AUV swarm motion control method in deep-sea simulation environment

FAN Xibin; LIU Hao; LUAN Ruipeng

doi:10.3969/j.issn.1673-3819.2025.03.003

Command Control and Simulation >

2025 , Vol. 47 >Issue 3: 22 - 33

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.03.003

Intelligent Unmanned Combat

AUV swarm motion control method in deep-sea simulation environment

FAN Xibin ,
LIU Hao ,
LUAN Ruipeng

Expand

Unit 91550 of PLA, Dalian 116023, China

Received date: 2024-09-14

Revised date: 2024-11-29

Online published: 2025-05-28

Fold

Abstract

This paper aims to construct a multi-dimensional disturbance model of the marine environment to simulate the constraints of underwater weak communication scenarios and verify the feasibility of AUV (autonomous underwater vehicle) swarm formation control strategies in complex marine environments and adjustment to the AUV’s posture. These differences are then used to test the formation control performance of five types of controllers and their ability to handle AUV pose variations within the disturbance model. Compared with traditional methods, the simulation results demonstrate that the proposed method can achieve AUV swarm formation navigation under communication delay conditions. It shows significant advantages in formation convergence and safe arrival compared to single-constraint and other controller strategies. The proposed method is particularly suitable for swarm navigation under delayed communication and multiple disturbance constraints, offering substantial application potential in deep space and deep sea exploration. It provides a possible command and control method for future AUV deep-sea exploration.

Key words： weak communication; AUV; cluster; formation control; simulation model

Cite this article

FAN Xibin , LIU Hao , LUAN Ruipeng . AUV swarm motion control method in deep-sea simulation environment[J]. Command Control and Simulation, 2025 , 47(3) : 22 -33 . DOI: 10.3969/j.issn.1673-3819.2025.03.003

编队控制是当前水下无人集群领域的研究热点之一,是提升水下无人集群现代化、智能化和信息化的重要途径之一^[1]。AUV集群只有通过特定的编队控制方法,才能构建稳定的编队队形,进而完成组队行进、路径规划、覆盖勘测、协同作业等各类复杂任务。复杂多变的海洋弱通信环境使自主水下航行器的结构设计及核心算法开发面临很大挑战,考虑到硬件平台的高成本和物理测试的高风险,水下航行器仿真技术已逐渐成为算法验证的可行解决方案。在仿真平台的设计与开发过程中,需要充分模拟海洋环境,包括海洋环境对物理模型的干扰以及物理模型自身的传感与通信干扰过程等,进而验证编队控制算法在水下作业的可行性及可拓展性。

在AUV集群编队控制算法研究领域,常用的编队控制方法主要有领导-跟随者法、虚拟结构法和行为法。路径规划与编队控制方面,ZHANG L, HAN Y^[2]提出了一种改进RRT*算法,通过偏置函数和Dubins曲线优化路径规划,以实现AUV集群的有效编队控制。 LAI Y H,等^[3]基于图论和领导者-跟随者方法设计了多四旋翼无人机的三角形编队控制方案,利用距离反馈实现稳定飞行结构。 DING W等^[4]采用虚拟结构与人工势场法相结合的方法,解决了AUV集群在三维环境中保持编队同时避开障碍物的问题。HACENE N, MENDIL B^[5]设计了一种基于行为的控制器,包含目标追踪、障碍物规避等四种行为模式,适用于未知且高度动态环境下的移动机器人自主导航和编队控制。KANG X D等^[6]利用模糊逻辑协调多个反应行为,提出了一个新行为融合方法,使Multi-AUV系统能够在复杂海洋环境中实时避障并保持编队。控制策略与干扰处理方面,DING W等^[7]结合非线性干扰观测器与滑模控制技术,开发了一种用于欠驱动AUV在强干扰环境下进行三维轨迹跟踪的控制策略。 ZHAO Z等^[8]开发了一个分布式短期预测控制模型,支持AUV集群在未知动态环境中执行协同任务时的信息共享及连续避障。网络优化与计算卸载方面, KUMAR K S等^[9]使用K-means聚类结合海洋捕食者优化算法,并通过AUV辅助路由优化实现了水下声学传感器网络中高效节能的数据传输。 CHEN H等^[10]采用斯塔克尔伯格博弈学习方法,提出了一种由AUV辅助的计算卸载框架,旨在满足IoUT需求的同时确保最优策略达成。

仿真平台与测试解决方案方面,XIAO K等^[11]介绍的XTDrone平台集成了ROS、Gazebo和PX4,提供了一个可定制的多旋翼无人机仿真环境,支持多种算法测试。DAI X等^[12]介绍的RFlySim平台使用自动代码生成和FPGA硬件在环仿真方法,为无人机自动驾驶系统提供了一个高可信度的室内自动测试解决方案。CHEN S等^[13]介绍的E2ES平台整合了所有定位、建图和路径规划套件,为UAV的v-SLAM和导航应用提供了端到端的仿真解决方案。 LIU K等^[14]开发了一个集成视觉系统,利用改进的卡尔曼滤波和深度神经网络,实现了无人机对地面车辆的跟随及复杂环境下的对象检测和跟踪。NIE Y等^[15]通过Unity3D引擎构建了一个虚拟海洋实验平台,模拟不同条件下海洋航行器的工作状态,降低了实际海上试验的成本和风险。数据处理与点云配准方面, YUAN M等^[16]提出了一种基于二分图匹配的粗细结合配准方法,用于点云数据处理中的对齐问题。通过分析比较可知,目前具备完整的物理模型模拟(控制器、态势感知)和环境模拟(逼真海洋环境、传感器信息处理)的仿真平台还未实现。

本文提出的AUV集群编队控制方法基于多维海洋扰动模型,在模拟实际海洋环境对AUV集群行为影响方面表现出了显著的创新性,通过测试不同AUV编队控制方法的有效性,确保能够满足集群组队行进的任务需求。该方法的主要创新点如下:(1)综合考虑了洋流、波浪、惯导和波束约束等因素,构建了一个多维扰动模型,能够更真实地反映海洋环境的复杂性;(2)在此基础上,验证了编队控制方法在弱通信条件下的有效性,证明了该方法能够克服通信延迟带来的挑战;(3)提出了适应性强、稳定性高的控制策略,包括差分控制器和PID控制器等,并结合了通信和能源管理策略,以确保AUV集群在复杂环境下的高效运行。这些创新为AUV在深海等极端环境中的应用提供了新的解决方案。

1 问题描述

1.1 坐标系定义

参考国际水池会议(ITTC)及造船和轮机工程学会(SNAME)推荐的北东地(NED)坐标系和参数符号描述AUV运动,设北向为x,东向为y,地向为z,AUV运动方向的速度矢量点为A,则A在水平面投影为A_xy,水平面上的航向角为ψ,纵向剖面上的俯仰角为θ,AUV的运动过程可简化为x、y、z位置移动和ψ、θ角度转动,即5自由度运动(不考虑AUV翻滚)。坐标系描述如图1所示。

显示原图|下载原图ZIP|生成PPT

图1 参照坐标系

Fig.1 Reference coordinate system

1.2 弱通信约束条件

为了使AUV运动仿真贴近海洋环境,作者建立了海洋各类环境因素对AUV的综合扰动影响弱通信仿真模型,包括客观环境中的洋流扰动、波浪扰动仿真建模,以及主观感知通信过程中的通信延迟、感知噪声、定位漂移仿真建模,各种环境扰动对AUV集群编队控制综合影响,叠加产生模拟真实场景的弱通信环境,通过展示平台可查看不同调参下的叠加扰动对AUV集群行为的作用效果,其中,客观扰动是指能够直接影响AUV在水下真实位置的扰动项,主观扰动是指并不能影响AUV的真实位置,但能够影响AUV在水下获取的涉及传感器数值精度的扰动项,扰动项分析如图2所示。

显示原图|下载原图ZIP|生成PPT

图2 弱通信环境扰动项分析

Fig.2 Analysis of disturbance terms in weak communication environment

1.2.1 洋流仿真

洋流扰动仿真的基础调参为各网格独立赋予的洋流方向、洋流俯仰、洋流速度,设c为洋流属性类别,s_c为洋流速度,ψ_c为洋流方向,θ_c为洋流俯仰,AUV的属性类别为a,ψ_a为实时航向,θ_a为实时俯仰,则转置矩阵A的计算公式:

(1)

A= $c o s ψ a × c o s θ a s i n ψ a - c o s ψ a × s i n θ a - s i n ψ a × c o s θ a c o s ψ a - s i n ψ a × s i n θ a s i n θ a 0 c o s θ a$

洋流矩阵B的计算公式:

(2)

B= $s c × c o s ψ c × c o s θ c s c × s i n θ c s c × s i n ψ c × c o s θ c T$

设洋流位置增量Δx、Δy、Δz分别为

(3)

Δ x Δ z Δ y T

=A×B

设AUV的未扰动实时位置为x₀、y₀、z₀,洋流扰动后的实时位置x_c、y_c、z_c计算公式为:

(4) x_c=x₀+Δx

(5) y_c=y₀+Δy

(6) z_c=z₀+Δz

1.2.2 波浪仿真

设波浪扰动模型的属性类别为w,波浪方向为ψ_w,波浪速度为s_w,AUV当前的位置水深为z₀,转动半径调参为γ_w,则波浪转动半径r_w为

(7)

r_w= $γ w × s w × 10 - y 0 10 z 0 10 0 z 0 ≥ 10$

设仿真环境当前的时间戳为t₀,转动角度调参为ϑ_w,当前位置到坐标零点的距离为d₀,则波浪转动角度θ_w为

(8)

θ_w= $ϑ w × s w × t 0 + d 0 0 - 360$

设AUV的未扰动实时位置为x₀、y₀、z₀,扰动后实时位置x_w、y_w、z_w的计算公式为:

(9) x_w=x₀+r_w×cos ψ_w×cos θ_w

(10) y_w=y₀+r_w×sin θ_w

(11) z_w=z₀+r_w×sin ψ_w×cos θ_w

1.2.3 波束仿真

声呐作为AUV的主要感知设备,在避碰过程中发挥“眼睛”的作用,分别模拟前视多波束声呐、左/右视单波束声呐,3类声呐在AUV中的探测范围和角度如图3所示。

显示原图|下载原图ZIP|生成PPT

图3 声呐探测范围示意

Fig.3 Sonar detection range schematic

若探测范围内包含其他AUV的真实位置,则在AUV结构体中添加该位置作为可能障碍位置,设波束扰动的属性类别为p,进入探测范围的周边AUV真实位置为x₀、y₀、z₀,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为:

(12)

x_p=N $x 0, σ p 2$

(13)

y_p=N $y 0, σ p 2$

(14)

z_p=N $z 0, σ p 2$

表示正态分布概率密度函数,噪声波动范围为[-4σ_p,4σ_p]。

1.2.4 惯导仿真

AUV的自身姿态(位置、航向、俯仰、时间戳)信息通过携带的惯性导航设备(inertial navigation system,INS)、姿态传感器和电子时钟采集,由于定位和采集过程存在误差,因此造成AUV主观感知位置与客观真实位置之间的差异,且差异值会随时间积累,造成积累偏差,导致运动轨迹与实际轨迹的失真。设惯导扰动的属性类别为s,AUV当前真实位置为x₀、y₀、z₀,惯导定位标准差调参为ω_s,AUV实时航速为s₀,则通过INS获取的感知位置x_s、y_s、z_s的计算公式为:

(15) σ_s=s₀×ω_s

(16)

x_s=N $x 0, σ s 2$

(17)

y_s=N $y 0, σ s 2$

(18)

z_s=N $z 0, σ s 2$

为了减小失真影响,在AUV运动过程中引入校正规则:若AUV在水面运动(z₀<1)或者靠近校正点(设校正点为目标点,距离d_t<

d^t

d^t

为惯导校正的有效距离上限,则修正AUV的感知位置为真实位置,否则按照积累误差计算AUV的感知位置。

1.3 组队行进任务描述

AUV集群采用领导-跟随者策略编队控制,首先规划领导AUV的运动路线,为领导AUV设置目标点集合如图4所示。

显示原图|下载原图ZIP|生成PPT

图4 目标点集合示意

Fig.4 Schematic of target point set

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。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。组队行进任务的评估指标包括集群队形最大间距均值、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。

2 算法设计

2.1 运动控制器

通过各类控制器仿真AUV的运动调节姿态,拟合真实场景中的AUV各时刻姿态信息,考虑到仿真平台的集群应用特点,本文控制器模拟AUV的转弯状态,不以精准描述AUV单艇动力学仿真效果为目标,并分别设计差分控制器和PID控制器约束AUV的航向和俯仰转动。

2.1.1 差分控制器

差分控制器通过控制单位时间内AUV航向和俯仰的转动角度上限,拟合真实场景中的AUV转动轨迹。设航向的单次转动上限为Δψ,俯仰的单次转动上限为Δθ,AUV航速为s₀,当前姿态包含位置x₀、y₀、z₀,航向ψ₀、俯仰θ₀,运动目标位置为x_t、y_t、z_t,则从当前位置到目标位置的航向转动量

ψ →

和俯仰转动量

θ →

的计算公式为:

(19)

$ψ →$ = $a r c t a n y t - y 0 x t - x 0 0 - 360$

(20)

$θ →$ '= $a r c t a n z t - z 0 x t - x 0 2 + y t - y 0 2 0 - 360$

(21)

$θ →$ = $- θ →' 0 ° ≤ θ →' 90 ° θ →' - 180 90 ° ≤ θ →' 270 ° 360 - θ →' 270 ° ≤ θ →' 360 °$

(22)

ψ₁= $ψ 0 + Δ ψ 0 ° ≤ ψ → - ψ 0 0 - 360 180 ° ⋂ ψ → - ψ 0 0 - 360 Δ ψ ψ 0 + ψ → - ψ 0 0 - 360 0 ° ≤ ψ → - ψ 0 0 - 360 180 ° ⋂ ψ → - ψ 0 0 - 360 ≤ Δ ψ ψ 0 - Δ ψ 180 ° ≤ ψ → - ψ 0 0 - 360 360 ° ⋂ ψ → - ψ 0 0 - 360 Δ ψ ψ 0 - ψ → - ψ 0 0 - 360 180 ° ≤ ψ → - ψ 0 0 - 360 360 ° ⋂ ψ → - ψ 0 0 - 360 ≤ Δ ψ$

(23)

θ₁= $θ 0 + Δ θ θ → - θ 0 0 ° ⋂ θ → - θ 0 Δ θ θ 0 + θ → - θ 0 θ → - θ 0 0 ° ⋂ θ → - θ 0 ≤ Δ θ θ 0 - Δ θ θ → - θ 0 ≤ 0 ° ⋂ θ → - θ 0 Δ θ θ 0 - θ → - θ 0 θ → - θ 0 ≤ 0 ° ⋂ θ → - θ 0 ≤ Δ θ$

下一时刻位置x₁、y₁、z₁的计算公式为:

(24)x₁=

x 0 + s 0

×cos ψ ₁×cos θ ₁

(25) y₁=y₀+s₀×sin ψ₁×cos θ₁

(26) z₁=z₀-s₀×sin θ₁

2.1.2 PID控制器

与差分控制器固定航向俯仰转动量上限相对应,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。设当前时刻的航向PID控制参数包括比例参数

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控制参数包括比例参数

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

ψ →

和俯仰转动量

θ →

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:

(27)

ψ_t= $ψ 0 + ψ → ψ → 180 ° ψ 0 - ψ → ψ → ≥ 180 °$

(28)

θ_t= $θ →$

下一时刻的航向ψ₁、俯仰θ₁的计算公式为:

(29)

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)

(30)

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)

更新PID历史误差为:

(31)

$ψ 0 e 2$ = $ψ 0 e 1$

(32)

ψ 0 e 1

=ψ_t-ψ₀

(33)

$θ 0 e 2$ = $θ 0 e 1$

(34)

θ 0 e 1

=θ_t-θ₀

2.2 通信控制器

AUV集群在海洋环境中的通信带宽受限,因此,应最大限度减少通信传输数据量,提升集群控制效率。AUV集群通信采用USBL进行1v4双向通信,考虑到水下通信的带宽有限,通信信息设置为:从领导到跟随的信息传输为领导AUV的位置信息和时间戳,从跟随到领导的信息传输为跟随AUV的通信传输延迟时间戳。AUV通信传输变量如图5所示。

显示原图|下载原图ZIP|生成PPT

图5 AUV通信传输变量示意

Fig.5 Schematic of AUV communication transmission variables

典型的7艇和20艇通信网络如图6所示。

显示原图|下载原图ZIP|生成PPT

图6 典型通信传输网络示意图

Fig.6 Typical communication network schematic

设网络中由边直接连通的AUV建立直接通信,未直接通信的其他AUV之间的通信方式为间接通信。f为通信属性类别,直接通信的平均通信延迟秒数为

Δ t f ¯

,平均丢包率参数为ε_f,有效通信距离参数为d_f,设第i个AUV向第j个AUV建立直接通信传输数据,两艘AUV的实际距离为d_ij,则各通信距离对应的实际丢包率l_ij计算公式为:

(35)

d_ij= $x i, y i, z i, x j, y j, z j$

(36)

l_ij= $2 × ε f × d i j d f 0 ≤ d i j d f 1 - 2 × ε f × d i j d f d f ≤ d i j 1.1 × d f 1 d i j ≥ 1.1 × d f$

l_ij代表两个点位置的空间欧几里得距离。初始化时,各AUV均获取领导AUV的感知姿态信息(位置、时间戳);设通信延迟标准差为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:

(37)σ_f=

Δ t f ¯

×0.25

(38)

Δt_ij= $N Δ t f ¯, σ f 2 R A N D 1 l i j + ∞ R A N D 1 ≥ l i j$

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和的最小值。

2.3 队形控制器

队形控制器可分为领导者行进规则和跟随者组队规则,领导者按照目标点的规划依次遍历,跟随者按照Boids策略约束执行组队行为。跟随AUV位置更新过程可归纳为靠近原则、远离原则、同向原则。

靠近规则:若与领导AUV的间距大于距离上限

d^

,则向领导AUV的通信采集位置前进。

远离原则:若感知范围内的最近AUV或领导AUV距离小于距离下限

d ˇ

,则向远离目标位置前进。

同向原则:若感知范围内的最近AUV距离在距离上下限之间,则赋予领导AUV航向和俯仰前进;由于通信信息只包含领导AUV的位置历史数据,航向俯仰计算选取最近两个时刻的领导AUV感知位置,计算领导AUV的航向和俯仰。设通信传输信息的属性类别为c,第i个跟随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

计算公式为:

(39)

$ψ 0 c$ = $a r c t a n y t 1 c - y t 2 c x t 1 c - x t 2 c 0 - 360$

(40)

$θ 0 c'$ = $a r c t a n z t 1 c - z t 2 c x t 1 c - x t 2 c 2 + y t 1 c - y t 2 c 2 0 - 360$

(41)

$θ 0 c$ = $- θ 0 c' 0 ° ≤ θ 0 c' 90 ° θ 0 c' - 180 90 ° ≤ θ 0 c' 270 ° 360 - θ 0 c' 270 ° ≤ θ 0 c' 360 °$

2.3.1 领导AUV的速度规则

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,降低速度以等待其他AUV跟上,在全局范围保持队形稳定。获取最大通信延迟时间,可通过USBL将各AUV的时间戳向上一级AUV反馈(图5),上级AUV在收到下级AUV的时间戳后,根据传输延迟保存最大延迟时间,反馈过程中不断叠加反向传输的时间延迟,最终累加到领导AUV。领导AUV根据当前时间与最大延迟时间戳的差值,获取最大通信延迟时间。设最大通信延迟时间为Δt_max,延迟时间上限为Δ

t^

,AUV的额定最大航速为

s^

,则领导AUV实时航速s₀的计算公式为

(42)

s₀= $s^Δ t m a x ≤ t^s^× 0.9 Δ t m a x t^$

2.3.2 跟随AUV的速度规则

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

,则预估与领导AUV的间距d_p计算公式为

(43)

d_p= $x p, y p, z p, x t 1 c, y t 1 c, z t 1 c$

则跟随AUV实时航速s₀的计算公式为

(44)

s₀= $s^× 0.9 d^d p d ˇ s^e l s e$

2.4 能源控制器

为了模拟海洋环境下AUV的运动和能源消耗过程,引入能源控制器仿真AUV的能源消耗情况,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:

(45) x'_c=100×cos ψ_c×cos θ_c

(46) y'_c=100×sin ψ_c×cos θ_c

(47) z'_c=-100×sin θ_c

AUV虚拟位置x'₀、y'₀、z'₀的计算公式为:

(48) x'₀=100×cos ψ₀×cos θ₀

(49) y'₀=100×sin ψ₀×cos θ₀

(50) z'₀=-100×sin θ₀

洋流虚拟位置与AUV虚拟位置的夹角α的计算公式为

(51)

α=arccos $x' c 2 + y' c 2 + z' c 2 + x' 02 + y' 02 + z' 02 - x' c - x' 0 2 + y' c - y' 0 2 + z' c - z' 0 2 2 × x' c 2 + y' c 2 + z' c 2 × x' 02 + y' 02 + z' 02$

设UAV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'的计算公式为

(52)g'=g₀-s₀×

1 + s i n α 2

×η

3 仿真实验

为了验证作者提出的AUV集群编队控制方法在海洋仿真环境中的可行性,设计实验如下:在领导AUV的单轨迹运动中对比分析洋流、波浪、惯导扰动影响,在集群AUV运动中对比分析波束噪声、通信延迟影响,而后对比分析不同的运动控制器和组网模式对AUV编队控制效果的影响,最后量化分析本文方法的组队行进效果。各功能模块之间的耦合关系如图7所示。

显示原图|下载原图ZIP|生成PPT

图7 各函数模块调用图

Fig.7 Call graph of various function modules

设计仿真环境:坐标系定义采用北东地(NED)坐标系描述AUV的运动,包括位置移动和角度转动,共5个自由度。弱通信约束条件构建了综合扰动影响模型,包括客观环境中的洋流、波浪扰动仿真建模,以及主观感知通信过程中的通信延迟、感知噪声、定位漂移仿真建模。参数选择:洋流仿真方面包含洋流方向、洋流俯仰、洋流速度和各网格独立设置。波浪仿真方面包含设计波浪方向、波浪速度、转动半径调参、转动角度调参。波束仿真方面包含探测范围和角度模拟前视多波束声呐、左/右视单波束声呐;探测标准差用于计算叠加探测误差后的感知位置。惯导仿真方面使用惯导定位标准差、AUV实时航速。校正规则:若AUV在水面运动或靠近校正点,则修正感知位置为真实位置。评估指标有4个集群队形最大间距均值用于衡量集群编队的紧凑程度;集群到达总用时用于衡量完成任务所需的时间;反馈通信延迟时间均值是指衡量通信效率;能源消耗百分比均值是指衡量能源利用效率。

3.1 海洋环境约束效果分析

3.1.1 洋流、波浪扰动效果分析

洋流波浪扰动效果对比如图8所示。

显示原图|下载原图ZIP|生成PPT

图8 叠加洋流波浪扰动的AUV运动轨迹 (1号为叠加洋流波浪扰动,2号为不加扰动)

Fig.8 AUV motion trajectories with superimposed ocean current and wave disturbances (1: with disturbances; 2: without disturbances)

通过对比分析可知,洋流波浪扰动仿真效果能够为AUV提供随时间累加的位移影响,偏差逐步扩大,领导AUV停止时的偏差值达570.34 m。受波浪扰动的影响,AUV在贴近水面行进阶段产生周期波动,以模拟近海面波浪扰动的仿真效果。在行进末期,受反向洋流扰动的影响,AUV也会产生周期波动,主要原因是洋流与行进方向的夹角大于90°,导致AUV不断修正向目标点行进的航向和俯仰。

3.1.2 惯导偏差效果分析

叠加姿态定位偏差的AUV运动轨迹如图9所示。

显示原图|下载原图ZIP|生成PPT

图9 叠加姿态定位偏差的AUV运动轨迹

Fig.9 AUV motion trajectories with superimposed attitude positioning deviations

通过对比分析可知,惯导偏差仿真能够产生随时间累加的位移,导致AUV的真实位置和感知位置存在失真,AUV停止时的累计位移偏差可达705.26 m,偏差影响大于洋流波浪扰动。为了修正惯导偏差,设计靠近目标点时或近海面时可接受卫星数据修正位移偏差,即感知位置赋予真实位置,产生的校正轨迹如图9(b),能够清晰观察到惯导偏差带来的位移影响以及位置修正的效果,AUV停止时的累计位移偏差仅为105.85 m,证明了校正点位置修正的必要性。

3.1.3 通信延迟效果分析

AUV通过感知设备采集到的环境信息,以及通信设备采集到的领导AUV信息,构建AUV自身的主观信息,包含AUV感知位置、航向、俯仰、前视障碍位置、左视障碍位置、右视障碍位置,应用在目标距离计算、避碰距离计算、控制姿态计算、领导距离计算中;构建AUV在环境中的真实位置(客观)信息,包含AUV在环境中的真实位置,应用在洋流扰动叠加、波浪扰动叠加、障碍距离计算中。叠加波束避碰和通信延迟,无速度调节的标准Boids策略7艇编队控制效果如图10所示。

显示原图|下载原图ZIP|生成PPT

图10 叠加通信延迟7艇编队控制效果

Fig.10 Formation control effect of 7 AUVs with superimposed communication delay

集群队形最大间距608.899 m,集群到达总用时9 160 s,平均通信延迟时间167.273 s。通过对比分析可知,叠加通信延迟后,队形最大间距扩大了224.045 m(本文采用通信延迟均值40 s,标准差10 s),说明通信延迟对集群组队的队形影响较大,AUV集群队形处于领导者在前,其余跟随者AUV在后方600 m范围内跟随前进的运动状态,动画仿真效果如图11所示。

显示原图|下载原图ZIP|生成PPT

图11 通信延迟状态下的AUV集群运动仿真效果

Fig.11 Simulation of AUV swarm movement under communication delay conditions

3.2 运动控制分析

3.2.1 运动控制器分析

PID和差分控制器的AUV运动轨迹如图12所示。

显示原图|下载原图ZIP|生成PPT

图12 叠加运动控制的AUV运动轨迹 (1号差分控制,2号PID控制)

Fig.12 AUV motion trajectories with superimposed motion control (1: differential control; 2: PID control)

由图可知,差分控制能够快速收敛到目标位置,PID控制相对收敛效率低,但稳定性更强。后续实验默认使用PID控制。

3.2.2 速度控制器分析

叠加波束避碰、通信延迟和速度调节的标准Boids策略7艇编队控制效果如图13所示。

显示原图|下载原图ZIP|生成PPT

图13 叠加速度调节7艇编队控制效果

Fig.13 Formation control effect of 7 AUVs with superimposed speed regulation

集群队形最大间距为581.012 m,集群到达总用时9 909 s,平均通信延迟时间为166.178 s。相比于通信延迟状态的编队控制效果,速度调节后的最大间距均值、到达总用时均有明显提升,平均通信延迟时间则差异不大,证明了叠加速度策略的有效性。

3.3 集群组队行进效果分析

7艇集群编队控制的最终评估指标如下:最大队形间距均值458.233 m、集群到达总用时9 885 s、平均通信延迟时间165.984 s、集群能源消耗百分比均值37.09%。编队控制效果如图14所示。

显示原图|下载原图ZIP|生成PPT

图14 7艇编队控制效果

Fig.14 Formation control effect of 7 AUVs

3.3.1 各时刻剖面分析

分别选取1 000 s~9 000 s的整数时刻,截取AUV集群的剖面队形,效果如图15所示。

显示原图|下载原图ZIP|生成PPT

图15 各整数时刻队形剖面分析

Fig.15 Formation profile analysis at each integer time

分析可知,集群追随艇能够与领导艇在空间上保持相对稳定距离,整体队形基本处于组队追寻的状态,除了最终到达目标位置时的待机状态,其他时间段各艇均未出现跟踪丢失情况。

3.3.2 转弯效果分析

采用Unity3D制作AUV集群的仿真演示平台,采集AUV集群在各目标点的转弯轨迹,效果如图16所示。

显示原图|下载原图ZIP|生成PPT

图16 AUV集群转弯效果

Fig.16 Turning effect of AUV swarm

分析可知,当领导艇转弯时,各跟随艇会自主搜寻领导位置,并且各艇之间保持相对安全间距,在一定时间间隔后均能向领导艇位置继续前进,集群转弯过程流畅安全。

3.3.3 各AUV通信延迟和能源消耗分析

AUV的平均通信延迟时间和累计能源消耗如图17所示。

显示原图|下载原图ZIP|生成PPT

图17 AUV通信延迟和能源消耗变化

Fig.17 Changes in AUV communication delay and energy consumption

通过对比分析可知,能源消耗与通信延迟之间并无关联性,各AUV的通信延迟时间与组网模式强相关。在能源消耗上,领导AUV能源消耗明显小于跟随AUV,跟随AUV会围绕领导AUV产生一定的“冗余”运动轨迹,导致能源浪费,总体的浪费比例小于4%,可以接受。

为了横向比较本文方法在集群组队行进中的综合效果,选取标准Boids策略作为对比组队方法,与本文组队行进方法做对比,集群组队行进效果如图18所示。

显示原图|下载原图ZIP|生成PPT

图18 集群组队行进效果(Boids策略)

Fig.18 Cluster team marching(Boids)

通过对比分析可知,Boids策略的能源消耗较本文方法高8~10%,数据丢包率维持在83%,存在明显的通信缺陷,本文提出的方法在能源消耗、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。

4 结束语

本文通过构建海洋环境多维扰动仿真模型,验证水下AUV集群编队控制方法的可行性。以及引入洋流、波浪、惯导、波束约束产生AUV的主客观姿态差异,以及引入校正点修正阶段修正差异值,进而在扰动模型中检验五类控制器(运动控制、队形控制、通信控制、速度控制、能源控制)的编队控制效果,确保仿真运动轨迹与真实海洋场景的一致性和可参照性。仿真实验中,笔者分别设计了多扰动约束叠加效果分析、运动控制和通信组网差异分析,旨在寻找最佳的AUV集群编队控制策略组合,而后将最优策略应用在集群组队行进中,并分别从队形构成、转弯控制、速度变化、通信延迟和能源消耗等方面分析各AUV的行进效果,结果表明本文方法能够在弱通信情况下实现AUV集群的编队控制和组队行进,相比于单一约束和其他控制器策略具有较大的队形收拢和安全到达优势。因此,本文方法特别适合应用于延迟通信和多扰动约束条件下的集群游走,在深空、深海领域具有较大应用前景。本研究基于多扰动环境下的深海AUV集群控制,环境条件采样样本还不够大,在后续的研究试验中会加以补足,使试验结果更具研究价值。在未来深海作战中AUV集群也将发挥出更大的战术和战略价值。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	胡桥, 赵振轶, 冯豪博, 等. AUV智能集群协同任务研究进展[J]. 水下无人系统学报, 2023, 31(2): 189-200. HU Q, ZHAO Z Y, FENG H B, et al. Progress of AUV intelligent swarm collaborative task[J]. Journal of Unmanned Undersea Systems, 2023, 31(2): 189-200.

[2]	张兰勇, 韩宇. 基于改进的RRT算法的AUV集群路径规划[J]. 中国舰船研究, 2023, 18(1): 43-51. ZHANG L Y, HAN Y. AUV cluster path planning based on improved RRT algorithm[J]. Chinese Journal of Ship Research, 2023, 18(1): 43-51.

[3]	LAI Y H, LI R, SHI Y J, et al. On the study of multi-quadrotor formation control with triangular structure based on Graph theory[J]. Control Theory & Applications, 2018, 35(10): 1 530-1 537.

[4]	DING W J, ZHANG L, ZHANG G Z, et al. Research on obstacle avoidance of multi-AUV cluster formation based on virtual structure and artificial potential field method[J]. Computers and Electrical Engineering, 2024, 117: 109 250.

[5]	HACENE N, MENDIL B. Behavior-based autonomous navigation and formation control of mobile robots in unknown cluttered dynamic environments with dynamic target tracking[J]. International Journal of Automation and Computing, 2021, 18(5): 766-786.

[6]	KANG X D, XU H L, FENG X S. Fuzzy logic based behavior fusion for multi-AUV formation keeping in uncertain ocean environment[C]// Oceans 2009. Biloxi, MS, USA: IEEE, 2009.

[7]	DING W J, ZHANG L, ZHANG G Z, et al. Research on 3D trajectory tracking of underactuated AUV under strong disturbance environment[J]. Computers and Electrical Engineering, 2023(111): 108 924.

[8]	ZHAO Z Y, FENG X L, JIANG C, et al. Distributed short-term predictive control for AUV clusters in underwater cooperative hunting tasks[J]. Ocean Engineering, 2024(301): 117 343.

[9]	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.

[10]	CHEN H, CAI W Y, ZHANG M Y. AUV-aided computing offloading for multi-tier underwater computing: a Stackelberg game learning approach[J]. Ocean Engineering, 2024(297): 117 109.

[11]	XIAO K, TAN S, WANG G, et al. XTDrone:a customizable multi-rotor UAVs simulation platform[C]// 2020 4th International Conference on Robotics and Automation Sciences (ICRAS). IEEE, 2020: 55-61.

[12]	DAI X H, KE C X, QUAN Q, et al. RFl_ySim: Automatic test platform for UAV autopilot systems with FPGA-based hardware-in-the-loop simulations[J]. Aerospace Science and Technology, 2021(114): 106 727.

[13]	CHEN S, ZHOU W, YANG A S, et al. An end-to-end UAV simulation platform for visual slam and navigation[J]. Aerospace, 2022, 9(2): 48-54.

[14]	LIU K, ZHOU X, ZHAO B, et al. An integrated visual system for unmanned aerial vehicles following ground vehicles: simulations and experiments[C]// 2022 IEEE 17th International Conference on Control & Automation (ICCA). IEEE, 2022, 13( 7): 593-598.

[15]	NIE Y, LUAN X, GAN W, et al. Design of marine virtual simulation experiment platform based on unity3d[C]//Global Oceans 2020:Singapore U.S. Gulf Coast. Biloxi, 2020: 101-105.

[16]	YUAN M, LI X, CHENG L, et al. Study Findings on Electronics Are Outlined in Reports from Chinese Academy of Sciences (A Coarse-to-Fine Registration Approach for Point Cloud Data with Bipartite Graph Structure)[J]. Electronics Newsweekly, 2022, 12(24):38-39.

Options

Outlines

模态框（Modal）标题

Abstract

Cite this article

1 问题描述

1.1 坐标系定义

图1 参照坐标系

1.2 弱通信约束条件

图2 弱通信环境扰动项分析

1.2.1 洋流仿真

1.2.2 波浪仿真

1.2.3 波束仿真

图3 声呐探测范围示意

1.2.4 惯导仿真

1.3 组队行进任务描述

图4 目标点集合示意

2 算法设计

2.1 运动控制器

2.1.1 差分控制器

2.1.2 PID控制器

2.2 通信控制器

图5 AUV通信传输变量示意

图6 典型通信传输网络示意图

2.3 队形控制器

2.3.1 领导AUV的速度规则

2.3.2 跟随AUV的速度规则

2.4 能源控制器

3 仿真实验

图7 各函数模块调用图

3.1 海洋环境约束效果分析

3.1.1 洋流、波浪扰动效果分析

图8 叠加洋流波浪扰动的AUV运动轨迹 (1号为叠加洋流波浪扰动,2号为不加扰动)

3.1.2 惯导偏差效果分析

图9 叠加姿态定位偏差的AUV运动轨迹

3.1.3 通信延迟效果分析

图10 叠加通信延迟7艇编队控制效果

图11 通信延迟状态下的AUV集群运动仿真效果

3.2 运动控制分析

3.2.1 运动控制器分析

图12 叠加运动控制的AUV运动轨迹 (1号差分控制,2号PID控制)

3.2.2 速度控制器分析

图13 叠加速度调节7艇编队控制效果

3.3 集群组队行进效果分析

图14 7艇编队控制效果

3.3.1 各时刻剖面分析

图15 各整数时刻队形剖面分析

3.3.2 转弯效果分析

图16 AUV集群转弯效果

3.3.3 各AUV通信延迟和能源消耗分析

图17 AUV通信延迟和能源消耗变化

图18 集群组队行进效果(Boids策略)

4 结束语

References