簡介

目前，實現(xiàn)多 AUV 系統(tǒng)編隊航行的控制方法主要包括基于領(lǐng)航者-跟隨者的方法。

基于虛擬結(jié)構(gòu)的方法、基于人工勢場的方法、基于行為的方法和基于路徑跟隨的方法等。

基于領(lǐng)航者跟隨者的編隊控制方法

領(lǐng)航者-跟隨者的概念最早由 Cruz提出，并且由 Wang等將其成功應(yīng)用于移動機器人的編隊控制中。

作為目前最為常用的一種編隊控制方法，其基本思想是：所有編隊成員被指定為領(lǐng)航者或跟隨者這兩種角色，領(lǐng)航者通過沿著預(yù)定或者臨時設(shè)定的路徑航行。

掌控整個編隊的運動趨勢，跟隨者依據(jù)相對于領(lǐng)航者的距離及方位信息跟隨領(lǐng)航者實現(xiàn)編隊控制。

領(lǐng)航者-跟隨者方法的優(yōu)點是編隊控制結(jié)構(gòu)簡單，易于實現(xiàn)，編隊中只需要設(shè)定領(lǐng)航者的期望路徑或其他行為，然后跟隨者以預(yù)定的位置偏移跟隨領(lǐng)航者即可實現(xiàn)編隊控制。

鑒于這個原因，領(lǐng)航者-跟隨者方法在實際工程中被廣泛應(yīng)用。該方法的缺點為編隊系統(tǒng)過于依賴領(lǐng)航者。

基于虛擬結(jié)構(gòu)的編隊控制方法

虛擬結(jié)構(gòu)法最早由 Tan提出，該方法將編隊的所有成員視作一個整體進行處理，其基本思想為：首先確定虛擬結(jié)構(gòu)的運動學(xué)和動力學(xué)特性。

然后推導(dǎo)出虛擬結(jié)構(gòu)上虛擬目標(biāo)點的相應(yīng)特性，最后通過設(shè)計適當(dāng)控制律使機器人跟蹤對應(yīng)虛擬目標(biāo)點，實現(xiàn)編隊控制。

虛擬結(jié)構(gòu)法的優(yōu)點在于，通過將編隊隊形視作一個剛性結(jié)構(gòu)，系統(tǒng)有明顯的隊形反饋，便于編隊行為的確定和隊形的保持。

其缺點也很明顯，由于編隊隊形需要一直保持同一個剛性結(jié)構(gòu)，缺乏靈活性和適應(yīng)性，尤其是在躲避障礙物過程中存在一定的局限性。

另外，不同的機器人在環(huán)境下會受到不同環(huán)境因素影響，嚴(yán)格的隊形約束會誘發(fā)頻繁控制指令，增加能耗，甚至出現(xiàn)執(zhí)行器飽和現(xiàn)象。

這些缺點導(dǎo)致虛擬結(jié)構(gòu)法在多機器人編隊控制中的應(yīng)用相對較少。

基于人工勢場的編隊控制方法

人工勢場的概念由 Khatib 提出并成功應(yīng)用于移動機器人避障控制中。所謂人工勢場法即為研究對象的工作空間設(shè)定人工勢場。

并為研究對象設(shè)定人工勢函數(shù)，以此構(gòu)造工作空間中機器人、目標(biāo)點、以及障礙物等的勢場力，通過最小化個體勢場達到編隊控制的目的。

人工勢場法的優(yōu)點在于其設(shè)計的算法能夠較好的解決避碰避障問題；

缺點表現(xiàn)在當(dāng)勢力場較多時容易導(dǎo)致機器人出現(xiàn)小范圍往復(fù)運動，增大能耗，另外合適勢函數(shù)的選取也比較困難。

優(yōu)點：

實時性強；

這是人工勢能場法最大的優(yōu)點，人工勢能場法僅僅需要計算下一時刻的智能

體的即可，不需要全局信息，因此其實時性強，在線計算能力強；

突防突發(fā)威脅能力強；

針對突發(fā)威脅，當(dāng)威脅所在的位置在智能體的可視范圍內(nèi)，智能體將模擬出突發(fā)威脅對智能體本身的斥力，使之有能力避開此威脅障礙物。

在突發(fā)威脅不在智能體的可視范圍內(nèi)，則智能體忽略此障礙物威脅。對突發(fā)威脅的突防能力也可稱為動態(tài)避障規(guī)劃能力。

局部處理能力強。

不論障礙物是否屬于突發(fā)威脅障礙物，人工勢能場法使用的都是局部信息，而非全局的信息，因此無需全局長時間的進行搜索和優(yōu)化路徑。

缺點：

有“零勢能點”存在，將導(dǎo)致智能體停止運動；

例如當(dāng)二維空間中僅僅存在三個點狀的障礙物時，此三個點狀障礙物恰好形成等邊三角形的三個頂點，并且智能體恰好位于此三角形的中心點上，此時智能體的合力為零，其勢能也為零。

此時無法對智能體的運動狀態(tài)進行更新，此時智能體無法通過障礙物區(qū)域。因此，為使智能體能通過障礙物區(qū)域，必須對智能體受到的合力做出改變，使之不為零。

智能體出現(xiàn)“局部困擾”的問題；

當(dāng)二維空間中障礙物以某種規(guī)律存在時，智能體會出現(xiàn)在障礙物中“徘徊”的情況，即為智能體的“局部困擾”的問題。

智能體無法通過此區(qū)域的原因是，當(dāng)智能體離開障礙物時，又被目標(biāo)吸引走向障礙物，而當(dāng)智能體被吸引進入障礙物區(qū)域后，智能體又被障礙物對其的斥力所驅(qū)使而離開障礙物區(qū)域。

以此進行死循環(huán)，并進入“徘徊”的狀態(tài)，形成局部困擾的問題。因此，為使智能體不出現(xiàn)局部困擾的問題，必須對智能體受到的合力進行更改，使智能體繞過障礙物區(qū)域。

多智能體編隊運動時無法維持編隊隊形。

多個智能體形成編隊時，無法自動保持隊形，需將智能體本身之間的作用添加到合力中，使之維持編隊隊形。

基于行為的編隊控制方法

基于行為的控制概念最早由 Brooks提出，為多機器人協(xié)同采樣任務(wù)設(shè)計了基于行為的控制體系結(jié)構(gòu)。

基于行為的編隊控制基本思想即：將編隊控制任務(wù)分解成駛向路徑點、躲避障礙物、編隊保持等基本行為，并通過行為融合實現(xiàn)多機器人的編隊控制。

基于行為法的基本思想是將多機器人編隊控制任務(wù)分為簡單的基本行為，如障礙避碰、駛向目標(biāo)和保持隊形等。

將這些基本行為融合到一起，當(dāng)傳感器接收到環(huán)境變換或刺激時，做出不同反應(yīng)，輸出系統(tǒng)下一步的運動反應(yīng)，實現(xiàn)運動控制。

基本行為融合的方式有三種。

第一種是加權(quán)平均法。各基本行為根據(jù)一定的權(quán)重加權(quán)平均得到輸出向量，權(quán)值的大小對應(yīng)基本行為的重要性；

第二種是行為抑制法，對各個基本行為按一定的原則設(shè)定優(yōu)先級，在同等條件下，優(yōu)先級高的基本行為作為機器人的當(dāng)前的行為；

第三種是模糊邏輯法，根據(jù)模糊規(guī)則綜合各基本行為的輸出，以得到機器人的輸出。

基于行為法魯棒性高、實時性好及明確的隊形反饋，但行為的融合復(fù)雜，很難設(shè)計指定隊形的局部基本行為，難以保證編隊控制的穩(wěn)定性。

基于行為編隊控制方法的優(yōu)點在于比較容易實現(xiàn)分布式控制，系統(tǒng)應(yīng)變能力較強，能夠較好的應(yīng)對避碰避障問題，編隊也能通過成員相互之間的感知達到隊形反饋的目的。

不足之處在于無法明確定義編隊系統(tǒng)的整體行為，不利于系統(tǒng)的穩(wěn)定性分析。

基于路徑跟隨的編隊控制方法

基于路徑跟隨的編隊控制方法也可稱之為協(xié)調(diào)路徑跟隨控制，其基本思想是將編隊控制任務(wù)進行時空分解，得到空間上的路徑跟隨任務(wù)和時間上的協(xié)調(diào)同步任務(wù)，進而實現(xiàn)協(xié)調(diào)編隊控制。

該方法通常會針對待同步信息指定一個領(lǐng)航者或者虛擬領(lǐng)航者作為信息同步的參考標(biāo)準(zhǔn)。

基于路徑跟隨的編隊控制方法的主要優(yōu)點：各機器人之間交換數(shù)據(jù)量很小，更適合通信受限的環(huán)境。

另外，如果短時間內(nèi)編隊通信鏈路出現(xiàn)故障導(dǎo)致個別 機器人失聯(lián)，該機器人仍可沿預(yù)設(shè)路徑航行，不至于處于混亂狀態(tài)，直至通信恢復(fù)正?；蛘卟捎闷渌a救措施。

基于路徑跟隨的編隊控制方法具有重要的實際應(yīng)用價值，也因此成為近幾年比較熱門的研究內(nèi)容之一。

基于信息一致性的編隊控制方法

多智能體系統(tǒng)的一致性問題即：系統(tǒng)中各智能體量化信息在適當(dāng)控制律作用下趨于某種一致性。

對于多機器人系統(tǒng)這些信息通常包含各成員的位置、姿態(tài)及速度等，可以通過各成員之間相互通信獲得，也可以通過感知獲得。

信息一致性方法通常假定智能體僅與其相鄰個體進行信息交互，因此基于信息一致性方法的優(yōu)點在于能夠適用于大尺度的編隊控制。

不足之處在于尋找合適的量化信息、拓?fù)浣Y(jié)構(gòu)以保證一致性算法在有限時間內(nèi)收斂存在一定難度。

編隊控制算法指標(biāo)

路徑長短：多機器人從起點到目標(biāo)點行進的平均距離與起點和目標(biāo)點

之間直線距離的比值。該值越小，性能越好；反之越差。

隊形維持：不同時刻運動過程中機器人在期望位置的比例。該值表示

在有障礙時保持隊形的性能。該值越小，說明隊形保持情況越好；反之越差。

運行時間：多機器人到達目標(biāo)點及隊形形成所用的時間。

避障代價：多機器人與障礙物發(fā)生的碰撞次數(shù)。碰撞次數(shù)越少，避障

代價越小，避障算法越好；反之越差。

審核編輯：郭婷