋場景目標(biāo)實(shí)體關(guān)系語義理解表達(dá)方法體系, 為無人艇集群海洋場景態(tài)勢感知提供準(zhǔn)確完備的信息支撐; 3) 如何實(shí)現(xiàn)海洋場景信息補(bǔ)全, 提取海洋目標(biāo)實(shí)體狀態(tài)信息并得到行為運(yùn)動狀態(tài), 建立態(tài)勢感知網(wǎng)絡(luò), 為單艇準(zhǔn)確完備自主感知提供方法支撐, 并為多艇交互提供更多的感知信息。

1.3 復(fù)雜海況多艇實(shí)時交互認(rèn)知機(jī)制

無人艇集群在執(zhí)行任務(wù)過程中, 涉及單艇準(zhǔn)確完備自主感知、多艇實(shí)時交互認(rèn)知、無人艇集群協(xié)同控制決策等多個技術(shù)環(huán)節(jié)。其中, 多艇實(shí)時交互認(rèn)知能夠?qū)瓮Ц兄畔⑦M(jìn)行補(bǔ)充, 并為無人艇集群協(xié)同控制決策提供更多的感知信息和領(lǐng)域知識。

1.3.1 多機(jī)器人集群交互認(rèn)知機(jī)制

多機(jī)器人集群是多智能體集群的一種表現(xiàn)形式, 最早由Noreils[43]定義為: 多個智能體協(xié)同工作, 完成單個智能體無法完成的任務(wù), 或改善工作過程, 并獲得更優(yōu)的系統(tǒng)性能。美國底特律大學(xué)和麻省理工大學(xué)在內(nèi)的很多高校學(xué)者提出諸多創(chuàng)新性的集群交互認(rèn)知方法, 例如完全區(qū)域覆蓋的神經(jīng)動力學(xué)方法, 利用仿生神經(jīng)網(wǎng)絡(luò)進(jìn)行多智能體之間的交互[44]。歐盟也很早開展了多智能體集群交互認(rèn)知方面的研究, 如英國林肯大學(xué)和捷克理工大學(xué)提出了一種新的基于模型預(yù)測控制的指導(dǎo)生成方法, 該方法使用領(lǐng)導(dǎo)者-跟隨者多智能體交互策略[45]。日本的多機(jī)器人交互研究工作主要集中在仿生多機(jī)器人集群系統(tǒng)[46]。在國內(nèi), 中科院沈陽自動化研究所[47]、中科院自動化研究所、上海交通大學(xué)、哈爾濱工業(yè)大學(xué)和中南大學(xué)等單位也開展了多智能體集群系統(tǒng)交互認(rèn)知關(guān)鍵技術(shù)的研究, 取得了較多的研究成果。

1.3.2 無人艇集群交互技術(shù)

無人艇在集群交互過程中的交互信息存在多樣性、碎片性、隱含性等特點(diǎn), 針對無人艇集群交互機(jī)制和交互內(nèi)容的獲取, 國內(nèi)外很多機(jī)構(gòu)和學(xué)者都開展了相關(guān)研究。Andre等[48]針對多機(jī)系統(tǒng)中何時合作以及與誰合作的問題, 提出了4種何時合作策略。Paliotta等[49]提出了一種基于領(lǐng)導(dǎo)者-跟隨者的自動尋源方法, 通過多艇間的信息交互指導(dǎo)整個無人艇群體的航向。Tolba等[50]提出了一種分布式水下群目標(biāo)搜索算法-虛擬繩搜索(virtual tether search, VTS), 通過分布式交互, 對群體行為進(jìn)行空間約束。Matignon等[51]提出了一種基于多機(jī)交互的分散決策者決策方法, 利用分散馬爾可夫決策過程協(xié)調(diào)多機(jī)器人在通信約束下的搜索。在國內(nèi), Qin等[52]提出了一種基于非策略強(qiáng)化學(xué)習(xí)的輸入飽和多智能體最優(yōu)交互控制策略; Wang等[53]研究了不確定條件下的多艇跟隨一致性問題, 通過領(lǐng)導(dǎo)-跟隨交互, 實(shí)現(xiàn)多艇實(shí)時跟隨。

1.3.3 無人艇集群認(rèn)知

無人艇集群認(rèn)知是指多艇共享感知信息并進(jìn)行推理認(rèn)知[54], 最終使集群中的每個單艇都具有對環(huán)境和目標(biāo)的全局感知和行為狀態(tài)預(yù)測的能力。無人艇集群認(rèn)知首要問題在于將各單艇所感知到的環(huán)境信息進(jìn)行統(tǒng)一描述與融合, 即對環(huán)境的協(xié)同感知與建模和對物體的協(xié)同感知與定位。如Hinzmann等[55]依靠對環(huán)境的快速精確三維建模, 依靠實(shí)時圖像感知與信息鏈路的共享信息對環(huán)境精確建模。基于協(xié)同認(rèn)知的多艇集群作業(yè)系統(tǒng)近年來已經(jīng)取得了長足發(fā)展, 并在實(shí)際環(huán)境中進(jìn)行了多項(xiàng)測試[56-59]。隨著圖神經(jīng)網(wǎng)絡(luò)的興起, 其強(qiáng)大的推理能力吸引了越來越多的研究者的興趣, 人們開始將圖神經(jīng)網(wǎng)絡(luò)應(yīng)用到多目標(biāo)的認(rèn)知推理中[60-61]。

綜上所述, 雖然國內(nèi)外已經(jīng)在多智能體集群交互認(rèn)知方面取得了一些研究成果, 但仍存在交互機(jī)制不明確、交互結(jié)果不確定、信息傳輸實(shí)時性和準(zhǔn)確性難以保證等問題, 解決這些問題是增強(qiáng)無人艇集群交互認(rèn)知能力的關(guān)鍵, 亟需新的交互認(rèn)知框架提升無人艇集群在復(fù)雜環(huán)境下的作業(yè)能力。同時, 在無人艇集群交互認(rèn)知研究中必須考慮信息傳輸?shù)耐負(fù)渚W(wǎng)絡(luò)優(yōu)化, 從而更好地完成集群任務(wù)。另外, 無人艇集群間交互觀測數(shù)據(jù)存在不確定、雜波和高沖突性, 因此還需要進(jìn)一步開展更為深入的研究, 以提高無人艇交互信息融合的快速性和準(zhǔn)確性。

復(fù)雜海況多艇實(shí)時交互認(rèn)知機(jī)制研究的難點(diǎn)和關(guān)鍵問題主要包括: 1) 如何通過分析理解人類認(rèn)知過程中的交互機(jī)制, 解決在多艇交互啟動機(jī)制的研究過程中, 交互機(jī)時以及交互需求難以確定的問題; 2) 如何解決知識多樣性、碎片性以及隱含性為知識獲取所帶來的影響; 3) 在交互認(rèn)知過程中, 如何克服無人艇集群結(jié)構(gòu)動態(tài)變化快、無法實(shí)時交互的問題; 4) 如何解決多艇交互信息之間的矛盾性、不一致性和模糊性為交互知識融合所帶來的問題, 在交互認(rèn)知過程中, 為無人艇集群控制決策提供更多的信息和知識。

1.4 復(fù)雜海況無人艇集群智能協(xié)同控制決策方法

國內(nèi)研制成型的無人艇集群主要從事固定編隊的巡邏、測量和水面監(jiān)測等作業(yè), 針對智能規(guī)劃、避障和無人艇集群控制的研究較少, 且研究難度更大。

1.4.1 無人艇集群自組織體系構(gòu)建與信息安全傳輸

無人艇集群自組織體系結(jié)構(gòu)分為平面式和分級式[62]。對于平面式結(jié)構(gòu)網(wǎng)絡(luò), 網(wǎng)絡(luò)中每架無人艇結(jié)點(diǎn)都擁有相同的功能, 并且在網(wǎng)絡(luò)中的地位也完全相同。網(wǎng)絡(luò)中無人艇的數(shù)量較多且無人艇節(jié)點(diǎn)高速運(yùn)動的時候, 一方面網(wǎng)絡(luò)會出現(xiàn)大量額外的控制開銷, 降低無人艇節(jié)點(diǎn)的處理能力; 另一方面會導(dǎo)致網(wǎng)絡(luò)鏈路較易斷裂, 嚴(yán)重影響網(wǎng)絡(luò)性能。因此, 平面式網(wǎng)絡(luò)體系主要應(yīng)用于規(guī)模較小且移動性較弱的網(wǎng)絡(luò)。在大中型無人艇自組織網(wǎng)絡(luò)中, 為了保證網(wǎng)絡(luò)體系的可擴(kuò)展性, 普遍采用分級式的網(wǎng)絡(luò)體系, 即對網(wǎng)絡(luò)實(shí)施分簇管理[63]。分級結(jié)構(gòu)相較平面結(jié)構(gòu)具有開銷小、吞吐量高、網(wǎng)絡(luò)易擴(kuò)充等優(yōu)點(diǎn), 但是簇首節(jié)點(diǎn)相比簇成員節(jié)點(diǎn)負(fù)責(zé)任務(wù)多, 能量消耗大, 因此需要依賴合理的簇首選舉和簇維護(hù)機(jī)制來實(shí)現(xiàn)網(wǎng)絡(luò)的分級管理, 保證網(wǎng)絡(luò)的負(fù)載均衡[64], 延長網(wǎng)絡(luò)的生存周期。王振[65]提出了一種新算法, 在分簇過程中, 既對節(jié)點(diǎn)按照節(jié)點(diǎn)度進(jìn)行了排序, 從而減少簇頭數(shù)目, 又在權(quán)重公式中加入了節(jié)點(diǎn)屬性這一因素, 并對權(quán)重進(jìn)行了歸一化處理, 使選舉的簇頭更加合理。張艷雙[66]采用免疫算法得到一條遍歷所有簇頭節(jié)點(diǎn)能效比最高的最優(yōu)路徑, 有效地減少了節(jié)點(diǎn)的能量消耗。You等[67]利用離散粒子群優(yōu)化算法, 解決了無線傳感器網(wǎng)絡(luò)拓?fù)淇刂菩畔踩珎鬏數(shù)膯栴}。Basu等[68]提出通過移動節(jié)點(diǎn)位置的方法來增強(qiáng)系統(tǒng)信息傳輸?shù)慕研?。Ahmadi等[69]研究了一種能使多智能體系統(tǒng)實(shí)現(xiàn)雙連通拓?fù)浣Y(jié)構(gòu)的方法。

上述研究成果僅可在小規(guī)模、弱干擾和低動態(tài)的條件下實(shí)現(xiàn)信息的安全傳輸, 針對大規(guī)模、強(qiáng)干擾和高動態(tài)的復(fù)雜海洋環(huán)境, 則無法適用。目前, 國際上對適應(yīng)于這種環(huán)境下的安全拓?fù)浞椒ǖ囊粋€可能的研究方向是利用各類自動機(jī)來實(shí)現(xiàn), 然而目前尚無值得關(guān)注的成果發(fā)布。

1.4.2 無人艇集群任務(wù)分解與任務(wù)分配

1) 無人艇集群任務(wù)分解。為了實(shí)現(xiàn)無人艇集群系統(tǒng)的高效運(yùn)行, 必須研究如何將一個復(fù)雜的無人艇集群任務(wù)進(jìn)行分解[70], 使復(fù)雜任務(wù)轉(zhuǎn)化為若干可執(zhí)行的簡單原子任務(wù)。任務(wù)分解的應(yīng)用領(lǐng)域很廣, 可大致分為分類分解方法[71]、層次規(guī)范分解方法[72]和負(fù)載平衡分解方法[73]。分類分解方法只需要提供任務(wù)的靜態(tài)信息, 通過這些信息對任務(wù)進(jìn)行分類; 層次規(guī)范分解方法考慮的是系統(tǒng)需要完成的總體計劃, 按照這一目標(biāo)逐步建立任務(wù)與子任務(wù)之間的關(guān)系; 負(fù)載平衡分解方法主要考慮的是任務(wù)執(zhí)行時所需要的通信量和計算量, 在分布式環(huán)境下應(yīng)用較多。

然而這些算法或是沒有充分考慮任務(wù)分解的可達(dá)性原則, 即沒有根據(jù)實(shí)際中無人艇自身的特性考慮原子任務(wù)是否可執(zhí)行, 或是沒有充分考慮具體任務(wù)的執(zhí)行時間和整個任務(wù)的完成時間等時序約束。同時, 大部分算法中任務(wù)分解的層次性和表現(xiàn)形式也沒有得到很好的體現(xiàn), 對任務(wù)之間的依賴關(guān)系沒有做出具體解釋。因此, 面對復(fù)雜海況下無人艇集群任務(wù)的繁瑣多變性, 如何在充分考慮任務(wù)時序約束和無人艇自身特性條件下實(shí)現(xiàn)復(fù)雜任務(wù)的自適應(yīng)分解仍待進(jìn)一步研究。

2) 無人艇集群任務(wù)分配。無人艇集群系統(tǒng)的任務(wù)分配從根本上看是一種具有動態(tài)性的分配過程, 任務(wù)可能是隨機(jī)不確定增加或刪減的, 任務(wù)的時間空間具有動態(tài)不確定性, 外部的海洋環(huán)境也是動態(tài)變化的。目前, 無人艇集群系統(tǒng)的任務(wù)分配問題一般從集中式任務(wù)分配和分布式任務(wù)分配2個方面展開研究。

相對于集中式任務(wù)分配, 分布式任務(wù)分配算法對通信中心依賴性小, 可擴(kuò)展性和魯棒性都較好。隨著現(xiàn)代智能理論發(fā)展, 在處理大規(guī)模的多無人系統(tǒng)任務(wù)分配領(lǐng)域出現(xiàn)了智能分布式分配算法, 該方法能同時平衡全系統(tǒng)的任務(wù)大小、難度、周期和冗余等特點(diǎn)需求, 實(shí)現(xiàn)容錯分布式任務(wù)分配, 主要有市場機(jī)理算法、群智算法和情感招募算法等。Robert等[74]提出了市場機(jī)制的任務(wù)拍賣分配方法。在Robert的基礎(chǔ)上, Bethauh等[75]提出任務(wù)可拆分與組合的拍賣算法, 并通過舉例的方法論證了該方法在大規(guī)模復(fù)雜任務(wù)上能得到全局最優(yōu)解。

目前大部分任務(wù)分配方法只適用于任務(wù)量較少、任務(wù)關(guān)聯(lián)性較低、執(zhí)行任務(wù)簡單的多智能體系統(tǒng)沒有較大異構(gòu)性等簡單情況。然而, 復(fù)雜海況下無人艇集群系統(tǒng)的任務(wù)分配環(huán)節(jié)所面臨的是關(guān)聯(lián)性較強(qiáng)的多個任務(wù), 同時無人艇集群系統(tǒng)具有能力傾向、所處場景等方面的強(qiáng)異構(gòu)性, 已有的任務(wù)分配方法無法針對上述難點(diǎn)做出兼具快速性和高效性的決策要求, 將導(dǎo)致集群系統(tǒng)反應(yīng)遲滯、任務(wù)分配不合理從而無法最大化發(fā)揮出集群系統(tǒng)整體能力等問題。因此, 如何實(shí)現(xiàn)無人艇集群多任務(wù)的全局最優(yōu)協(xié)同分配, 使得無人艇集群能夠快速決策并最大限度地發(fā)揮各個無人艇的能力, 從而實(shí)現(xiàn)整體任務(wù)收益最大化的目標(biāo), 仍待進(jìn)一步研究。

1.4.3 無人艇集群協(xié)同控制與行為規(guī)劃

1) 無人艇集群協(xié)同控制。2008年, Aguiar等[76]對以往的理論設(shè)計進(jìn)行了更深入的分析與總結(jié), 并在此基礎(chǔ)上提出了關(guān)于協(xié)同路徑跟蹤, 包含控制層和協(xié)調(diào)層兩部分的理論框架。2011年, B?rhaug等[77]提出非線性同步控制方法, 使船只在直線航行時能夠保持編隊隊形。

為了進(jìn)一步尋求復(fù)雜海況下無人艇集群的協(xié)同控制方法, 除了直接針對無人艇協(xié)同控制的研究, 還可從多智能體層面尋求設(shè)計方案。以往針對無人艇集群協(xié)同控制的研究存在以下不足: 簡化了復(fù)雜海況風(fēng)、浪、涌產(chǎn)生的強(qiáng)干擾, 忽略了無人艇自身大慣性、高時滯、欠驅(qū)動的運(yùn)動特性與無人艇集群系統(tǒng)各艇之間的高耦合特性, 導(dǎo)致設(shè)計的協(xié)同控制策略實(shí)用性不高, 控制精度不夠; 設(shè)計的協(xié)同控制策略只能實(shí)現(xiàn)特定幾種小規(guī)模的編隊行駛功能, 不能實(shí)現(xiàn)對無人艇集群系統(tǒng)的智能協(xié)同控制。因此, 針對復(fù)雜海況無人艇集群大規(guī)模、高時滯、強(qiáng)干擾、高耦合的難點(diǎn), 如何利用分布式協(xié)同控制、智能優(yōu)化、狀態(tài)預(yù)測等理論來實(shí)現(xiàn)復(fù)雜海況無人艇集群的精準(zhǔn)協(xié)同控制有待進(jìn)一步解決。

2) 無人艇集群行為規(guī)劃。按照規(guī)劃決策的計算方法劃分, 航路規(guī)劃算法可以分為確定型算法和隨機(jī)型算法兩大類[78]。確定型路徑規(guī)劃算法主要有窮舉法、動態(tài)規(guī)劃、數(shù)學(xué)規(guī)劃、梯度法和牛頓法等。確定型算法可以保證給出問題的最優(yōu)解, 但是具有較高的時間或空間復(fù)雜性, 應(yīng)用于航路規(guī)劃的大范圍復(fù)雜規(guī)劃環(huán)境時, 運(yùn)行時間往往過于冗長。隨機(jī)型算法通過對問題空間進(jìn)行某種隨機(jī)采樣, 借助于統(tǒng)計推斷的方法搜索較好的可行解, 雖然不能保證獲得問題最優(yōu)解, 但卻能在計算時間和求解效果上進(jìn)行權(quán)衡, 以很高的概率獲得較好的可行解, 適于處理復(fù)雜的航路規(guī)劃問題。作為典型的隨機(jī)型算法, 遺傳算法在大規(guī)模航路規(guī)劃中得到了廣泛的應(yīng)用并體現(xiàn)出解決此類問題的有效性[79-80], 其中涉及到算法實(shí)現(xiàn)中的路徑編碼、群體初始化、適應(yīng)度函數(shù)構(gòu)造以及遺傳算子設(shè)計等方面的研究。遺傳算法的不足是速度較慢, 但其隱含的并行性可以縮短搜索時間, 在實(shí)時航路規(guī)劃上具有很大的發(fā)展?jié)摿? 尤其在處理大范圍路徑規(guī)劃問題上, 遺傳算法的性能優(yōu)于等A*傳統(tǒng)路徑規(guī)劃算法, 可以在較短時間內(nèi)給出近似最優(yōu)路徑。作為隨機(jī)搜索算法, 遺傳算法具有生成不同路徑的潛力, 可以以此為基礎(chǔ)構(gòu)造多航路規(guī)劃算法。

綜上所述, 以往研究成果大多基于靜態(tài)全局場景信息對單個無人系統(tǒng)進(jìn)行運(yùn)動規(guī)劃, 不僅缺少對實(shí)際應(yīng)用中全局場景信息如何獲取的考慮, 也缺乏對場景動態(tài)變化性的考慮, 更欠缺針對多智能體系統(tǒng)協(xié)同運(yùn)動規(guī)劃的考慮。復(fù)雜海況中存在多種障礙且場景具備極強(qiáng)的動態(tài)性, 并且無人艇集群系統(tǒng)的協(xié)同運(yùn)動規(guī)劃策略必須考慮多個無人艇之間的相互影響, 因而傳統(tǒng)的無人系統(tǒng)行為規(guī)劃方法不適用于復(fù)雜海況無人艇集群的協(xié)同行為規(guī)劃研究。同時, 在無人艇回轉(zhuǎn)特性的約束下, 無人艇集群協(xié)同行為規(guī)劃還需要具備平滑柔順的特性。因此, 如何在動態(tài)復(fù)雜海況下, 實(shí)現(xiàn)無人艇集群高效靈活的智能柔順協(xié)同行為規(guī)劃, 有待進(jìn)一步研究。

面向復(fù)雜海況下無人艇集群智能協(xié)同控制的難點(diǎn)和關(guān)鍵問題主要包括: 1) 如何構(gòu)建抗毀的無人艇集群自組織框架, 對大規(guī)模場景感知信息凝練得到的知識進(jìn)行高效傳輸, 降低無人艇集群系統(tǒng)的控制代價與通信代價, 以解決信息安全傳輸難的問題; 2) 如何構(gòu)建高效可靠的任務(wù)分解模型, 在充分考慮無人艇集群特性和任務(wù)時序約束的條件下, 實(shí)現(xiàn)無人艇集群自適應(yīng)任務(wù)分解, 以解決集群任務(wù)分配難的問題; 3) 如何通過構(gòu)建預(yù)測模型表示無人艇集群系統(tǒng)動態(tài)行為, 以實(shí)現(xiàn)復(fù)雜海況高時滯、信息不完整、各艇之間高耦合的條件下無人艇集群智能精準(zhǔn)控制。

1.5 復(fù)雜海況典型無人艇集群應(yīng)用驗(yàn)證平臺

無人艇集群算法在實(shí)際應(yīng)用之前的實(shí)驗(yàn)驗(yàn)證是關(guān)鍵環(huán)節(jié)之一。目前, 國內(nèi)外無人艇集群應(yīng)用驗(yàn)證主要包含目標(biāo)識別、協(xié)同控制、航跡跟蹤等算法研究, 以及跟蹤控制器、動力系統(tǒng)等硬件調(diào)試。驗(yàn)證方法主要包括實(shí)艇水上驗(yàn)證、虛擬仿真驗(yàn)證等。

1.5.1 應(yīng)用驗(yàn)證平臺領(lǐng)域知識與模型管理

面向任務(wù)的無人艇集群算法的實(shí)現(xiàn)涉及多種領(lǐng)域知識和模型, 因此要實(shí)現(xiàn)無人艇集群算法的高效驗(yàn)證需要對這些知識和模型進(jìn)行合理的調(diào)度和管理。目前針對無人艇驗(yàn)證平臺知識與模型管理的研究相對較少。胡建章等[81]根據(jù)無人艇集群驗(yàn)證系統(tǒng)的功能需求, 設(shè)計系統(tǒng)的整體架構(gòu), 通過子系統(tǒng)模塊與模型高效調(diào)用和管理, 建立具備多任務(wù)、長航時、高精度導(dǎo)航及較高智能化的集群系統(tǒng)。秦梓荷[82]對無人艇的行為決策能力進(jìn)行了研究, 在仿真試驗(yàn)中, 通過運(yùn)動策略的調(diào)度, 實(shí)現(xiàn)多種航行情況及復(fù)雜任務(wù)下無人艇集群的聯(lián)合作業(yè)。

1.5.2 虛擬場景離線預(yù)驗(yàn)證平臺

隨著建模技術(shù)與虛擬現(xiàn)實(shí)技術(shù)的快速發(fā)展, 無人艇虛擬場景離線預(yù)驗(yàn)證的方法被廣泛地應(yīng)用到無人艇驗(yàn)證之中。根據(jù)無人艇虛擬場景離線預(yù)驗(yàn)證的特點(diǎn)可分為無人艇特定功能仿真及應(yīng)用環(huán)境仿真兩大類。無人艇特定功能仿真針對無人艇特定功能進(jìn)行虛擬仿真驗(yàn)證設(shè)計, 主要涉及無人艇自身運(yùn)動狀態(tài)及控制決策兩大部分[83-90]。無人艇應(yīng)用環(huán)境仿真就整個無人艇的應(yīng)用場景進(jìn)行虛擬仿真平臺的設(shè)計[91-94]。

1.5.3 真實(shí)場景實(shí)艇集群水上驗(yàn)證平臺

實(shí)艇水上驗(yàn)證是無人艇集群應(yīng)用最有效的驗(yàn)證方法, 被國內(nèi)外研究者廣泛使用。實(shí)艇水上驗(yàn)證主要集中在無人艇定位、跟蹤和避障等算法的驗(yàn)證[95-98]。蒲華燕等[99]針對無人艇在海洋環(huán)境下實(shí)際的碰撞問題, 提出了基于橢圓碰撞錐的無人艇動態(tài)避障方法, 以“精海3 號”無人艇為實(shí)驗(yàn)平臺, 在實(shí)際海域驗(yàn)證了該動態(tài)避障方法的有效性。

綜上所述, 由于驗(yàn)證平臺領(lǐng)域知識與模型的管理存在較大難度, 國內(nèi)外相關(guān)研究較少, 但驗(yàn)證平臺領(lǐng)域知識及模型的有效管理和調(diào)度對提升無人艇集群驗(yàn)證效率具有重要意義。虛擬場景離線預(yù)驗(yàn)證方法能有效減少海上調(diào)試工作量, 避免驗(yàn)證過程中時間與資源的浪費(fèi), 同時使得無人艇的操作更加方便。但是由于模型構(gòu)建的誤差, 以及虛擬引擎環(huán)境與真實(shí)世界之間的誤差, 導(dǎo)致預(yù)驗(yàn)證離線學(xué)習(xí)平臺的輸出結(jié)果并不能真實(shí)反映算法或軟硬件的可行性。而實(shí)艇水上驗(yàn)證方法雖然使得驗(yàn)證的準(zhǔn)確性與可靠性更高, 但是本身存在成本高、風(fēng)險大和周期長等缺陷。此外, 當(dāng)前無人艇相關(guān)的驗(yàn)證平臺主要集中于單艇運(yùn)動狀態(tài)及控制決策的驗(yàn)證, 而涉及多艇協(xié)同編隊問題的驗(yàn)證研究較少。無人艇集群在執(zhí)行救援、勘探等任務(wù)時能夠極大地提升工作效率, 因此, 無人艇集群驗(yàn)證平臺的研究是當(dāng)前迫切的需求。

面向典型無人艇集群應(yīng)用驗(yàn)證平臺研究的難點(diǎn)和關(guān)鍵問題主要包括: 1) 如何解決為無人艇集群驗(yàn)證平臺提供知識模型管理框架問題, 建立無人艇集群知識管理系統(tǒng); 2) 如何建立離線預(yù)驗(yàn)證環(huán)境并對預(yù)驗(yàn)證物理模型進(jìn)行修正, 實(shí)現(xiàn)預(yù)驗(yàn)證與真實(shí)環(huán)境的完整統(tǒng)一; 3) 如何實(shí)現(xiàn)復(fù)雜海況下無人艇集群各類方法模型的學(xué)習(xí), 建立復(fù)雜海況下無人艇集群應(yīng)用驗(yàn)證系統(tǒng)。

2 無人艇集群控制技術(shù)發(fā)展趨勢

2.1 單艇準(zhǔn)確完備自主感知

復(fù)雜海況下, 無人艇受自身運(yùn)動及海洋環(huán)境影響會導(dǎo)致航行狀態(tài)不穩(wěn)定, 獲取的數(shù)據(jù)集存在高價值目標(biāo)樣本少、質(zhì)量低的問題, 在海浪、雨霧等影響下存在噪聲大、易變形、局部缺失等問題。并且, 無人艇配備的視覺、雷達(dá)、聲吶等傳感器所采集到的數(shù)據(jù)模態(tài)也各不相同, 導(dǎo)致單一的目標(biāo)識別模型難以實(shí)現(xiàn)在不同海況下對多尺度弱觀測目標(biāo)的精確感知。真實(shí)復(fù)雜海洋場景下, 無人艇難以從海洋環(huán)境智能感知過程中提供的多源異構(gòu)數(shù)據(jù)與目標(biāo)識別模型庫準(zhǔn)確理解海洋環(huán)境及目標(biāo)實(shí)體, 并且從大規(guī)模的領(lǐng)域文本集合中高效且完備的抽取海洋目標(biāo)實(shí)體屬性及實(shí)體間關(guān)系進(jìn)而構(gòu)建海洋目標(biāo)實(shí)體屬性與關(guān)系知識圖譜也存在許多困難。此外, 復(fù)雜的海洋環(huán)境易導(dǎo)致無人艇感知信息存在缺失, 從而影響無人艇的場景語義理解與推理, 無法為多艇信息交互及無人艇集群控制決策提供信息支撐。因此, 如何基于不完備的觀測信息實(shí)現(xiàn)樣本增廣并以此為基礎(chǔ)實(shí)現(xiàn)復(fù)雜海況下無人艇對海洋環(huán)境及多尺度弱觀測目標(biāo)實(shí)體的準(zhǔn)確感知, 以及在高冗余、強(qiáng)噪聲、復(fù)雜多變的多源異構(gòu)數(shù)據(jù)下, 如何實(shí)現(xiàn)單艇準(zhǔn)確完備自主感知是未來需解決的關(guān)鍵問題。

2.2 多艇快速靈活交互認(rèn)知

復(fù)雜海況限制了無人艇的感知范圍和能力, 使其感知信息難以覆蓋整個運(yùn)動區(qū)域以及全天候、全氣象環(huán)境。通過多艇之間的信息交互和信息融合, 有助于提升其綜合態(tài)勢的認(rèn)知能力。但是, 無人艇的信息交互機(jī)制尚不明確、交互目標(biāo)難以闡明, 這為多艇之間的信息交互認(rèn)知帶來了挑戰(zhàn)。因此, 有必要研究主動交互需求產(chǎn)生策略, 并在認(rèn)知心理學(xué)的指導(dǎo)下實(shí)現(xiàn)多艇快速、靈活信息交互和信息融合, 增強(qiáng)無人艇的綜合態(tài)勢認(rèn)知能力。

2.3 無人艇集群實(shí)時高效協(xié)同控制

首先, 復(fù)雜海況下風(fēng)浪干擾和多徑效應(yīng)導(dǎo)致無人艇集群拓?fù)浣Y(jié)構(gòu)變化劇烈, 傳統(tǒng)的自組織體系僅僅依靠運(yùn)動模型來建立對等的拓?fù)浣Y(jié)構(gòu), 在這種惡劣環(huán)境下抗毀能力較弱, 無法保障系統(tǒng)的信息傳輸安全。其次, 復(fù)雜海況下無人艇集群系統(tǒng)任務(wù)分配所面臨的是關(guān)聯(lián)性較大的多任務(wù), 同時無人艇集群具有能力傾向、所處場景等方面的異構(gòu)性, 而傳統(tǒng)的任務(wù)分配方法無法針對上述問題滿足兼具快速性和高效性的決策要求。最后, 無人艇自身具有大慣性、欠驅(qū)動等運(yùn)動特性, 并且高海況下無人艇集群控制面臨多種復(fù)雜動靜態(tài)障礙和較大的無人艇數(shù)量。因此, 以場景語義理解為基礎(chǔ), 依托交互認(rèn)知機(jī)制, 實(shí)現(xiàn)無人艇集群智能協(xié)同決策與控制是未來需解決的問題之一。

3 結(jié)束語

復(fù)雜海況下無人艇集群控制是提高無人艇工作效率、完成復(fù)雜艱難任務(wù)的有效手段。文中對近年來國內(nèi)外有關(guān)復(fù)雜海況無人艇集群控制的關(guān)鍵問題進(jìn)行了論述, 闡述了復(fù)雜海況下海洋環(huán)境智能感知方法、單艇準(zhǔn)確完備自主感知機(jī)理、多艇實(shí)時交互認(rèn)知機(jī)制、無人艇集群智能協(xié)同控制決策方法以及無人艇集群應(yīng)用平臺驗(yàn)證問題的研究現(xiàn)狀, 提出了關(guān)鍵技術(shù)和難點(diǎn)問題。同時歸納出了復(fù)雜海況無人艇集群控制亟待解決的問題, 指出針對復(fù)雜海況無人艇集群的協(xié)同控制與優(yōu)化決策, 單艇自主完備感知、多艇快速靈活交互認(rèn)知、實(shí)時高效集群協(xié)同是未來的研究方向。相信隨著控制、通信、數(shù)據(jù)融合等技術(shù)的交融發(fā)展, 復(fù)雜海況無人艇集群控制技術(shù)必將得到更深遠(yuǎn)的發(fā)展。

[1] Larson J, Bruch M, Halterman R, et al. Advances in Autonomous Obstacle Avoidance for Unmanned Surface Vehicles[J]. Association for Unmanned Vehicle Systems International-Unmanned Systems North America Conference, 2007, 1: 484-498.

[2] 田明輝, 萬壽紅, 岳麗華. 遙感圖像中復(fù)雜海面背景下的海上艦船檢測[J]. 小型微型計算機(jī)系統(tǒng), 2008, 29(11): 2162-2166.Tian Ming-hui, Wan Shou-hong, Yue Li-hua. Ship Detection in Remote Sensing Images with Complex Sea Surface Background[J]. Journal of Chinese Computer Systems, 2008, 29(11): 2162-2166.

[3] Mabel M Z, Jean C, Kostas D, et al. VAIS: A Dataset for Recognizing Maritime Imagery in the Visible and Infrared Spectrums[C]//The IEEE Conference on Computer Vision and Pattern Recognition Workshops. Boston, MA, USA: IEEE, 2015.

[4] Matej K, Vildana S K, Sulic K, et al. Fast Image-Based Obstacle Detection From Unmanned Surface Vehicles[J]. IEEE Transactions on Cybernetics, 2016, 46(3): 641-654.

[5] Ricardo R, Goncalo C, Jorge M, et al. A Dataset for Airborne Maritime Surveillance Environments[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 29(9): 2720-2732.

[6] Dilip K P, Deepu R, Lily R, et al. Video Processing from Electro-optical Sensors for Object Detection and Tracking in Maritime Environment: A Survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(8): 1997- 2016.

[7] Perez L, Wang J. The Effectiveness of Data Augmentation in Image Classification Using Deep Learning[EB/OL]. arXiv, (2017-12-13)[2020-08-25]. https://arxiv.org/abs/1712.04621v1.

[8] Cubuk E D, Zoph B, Mane D, et al. AutoAugment: Learning Augmentation Policies from Data[EB/OL]. arXiv, (2019-04-11)[2020-08-25]. http://export.arxiv.org/ abs/1805.09501v3.

[9] Song R, Liu Y, Ralph R M, et al. Mesh Saliency via Spectral Processing[J]. ACM Transactions on Graphics, 2014, 33(1): 6.1-6.17.

[10] Song R, Liu Y, Ralph R M, et al. Saliency-Guided Integration of Multiple Scans[C]//IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), Providence, RI, USA: IEEE, 2012.

[11] Schreck C, Hafner C, Wojtan C. Fundamental Solutions for Water Wave Animation[J]. ACM Transactions on Graphics, 2019, 38(4): 130.1-130.14.

[12] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Nets[J]. arXiv, (2014-06-10)[2020-08-25]. http://www.andrew.cmu.edu/user/rmorina/papers/GANs.pdf.

[13] Kingma D P, Welling M. Auto-encoding Variational Bayes[J]. arXiv, (2014-05-01)[2020-08-25]. https://arxiv. org/abs/1312.6114.

[14] Makhzani A, Shlens J, Jaitly N, et al. Adversarial Autoencoders[J]. arXiv, (2016-05-25)[2020-08-25]. https://arxiv.org/abs /1511.05644.

[15] Zhu J, Taesung P, Phillip I, et al. Unpaired Image- to-Image Translation Using Cycle-Consistent Adversarial Networks[C]//The IEEE International Conference on Com- puter Vision. Venice, Italy: IEEE, 2017: 2223-2232.

[16] Ledig C, Theis L, Huszar F, et al. Photo-realistic Single Image Super-Resolution Using a Generative Adversarial Network[J]. arXiv, (2017-05-25)[2020-08-25]. https:// arxiv.org/abs/1609.04802.

[17] Schwind P, Suri S, Reinartz P, et al. Applicability of the SIFT Operator to Geometric SAR Image Registration[J]. International Journal of Remote Sensing, 2010, 31(8): 1959-1980.

[18] Wang S, Quan D, Liang X, et al. A Deep Learning Framework for Remote Sensing Image Registration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145(A): 148-164.

[19] Pastina D, Lombardo P, Farina A, et al. Super-resolution of Polarimetric SAR Images of Ship Targets[J]. Signal Processing, 2013, 83(8): 1737-1748.

[20] Teutsch M, Kruger W. Classification of Small Boats in Infrared Images for Maritime Surveillance[C]//2010 International WaterSide Security Conference. Carrara, Italy: IEEE, 2010: 1-7.

[21] Wessman M. Object Detection Using LIDAR in Maritime Scenarios[D]. Finland: ?bo Akademi University, 2018.

[22] Lin T, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//The IEEE Conference on Computer Vision and Pattern Recognition, Hawaii, USA: IEEE, 2017: 2117-2125.

[23] Yang S, Deva R. Multi-scale Recognition with DAG- CNNs[C]//The IEEE International Conference on Computer Vision. Santiago, Chile: IEEE, 2015: 1215-1223.

[24] Chen L, Yang Y, Wang J, et al. Attention to Scale: Scale-Aware Semantic Image Segmentation[C]//The IEEE Conference on Computer Vision And Pattern Recognition, Las Vegas, NV, USA: IEEE, 2016: 3640-3649.

[25] Zhang G, Lu S, Zhang W. CAD-Net: A Context-Aware Detection Network for Objects in Remote Sensing Imagery[J]. IEEE Transactions On Geoscience and Remote Sensing, 2019, 57(12): 10015-10024.

[26] Bloisi D D, Iocchi L, Fiorini M, et al. Camera Based Target Recognition for Maritime Awareness[C]//15th International Conference on Information Fusion. Singapore, Singapore: IEEE, 2012: 1982-1987.

[27] Luan Y, Wadden D, He L, et al. A General Framework for Information Extraction Using Dynamic Span Graphs[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis, Minnesota: NAACL, 2019.

[28] 鄭家恒, 王興義, 李飛. 信息抽取模式自動生成方法的研究[J]. 中文信息學(xué)報, 2004, 18(1): 49-55.Zheng Jia-heng, Wang Xing-yi, Li Fei. Research on Automatic Generation of Extraction Patterns[J]. Journal of Chinese Information Processing, 2004, 18(1): 49-55.

[29] Pingle A, Piplai A, Mittal S, et al. RelExt: Relation Extraction Using Deep Learning Approaches for Cybersecurity Knowledge Graph Improvement[J]. arXiv, (2019- 05-16)[2020-08-25]. https://arxiv.org/abs/1905.02497?co- ntext=cs.AI.

[30] Bordes A, Usunier N, Garcia-Duran A, et al. Translating Embeddings for Modeling Multi-Relational Data[C]//Proc of NIPS. Cambridge, MA: MIT Press, 2013: 2787-2795.

[31] Lin Y, Liu Z, Sun M, et al. Learning Entity and Relation Embedding for Knowledge Graph Completion[C]//Proc of AAAI. Menlo Park, CA: AAAI, 2015.

[32] Ji G, He S, Xu L, et al. Knowledge Graph Embedding Via Dynamic Mapping Matrix[C]//Pro. of ACL. Stroudsburg, PA: ACL, 2015: 687-696.

[33] Hu Z, Huang P, Deng Y, et al. Entity hierarchy embedding[C]//Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Beijing, China: ACL, 2015.

[34] Nickel M, Volker T, Kriegel H P. A Three-Way Model for Collective Learning on Multi-Relational Data[C]//Pro- ceedings of the 28th International Conference on International Conference on Machine Learning. Washington, USA: ICML, 2011.

[35] Chang K W, Yih W, Yang B, et al. Typed Tensor Decomposition of Knowledge Bases for Relation Extraction[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Doha, Qatar: EMNLP, 2014.

[36] He W, Feng Y, Zou L, et al. Knowledge Base Completion Using Matrix Factorization[C]//Asia-Pacific Web Confe- rence. Guangzhou, China: APWeb, 2015.

[37] Xiao H, Huang M, Hao Y, et al. TransG: A Generative Mixture Model for Knowledge Graph Embedding[J]. arXiv, (2017-09-08)[2020-08-25]. https://arxiv.org/abs/ 1509.05488.

[38] He S, Liu K, Ji G, et al. Learning to Represent Knowledge Graphs with Gaussian Embedding[C]//Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. Melbourne, Australia: ACM, 2015.

[39] 巴宏欣, 趙宗貴, 楊飛. 態(tài)勢估計——概念、內(nèi)容與方法[J]. 解放軍理工大學(xué)學(xué)報, 2004, 5(6): 10-16. Ba Hong-xin, Zhao Zong-gui, Yang Fei. Concepts, Contents and Methods of Situation Assessment[J]. Journal of PLA University of Science and Technology(Natural Science Edition), 2004, 5(6): 10-16.

[40] 趙宗貴, 李君靈, 王珂. 戰(zhàn)場態(tài)勢估計概念、結(jié)構(gòu)與效能[J]. 中國電子科學(xué)研究院學(xué)報, 2010, 5(3): 226-230.Zhao Zong-Gui, Li Jun-Ling, Wang Ke. The Concept, Structure and Efficiency of Battlefield Situation Assessment[J]. Journal of China Academy of Electronics and Information Technology, 2010, 5(3): 226-230.

[41] 邵勇, 馬豐文. 戰(zhàn)場態(tài)勢評估關(guān)鍵技術(shù)綜述[C]//2007系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議, 珠海, 中國: 中國系統(tǒng)仿真學(xué)會, 2007: 913-915.

[42] Wen H, Song J. Using Big Data to Enhance the Capability of the Situational Awareness of Battlefield[C]//Proceed- ings of 2018 Chinese Intelligent Systems Conference. Singapore, Singapore: Springer, 2019: 311-318.

[43] Noreils F R. Toward a Robot Architecture Integrating Cooperation Between Mobile Robots: Application to Indoor Environment[J]. Int. J. Robot. Res., 1993, 12(1): 79-98.

[44] Luo C, Yang S X, Li X, et al. Neural-Dynamics-Driven Complete Area Coverage Navigation Through Cooperation of Multiple Mobile Robots[J]. IEEE Trans. Ind. Electron., 2017, 64(1): 750-760.

[45] Saska M, Vonásek V, Krajník T, et al. Coordination and Navigation of Heterogeneous MAV–UGV Formations Localized by a “Hawk-Eye”-Like Approach Under a Model Predictive Control Scheme[J]. Int. J. Robot. Res., 2014, 33(10): 1393-1412.

[46] Wu M H, Ogawa S, Konno A. Symmetry Position/Force Hybrid Control for Cooperative Object Transportation Using Multiple Humanoid Robots[J]. Adv. Robot., 2016, 30(2): 131-149.

[47] 王越超, 談大龍, 黃閃, 等. 一個多智能體機(jī)器人協(xié)作裝配系統(tǒng)[J]. 高技術(shù)通訊, 1998, 8(7): 6-10. Wang Yue-chao, Tan Da-long, Huang Shan, et al. A Multi-agent Robot Cooperative Assembly System[J]. Chinese High Technology Letters, 1998, 8(7): 6-10.

[48] Andre T, Bettstetter C. Collaboration in Multi-robot Exploration: to Meet or Not to Meet?[J]. J. Intell. Robot. Syst., 2016, 82(2): 325-337.

[49] Paliotta C, Belleter D J, Pettersen K Y. Adaptive Source Seeking with Leader-Follower Formation Control[J]. IFAC-Pap., 2015, 48(16): 285-290.

[50] Tolba S, Ammar R. Virtual Tether Search: A Self-Constraining Search Algorithm for Swarms in an Open Ocean[C]//2017 IEEE Symposium on Computers and Communications(ISCC). Heraklion, Greece: IEEE, 2017: 1128-1135.

[51] Matignon L, Jeanpierre L, Mouaddib A I. Coordinated Multi-Robot Exploration Under Communication Constraints Using Decentralized Markov Decision Processes[C]//Proceed- ing of the Twenty-sixth AAAI Conference on Artificial Intelligence. Toronto, Ontario, Canada: AAAI, 2012.

[52] Qin J, Li M, Shi Y, et al. Optimal Synchronization Control of Multiagent Systems with Input Saturation via Off-Policy Reinforcement Learning[J]. IEEE Trans. Neural Netw. Learn. Syst., 2018, 30(1): 85-96.

[53] Wang S, Huang J. Adaptive Leader-Following Consensus for Multiple Euler–Lagrange Systems with an Uncertain Leader System[J]. IEEE Trans. Neural Netw. Learn. Syst., 2019, 30(7): 2188-2196.

[54] Mavrovouniotis M, Li C, Yang S. A Survey of Swarm Intelligence for Dynamic Optimization: Algorithms and Applications[J]. Swarm Evol. Comput., 2017, 33: 1-17.

[55] Hinzmann T, Stastny T, Conte G, et al. Collaborative 3D Reconstruction Using Heterogeneous UAVs: System and Experiments[C]//2016 International Symposium on Experimental Robotics.Tokyo, Japan: Springer, 2017: 43-56.

[56] Martins A, Dias A, Almeida J. Field Experiments for Marine Casualty Detection with Autonomous Surface Vehicles[C]//2013 OCEANS-San Diego. San Diego, CA, USA: IEEE, 2013: 1-5.

[57] Sullivan A, York A M, An L, et al. How Does Perception at Multiple Levels Influence Collective Action in The Commons? The Case of Mikania Micrantha in Chitwan, Nepal[J]. Forest Policy and Economics, 2017, 80: 1-10.

[58] Hussain Qureshi A, Ayaz Y. Intelligent Bidirectional Rapidly-Exploring Random Trees for Optimal Motion Planning in Complex Cluttered Environments[J]. Robotics and Autonomous Systems, 2015, 68: 1-11.

[59] Hinostroza M A, Xu H, Guedes Soares C. Cooperative Operation of Autonomous Surface Vehicles for Maintaining Formation in Complex Marine Environment[J]. Ocean Eng., 2019, 183: 132-154.

[60] Zhang Z, Cui P, Zhu W. Deep Learning on Graphs: A Survey[J/OL]. IEEE Transactions on Knowledge and Data Engineering, (2018-03-17)[2020-08-25]. https://ieeexplo- re.ieee.org/document/9039675.

[61] Yao T, Pan Y, Li Y, et al. Exploring Visual Relationship for Image Captioning[C]//Proceedings of 15th European Conference. Munich, Germany: Springer, 2018.

[62] Neamatollahi P, Abrishami S, Naghibzadeh M, et al. Hierarchical Clustering-Task Scheduling Policy in Cluster-Based Wireless Sensor Networks[J]. IEEE Transactions on Industrial Informatics, 2018, 14(5): 1876-1886.

[63] 張鵬, 崔勇. 移動自組織網(wǎng)絡(luò)路由選擇算法研究進(jìn)展[J]. 計算機(jī)科學(xué), 2010, 37(1): 10-22, 38. Zhang Peng, Cui Yong. Survey on Routing Algorithms of Mobile Ad Hoc Networks[J]. Computer Science, 2010, 37(1): 10-22, 38.

[64] Yang W. Research on Ad Hoc Clustering Algorithm[J]. Com- puter Engineering & Applications, 2010, 46(21): 111-115.

[65] 王振. 無線自組織網(wǎng)絡(luò)自適應(yīng)算法研究[D]. 北京: 北京郵電大學(xué), 2019.

[66] 張艷雙. 基于免疫算法的無線傳感器網(wǎng)絡(luò)路由算法的研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2009.

[67] You B, Chen G, Guo W. A Discrete PSO-based Fault- Tolerant Topology Control Scheme in Wireless Sensor Networks[C]//Proceedings of 5th International Symposium. Wuhan, China: Springer, 2010: 1-12.

[68] Basu P, Redi J. Movement Control Algorithms for Realization of Fault-Tolerant Ad Hoc Robot Networks[J]. IEEE Network, 2004, 18(4): 36-44.

[69] Ahmadi M, Stone P. Keeping in Touch: Maintaining Biconnected Structure by Homogeneous Robots[C]//Pro- ceedings of the National Conference on Artificial Intelligence. Boston, Massachusetts: USA, 2006.

[70] 馬巧云. 基于多系統(tǒng)的動態(tài)任務(wù)分配研究[D]. 武漢: 華中科技大學(xué), 2006

[71] 張榮國, 劉靜, 張繼福, 等. 產(chǎn)品并行設(shè)計多Agent系統(tǒng)中任務(wù)分解和協(xié)調(diào)模型的研究[J]. 太原重型機(jī)械學(xué)院學(xué)報, 2002, 23(2): 166-170. Zhang Rong-guo, Liu Jing, Zhang Ji-fu, et al. Study on Task Decomposition and Coordination Modeling in Product Concurrent Design Based on Multi-Agent System[J]. Journal of Taiyuan Heavy Machinery Institute, 2002, 23(2): 166-170.

[72] 龔卓君. 衛(wèi)星應(yīng)用任務(wù)分解技術(shù)研究[D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2009.

[73] 宋言偉. 基于網(wǎng)絡(luò)節(jié)點(diǎn)上下文的任務(wù)分解和調(diào)度方法研究[D]. 濟(jì)南: 山東大學(xué), 2012.

[74] Robert Z, Tony S A, Bernardine D M, et al. Multi-robot Exploration Controlled by a Market Economy[C]//Pro- ceedings of the IEEE International Conference on Robotica and Automation. Piscataway, USA: IEEE, 2002: 3016- 3023.

[75] Bethauh M, Huang H, Keskinecad P. Robot Exploration with Combinatorial Auctions[C]//Proceedings of IEEE/ RSJ International Conference on Soft Computing for Problem Solving. Las Vegas, Nevada, USA: IEEE, 2003: 1957-1962.

[76] Aguiar A P, Kaminer I, Ghabcheloo R, et al. Coordinated Path Following of Multiple UAVs for Time-Critical Missions in the Presence of Time-Varying Communication Topologies[J]. IFAC Proceedings Volumes, 2008, 41(2): 16015-16020.

[77] B?rhaug E, Pavlov A, Panteley E, et al. Straight Line Path Following for Formations of Underactuated Marine Surface Vessels[J]. IEEE Transactions on Control Systems Technology, 2011, 19 (3): 493-506.

[78] Li D, Li Q, Cheng N, et al. Sampling-Based Real-Time Motion Planning under State Uncertainty for Autonomous Micro-Aerial Vehicles in GPS-Denied Environments[J]. Sensors, 2014, 14(11): 21791-21825.

[79] 李明. 基于改進(jìn)遺傳算法的移動機(jī)器人路徑規(guī)劃研究[D]. 蕪湖: 安徽工程大學(xué), 2017.

[80] Nikolos I K, Valavanis K P, Tsourveloudis N C, et al. Evolutionary Algorithm Based Offline/Online Path Planner for UAV Navigation[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2003, 33(6): 898-912.

[81] 胡建章, 唐國元, 王建軍, 等. 水面無人艇集群系統(tǒng)研究[J]. 艦船科學(xué)技術(shù), 2019, 41(7): 83-88.Hu Jian-zhang, Tang Guo-yuan, Wang Jian-jun, et al. Research on Unmanned Surface Vehicle Cluster System[J]. Ship Science and Technology, 2019, 41(7): 83-88.

[82] 秦梓荷. 水面無人艇運(yùn)動控制及集群協(xié)調(diào)規(guī)劃方法研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2018.

[83] Breivik M, Hovstein V E, Fossen T I. Straight-line Target Tracking for Unmanned Surface Vehicles[J]. Modeling, Identification and control, 2008, 29(4): 13l-149．

[84] Kjerstad K, Breivik M. Weather Optimal Positioning Control For Marine Surface Vessels[J]. IFAC Conference on Control Applications in Marine Systems, 2010, 43(20): 114-119．

[85] Breivik M, Strand J P, Fossen T I. Guided Dynamic Positioning For Fully Actuated Marine Surface Vessels[C]// Proceedings of the 7th IFAC MCMC．Lisbon, Portugal: Elsevier, 2006: 1-6．

[86] Breivik M, Fossen T I. Guidance Laws for Planar Motion Control[J]. IEEE Conference on Decision and Control, 2008, 16(5): 570-577．

[87] Breivik M, Nonlinear Maneuvering Control of Underactuated Ships[D]. Trondheim: Norwegian University of Science and Technology, 2003: 75-79．

[88] 于海軍. 基于抗傾覆性與浮態(tài)恢復(fù)性無人艇仿真研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2012.

[89] Larrazabal J M, Penas M S．Intelligent Rudder Control of an Unmanned Surface Vessel[J]．Expert Systems with Applications, 2016, 55: 106-117．

[90] 吳恭興. 水面智能高速無人艇的控制與仿真[D]. 哈爾濱: 哈爾濱工程大學(xué), 2008.

[91] 劉鵬. 基于Vega Prime的無人艇運(yùn)動控制視景仿真[D]. 大連: 大連海事大學(xué), 2018.

[92] 王卓, 馮曉寧, 萬磊, 等. 水面無人艇協(xié)同仿真平臺設(shè)計方法[J]. 哈爾濱工程大學(xué)學(xué)報, 2012, 33(3):275-282. Wang Zhuo, Feng Xiao-ning, Wan Lei, et al. Research on the Platform Design Method of a USV Collaborative Simulation[J]. Journal of Harbin Engineering University, 2012, 33(3):275-282.

[93] 伍文暉. 水面無人艇試驗(yàn)平臺設(shè)計[D]. 大連: 大連海事大學(xué), 2013.

[94] 胡辛明, 張鑫, 鐘雨軒, 等. 無人水面艇仿真系統(tǒng)設(shè)計與實(shí)現(xiàn)[J]. 上海大學(xué)學(xué)報(自然科學(xué)版), 2017, 23(1): 56-67.Hu Xin-ming, Zhang Xin, Zhong Yu-xuan, et al. Design and Implementation of USV Simulation System[J]. Journal of Shanghai University(Natural Science Edition), 2017, 23(1): 56-67.

[95] 徐博, 肖永平, 高偉, 等. 主從式無人水面艇協(xié)同定位濾波方法與實(shí)驗(yàn)驗(yàn)證[J]. 兵工學(xué)報, 2014, 35(11): 1836-1845. Xu Bo, Xiao Yong-ping, Gao Wei, et al. A Cooperative Navigation Approach and Its Verification of USVs with Leader-fellower Structure[J]. Acta Armamentarii, 2014, 35(11): 1836-1845.

[96] 范云生, 李長飛, 王國峰, 等. 無人水面艇航向跟蹤控制器的設(shè)計與驗(yàn)證[J]. 大連海事大學(xué)學(xué)報, 2017, 43(1): 1-7. Fan Yun-sheng, Li Chang-fei, Wang Guo-feng, et al. Design and Validation of Course Tracking Controller for Unmanned Surface Vehicle[J]. Journal of Dalian Maritime University, 2017, 43(1): 1-7.

[97] 文元橋, 楊吉, 王亞周, 等. 無人艇自適應(yīng)路徑跟蹤控制器的設(shè)計與驗(yàn)證[J]. 哈爾濱工程大學(xué)學(xué)報, 2019, 40(3): 482-488. Wen Yuan-qiao, Yang Ji, Wang Ya-zhou, et al. Design and Validation of Adaptive Path Following Controller for USV[J]. Journal of Harbin Engineering University, 2019, 40(3): 482-488.

[98] Shin J, Kwak D J, Lee Y I. Adaptive Path Following Control for an Unmanned Surface Vessel Using an Identified Dynamic Model[J]. IEEE/ASME Transactions on Mechatronics, 2017, 22(3): 1143-1153.

[99] 蒲華燕, 丁峰, 李小毛, 等. 基于橢圓碰撞錐的無人艇動態(tài)避障方法[J]. 儀器儀表學(xué)報, 2017, 38(7): 1756-1762. Pu Hua-yan, Ding Feng, Li Xiao-mao, et al. Maritime Autonomous Obstacle Avoidance in a Dynamic Environment Based on Collision Cone of Ellipse[J]. Chinese Journal of Scientific Instrument, 2017, 38(7):1756-1762.

Current Development of Control Technology for Unmanned Surface Vessel Clusters under Complex Sea Conditions

XIE Shao-rong1,2, LIU Jian-jian1, ZHANG Dan1

(1. School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China; 2. School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China)

As highly autonomous systems, unmanned surface vessels (USVs) are a reliable means of improving working efficiency on water in such areas as hydrology research, scientific exploration, hydrographic surveys, emergency search and rescue, and security patrol. Advancements in exchange information and collaborative decision-making have enabled the development of USV cluster systems. These systems can obtain more complete perception information and have a high execution efficiency and greater operating range, which considerably enhance the capabilities of USVs to complete tasks autonomously. However, because of complex and changeable marine environmental factors such as wind, waves, and sea currents, collaborative control and optimization decision-making of USV cluster systems face challenges related to single USV autonomous and complete perception mechanism, rapid and flexible interactive cognition of multiple USVs, and real-time efficient cluster collaboration. This study summarizes the latest developments of USV cluster systems in the following four respects: 1) the single USV complete autonomous perception mechanism, 2) the multiple-USV real-time interactive cognition mechanism, 3) the intelligent collaborative control decision methodology, and 4) the USV verification platform. Finally, problems that remain to be addressed as well as future research directions in the field are also briefly discussed. Single USV autonomous and complete perception, rapid and flexible interactive cognition among multiple USVs, and real-time efficient cluster collaboration are the research directions of cluster control technology.

unmanned surface vessel cluster; cooperative control; optimization decision-making

謝少榮, 劉堅堅, 張丹. 復(fù)雜海況無人艇集群控制技術(shù)研究現(xiàn)狀與發(fā)展[J]. 水下無人系統(tǒng)學(xué)報, 2020, 28(6): 584-596.

TJ630; U664.82; TP273.2

A

2096-3920(2020)06-0584-13

10.11993/j.issn.2096-3920.2020.06.001

2020-09-27;

2020-11-23.

國家自然科學(xué)基金重大項(xiàng)目(61991410).

謝少榮(1972-), 女, 教授, 博導(dǎo), 長期從事先進(jìn)的機(jī)器人技術(shù)、眼球運(yùn)動的仿生控制機(jī)制和圖像監(jiān)控系統(tǒng)研究.

(責(zé)任編輯: 陳 曦)