[论文解读] An Efficient Hybrid Route-Path Planning Model For Dynamic Task Allocation and Safe Maneuvering of an Underwater Vehicle in a Realistic Environment

Somaiyeh Mahmoud Zadeh, David Powers+3 more|arXiv (Cornell University)|Apr 26, 2016

Robotic Path Planning Algorithms参考文献 39被引用 7

一句话总结

本文提出了一种用于自主水下航行器（AUVs）的混合路线-路径规划模型，该模型结合了差分进化算法与萤火虫优化算法（DEFO），以在不确定的沿岸环境中动态分配任务、管理能量并确保安全航行。该模型通过利用有利洋流，实现了任务完成度最大化与能耗最小化，在环境场变化和任务不确定性下表现出稳健性能。

ABSTRACT

This paper presents a hybrid route-path planning model for an Autonomous Underwater Vehicle's task assignment and management while the AUV is operating through the variable littoral waters. Several prioritized tasks distributed in a large scale terrain is defined first; then, considering the limitations over the mission time, vehicle's battery, uncertainty and variability of the underlying operating field, appropriate mission timing and energy management is undertaken. The proposed objective is fulfilled by incorporating a route-planner that is in charge of prioritizing the list of available tasks according to available battery and a path-planer that acts in a smaller scale to provide vehicle's safe deployment against environmental sudden changes. The synchronous process of the task assign-route and path planning is simulated using a specific composition of Differential Evolution and Firefly Optimization (DEFO) Algorithms. The simulation results indicate that the proposed hybrid model offers efficient performance in terms of completion of maximum number of assigned tasks while perfectly expending the minimum energy, provided by using the favorable current flow, and controlling the associated mission time. The Monte-Carlo test is also performed for further analysis. The corresponding results show the significant robustness of the model against uncertainties of the operating field and variations of mission conditions.

研究动机与目标

• 解决在时间与能量受限的复杂多变沿岸环境中AUV的动态任务分配问题。
• 开发一种混合规划模型，将高层次路线规划与精细化路径规划分离，以提升效率。
• 通过利用有利洋流，在确保任务安全的前提下最小化能耗。
• 通过自适应优化增强任务对环境场变化和运行条件改变的鲁棒性。
• 通过蒙特卡洛模拟在真实环境波动条件下验证模型性能。

提出的方法

• 采用两级规划架构：路线规划器根据电池电量和任务时间对任务进行优先级排序，路径规划器在更细粒度上确保安全机动。
• 将差分进化（DE）与萤火虫优化（FO）结合，形成混合DEFO算法，以求解动态任务分配与路径规划问题。
• 路线规划器利用电池与时间约束对任务进行排序，确保任务序列的可行性。
• 路径规划器在局部范围内运行，以避开障碍物并适应突发的环境变化，如洋流的移动。
• DEFO算法同步优化任务分配与路径生成，在全局目标与局部安全之间实现平衡。
• 在具有可变洋流与任务分布不确定性的现实水下环境中进行仿真。

实验结果

研究问题

• RQ1 在时间与能量受限的环境中，AUV如何高效分配并排序多个动态任务？
• RQ2 何种混合优化方法能最佳平衡不确定水下条件下全局路线规划与局部路径安全？
• RQ3 在AUV任务中，有利洋流可被利用到何种程度以最小化能耗？
• RQ4 该模型对环境场变化与任务条件改变的鲁棒性如何？
• RQ5 与传统单一方法相比，混合DEFO算法在性能上实现了多大提升？

主要发现

• 通过战略性地利用有利洋流，混合DEFO模型在实现最大任务完成度的同时，显著降低了能耗。
• 经蒙特卡洛模拟在多种任务条件下验证，该模型在环境不确定性下表现出显著鲁棒性。
• 通过利用洋流，能耗得以降低，优化过程倾向于选择与水流方向一致的路径。
• 路线-路径规划的分离显著提升了计算效率，并增强了对突发环境变化的适应能力。
• 仿真结果在多次运行中保持一致，证实了该模型的可靠性与稳定性。
• 与独立使用DE或FO相比，DEFO混合算法在任务覆盖度、能耗与任务时间的平衡方面表现更优。