[论文解读] Optimal Route Planning with Prioritized Task Scheduling for AUV Missions

Somaiyeh Mahmoud Zadeh, David Powers+3 more|arXiv (Cornell University)|Apr 12, 2016

Robotic Path Planning Algorithms参考文献 19被引用 10

一句话总结

本文提出一种混合优化方法，结合遗传算法（GA）与粒子群优化（PSO），用于自主水下航行器（AUV）任务中的最优路径规划与优先级任务调度。该方法旨在时间与操作约束下，最大化任务优先级总和的同时最小化风险，仿真结果表明GA在性能上优于PSO，生成的路径更具可靠性与可行性。

ABSTRACT

This paper presents a solution to Autonomous Underwater Vehicles (AUVs) large scale route planning and task assignment joint problem. Given a set of constraints (e.g., time) and a set of task priority values, the goal is to find the optimal route for underwater mission that maximizes the sum of the priorities and minimizes the total risk percentage while meeting the given constraints. Making use of the heuristic nature of genetic and swarm intelligence algorithms in solving NP-hard graph problems, Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) are employed to find the optimum solution, where each individual in the population is a candidate solution (route). To evaluate the robustness of the proposed methods, the performance of the all PS and GA algorithms are examined and compared for a number of Monte Carlo runs. Simulation results suggest that the routes generated by both algorithms are feasible and reliable enough, and applicable for underwater motion planning. However, the GA-based route planner produces superior results comparing to the results obtained from the PSO based route planner.

研究动机与目标

• 解决在时间与风险约束下AUV任务中大规模路径规划与任务分配的联合问题。
• 在满足总任务优先级最大化的同时，最小化总任务风险。
• 评估并比较PSO与GA在求解此NP难优化问题中的性能表现。
• 开发一种适用于实际水下作业的鲁棒、可行且可靠的路径规划解决方案。

提出的方法

• 将每个候选解（路径）表示为基于种群搜索中的个体，利用GA与PSO探索解空间。
• 将任务序列与路径路径编码为染色体或粒子位置，适应度函数结合任务优先级总和与风险最小化。
• 应用启发式搜索机制：GA采用选择、交叉与变异操作；PSO采用基于个体与全局最优解的速度与位置更新。
• 定义一个适应度函数，平衡任务优先级最大化与风险降低，同时满足时间与任务约束。
• 通过蒙特卡洛模拟评估两种算法在多次运行中的鲁棒性与收敛性。
• 采用离散化的路径表示方法，确保解的可行性，避免优化过程中出现不可行的路径配置。

实验结果

研究问题

• RQ1 如何在时间约束下优化AUV任务规划，以在最小化任务风险的同时最大化任务优先级？
• RQ2 在AUV的NP难联合路径规划与任务调度问题中，PSO与GA哪种元启发式方法更有效？
• RQ3 所提出的优化方法在相同任务场景的多次随机化模拟中表现如何？
• RQ4 所提出的方法能否为实际水下作业生成可行且可靠的路径？

主要发现

• 基于GA的路径规划器在解的质量与仿真中的一致性方面优于基于PSO的方法。
• PSO与GA均生成了可行且可靠的路径，证明了启发式方法在AUV任务规划中的可行性。
• 适应度函数有效平衡了任务优先级最大化与风险最小化，从而生成高质量的任务规划方案。
• 蒙特卡洛实验验证了两种算法的鲁棒性，且GA表现出更快的收敛速度与更优的最终适应度值。
• 所提出方法在实际计算限制内成功处理了联合优化问题的NP难特性。
• 仿真结果验证了该方法在实际水下运动规划任务中的适用性。