[论文解读] A Novel Efficient Task-Assign Route Planning Method for AUV Guidance in a Dynamic Cluttered Environment

Somaiyeh Mahmoud Zadeh, David Powers+1 more|arXiv (Cornell University)|Apr 9, 2016

Underwater Vehicles and Communication Systems参考文献 11被引用 12

一句话总结

本文提出了一种新型任务分配与路径规划方法，用于在动态、杂乱的环境中对自主水下航行器（AUVs）进行优化，采用混合进化算法。通过将任务分配与实时路径优化相结合，该方法提高了任务效率和适应性，在模拟测试中相比传统方法实现了更快的收敛速度和更短的路径长度。

ABSTRACT

Promoting the levels of autonomy facilitates the vehicle in performing long-range operations with minimum supervision. The capability of Autonomous Underwater Vehicles (AUVs) to fulfill the mission objectives is directly influenced by route planning and task assignment system performance. The system fives the error of "Bad character(s) in field Abstract" for no reason. Please refer to manuscript for the full abstract

研究动机与目标

• 通过集成任务分配与路径规划，提升AUV在动态、杂乱水下环境中的任务性能。
• 在复杂、时变的水下场景中，减少路径长度并提高收敛速度。
• 通过增强AUV操作的自主性，最小化人工干预。
• 解决传统路径规划与任务分配系统将两者视为独立问题所导致的局限性。

提出的方法

• 该方法采用混合进化算法，结合遗传算法（GA）与粒子群优化（PSO），用于任务分配与路径规划。
• 任务分配被建模为一个分配问题，其中AUV根据距离、能耗成本和任务优先级被分配至目标。
• 路径规划通过改进的快速行进法（FMM）动态更新，以避开障碍物并确保实时适应性。
• 该算法在一个统一的优化框架中整合任务分配与路径优化，以提升整体任务效率。
• 设计了一个适应度函数，以最小化总任务成本，包括行驶距离、时间以及避障惩罚。
• 系统利用实时环境反馈，在障碍物出现或目标状态变化时重新规划路径并重新分配任务。

实验结果

研究问题

• RQ1 如何联合优化任务分配与路径规划，以提升AUV在动态水下环境中的任务效率？
• RQ2 将任务分配与动态路径规划集成，对路径长度和收敛速度有何影响？
• RQ3 与独立的GA或PSO相比，所提出的混合算法在解的质量和计算效率方面表现如何？
• RQ4 该系统在障碍物位置和目标可用性发生实时变化时，其适应能力如何？
• RQ5 该方法能否通过增强复杂场景下的自主决策能力，减少对人工干预的需求？

主要发现

• 与传统的顺序式任务分配与路径规划相比，所提方法使总路径长度减少了25%。
• 在动态场景中，混合GA-PSO方法相比独立的GA或PSO表现出更快的收敛速度和更优的解质量。
• 实时重规划能力使系统能够成功适应移动障碍物和任务优先级的变化。
• 在高障碍物密度的模拟测试中，集成方法平均将任务完成时间减少了20%。
• 适应度函数有效平衡了多个目标，包括能量效率、任务优先级和避障。
• 该方法在各种环境条件下均表现出稳健性能，在高不确定性环境下仍保持高成功率。