摘要
近年来，机器人相关技术的不断发展，使自主水下航行器（AUV）成为一种新型的水下机器人，已经被众多海洋强国作为水下探索必备的工具之一。随着人类对深远海的不断探索和开发，自主水下航行器工作环境复杂程度的增加、执行任务数量的增加以及有限的机载能源成为了制约AUV进行长远航程作业的关键因素。AUV如何在复杂的海洋环境和有限的机载能源下，提高任务的完成效率是AUV智能性的直接体现。因此，本文目的是通过开展任务规划和路径规划算法的研究，并搭建合理的AUV智能决策系统，从而提高AUV的安全性和智能性，使AUV能够在有限的机载能源下，提高任务的完成效率。本文具体的工作内容如下： （1）开展了复杂海洋环境建模方法和超启发式算法基础理论研究。复杂海洋环境建模方法包括海洋地形建模和海流建模方法，为后文的AUV智能决策规划提供了先验知识基础。对超启发式基础理论进行了研究，提出了一种基于进化策略的超启发式算法（EA-HH），该方法平衡了低层启发式算子被选择的概率以及改善了算法的运行时间，为后文的任务规划算法和路径规划算法的研究提供了理论基础。 （2）开展了复杂海洋环境的任务规划建模和基于进化策略的超启发式算法验证研究。本文将任务规划问题构建为在任务网络图中具有能量约束和安全区约束的非线性优化问题模型，对合法任务执行序列的能量消耗、任务质量和任务数量进行综合决策。完成了EA-HH算法在任务规划问题中的设计和求解工作。通过将EA-HH与蚁群优化算法、生物栖息地算法在任务规划问题的运行结果进行对比分析，说明了模型的正确性和EA-HH算法在求解任务规划模型中具有较好寻优性和稳定性，能够在提高任务完成率的同时降低AUV的能量消耗。 （3）开展了复杂海洋环境的路径规划建模和基于进化策略的超启发式算法验证研究。本文将路径通过B样条曲线表示，建模成了具有洋流、障碍物、地形和运动约束影响下的非线性优化问题模型，对AUV能量消耗、碰撞风险和路径易跟踪性进行综合决策。完成了EA-HH算在路径规划问题中的设计和求解工作。通过将EA-HH算法与粒子群算法、萤火虫算法和基于蚁群的超启发式算法在多种案例下的运行结果进行对比分析，说明了模型的正确性以及EA-HH算法具有更好的寻优性和鲁棒性。 （4）开展了AUV智能决策系统的搭建和仿真验证研究。结合复杂海洋环境，提出了决策层、规划层、控制层和物理层的四层AUV智能决策系统的软件架构，并利用ROS相关工具进行了仿真系统的搭建工作。将任务规划和路径规划算法封装移植到了系统中，并对智能决策系统的主要功能的进行了仿真实验测试工作，结果表明了任务规划算法、路径规划算法的正确性以及AUV智能决策系统的有效性。
NETL