有向通信约束下的AUV集群组队行进方法

刘昊; 范玺斌; 李冬

doi:10.3969/j.issn.1673-3819.2025.02.003

指挥控制与仿真 ›› 2025, Vol. 47 ›› Issue (2) : 19-29. DOI: 10.3969/j.issn.1673-3819.2025.02.003

智能无人作战

有向通信约束下的AUV集群组队行进方法

作者信息 +

A cooperative formation method for AUV swarm under directed communication constrains

Author information +

History +

摘要

为了实现水下任务场景中的无人潜航器(AUVs)集群高效组队行进,提出了一种基于有向通信约束的AUV集群组队行进方法。该方法基于真实水下环境中潜水器之间的有向通信限制,通过仿真法模拟通信条件,利用自研方法控制集群内跟随艇与领导艇之间的相对位置,实现潜航器之间的感知和交流,自适应调整队形、协调行动,并有效应对规划任务需求和环境变化。基于该方法的原理、设计框架和实现过程,通过仿真和实验结果验证了其有效性。

Abstract

The formation movement of Autonomous Underwater Vehicle (AUV) clusters has significant application value in underwater missions. To achieve efficient collaboration and formation movement of AUV clusters in underwater mission scenarios, this paper proposes a method for AUV cluster formation movement based on directed communication constraints. This method utilizes the directed communication limitations between vehicles in real underwater environments through simulation to mimic communication conditions and employs a self-developed method to control the relative positions between follower vehicles and leader vehicles within the cluster. This approach thereby enables perception and communication between AUVs, adaptively adjusts formations, coordinates actions, and effectively responds to task requirements and environmental changes. This paper introduces the principles, design framework, and implementation process of the proposed method, and verifies its effectiveness through simulation and experimental results.

导出引用

刘昊, 范玺斌, 李冬. 有向通信约束下的AUV集群组队行进方法[J]. 指挥控制与仿真. 2025, 47(2): 19-29 https://doi.org/10.3969/j.issn.1673-3819.2025.02.003

LIU Hao, FAN Xibin, LI Dong. A cooperative formation method for AUV swarm under directed communication constrains[J]. Command Control and Simulation. 2025, 47(2): 19-29 https://doi.org/10.3969/j.issn.1673-3819.2025.02.003

随着无人潜水器技术的不断发展,AUV集群在海洋勘测、海底资源开发等领域发挥了重要作用。有效且高效的集群组队行进是实现任务目标的关键要素,而深海环境中的通信约束问题制约了AUV集群组队行进顺利执行。有向通信约束对AUV集群组队行进的影响主要表现在组队决策、队形调整和控制等方面。

多AUV系统的编队控制问题在有向通信约束下变得更加复杂,YAN和YUE等^[1-2]研究了非凸控制输入约束下的多AUV编队一致性控制问题,通过引入约束算子来设计控制器算法。SHAO等^[3]进一步探讨了基于有向图的时变编队控制方法,以实现更灵活的队形变化。为提高多AUV系统的效率和稳定性,WANG等^[4]总结了多AUV在水下搜索中的应用。LI和CHEN等^[5-6]针对时变时延下的编队控制问题,提出了有效的控制策略。ZENG、WANG、JIANG等^[7-9]分别针对输入饱和、欠驱动系统以及具有外部扰动的情况,提出了克服通信时延的控制方案。WANG等^[8]特别关注了分布式有限时间无速度反馈鲁棒编队控制,JIANG^[9]则针对有向图拓扑下的一致性问题,提出了基于线性矩阵不等式的控制策略。LIU和NI等^[10-11]分别研究了正一致性和固定时间领导者-跟随者一致性问题。针对通信优化问题,GOUNDER等^[12]提出了进化多样性优化方法,以降低检测概率并优化通信性能。CAO等^[13]研究了模型不确定性和衰落信道下的通信感知编队控制。YANG等^[14]提出了在线无模型参数学习方法,通过事件触发通信和驱动机制来实现领航跟随编队。KUMAR等^[15]提出了一种结合动态簇形成与AUV辅助路由优化的方法,减少能量消耗并最小化路由空洞的发生。XU等^[16]通过最优成本控制方法研究了时变通信和输入时滞下的AUV编队一致性问题。JAVAID和LI等^[17-18]分别研究了协同无人机中的通信与控制问题,这些研究为解决AUV集群中的类似问题提供了宝贵的参考。本文在前人研究基础上,设计有向通信约束下的AUV集群组队行进方法,以应对更加复杂和动态的水下环境。

1 问题描述

本章将详细描述基于有向通信约束的AUV集群组队行进方法的原理和思想。该方法利用潜水器之间的有向通信约束,实现信息传递和任务协同,以实现高效的集群组队行进。

1.1 任务描述

组队行进任务的客观衡量标准:在强通信约束下,跟随AUV安全到达目标位置的到达率。为了模拟目标点的校正状态,AUV的感知位置和真实位置应预先设定,感知位置是AUV自身根据惯导设备感知到的自身位置,真实位置则是客观场景中AUV所处的真实海洋位置,二者因为惯导的累计偏差和洋流、波浪作用,随行进时间产生偏差,当距离中转目标点较近时,可通过目标点校正偏差。组队行进任务描述如图1所示。

图1 组队行进任务描述

Fig.1 Team travel task

Full size|PPT slide

1.2 通信方向限制

领导AUV与水面控制台、领导AUV与跟随AUV之间通过超短基线定位系统(USBL)建立通信连接,因为水声通信限制,通信连接存在带宽、数量、方向、配对限制。通常情况下,USBL的发射端最多可与4个接收端建立通信连接,通信带宽小于2 Kb/s,通信方向的限制为±60°(200 m内无方向限制),通信距离可达6 000 m,有向通信限制如图2所示。

图2 有向通信限制示意

Fig.2 Directed communication restriction

Full size|PPT slide

1.3 海洋环境仿真

海洋环境会对AUV产生各类扰动,进而影响AUV的感知位置和真实位置。就感知位置而言,常见的海洋环境干扰项为惯导设备定位偏差和单/多波束设备定位偏差,前者影响AUV自身感知位置,后者影响AUV感知周边AUV的相对位置。就真实位置而言,常见的海洋环境干扰项为洋流扰动偏差和波浪扰动偏差,前者影响AUV各时刻的真实姿态位置,后者在AUV接近海面时发挥影响作用。设AUV的未扰动实时位置为x_0、y_0、z_0,实时航向为ψ_0,实时俯仰为θ_0,c、w、p、s分别为洋流、波浪、波束感知、惯导感知的属性类别,洋流速度为s_c,洋流方向为ψ_c,洋流俯仰为θ_c,则洋流扰动后的位置x_c、y_c、z_c计算公式为:

x_{c} = x_{0} + Δ x

(1)

y_{c} = y_{0} + Δ y

(2)

z_{c} = z_{0} + Δ z

(3)

{[\begin{array}{lll} Δ x & Δ z & Δ y \end{array}]}^{T} = A \times B

(4)

A = [\begin{array}{ccc} \cos ψ_{0} \times \cos θ_{0} & \sin ψ_{0} & - \cos ψ_{0} \times \sin θ_{0} \\ - \sin ψ_{0} \times \cos θ_{0} & \cos ψ_{0} & - \sin ψ_{0} \times \sin θ_{0} \\ \sin θ_{0} & 0 & \cos θ_{0} \end{array}]

(5)

B = {[\begin{array}{lll} s_{c} \times \cos ψ_{c} \times \cos θ_{c} & s_{c} \times \sin θ_{c} & s_{c} \times \sin ψ_{c} \times \cos θ_{c} \end{array}]}^{T}

(6)

式中,Δx、Δy、Δz代表位置增量,A代表转置矩阵,B代表洋流矩阵。

设波浪方向为ψ_w,波浪速度为s_w,转动半径调参为γ_w,当前的时间戳为t₀,转动角度调参为ϑ_w,当前位置到坐标零点的距离为d₀,则波浪扰动后的位置x_w、y_w、z_w计算公式为:

x_{w} = x_{0} + r_{w} \times \cos ψ_{w} \times \cos θ_{w}

(7)

y_{w} = y_{0} + r_{w} \times \sin θ_{w}

(8)

z_{w} = z_{0} + r_{w} \times \sin ψ_{w} \times \cos θ_{w}

(9)

r_{w} = {\begin{cases} γ_{w} \times s_{w} \times \frac{10 - | y_{0} |}{10} & (| z_{0} | < 10) \\ 0 & (| z_{0} | ⩾ 10) \end{cases}

(10)

θ_{w} = {| ϑ_{w} \times s_{w} \times (t_{0} + d_{0}) |}_{0 - 360}

(11)

式中,r_w为波浪转动半径,θ_w为波浪转动角度。

设单/多波束的探测标准差为σ_p,则叠加探测误差后的周边AUV感知位置x_p、y_p、z_p计算公式为:

x_{p} = N (x_{0}, σ_{p}^{2})

(12)

x_{p} = N (y_{0}, σ_{p}^{2})

(13)

z_{p} = N (z_{0}, σ_{p}^{2})

(14)

以上均为正态分布概率密度函数,噪声波动范围为[-4σ_p,4σ_p]。

设AUV的实时航速为s₀,惯导定位标准差调参为ω_s,则通过INS获取的感知位置x_s、y_s、z_s计算公式为:

x_{s} = N (x_{0}, σ_{s}^{2})

(15)

y_{s} = N (y_{0}, σ_{s}^{2})

(16)

Z_{s} = N (z_{0}, σ_{s}^{2})

(17)

σ_{s} = s_{0} \times ω_{s}

(18)

式中,σ_s为惯导定位的标准差。叠加海洋环境扰动前后的AUV运动轨迹如图3所示。

图3 叠加海洋环境扰动前后的AUV运动轨迹(1号为未叠加环境扰动轨迹,2号为叠加环境轨迹)

Fig.3 Comparison of trajectories before and after superposition of marine environmental disturbances

Full size|PPT slide

2 控制器设计

本章将介绍基于有向通信约束的AUV集群组队行进方法的设计框架和算法示意图,从任务分配、路径规划、队形调整等方面,对组队行进过程进行详细阐述。针对深海环境中的有向通信约束,本文提出了一种基于有向通信约束的AUV集群组队行进方法。该方法通过优化AUV的通信方向和队形,提高了AUV间的通信质量和稳定性,从而提高了AUV集群组队行进的效率和安全性。

2.1 通信控制器

2.1.1 通信信息限制

为了拟合海洋环境场景,限制AUV集群之间的通信带宽,压缩通信数据量,该研究只保留集群组队行进过程中的必要通信信息,包括领导AUV的感知位置、感知时间戳、在网AUV数量。其中,领导AUV的感知位置并非领导AUV的真实位置,而是领导AUV通过惯导设备获取的自身位置信息;感知时间戳标记了采集到领导AUV感知位置的时刻信息,与当前时刻之间存在信息传输的时间延迟;在网AUV数量用于控制领导AUV的航行速度,标记了感知时间戳对应时刻的在网AUV数量(包含领导AUV),由于数据丢包和通信方向限制,各时刻的在网AUV数量会发生明显变化。

2.1.2 通信组网限制

按照USBL的通信规则,领导AUV作为通信发送端,可以与4个跟随AUV建立通信联系,定义领导AUV与直接相连的跟随AUV之间的通信延迟为直接通信延迟,如集群规模数大于5时,则需要在跟随AUV安装USBL的通信发送端,接续转发领导AUV的位置信息,领导AUV与间接相连的跟随AUV之间的通信延迟定义为间接通信延迟。设f为通信属性类别,直接通信的平均通信延迟时间为

\bar{Δ t_{f}}

,通信延迟标准差为σ_f,第i个AUV向第j个AUV直接通信传输数据的延迟时间Δt_ij的计算公式为:

σ_{f} = \bar{Δ t_{f}} \times 0.25

(19)

Δ t_{i j} = {\begin{cases} | N (\bar{Δ t_{f}}, σ_{f}^{2}) | (Rand (1) < l_{i j}) \\ + \infty (Rand (1) \geq l_{i j}) \end{cases}

(20)

式中,Rand

(z)

表示随机取值

[0.00, z)

之间的实数。任意AUV之间的间接通信延迟时间为网络中的直接通信传输时间求和的最小值。

2.1.3 通信丢包限制

通信丢包是指集群内的领导AUV与跟随AUV之间由于相对位置、海洋复杂环境的干扰,导致通信数据信息未及时接收到位的情况,即便在良好天候的海洋场景中,两艘AUV的常规通信丢包率也维持在10%左右,考虑有向通信限制和集群相对位置的实时动态变化,通信丢包更为严重,仿真场景下大于50%。设第i艘AUV(发射端)向第j艘AUV(接收端)建立直接通信传输数据,第i艘AUV的实时航向为ψ_i,实时俯仰为θ_i,实时位置为x_i、y_i、z_i,第j艘AUV的实时位置为x_j、y_j、z_j,两艘AUV的实际距离为d_ij,平均丢包率参数为ε_f,有效通信距离参数为d_f,有向通信的阈值距离参数为

{\overset{ˇ}{d}}_{f}

(通信方向限制在

{\overset{ˇ}{d}}_{f}

<d_ij<d_f时有效),则从第j艘AUV实时位置到第i艘AUV惯导通信射线的垂足位置坐标x_f、y_f、z_f计算公式为:

m = \cos (ψ_{i}) \times \cos (120 - θ_{i})

(21)

n=sin

(ψ_{i})

×cos

(120 - θ_{i})

(22)

n = \sin (ψ_{i}) \times \cos (120 - θ_{i})

(23)

u = \frac{(x_{j} - x_{i} - m) \cdot m + (y_{j} - y_{i} - n) \cdot n + (z_{j} - z_{i} - p) \cdot p}{m^{2} + n^{2} + p^{2}}

(24)

x_{f} = x_{i} + m + u \cdot m

(25)

y_{f} = y_{i} + n + u \cdot n

(26)

z_{f} = z_{i} + p + u \cdot p

(27)

式中,m、n、p为垂线的方向向量,u为垂足的位置转动调参。第j艘AUV与第i艘AUV惯导射线的夹角α计算公式为

α = \arcsin (\frac{((x_{f}, y_{f}, z_{f}), (x_{j}, y_{j}, z_{j}))}{((x_{i}, y_{i}, z_{i}), (x_{j}, y_{j}, z_{j}))})

(28)

各通信距离对应的实际丢包率l_ij计算公式为

l_{i j} = {\begin{cases} \frac{2 \times ε_{f} \times d_{i j}}{d_{f}} & (0 ⩽ d_{i j} ＜ {\overset{ˇ}{d}}_{f}) \\ \frac{2 \times ε_{f} \times d_{i j}}{d_{f}} & ({\overset{ˇ}{d}}_{f} ⩽ d_{i j} ＜ d_{f}) \cap (α ＜ 60) \\ \frac{(1 - 2 \times ε_{f}) \times d_{i j}}{d_{f}} & (d_{f} ⩽ d_{i j} ＜ 1.1 \times d_{f}) \cap (α ＜ 60) \\ 1 & (d_{i j} ⩾ 1.1 \times d_{f}) \cup (α ⩾ 60) \end{cases}

(29)

2.2 运动控制器

2.2.1 运动控制算法

PID控制器通过历史误差修正当前的PID调参,实现航向俯仰转动量上限的动态调节,最大限度拟合真实场景。当前时刻的航向PID控制参数分别为比例参数

ψ_{0}^{p}

、积分参数

ψ_{0}^{i}

、微分参数

ψ_{0}^{d}

、上次误差

ψ_{0}^{e 1}

、上上次误差

ψ_{0}^{e 2}

;俯仰PID控制参数分别为比例参数

θ_{0}^{p}

、积分参数

θ_{0}^{i}

、微分参数

θ_{0}^{d}

、上次误差

θ_{0}^{e 1}

、上上次误差

θ_{0}^{e 2}

。从当前位置到目标位置的航向转动量

\vec{ψ}

和俯仰转动量

\vec{θ}

的计算公式与差分控制器相同,目标航向ψ_t、目标俯仰θ_t的计算公式为:

ψ_{t} = {\begin{cases} ψ_{0} + \vec{ψ} (\vec{ψ} < 180^{\circ}) \\ ψ_{0} - \vec{ψ} (\vec{ψ} ⩾ 180^{\circ}) \end{cases}

(30)

θ_{t} = \vec{θ}

(31)

下一时刻的航向ψ₁、俯仰θ₁的计算公式为:

ψ₁=min(max(

ψ_{0}^{p}

·(ψ_t-ψ₀-

ψ_{0}^{e 1}

ψ_{0}^{i}

·(ψ_t-ψ₀)+

ψ_{0}^{d}

·(ψ_t-ψ₀-2

ψ_{0}^{e 1}

ψ_{0}^{e 2}

),Δψ),Δψ)

(32)

θ₁=min(max(

θ_{0}^{p}

·(θ_t-θ₀-

θ_{0}^{e 1}

θ_{0}^{i}

·(θ_t-θ₀)+

θ_{0}^{d}

·(θ_t-θ₀-2

θ_{0}^{e 1}

θ_{0}^{e 2}

),Δθ),Δθ)

(33)

更新PID历史误差为:

ψ_{0}^{e 2}

ψ_{0}^{e 1}

(34)

ψ_{0}^{e 1}

=ψ_t-ψ₀

(35)

θ_{0}^{e 2}

θ_{0}^{e 1}

(36)

θ_{0}^{e 1}

=θ_t-θ₀

(37)

下一时刻位置x₁、y₁、z₁的计算公式为:

x_{1} = x_{0} + s_{0} \times \cos ψ_{1} \times \cos θ_{1}

(38)

y_{1} = y_{0} + s_{0} \times \sin ψ_{1} \times \cos θ_{1}

(39)

z_{1} = z_{0} - s_{0} \times \sin θ_{1}

(40)

领导AUV按照规定速度从初始位置依次靠近各目标点,若与邻近目标点距离小于50 m则更换为下一目标点,若为最后目标点则判定集群完成组队行进任务,切换为目标位置锚定算法,速度降至0。

2.2.2 跟随AUV控制算法

其他AUV跟随领导AUV行进,在仿真海洋环境扰动条件下完成组队行进任务。通常情况下,研究人员采用Boids策略设计跟随AUV的队形控制算法,但在实际应用中,由于通信方向的限制,Boids算法极易造成通信丢包,导致跟随AUV丢失,本文中的设计符合按照固定队形跟随领导AUV的原则,利用波束确定与相邻AUV的距离和位置;有向通信队形如图4所示。

图4 有向通信队形示意图

Fig.4 Directed Communication Formation

Full size|PPT slide

跟随AUV的队形点位置相对于领导AUV固定,不同跟随AUV之间的相对航向和俯仰相同,与领导AUV的间距取不同值,进而确定跟随AUV的相对位置。计算过程如下:首先,根据领导AUV在两个不同时间戳获取的感知位置,计算领导AUV的实时航向和实时俯仰。设通信传输信息的属性类别为c,第i艘跟随AUV获取到领导AUV的最近和次近位置时间戳为t₁和t₂,位置分别为

x_{t 1}^{c}

、

y_{t 1}^{c}

、

z_{t 1}^{c}

和

x_{t 2}^{c}

、

y_{t 2}^{c}

、

z_{t 2}^{c}

,则预估领导AUV的航向

ψ_{0}^{c}

和俯仰

θ_{0}^{c}

的计算公式为:

ψ_{0}^{c}

{|a r c t a n (\frac{y_{t 1}^{c} - y_{t 2}^{c}}{x_{t 1}^{c} - x_{t 2}^{c}})|}_{0 - 360}

(41)

θ_{0}^{c'}

{|a r c t a n (\frac{z_{t 1}^{c} - z_{t 2}^{c}}{\sqrt{{(x_{t 1}^{c} - x_{t 2}^{c})}^{2} + {(y_{t 1}^{c} - y_{t 2}^{c})}^{2}}})|}_{0 - 360}

(42)

θ_{0}^{c}

\{\begin{array}{l} - θ_{0}^{c'} (0 ° \leq θ_{0}^{c'} < 90 °) \\ θ_{0}^{c'} - 180 (90 ° \leq θ_{0}^{c'} < 270 °) \\ 360 - θ_{0}^{c'} (270 ° \leq θ_{0}^{c'} < 360 °) \end{array}

(43)

然后,根据领导AUV的实时位置、航向、俯仰,计算第i艘跟随AUV的相对位置

x_{t i}^{c}

、

y_{t i}^{c}

、

z_{t i}^{c}

x_{t i}^{c}

x_{t 1}^{c}

(10 \cdot i)

×cos

(ψ_{0}^{c} - 180)

×cos

[m a x (θ_{0}^{c} - 20, - 90)]

(44)

y_{t i}^{c}

y_{t 1}^{c}

(10 \cdot i)

×sin

(ψ_{0}^{c} - 180)

×cos

[m a x (θ_{0}^{c} - 20, - 90)]

(45)

z_{t i}^{c}

z_{t 1}^{c}

(10 \cdot i)

×sin

[m a x (θ_{0}^{c} - 20, - 90)]

(46)

设当前时间戳为t₀,为了防止通信丢包导致的跟随AUV丢失,制定如下限制规则:若

(t_{0} - t_{1})

>1 000 s,则根据波束感知周边AUV的相对位置,并跟随周边AUV行进,设感知到周边AUV的实时位置x_p、y_p、z_p,第i艘跟随AUV的实时位置为x_i、y_i、z_i,计算第i艘跟随AUV的相对位置

x_{t i}^{c}

、

y_{t i}^{c}

、

z_{t i}^{c}

为:

x_{t i}^{c}

=x_i+

\frac{50}{(x_{p} - x_{i}) \times ((x_{i}, y_{i}, z_{i}), (x_{p}, y_{p}, z_{p}))}

(47)

y_{t i}^{c}

=y_i+

\frac{50}{(y_{p} - y_{i}) \times ((x_{i}, y_{i}, z_{i}), (x_{p}, y_{p}, z_{p}))}

(48)

z_{t i}^{c}

=z_i+

\frac{50}{(z_{p} - z_{i}) \times ((x_{i}, y_{i}, z_{i}), (x_{p}, y_{p}, z_{p}))}

(49)

2.3 速度及能源控制器

2.3.1 领导AUV速度限制

领导AUV的速度可根据与集群内其他AUV的最大延迟时间调节,当延迟时间超过阈值时,领导AUV降低速度以等待其他AUV跟上,在全局范围保持队形稳定。设最大通信延迟时间为Δt_max,延迟时间上限为Δ

\dot{t}

,AUV的额定最大航速为

\dot{s}

,航速的最小波动阈值为Δs,领导AUV实时航速s₀,则领导AUV下一刻实时航速s'₀计算公式为

s'₀=

\{\begin{array}{l} m i n (\dot{s}, s_{0} + Δ s) (Δ t_{m a x} \leq Δ \dot{t}) \\ m a x (\dot{s} \times 0.9, s_{0} - Δ s) (Δ t_{m a x} > Δ \dot{t}) \end{array}

(50)

2.3.2 跟随AUV速度限制

跟随AUV的速度可根据自身感知位置与通信传输获取的领导AUV最近时刻位置计算间距调节。设跟随AUV的自身感知位置为x_p、y_p、z_p,领导AUV最近时刻获取的通信位置为

x_{t 1}^{c}

、

y_{t 1}^{c}

、

z_{t 1}^{c}

,安全距离的上、下限阈值分别为

\dot{d}

和

\overset{ˇ}{d}

,则预估与领导AUV的间距d_p计算公式为

d_p=

((x_{p}, y_{p}, z_{p}), (x_{t 1}^{c}, y_{t 1}^{c}, z_{t 1}^{c}))

(51)

跟随AUV下一刻实时航速s'₀计算公式为

s'₀=

\{\begin{array}{l} m a x (\dot{s} \times 0.9, s_{0} - Δ s) (\dot{d} < d_{p} < \overset{ˇ}{d}) \\ m i n (\dot{s}, s_{0} + Δ s) (e l s e) \end{array}

(52)

当AUV到达目标区域后,系统调用位置锚定算法,降低AUV的航行速度,确保AUV与目标位置接近重合而速度接近0,达成位置锚定的运动效果。

2.3.3 能源消耗限制

为了模拟海洋环境下AUV的运动和能源消耗过程,能源控制器仿真AUV的能源消耗情况引入模型,能源消耗通常与AUV的实时航速和洋流角度相关,航速越高、角度差异越大,则能源消耗越快。设AUV的初始能源剩余百分比为g₀,当前所在位置的洋流方向为ψ_c,洋流俯仰为θ_c,AUV自身的实时航向为ψ₀,实时俯仰为θ₀,则洋流虚拟位置x'_c、y'_c、z'_c的计算公式为:

x_{c}^{'} = 100 \times \cos ψ_{c} \times \cos θ_{c}

(53)

y_{c}^{'} = 100 \times \sin ψ_{c} \times \cos θ_{c}

(54)

z_{c}^{'} = - 100 \times \sin θ_{c}

(55)

AUV虚拟位置x'₀、y'₀、z'₀的计算公式为:

x_{0}^{'} = 100 \times \cos ψ_{0} \times \cos θ_{0}

(56)

y_{0}^{'} = 100 \times \sin ψ_{0} \times \cos θ_{0}

(57)

z_{0}^{'} = - 100 \times \sin θ_{0}

(58)

洋流虚拟位置与AUV虚拟位置的夹角α的计算公式为

α=arccos

\{\frac{x'_{c}^{2} + y'_{c}^{2} + z'_{c}^{2} + x'_{0}^{2} + y'_{0}^{2} + z'_{0}^{2} - [(x'_{c} - x'_{0})^{2} + (y'_{c} - y'_{0})^{2} + (z'_{c} - z'_{0})^{2}]}{2 \times \sqrt{x'_{c}^{2} + y'_{c}^{2} + z'_{c}^{2}} \times \sqrt{x'_{0}^{2} + y'_{0}^{2} + z'_{0}^{2}}}\}

(59)

设AUV的实时航速为s₀,能源消耗调节参数为η,则AUV当前的能源剩余百分比g'计算公式为

g'=g₀-s₀×

[1 + s i n (\frac{α}{2})]

×η

(60)

3 仿真实验

通过仿真和实验验证,本章将评估所提出方法的性能,通过与传统方法进行对比分析,展示基于有向通信约束的组队行进方法在任务完成效率、能量消耗等指标上的优势。

3.1 海洋环境限制仿真实验

针对不同的实际应用场景,实验人员应考虑不同的AUV数量、通信范围、任务复杂性等因素,并尽可能涵盖多种情况,以验证算法的普适性和鲁棒性。无扰动状态下,5艘AUV构成的集群组队行进效果如图5所示。

图5 集群组队行进效果(无扰动)

Fig.5 Cluster team marching(no disturbance)

Full size|PPT slide

其中,0号领导AUV能源剩余67.944 7%,1号AUV能源剩余63.903%,累计丢包0.317 217%,2号AUV能源剩余63.9073%,累计丢包0.371 91%,3号AUV能源剩余63.888 6%,累计丢包0.426 602%,4号AUV能源剩余63.934 9%,累计丢包0.317 217%;集群队形最大间距均值为110.277 m,集群到达总用时为9 142 s,反馈通信延迟时间均值为99.524 8 s,能源消耗百分比均值为35.284 3%;到达最终目标的锚定偏差距离分别为7.121 53 m、5.384 58 m、5.259 14 m、5.262 93 m、5.536 73 m。

3.1.1 外界环境扰动仿真

外界环境对AUV集群的扰动主要包含洋流和波浪扰动,叠加外界环境扰动的集群组队行进效果如图6所示。

图6 集群组队行进效果(叠加外界环境扰动)

Fig.6 Cluster team marching(superposed disturbance)

Full size|PPT slide

通过对比分析(图7)可知,叠加外界环境扰动后,集群轨迹的波动幅度明显增加,能源消耗增加3%~4%,目标锚定偏差均值提升明显,但由于扰动对跟随AUV的位置影响,导致有向通信的丢包率有一定程度的提升,原因在于外界扰动使领导AUV和跟随AUV的相对角度振幅变大,增加了有向通信的可达性。

图7 多维评估指标对比

Fig.7 Multi-dimensionalindicator comparison

Full size|PPT slide

3.1.2 载荷偏差扰动仿真

载荷扰动主要包含惯导偏差和单/多波束定位偏差,叠加载荷偏差扰动的集群组队行进效果如图8所示。

图8 集群组队行进效果(叠加载荷偏差扰动)

Fig.8 Cluster team marching (superposed disturbance of loaded)

Full size|PPT slide

通过对比分析(图9)可知,叠加载荷偏差扰动后,集群队形存在局部的“修正”轨迹,即跟随AUV感知到自身位置偏差而进行的原地游走,无意义的游走导致跟随AUV的能源消耗明显增加,较无扰动状态增加约4.5%,丢包率存在一定程度提升,但总体丢包可控(小于1%),目标锚定偏差均值增加明显,队形最大间距均值较无扰动状态增加91%,其他评估指标变化不明显。

图9 多维评估指标对比

Fig.9 Multi-dimensional indicator comparison

Full size|PPT slide

3.1.3 定向通信扰动仿真

上述实验均建立在全范围通信条件下,当通信方向受限后,集群的丢包率明显上升,叠加定向通信扰动的集群组队行进效果如图10所示。

图10 集群组队行进效果(叠加定向通信扰动)

Fig.10 Cluster team marching(superposed disturbance of directed communication)

Full size|PPT slide

通过对比分析可知,叠加定向通信扰动后,集群队形变化幅度较大,存在明显的“分岔”轨迹,跟随AUV的能源消耗相比无扰动状态增加6%,丢包率增幅明显,由无扰动状态不足1%增加到30%,证明通信方向约束对丢包有决定性影响。评估指标中,队形最大间距和目标锚定偏差均值均大幅度提升。

3.2 同类方法对比实验

在同类方法对比中,选取Boids策略作为对比方法,判断本文提出组队方法的优越性,对比效果如图11、12所示。

图11 多维评估指标对比

Fig.11 Multi-dimensional indicator comparison

Full size|PPT slide

图12 多维评估指标对比

Fig.12 Multi-dimensional indicator comparison

Full size|PPT slide

通过对比分析可知,本文提出的方法在反馈通信延迟均值评估指标上稍逊于同类方法,在能源消耗、通信丢包率、目标锚定偏差均值、队形最大间距均值、集群到达总用时等评估指标上均存在明显优势。

3.3 综合效果展示

3.3.1 综合评估指标分析

研究人员设计了各个层面的量化评估指标,科学评估本文组队行进方法的有效性。量化评估参考指标选取为队形最大间距均值、集群到达总用时、反馈通信延迟时间均值、能源消耗百分比均值、平均通信丢包率、集群到位通联数,通过引入随机变量,随机产生10次组队行进结果,评估结果如图13所示。

图13 评估指标对比

Fig.13 Evaluation indicator comparison

Full size|PPT slide

通过对比分析可知,随机产生10次组队行进轨迹中,评估指标中的目标锚定偏差均值和队形最大间距均值变化幅度较大,在集群到达总用时、能源消耗比例均值、反馈通信延迟均值上无明显差异,证明本文方法在集群组队行进的时间约束上存在一定优势,在位置锚定上因为环境扰动存在一定偏差,但总体可控。

3.3.2 能源消耗分析

各AUV的10次能源消耗取均值,集群内各AUV的能源消耗情况如图14所示。

图14 各AUV能源消耗变化

Fig.14 Energy consumption of AUVs

Full size|PPT slide

通过对比分析可知,领导AUV的总体能源剩余明显多于跟随AUV,各跟随AUV的能源消耗差异性较小,与领导AUV的差异比例维持在7%。

3.3.3 通信延迟及丢包分析

各AUV的10次通信丢包率取均值,集群内各AUV的丢包率变化情况如图15所示。

图15 各AUV丢包率变化

Fig.15 Changing in packet loss rate of AUVs

Full size|PPT slide

通过对比分析可知,各跟随AUV的丢包率之间存在明显差异,这种差异与组队行进的随机扰动关系不大,主要在于跟随AUV与领导AUV的初始相对位置,位置差异导致各跟随AUV的通信丢包产生差异,进而影响后续的通信效率,总体而言,跟随AUV的平均丢包率维持在36%。

3.4 大规模仿真实验

为了验证本文方法的有效性和扩展性,实验人员选取20艘AUV做大规模组队行进实验,组网方式采用单一固定艇中继传输方式。集群组队行进效果如图16所示。

图16 集群组队行进效果(20艘AUV)

Fig.16 Cluster team marching of 20 AUVs

Full size|PPT slide

通过对比分析(图17)可知,随着集群规模的增加,队形最大间距、目标锚定偏差均值、反馈通信延迟均值等评估指标均会提升,而集群组队行进的总用时、各AUV的能源消耗不会发生明显改变,证明本文方法在组队行进的效率上存在稳定性,不会随着规模变化发生明显变化。各时刻的集群队形剖面如图18所示。

图17 评估指标对比

Fig.17 Dimensional indicator comparison

Full size|PPT slide

图18 集群队形剖面效果(20艘AUV)

Fig.18 The profile of cluster team marching of 20 AUVs

Full size|PPT slide

通过对比分析可知,集群内的队形结构维持在跟随状态,各跟随AUV在定向通信的角度范围内与领导AUV保持通信,各跟随AUV之间不存在固定的位置关系,在剖面时刻存在某个跟随AUV偏离集群的情况,原因是该跟随AUV处于通信丢包状态,难以获得领导AUV的实时位置信息,后续的算法改进中可对孤立的偏离AUV进行规则调整。

4 结束语

本文提出的基于有向通信约束的AUV集群组队行进方法,有效地提高了AUV间的通信质量和稳定性,从而提高了AUV集群组队行进的效率和安全性。该方法可以为深海环境中的AUV集群组队行进提供有效的技术支持。

基于有向通信约束的队形调整算法综合考虑了有向通信约束和AUV的位置、速度等状态信息,本文提出的基于有向通信约束的队形调整算法通过调整AUV的通信方向和队形,提高了AUV间的通信质量和稳定性,从而提升了AUV集群组队行进的效率和安全性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	YAN Z P, YUE L D, ZHOU J J, et al. Formation coordination control of leaderless multi-AUV system with double independent communication topology and nonconvex control input constraints[J]. Journal of Marine Science and Engineering, 2023, 11(1): 107. 本文引用 [1]

[2]	YUE L D, YAN Z P, ZHOU J J, et al. Formation trajectory tracking of discrete-time distributed multi-AUVs with nonconvex control inputs and weak communication[J]. Journal of Marine Science and Engineering, 2023, 11(7): 1 362. 本文引用 [1]

[3]	SHAO G, WAN L, XU H X. A novel method of time-varying formation control based on a directed graph for multiple autonomous underwater vehicles[J]. Applied Sciences, 2024, 14(14): 6 377. 本文引用 [1]

[4]	WANG L L, ZHU D Q, PANG W, et al. A survey of underwater search for multi-target using multi-AUV: task allocation, path planning, and formation control[J]. Ocean Engineering, 2023, 278: 114 393. 本文引用 [1]

[5]	LI J, TIAN Z Y, ZHANG H H. Discrete-time AUV formation control with leader-following consensus under time-varying delays[J]. Ocean Engineering, 2023, 286: 115 678. 本文引用 [1]

[6]	CHEN Y P, GUO X, LUO G Y, et al. A formation control method for AUV group under communication delay[J]. Frontiers in Bioengineering and Biotechnology, 2022(10): 848 641. 本文引用 [1]

[7]	ZENG Z F, YU H M, GUO C, et al. Finite-time coordinated formation control of discrete-time multi-AUV with input saturation under alterable weighted topology and time-varying delay[J]. Ocean Engineering, 2022, 266: 112 881. 本文引用 [1]

[8]	WANG J Y, DU J L, LI J. Distributed finite-time velocity-free robust formation control of multiple underactuated AUVs under switching directed topologies[J]. Ocean Engineering, 2022, 266: 112 967. 本文引用 [2]

[9]	JIANG W, LIU K, CHARALAMBOUS T. Multi-Agent consensus with heterogeneous time-varying input and communication delays in digraphs[J]. Automatica, 2022, 135: 109 950. 本文引用 [2]

[10]	LIU J J R, YANG N C, KWOK K W, et al. Positive consensus of directed multiagent systems[J]. IEEE Transactions on Automatic Control, 2022, 67(7): 3 641-3 646. 本文引用 [1]

[11]	NI J K, WEN C Y, ZHAO Y. Fixed-time leader-follower quantized output consensus of high-order multi-agent systems over digraph[J]. Information Sciences, 2022, 587: 408-434. 本文引用 [1]

[12]	GOUNDER S, NEUMANN F, NEUMANN A. Evolutionary diversity optimisation for sparse directed communication networks[C]// Proceedings of the Genetic and Evolutionary Computation Conference, Melbourne VIC Australia, 2024: 1 237-1 245. 本文引用 [1]

[13]	CAO W Q, YAN J, YANG X, et al. Communication-aware formation control of AUVs with model uncertainty and fading channel via integral reinforcement learning[J]. CAA Journal of Automatica Sinica, 2023, 10(1): 159-176. 本文引用 [1]

[14]	YANG Y H, MEI J, MA G F. Formation of time-varying multi-AUVs under directed graphs with event-triggered control: an online model-free parameter learning[J]. IEEE Transactions on Intelligent Vehicles, 2024: 1-16. 本文引用 [1]

[15]	KUMAR K S, SINGH D, ANAND V. Dcaro: Dynamic cluster formation and AUV-aided routing optimization for energy-efficient UASNs[J]. Peer-to-Peer Networking and Applications, 2024, 17(5): 3 335-3 352. 本文引用 [1]

[16]	XU J, WEI S X, YIN L G. Communication topology for AUV formation consensus based on optimal cost control under time-varying communication and input delays[J]. Ocean Engineering, 2024, 304: 117 906. 本文引用 [1]

[17]	JAVAID S, SAEED N, QADIR Z, et al. Communication and control in collaborative UAVs: recent advances and future trends[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(6): 5 719-5 739. 本文引用 [1]

[18]	LI S Y, YE D, SUN Z W, et al. Collision-free flocking control for satellite cluster with constrained spanning tree topology and communication delay[J]. IEEE Transactions on Aerospace Electronic Systems, 2023, 59(4): 4 134-4 146. 本文引用 [1]

PDF(8316 KB)

429

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
1 问题描述
1.1 任务描述
图1 组队行进任务描述
1.2 通信方向限制
图2 有向通信限制示意
1.3 海洋环境仿真
图3 叠加海洋环境扰动前后的AUV运动轨迹(1号为未叠加环境扰动轨迹,2号为叠加环境轨迹)
2 控制器设计
2.1 通信控制器
2.1.1 通信信息限制
2.1.2 通信组网限制
2.1.3 通信丢包限制
2.2 运动控制器
2.2.1 运动控制算法
2.2.2 跟随AUV控制算法
图4 有向通信队形示意图
2.3 速度及能源控制器
2.3.1 领导AUV速度限制
2.3.2 跟随AUV速度限制
2.3.3 能源消耗限制
3 仿真实验
3.1 海洋环境限制仿真实验
图5 集群组队行进效果(无扰动)
3.1.1 外界环境扰动仿真
图6 集群组队行进效果(叠加外界环境扰动)
图7 多维评估指标对比
3.1.2 载荷偏差扰动仿真
图8 集群组队行进效果(叠加载荷偏差扰动)
图9 多维评估指标对比
3.1.3 定向通信扰动仿真
图10 集群组队行进效果(叠加定向通信扰动)
3.2 同类方法对比实验
图11 多维评估指标对比
图12 多维评估指标对比
3.3 综合效果展示
3.3.1 综合评估指标分析
图13 评估指标对比
3.3.2 能源消耗分析
图14 各AUV能源消耗变化
3.3.3 通信延迟及丢包分析
图15 各AUV丢包率变化
3.4 大规模仿真实验
图16 集群组队行进效果(20艘AUV)
图17 评估指标对比
图18 集群队形剖面效果(20艘AUV)
4 结束语
参考文献

Received	Revised	Published
2024-11-09	2024-11-26	2025-04-10
Online
2025-03-27

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 问题描述

1.1 任务描述

图1 组队行进任务描述

1.2 通信方向限制

图2 有向通信限制示意

1.3 海洋环境仿真

图3 叠加海洋环境扰动前后的AUV运动轨迹(1号为未叠加环境扰动轨迹,2号为叠加环境轨迹)

2 控制器设计

2.1 通信控制器

2.1.1 通信信息限制

2.1.2 通信组网限制

2.1.3 通信丢包限制

2.2 运动控制器

2.2.1 运动控制算法

2.2.2 跟随AUV控制算法

图4 有向通信队形示意图

2.3 速度及能源控制器

2.3.1 领导AUV速度限制

2.3.2 跟随AUV速度限制

2.3.3 能源消耗限制

3 仿真实验

3.1 海洋环境限制仿真实验

图5 集群组队行进效果(无扰动)

3.1.1 外界环境扰动仿真

图6 集群组队行进效果(叠加外界环境扰动)

图7 多维评估指标对比

3.1.2 载荷偏差扰动仿真

图8 集群组队行进效果(叠加载荷偏差扰动)

图9 多维评估指标对比

3.1.3 定向通信扰动仿真

图10 集群组队行进效果(叠加定向通信扰动)

3.2 同类方法对比实验

图11 多维评估指标对比

图12 多维评估指标对比

3.3 综合效果展示

3.3.1 综合评估指标分析

图13 评估指标对比

3.3.2 能源消耗分析

图14 各AUV能源消耗变化

3.3.3 通信延迟及丢包分析

图15 各AUV丢包率变化

3.4 大规模仿真实验

图16 集群组队行进效果(20艘AUV)

图17 评估指标对比

图18 集群队形剖面效果(20艘AUV)

4 结束语

{{custom_sec.title}}

{{custom_sec.title}}

参考文献