摘要
提高海洋探索效率、增强对海洋的控制能力，是实施“海洋强国”国家重大战略的迫切需求。水下机器人作为强自主移动性水下作业平台，已成为完成各类复杂水下任务的重要工具。任务规划是多机器人协作的核心问题，也是决定能否最大化多机器人系统协作能力的关键。然而，现有的任务规划模型忽略了洋流等环境约束，且集中于单一任务场景与单一类型机器人，难以满足实际的任务场景要求。同时，当前的任务规划方法存在收敛速度慢，求解精度低等缺陷。因此，针对存在大规模海洋作业区域、混合任务场景和异构水下机器人系统等特点，提出具有高学习效率、一致性求解和异构系统强可适用性的基于自组织映射神经网络(Self-OrganizingMapping,SOM)网络的任务规划算法，是本文研究的主要内容。 首先，针对紧急任务场景中多自主水下机器人(AutonomousUnderwaterVehicles，AUV)系统的任务规划问题，提出了一种改进的SOM任务规划算法。考虑洋流对工作成本的影响，采用航行时间代替航行距离，以更为准确衡量各AUV的工作负载，作为实现负载均衡的基础。提出了一种神经元种群优化策略，以提出的神经元映射能力定量衡量方程为依据，增加高映射能力的神经元和删除低映射能力的神经元，提高了算法的学习效率和收敛速度。进一步地，提出了自适应负载均衡机制，通过综合考虑AUV最大工作能力和已消耗工作成本，在多AUV间实现良好的负载均衡，提高了AUV系统的持续工作时间。 其次，针对紧急任务场景与非紧急任务场景混合的任务规划问题，提出了一种RSOM(ReinforcedSOM)算法实现一致性解决混合任务场景下的任务规划问题。综合考虑两种场景下的优化目标与约束，将紧急与非紧急混合任务场景下的任务规划问题构建为状态旅行商问题(Situation-TravelingSalesmanProblem,S-TSP)。提出了区域学习率的概念，综合考虑单个任务价值和任务集合拓扑关系，以区域方式而不是单任务偏好的方式实现对任务的响应与分配，实现了一致性解决混合任务场景下的任务规划问题。提出了历史信息指导(HistoricalInformationGuidance,HIG)机制通过引入历史信息丰富更新信息指导神经元的更新，实现映射能力和学习效率的提高。同时，提出的负载均衡机制综合考虑了每个AUV的工作能力和能量消耗，以提高多AUV系统的连续工作能力。在不同规模下的仿真验证了提出的RSOM算法一致性解决混合任务场景的优越性能。 最后，针对紧急与非紧急任务场景中多类型任务的任务规划问题，提出了基于任务价值的异构水下机器人系统任务规划框架。AUV可实现对任务快速访问但成本较高，而水下滑翔机(UnderwaterGlider,UG)可实现低成本访问任务但时效性较差。因此，采用异构水下机器人系统为不同特性任务提供高匹配性的收集方式，充分发挥异构水下航行器的优势。提出任务价值函数根据任务的重要性、数据量与时效性等特性衡量任务价值，且以任务价值确定不同的访问方式：低价值任务通过UG访问，通过基于任务区域价值自适应确定初始k值，提出了自适应K-means聚类算法，并根据提出的成本-效用限制原则为UG选取运动区域，实现对任务低成本访问；高价值任务通过AUV系统访问，提出了三层的ESOM(ExpandedSOM)网络实现任务分配和路径重规划。在扩展网络中提出了扩展竞争学习机制，以解决路径互交叉和自交叉的缺陷，实现对任务高费效比访问。在不同规模的任务场景下进行了仿真，验证了提出的异构水下机器人系统任务规划框架的优越性能。
NETL