智能水下机器人(autonomous underwater vehicles，AUV)是集成人工智能、目标探测与识别、数据融合、智能控制以及导航通信等多系统的水下无人平台，在海洋开发、水下作业、深海探测、援潜救生等领域有广泛的应用前景^[1-3]。路径规划技术是智能水下机器人的关键技术之一，是指为了到达某个目标或完成某个任务，对所规划设备的航行方向、航行路线等进行预先计算、设定、优化的过程。路径规划技术在一定程度上标志着水下机器人智能化程度的高低^[4-5]。AUV的路径规划过程分为5个步骤：环境信息采集、水下环境建模、全局路径规划、水下态势感知以及局部路径规划。利用已有的海图和采集到的环境信息建立水下环境模型；利用路径规划方法基于环境模型在经济性、安全性、隐蔽性等多约束条件下搜寻最优路径；规划系统基于最优路径结算目标指令发送至控制系统，控制AUV跟随最优路径航行；在航行过程中，AUV利用其所搭载的传感器探测水下环境及威胁；利用局部路径规划方法实现AUV对突发态势进行躲避。

本文对AUV的规划方法进行了分类，介绍了各个方法的优缺点；当前AUV路径规划所面临的问题；AUV路径规划的研究现状及应用情况并总结了AUV路径规划的研究重点和发展方向。

1 路径规划方法分类

路径规划在AUV技术领域的获得了广泛的研究，规划方法也种类繁多，可以将这些方法分成3类：几何模型搜索、虚拟势场以及人工智能。

1.1 基于几何模型搜索方法

将几何模型搜索方法需要建立环境模型，然后按照策略搜索路径。建模方法包括：可视图、Voronoi图、单元分解法等，常用的搜索策略有A^*搜索算法、D^*搜索算法等。

1) 可视图法：将AUV看作质点，将障碍物简化为多边形，并将起点、终点以及多边形的顶点连接，且连线不与多边形的边相交，即得到可视图^[6-7]。该方法简单，但障碍物较多时，规划时间会大幅增加，且不够灵活难以适用于三维空间；

2) Voronoi图法：不同于可视图，Voronoi图法是将整个平面分解为多边形进行规划，其优点是能够保持路径距离障碍物足够远，但是也会导致航行路径过长；

3) 单元分解法：基于路线图构建的方法描述简单便于实现，但通常适用于低维度空间的规划问题。目前路径规划技术对机器人环境模型的要求越来越高，路线图构建法无法描述复杂的水下环境信息。基于单元分解的方法能够通过将环境空间分解为子单元，通过附加单元属性信息，从而表达更完整的环境信息；

4) A^*和D^*算法：常见的启发式搜索法，通过建立节点与目标位置的估值函数，A^*算法搜索最优路径节点形成路径，该方法比较适合静态路径规划^[8]。在规划空间范围较大时，A^*算法的搜索效率有些不足。D^*算法被看作是动态的A^*算法，比较适用于进行动态路径规划^[9]。

1.2 基于虚拟势场的方法

人工势场法由Khatib等提出^[10-11]，是路径规划领域常用的方法，思想是建立虚拟势场，在障碍物与AUV之间建立斥力场，在目标点与AUV之间建立引力场，斥力与引力的合力视为AUV的控制力，控制AUV避开障碍物抵达目标位置。势场法的优势在于算法简单、效率高，但是也面临局部最小值、路径摆动大以及相近障碍物路径不易搜索等缺点。

1.3 基于人工智能及其改进的方法

人工智能算法是将参考自然界的动物行为设计建立的寻优方法，可应用于AUV的路径寻优。粒子群算法、蚁群算法、进化计算、遗传算法、自组织神经网络等是目前主流的人工智能算法。采用智能算法规划AUV水下路径时，不需要细致的环境模型，搜索能力强且能够稳定收敛，易得到全局最优解。

1.3.1 基于群体智能的方法

1) 遗传算法：由Holland^[12]提出，借鉴了自然遗传的思想。算法具有强大的搜索能力，但是易陷入局部最优，容易过早收敛。学者通过各种方法的结合对算法进行了改进，徐玉如等^[13]将粒子群算法与遗传算法结合对海流影响下的AUV进行了全局规划，思想是在遗传算法中利用粒子群优化特殊算子，使得收敛速度和效率得到提高。

2) 蚁群算法：由Marco等提出^[14]，是一种以概率为基础的算法，借鉴了蚂蚁寻找食物是的探索路径行为，能够较好的解决旅行商和作业调度问题。蚁群算法较广泛的应用于路径规划，王宏健等^[15]提出利用切割算子和差点算子解决蚁群算法在规划路径时的不平滑问题，实现了AUV平面路径规划。另外，基于群体智能的方法还有萤火虫算法和生物地理学优化算法等。

1.3.2 基于机器学习的方法

多数AUV规划方法是将问题转化为搜索或能量最优问题。群智能算法非常适用于全局规划，但是在实时规划方面有待提高。而机器学习可以将路径规划问题看作马尔科夫决策的过程，以学习训练的方式规划AUV的航行路径，能够缩短规划时间，不依赖环境模型，适用于实时动态规划。

1) 神经网络：是人工智能的大脑，在AUV规划过程中，将传感器感知到的环境数据输入网络，输出AUV的行为和动作，训练神经网络权值参数以得到网络模型^[16]，实现输入到输出的映射。规划时利用该映射，根据当前的环境输入计算行为动作输出得到路径。朱大奇^[17]重点研究了突发障碍物情况，利用环境变化导致神经元激励和活性输出值变化，从而输出无碰撞路径点。

2) 强化学习：把学习看作试探评价的过程^[18-20]，如图 1所示为强化学习过程，AUV产生动作试探环境，环境产生相应的强化信号，AUV判断信号的好坏再基于当前状态产生下一动作，使得累计奖励最大。这种通过与环境的交互进行学习的方式，不需要提前准备带有标签的数据，更加方便，适用于未知环境下的AUV路径规划。冉祥瑞^[21]将分层强化学习应用于AUV的路径规划任务中，基于分层思想并结合强化学习理论对AUV系统进行全局及局部路径规划设计，提高AUV在动态复杂海洋环境下的自适应性和自主作业能力。孙玉山等^[22]提出一种基于强化学习的AUV三维路径规划方法，以学习训练的方式实现了机器人路径的寻优和避障。

3) 深度强化学习：强化学习训练策略解决问题，而深度学习可以提取数据的特征，不需要再利用矩阵储存数据，适合解决大范围环境下的规划问题。孙玉山等^[23]采用深度强化学习方法实现了大范围三维环境下的AUV全局路径规划。

2 水下机器人路径规划研究现状

近年来，对AUV路径规划的研究层出不穷，包括多AUV路径规划、精细路径规划、大范围路径规划等。Eichhorn等^[24]提出了“SLOCUM Glider”AUV的最优路径规划的几个重要的面向实践的要求，以及基于快速图的算法的解决方案。文章根据纽芬兰和拉布拉多大陆架实际任务的要求规划了最优航行路径。Zhu等^[25]提出了一种基于生物启发的集成自组织映射算法，用于AUV系统在三维水下避障环境下的任务分配和路径规划。该算法将生物启发神经网络(bio-inspired neural network，BINN)，嵌入到自组织映射(self-organizing map，SOM)神经网络中，安排多个AUV探测所有指定的目标位置，利用BINN更新SOM网络的权值，实现AUV路径规划和有效导航。

Yu等^[26]提出了三维大规模战场环境下AUV路径规划的快速行进方法，解决了AUV被发现概率高、导航安全、油耗低等问题。其综合考虑障碍物与地雷碰撞风险、探测概率、航行深度和航路长度等因素，同时考虑了AUV的机动约束条件，包括安全深度和转弯半径等因素，利用快速搜索(fast marching，FM)方法实现AUV的路径规划。Sun等^[27]提出了三维AUV路径规划的优化模糊控制算法。该模型可用于复杂水下环境下的路径规划。建立了基于水平面上和垂直面上布置的2个声呐的路径规划，利用声呐采集的环境信息，通过带加速/制动模块的模糊系统，可以获得AUV在三维空间的虚拟加速度和速度，使AUV能够自动避开动态障碍物。考虑到模糊边界选择具有较大的主观性，生成的路径不能保证是最优的。因此，为了解决这一问题，将2种优化方法进行比较，对模糊集进行了优化。文献[28]针对AUV全覆盖路径规划问题，提出了一种基于GBNN算法(glasius bio-inspired neural network)的离散集中规划新策略, 该算法是一种计算量小、效率高的新开发工具。针对单台AUV大航程全覆盖任务难度大的问题，提出了基于GBNN算法的多台AUV全覆盖离散集中规划方法。

考虑到由于AUV水下动力学特性，AUV跟踪最短路径到达目标位置是不切实际的。Gore等^[29]提出一种有效的动态估计目标路径的算法，使AUV能够根据估计的最短路径重新调整运动状态。其使用了一种本地搜索方法，结合图像采集和分割，易于实现。在动态水下场景中，该算法也可以有效地重新规划路径。Pan等^[30]针对三维空间环境下路径规划中搜索最优解效率低、搜索时间长等问题，提出了遗传-蚂蚁混合算法，设计了分区划分方法以减小种群搜索范围。在此基础上，提出了一种提高集成效率的优化集成策略，并根据安全性的原则确定了评价函数。Li等^[31]针对多自主水下机器人分布式任务规划模型，提出了一种涡旋时域量子人工蜂群优化算法来求解多AUV最优任务规划方案。在不确定海洋环境下，采用滚动时域控制技术实现了在较窄的时间范围内的数值优化以减少计算量，实现AUV动态、环境和成本之间的权衡，并通过仿真实验对涡旋时域量子蜂群优化算法的分布式任务规划性能进行了评估。Ramos等^[32]根据海洋流场复杂的时空结构基于动力系统规划了一条优化科学收益和导航效率的路径，通过对2016-04—2017-03穿越北大西洋的Silbo号水下滑翔机的实时导航策略的实现，论证了动力系统理论实现这一目标的能力。

Lin等^[33]为了更有效地实现动态路径规划，将基于粒子群优化的动态路由算法、自整定模糊控制器、立体视觉检测技术和6自由度数学模型集成到自主水下航行器检测系统中。采用多目标粒子群优化的思想对基于粒子群算法的动态路由算法进行了改进，该算法能够并行处理不同权重的目标。

Mahmoudzadeh等^[34]提出了一种AUV在不同海域航行时任务分配与管理的混合路径规划模型。定义了分布在大尺度地形中的若干优先级任务；考虑到任务时间、车辆电池、潜在操作领域的不确定性和可变性的限制，进行适当的任务时间和能量管理。采用差分进化和萤火虫优化算法相结合的方法，对任务分配路径和路径规划的同步过程进行了仿真，该混合模型在充分利用电流提供的最小能量和控制相应的任务时间的同时，能够有效地完成分配的最大任务数。文献[35]为水下机器人在不确定的水下环境下，在有限的时间内完成任务分配过程设计了一个分层动态任务规划框架；为任务优先级分配，引导AUV朝向感兴趣的目标，并管理按时完成任务，开发了一个高级反应性任务规划器。设计了一种低层运动规划器，通过重新生成最优轨迹处理动态地形的意外变化。基于生物地理学的优化算法根据任务/地形更新重新安排任务。

孙玉山等^[36]提出一种基于辅助决策系统的水下潜器路径规划方法，综合考虑潜器航行路径的隐蔽性、经济性和安全性问题，基于强化学习方法，结合潜艇的声隐身指标，考虑到水下复杂的动态环境，建立态势评估系统、水下路径规划系统以及隐身辅助决策系统：利用声隐身态势评估系统计算当前海域的敌方探测声呐对潜艇的威胁范围，利用规划系统规划出一条避开威胁范围的安全、经济、隐蔽的航路，同时潜艇实时探测当前海域情况，辅助决策系统进行实时的仿真推演，给出相应的隐身方案。

通过对当前AUV的研究现状进行分析可以发现，水下规划的额算法越来越趋向于智能化，规划区域也向大范围宽广水域发展。无论是对作战任务还是探测任务的规划，研究者们都进行了一定的讨论。但是对于水下干扰、水下环境感知、水下避障等问题还需深入研究。

3 水下机器人规划的技术问题及研究方向

AUV的规划技术发展至今已经攻克了很多难题，包括：水下大范围的三维空间环境；水下环境信息获取难度较大；水下定位、通讯难度较大；水流对AUV的影响增大了规划的难度；对AUV运动的多约束条件：安全性、经济型、隐蔽性等。但是随着AUV智能水平及人们对其要求的逐渐提高，许多新的技术难点及研究热点涌现，从目前的研究现状和水下机器人未来的发展需求来看，AUV规划技术的研究主要集中在以下几个方面：

1) 路径规划方法的优化及开发。

开发及改进路径规划方法是AUV路径规划技术的重要内容。为了弥补现有方法的缺点及不足，目前的主要研究方向是结合现代科技的发展，如：深度学习、强化学习等计算机智能技术，开发易于实现、能够弥补其他算法不足的最优方法。另外，各种规划方法的结合也是目前AUV路径规划技术的研究方向，将多种方法相结合以相互协作弥补单个方法的不足。

2) 局部路径规划的研究。

由于水下环境复杂多变、环境信息不易获取，对于AUV来说，其作业环境有许多未知因素，所以局部规划是AUV路径规划技术的研究重点。水下多用光学传感器协助声学传感器感知水下环境，对未知环境的探索是实现局部路径规划的关键。所以水下目标的识别与检测、滤波算法、信息融合等技术也是目前规划领域的研究方向。

3) 多机器人协同规划。

随着AUV的智能性及水下任务的复杂程度逐渐提高，对多AUV协同规划的研究逐渐火热起来。多AUV所具备的性能优势远远胜过单艘AUV，尤其是应用于某些大规模区域的水文信息采集、目标搜索、应急救援、多异构平台协同任务等领域。该复杂的多约束多目标优化问题，主要研究在满足各类约束条件下，合理的将任务分配给有能力的AUV，再根据分配的任务进行路劲规划。多AUV协同规划任务对环境及任务建模、规划方法都有很高的要求。所以，对多AUV进行编队、任务分配、路径规划等以规划多个机器人共同完成复杂作业任务成为了当前的研究热点。

4) 多平台协同规划。

随着科学技术的发展，目前的作战体系由原来的单平台作战逐渐演变为陆海空天多平台协同作战。这种作战方式打破军种、领域的界限，将各种力量要素融合起来，实现全方位、立体、同步作战，对各个平台的规划要求极高。信息数据交换系统是多平台协同规划的关键技术之一，如何实现地理信息数据的集成与共享是实现陆海空天一体化协同作战规划必须要解决的问题。在多平台协同作战情况下的智能决策规划方面，现有方法基本都为针对特定具体任务设计，通用性和智能程度都很低。而当今，随着通用人工智能技术的发展，未来无人作战平台智能决策规划方法也必将朝着通用化、智能化的方向发展。未来的每一种无人作战平台都搭载一个智能体，在作战任务指令下自主执行任务。

4 结论

1) 就目前的研究成果来看，A^*搜索算法、人工势场法及蚁群算法等因其算法实现简单、规划效果良好等优点而被广泛的应用于AUV的路径规划。随着计算机智能技术的发展，使智能机器人具有自学习能力成为各领域广泛研究的热点，强化学习被认为是比较适合于在未知的动态环境下进行机器人避障和路径规划的学习方法，所以目前更多的研究者们致力于将强化学习算法更好的应用于AUV的规划任务中。

2) 水下规划不同于陆地，具有一定的特殊性，三维规划、水下感知、水下干扰、水下协同是当前水下规划亟需解决的问题。

3) 随着智能化水平的提高，AUV需要完成的任务越来越复杂以至于单个AUV很难完成，所以多AUV甚至多无人平台的协同规划技术逐渐成为水下规划领域的研究热点。