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)航者通過沿著預定或者臨時設定的路徑航行。

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)，編隊中只需要設定領(lǐng)航者的期望路徑或其他行為，然后跟隨者以預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)的運動學和動力學特性。

然后推導出虛擬結(jié)構(gòu)上虛擬目標點的相應特性，最后通過設計適當控制律使機器人跟蹤對應虛擬目標點，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。

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

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定人工勢場。

并為研究對象設定人工勢函數(shù)，以此構(gòu)造工作空間中機器人、目標點、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)點在于其設計的算法能夠較好的解決避碰避障問題；

缺點表現(xiàn)在當勢力場較多時容易導致機器人出現(xiàn)小范圍往復運動，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，將導致智能體停止運動；

例如當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，當智能體離開障礙物時，又被目標吸引走向障礙物，而當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)同采樣任務設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分為簡單的基本行為，如障礙避碰、駛向目標和保持隊形等。

將這些基本行為融合到一起，當傳感器接收到環(huán)境變換或刺激時，做出不同反應，輸出系統(tǒng)下一步的運動反應，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，但行為的融合復雜，很難設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)應變能力較強，能夠較好的應對避碰避障問題，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進行時空分解，得到空間上的路徑跟隨任務和時間上的協(xié)調(diào)同步任務，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準。

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)故障導致個別 機器人失聯(lián)，該機器人仍可沿預設路徑航行，不至于處于混亂狀態(tài)，直至通信恢復正常或者采用其他補救措施。

基于路徑跟隨的編隊控制方法具有重要的實際應用價值，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、拓撲結(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

路徑長短：多機器人從起點到目標點行進的平均距離與起點和目標點

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