用于风力驱动无人水面艇的层次化导航系统:结合避障区域感知的SLT*全局规划与增强注意力的PPO障碍物规避机制
《Advanced Engineering Informatics》:A hierarchical navigation system for Wind-powered USVs: Integrating No-Go-Zone-aware SLT* global planning and attention-enhanced PPO obstacle avoidance
【字体:
大
中
小
】
时间:2026年07月09日
来源:Advanced Engineering Informatics 11.5
编辑推荐:
李忠杰|吴龙腾|彭岩|郑乐•针对复杂海洋环境中的无人帆船,研究了一种分层导航框架。•一种考虑风力的SLT*全局规划器能够为帆船的禁行区域外生成可行路径。•一种基于交叉注意力增强的PPO模型可提升多船相遇场景下的局部避障能力。•与基准强化学习模型相比,该方法使障碍物避障成功率提升了
李忠杰|吴龙腾|彭岩|郑乐•针对复杂海洋环境中的无人帆船,研究了一种分层导航框架。•一种考虑风力的SLT*全局规划器能够为帆船的禁行区域外生成可行路径。•一种基于交叉注意力增强的PPO模型可提升多船相遇场景下的局部避障能力。•与基准强化学习模型相比,该方法使障碍物避障成功率提升了9%。引言近年来,海洋资源的开发利用日益受到全球关注[1]。随着机器人技术的快速发展,许多智能海洋机器人被研发出来[2]。其中,无人帆船具有零排放、续航时间长等优势,因此在海洋监测和长期航行等任务中具有巨大潜力。然而,与传统螺旋桨驱动的无人水面艇不同,无人帆船属于典型的欠驱动系统[3]。它的动力依赖风能,且受空气动力学限制,无法直接朝向迎风方向的某个特定角度区域航行(即“禁行区域”)[4]。这些复杂的物理约束大大增加了无人帆船路径规划及自主避障任务的难度。在无人帆船的导航控制与路径跟踪方面已取得显著进展。路径规划是自主导航的基础,近年来受到了大量关注[6]。遵循传统自主机器人的方法,无人帆船的规划系统通常包含全局规划和局部规划两个层面[7]。在全局路径规划方面,基于网格的搜索方法是最经典的方式。Saoud等人[8]首创了基于速度模型的PRM-Dijkstra路径规划方法用于无人帆船。袁等人[9]则提出了一种改进的A*算法,该算法加入了针对帆船运动特性的启发式函数,从而能有效确定通往目标的全局最优路径。不过,像Dijkstra和A*这样的算法往往不适用于高分辨率网格地图,且在路径平滑性方面存在不足。除了基于网格的搜索方法,基于采样和优化的算法也受到了广泛关注[10]。邓等人[11]提出了一种基于RRT*(快速探索随机树星形算法)的路径规划算法,该算法通过考虑风场因素有效地进行路径采样与探索。Santos等人[12]则开发了一种基于遗传算法的方法来解决迎风航行的难题。同时,年等人[13]提出了蚁群优化算法,展现了其出色的全局搜索性能与稳定性。在局部路径规划方面,人工势场法和动态窗口法是比较常见的方法。Pêtrès等人[14]将APF算法应用于这一领域。此外,徐等人[15]基于《国际海上避碰规则》提出了用于无人水下艇的DWA碰撞避免算法,该算法利用最近接近点距离和最近接近时间来预测碰撞风险。近期,研究人员逐渐将自适应和学习型策略引入海洋自主车辆的局部碰撞避免中。例如,尹等人[16]提出了一种基于动态优先级引导的自适应碰撞避免策略,用于感知受限环境中的无人水面艇,研究表明动态优先级推理能有效提升复杂场景下的局部决策灵活性与避障性能。另外,陈等人[17]提出了一种基于DA-IFDS方法的密集障碍物环境中多无人水下艇的实时路径规划方法,表明自适应的局部规划机制能显著提升复杂环境中的实时响应能力与障碍物处理能力。近年来,越来越多的学者试图结合全局路径规划与局部路径规划的优点,构建分层路径规划系统[18]。在这种系统中,全局算法根据预先获取的环境地图生成最优参考路径,而局部算法则在航行过程中负责避障任务。这种分层架构逐渐成为该领域的主流方法。例如,沈等人[19]提出了一种基于改进型自适应蚁群优化与滚动窗口法的混合算法(RIACO),用于未知环境中的无人水面艇避障。类似地,张等人[20]提出了一种将加权启发式A*算法与加权人工势场法相结合的分层路径规划算法,与传统算法相比,该算法更适用于风场中的无人帆船导航。尽管这些分层算法已取得一定成果,但仍存在一些未解决的问题与挑战。例如,A*算法不可避免地会生成“锯齿状”路径,而基于优化的算法则常常存在收敛速度慢、路径质量不稳定的问题。在局部路径规划方面,传统的APF法和DWA法容易陷入局部最小值,难以应对复杂的多障碍物场景。为克服这些难题,我们提出了一种用于无人帆船的双闭环分层协作导航系统,该系统包含全局规划层与局部避障层。在本文中,全局规划器、局部避障模型以及切换机制被作为同一导航框架的相互关联部分共同设计。全局规划器为远距离航行提供符合风力条件的参考路径,而局部避障模型则能实时响应动态出现的障碍物。切换机制则通过判断帆船何时应偏离参考路径以避免碰撞,何时又应回到全局路径上,从而实现这两者之间的衔接。通过这种方式,所提出的系统旨在在风力约束下的远距离航行能力与动态环境中的短期安全性之间实现平衡。本研究的主要贡献如下:1. 我们提出了一种考虑风力的帆船懒Theta*(SLT*)算法。该算法通过将视线范围检查和航向范围检查整合到自适应航向约束函数中,使得规划阶段能够将“禁行区域”与搜索成本动态关联起来。这一设计旨在实现风引起的空气动力学约束与任意角度路径搜索的深度解耦,从而在复杂风场中兼顾全局路径的最优性与帆船自身的运动约束。此外,还通过与传统A*算法和ACO算法的对比实验,评估了它们在不同风况下的规划效果。2. 我们通过在近端策略优化框架中加入交叉注意力网络,设计了一种动态威胁优先级(DTP)模型。该模型旨在为帆船在多障碍物场景(如密集交通流)中提供合理的动态避障决策。此外,还通过对比实验将这种方法与纯强化学习基准方法进行比较,以验证注意力机制在特征提取与优先级决策中的作用。3. 我们构建了一个双闭环分层协作导航系统。为了在长途航行中满足帆船对全局最优路径的宏观需求,同时使其能够对动态且未知的环境做出实时响应,该系统通过建立不同时间尺度间的互补映射,实现了全局规划与局部避障的有机结合。在包含多种典型风况及多次动态障碍物遭遇的综合性场景下进行了系统仿真实验,旨在验证所提出的分层架构在复杂海洋环境中的任务连贯性与稳定性,从而为实际条件下帆船的自主安全航行提供可靠的导航范式与理论基础。章节节选帆船运动模型本研究聚焦于无人帆船的水平运动。为简化分析,忽略了纵摇和横摇现象,因此采用了仅考虑纵荡、横荡和偏航的三自由度模型[18]。首先建立以地球东北方向为基准的坐标系,在该坐标系中,无人帆船的位置由坐标(x, y)和航向角φ表示,纵向(纵荡)速度和横向(横荡)速度分别用u和v表示。全局路径规划与局部避障方法本节描述了一种将全局路径规划与局部动态避障相结合的双闭环分层协作导航系统。这种组合策略旨在应对已知的海洋环境以及未知的动态船只。在本文中,全局路径规划层采用了针对帆船运动特点改进后的懒Theta*算法,而局部动态避障层则运用DTP模型来动态评估……仿真结果与分析为验证所提出的分层协作导航系统的有效性,我们搭建了一个海洋仿真环境。该环境的配置如下:CPU:AMD Ryzen 7500F,32GB内存;GPU:GeForce RTX 4070 SUPER。基于此仿真环境,我们将实验验证分为三个部分:第一部分是对所提出的帆船懒Theta*算法与传统的A*算法及ACO算法在全局规划方面的性能对比分析。结论本文提出了一种专为无人帆船设计的双闭环分层协作导航系统。该系统将基于SLT*的全局规划器与动态威胁优先级模型相结合,为帆船在复杂海洋环境中的自主导航提供了一种新的方法。仿真实验表明,与传统的A*算法和ACO算法相比,SLT*算法能够找到几乎……作者贡献声明李忠杰:写作——审阅与编辑、资源准备、方法设计、概念构思。吴龙腾:写作——初稿撰写、数据收集、形式化分析。彭岩:项目监督、软件开发、项目管理。郑乐:写作——审阅与编辑、结果验证。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金(编号:62473246)、国家自然科学基金(编号:62225308)以及上海青年科技英才计划(资助编号:24QA2702700)的资助。李忠杰于2019年在加拿大安大略省多伦多市的多伦多大学获得博士学位,研究方向为利用压电材料进行振动能量收集。他目前是中国上海大学的副教授,研究重点包括可穿戴电子产品的自供电系统、能量收集技术以及智能功能材料。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号