复杂海况无人艇集群控制技术研究现状与发展

谢少荣, 刘坚坚, 张 丹

复杂海况无人艇集群控制技术研究现状与发展

谢少荣1,2, 刘坚坚1, 张 丹1

(1. 上海大学 机电工程与自动化学院, 上海, 200444; 2. 上海大学 计算机工程与科学学院, 上海, 200444)

无人艇作为一种高度自治的系统, 是提高水上作业效率的可靠途径之一, 可用于水文研究、科学勘探、水文测量、应急搜救以及安全巡逻等任务。通过信息交互与协同决策将多艘无人艇构建成集群, 使其具有更全的感知信息、更高的执行效率和更大的作业范围, 能显著增强无人艇自主完成任务的能力。但由于海洋环境复杂多变, 风、浪和涌流等因素扰动大, 无人艇集群的协同控制与优化决策面临单艇自主完备感知难、多艇快速灵活交互认知难、实时高效集群协同难等挑战。文中从复杂海洋环境下海洋环境智能感知方法、单艇准确完备自主感知机理、多艇实时交互认知机制、无人艇集群智能协同控制决策方法和无人艇集群应用平台等方面对无人艇集群技术的研究现状进行了论述, 并提出了关键技术和难点问题; 同时指出, 单艇自主完备感知、多艇快速灵活交互认知、实时高效集群协同是集群控制技术亟待深入的研究方向。

无人艇集群; 协同控制; 优化决策

0 引言

我国是海洋大国, 约有3×106km2的海域面积, 7 000多个岛礁。“向海而生, 背海而衰”, 争夺世界海洋权益和资源是海洋大国与临海国家永恒的战略行为。党的十八大提出了“提高海洋资源开发能力, 坚决维护国家海洋权益, 建设海洋强国”的战略目标; 十九大报告明确要求“加快建设海洋强国”。从海洋大国到海洋强国迈进的战略进程中, 离不开高端的海洋装备。其中无人艇凭借其海-空界面运行的优势, 能够搭载各种传感设备, 广泛应用于海洋运输与环境调查、海洋考古、水上搜救、情报搜集、侦察取证、警戒巡逻、火力打击、舰艇护航、反水雷和反潜等领域, 高效地充当着立体化海洋空间的关键节点。

然而随着海洋环境日益复杂、作业任务日渐多样、活动范围日趋扩大, 单一无人艇作业将远远不能满足要求, 无人艇势必朝着集群化、网络化和智能化方向发展。作为海洋智能机器人技术发展到一定阶段的产物, 无人艇集群是由多个可在局部范围自主完成任务的单一无人艇, 通过有线、无线通信连接方式, 进行群体协作而形成的一个整体。各单一无人艇在空间上分散布置, 在功能上存在中心指挥节点。通过信息交互与协同决策在更广的作业范围内具备更高的作业效率、更强的鲁棒性以及灵活性, 显著增强无人艇自主完成更复杂任务的能力。

但是由于风、浪、涌流的作用, 海洋环境具有更加复杂多变的不确定因素。在这种条件下, 无人艇集群的协同控制与优化决策主要面临如下挑战。

1) 自主完备感知难。无人艇集群需克服复杂海况下海洋环境及其弱观测目标信息难以获取的困境, 从而对海洋环境信息进行准确感知, 对海洋弱观测目标进行精确识别。

2) 多艇快速灵活交互认知难。无人艇集群需具有灵活的交互认知机制, 使多艇之间进行可靠的实时信息交互认知, 从而为集群控制决策提供更多的感知信息。

3) 实时高效集群协同难。无人艇集群需具有统一安全抗毁的知识传输框架, 使得无人艇集群系统决策时效性高、任务整体耗时短, 且具备基于交互认知的任务分解与最优任务分配能力。

文中对无人艇集群控制技术领域的研究现状进行了论述, 并提出复杂海况无人艇集群控制存在的关键性问题以及未来的发展方向。

1 研究现状

复杂海况下无人艇集群控制主要涉及海洋环境智能感知方法、单艇准确完备自主感知机理、多艇实时交互认知机制、无人艇集群智能协同控制决策等诸多基础性的科学问题。

1.1 海洋环境智能感知方法

无人艇设计及传感器搭载是感知海洋环境的基础, 因此对海洋环境及目标数据采集方式的探索是无人艇智能感知的一个重要课题。受制于复杂海况及传感器缺陷, 无人艇感知数据的扩充还需依赖各种数据增广方法。无人艇集群的数据来源于多艇和多传感器, 因此, 多源异构数据拼接重建是提升无人艇智能感知能力的重要研究内容。此外, 复杂海况下的多尺度弱目标识别研究也是无人艇集群执行后续跟踪、防护和攻击等海上任务的重要基础。

1.1.1 海洋环境及目标数据采集

为更好地采集海洋场景数据, 国内外学者在无人艇设计和传感器搭载方面取得了较大进展。如美国海军的无人艇系统“Swarm II”、上海大学研制的“精海1号”及中科院沈阳自动化所的“先驱号”无人艇等, 均利用了雷达、激光、可见光相机和红外相机等。这些传感器各有优劣, 受制于复杂海况影响和传感器缺陷, 采集大规模、高质量海洋环境及目标数据样本比较困难[1-2], 现有样本库规模一般较小, 且多为从天空的俯视视角采集。除可视和红外光谱海事影像(visible and infrared spectrums, VAIS)数据集及海洋障碍物检测数据集(marine obstacle detection dataset, MODD)等仅包含几千张图片的数据集之外[3-4], 葡萄牙和新加坡学者曾分别公开过2个较大的数据集[5-6], 但仍未解决这类数据集的局限: 1) 数据集体量小, 且大多数数据为同一时段采集; 2) 高价值动态目标样本少, 且采集视角和风格较为单一。

1.1.2 数据集增广

传统的数据增强方式包括旋转、切割、翻转及尺度变换等[7], 其运算简单、使用便捷, 但对数据集增加的信息十分有限[8], 无法解决复杂海况下高价值样本少、分布不均等问题。三维虚拟现实仿真技术是生成多样化海洋场景的一个有效途径。Song等[9-10]提出了基于注意力机制的三维重建方法, 在配准误差和传感器扫描噪声较大的情况下, 实现了对目标物体的高质量三维仿真建模。与静态物体的三维重建不同, 水作为一种流体, 其重建仿真往往需要模拟流体的物理特性, 如Schreck等[11]通过优化求解一组描述水波物理运动的方程, 实现了对水波的高逼真度动态仿真。但以上研究缺乏对海上目标与海水间相互作用的仿真。此外, 通过生成模型合成数据是丰富现有数据集的另一种重要方式。常见的生成方法包括生成对抗网络[12]、变分自编码器[13]和对抗自编码器[14]等。生成对抗网络近年来在风格迁移[15]和图像修复[16]等领域取得较好效果。

1.1.3 多源数据拼接重建

受视域限制和海洋环境干扰, 单艇感知的信息一般不完备, 多艇信息拼接重建是实现信息增强的一种重要途径。图像的拼接重建在静态和高信噪比图像上已取得较好进展, 相关文献主要集中在遥感图像拼接。例如, Schwind等[17]利用无限对称指数滤波器(infinite symmetric exponential filter, ISEF) 处理图像后再进行尺度不变特征转换(scale-invariant feature transform, SIFT)特征提取和配准拼接。Wang等[18]在神经网络中直接学习图像块到匹配标签的映射函数。需要指出的是, 遥感图像是从高空对陆地或海洋成像, 目标的观测视角及噪声特点都与舰载图像数据存在较大差异[19]。

1.1.4 海洋环境/目标识别

针对单一模态数据, Teutsch等[20]利用纹理、局部二值模式(local binary pattern, LBP)等特征开展了海洋船只红外图像数据分类研究; Wessman[21]利用具有噪声的基于密度的聚类算法(den- sity-based spatial clustering of applications with noise, DBSCAN)实现了海洋目标雷达数据的自适应提取。另外, 为解决目标多尺度问题, 一般以多层特征融合[22-23]和数据层级的尺度缩放[24]2种方式为主。Zhang等[25]利用空间-尺度注意力机制设计了上下文感知检测网络模型, 融合了多层尺度自适应特征并实现了俯角海洋多尺度目标检测识别; Bloisi等[26]针对海平面的多尺度目标识别设计固定轮廓模型并将图像目标区域进行归一化以适应该模型从而识别轮船、岛礁等目标。然而, 目前的海上目标识别研究侧重于单一模态或特定组合模态的数据, 且多基于良好海况, 缺乏复杂海况下弱目标的分析和识别。

综上所述, 尽管以上研究针对样本数据和模型设计的提升提出了各种各样的方法, 却都局限于简单化、单一化的应用场景, 不适用于解决复杂海况下样本获取难、单艇感知不完备、多艇集群信息交互差、弱观测目标识别精度低等问题。复杂海况环境下无人艇的自主感知、多艇交互、智能控制较为困难, 需依赖于大量高精度、高质量、多模态的数据以及涵盖多种目标类别、尺度及异构数据的模型。因此, 迫切需要能够实现大规模、高质量数据增强与模型提升的方法。面向复杂海况下海洋环境智能感知的难点和关键问题主要包括: 如何对复杂海况下难以获取的弱观测样本, 设计有效的海洋环境及目标样本的增广方法; 如何在单艇无法观测完备信息的情况下, 利用多源数据实现面向无人艇集群的数据互补重建;以及如何构建针对复杂海洋环境的目标识别库, 以解决多海况、多尺度、多模态的目标识别问题。

1.2 单艇准确完备自主感知机理

目标实体属性自主感知、实体关系的语义表达、场景信息补全和态势重构是复杂海况下单艇准确完备自主感知机理的核心内容, 同时也是无人艇交互认知和集群控制的重要基础。

1.2.1 目标实体属性及其关系的语义表达方法

实体属性抽取是指从非结构化或半结构化的句子中提取结构化的实体及其属性的技术。信息抽取的研究方法主要有模式匹配方法和机器学习方法2种。基于模式匹配的方法对知识的表达比较直观、自然, 类似于规则, 更接近人的思维方式。模式匹配多是面向领域的, 准确率较高; 基于机器学习方法灵活性较好, 不需要太多的背景知识, 但需要大规模手工标注的语料库支持。Luan等[27]利用动态跨度图实现信息的提取, 并对此提出了一个通用框架。

关系抽取研究同样包括模式匹配方法和机器学习方法。模式匹配方法由专家预先依据限定领域实体关系的语法或语义信息人工制定出一套规则模板, 通过完全匹配将与模板语义相同的文本关系提取出来。如郑家恒等[28]通过计算模式实例之间的相似度, 采用单链法聚类抽取模式, 并将模式一一分类, 归并同一类型的模式实例并获得最终的关系抽取模式。机器学习方法利用各种统计学习的算法, 将关系抽取看作一个分类问题, 从关系训练样例中抽取出特征进行学习, 自动从测试语料中抽取关系。如Pingle等[29]提出了一个系统来创建网络安全文本的语义三元组, 并使用深度学习方法来提取存在的关系, 再使用该语义三元组在网络安全知识图中进行推断。

虽然国内外学者对目标实体属性及其关系抽取进行了深入研究, 但面向复杂海洋环境, 从相关的领域文本中抽取目标实体属性及其关系的研究较少, 对无人艇智能感知和语义理解相关理论支撑不足。因此, 围绕海洋目标实体属性及其关系的抽取问题有待进一步研究。

1.2.2 知识图谱的表达、补全与推理

知识图谱是一种将不同种类的知识自然关联在一起而得到的关系图谱, 对领域知识进行高效的知识表达, 为海洋场景态势感知提供准确完备的信息支撑。知识图谱建立主要包含2个关键技术, 即知识图谱的表示与补全。知识图谱的表示是指采用某种数据结构来表示知识图谱中的实体以及实体之间的关系。为了以更直观的方式来表达实体之间的关系, 不同的翻译模型(Trans)将实体表示为向量, 将实体之间的联系表示为向量之间的平移向量。其中代表性的工作有: TransE模型[30]直接使用实体特征构造向量, 直接通过向量之间的平移关系表示实体之间的联系; TransR模型[31]通过关系矩阵将向量投影到关系空间再计算实体向量之间的联系; TransD模型[32]分别定义了头实体向量与尾实体向量的关系矩阵, 从而得到更准确的实体联系。

知识图谱的补全一般可以分为静态知识图谱补全和动态知识图谱补全。静态知识图谱补全是指所需的实体和关系均已存在, 只需要在已存在的实体中补充他们之间的关系。静态知识补全算法与模型设计密切相关, 即通过模型训练即可得到不同实体之间的关联。动态知识图谱补全是指所需的实体或关系不存在于训练集中, 需要动态增添、修改或删除实体以及实体之间的关系。

知识推理指从已知的事实出发, 通过已掌握的知识, 归纳出一些新的事实。基于转移的表示推理[33]根据转移假设设计得分函数, 多元组的得分函数越高, 说明存在该多元组的可能性越大。基于张量/矩阵分解的表示推理[34-36]通过张量/矩阵分解的方法进行学习, 分解得到的向量表示相乘重构成张量/矩阵, 元素值即为对应三元组的得分, 取得分值大于某一阈值的候选组作为推理结果。基于空间分布的表示推理[37-38]通过设计能够反应空间分布特征的得分函数, 使得向量在表示空间中, 实体和关系的空间分布尽可能地与原知识图谱一致。

虽然目前不断有大型知识图谱出现, 知识图谱表达、补全与推理方法也在不断更新, 但是依然存在许多问题和挑战。现有的知识图谱表示方式在效率、空间复杂度等方面依然无法平衡, 且补全方法的完备性和信息量仍比较低。同时, 现有建立知识图谱的方法通常需要大量的高质量样本进行学习, 而在实际应用中(例如无人艇的研究)常常难以获取高质量的训练样本, 这极大地增加了构建知识图谱的难度。

1.2.3 场景信息态势重构方法

态势重构是对一个动态变化的对象感知并对提取出来的态势元素进行察觉、理解和预测的处理过程。

在场景态势重构方面, 现有研究已经表明其在无人艇技术中的重要地位, 并且取得了有效进展[39-42], 但仍需解决2个问题: 1) 系统实时性。在复杂海况中, 无人艇的态势变化很快, 如何快速准确地进行态势重构, 是整个重构系统需要解决的首要问题; 2) 系统精确性。对于复杂海况下的干扰繁多、信息来源广泛、航行不稳定等因素, 系统应该具有对集群场景中的各种不确定因素进行准确评估和重构的能力。

综上所述, 国内外在自主感知机理方面的研究已经取得了丰富的研究成果, 但这些成果难以适用于复杂多变的海洋环境。首先, 复杂海洋场景下难以采集准确的结果, 使得无人艇感知能力受限。其次, 无人艇集群实时获取实体关系信息存在难度高、数据稀疏及碎片化等问题。此外, 无人艇航行场景信息补全方面, 现有大部分研究集中于离线状态算法, 很难适应不断变化的场景, 无法准确估计无人艇的航行态势。面向复杂海况下单艇准确完备自主感知的难点和关键问题主要包括: 1) 如何从领域文本集合中高效完备的抽取海洋目标实体及其属性, 构建海洋目标属性知识图谱, 结合目标识别模型库, 实现对复杂海洋环境下无人艇目标属性的准确感知; 2) 如何构建并补全海洋场景目标实体关系知识图谱, 形成海洋场景目标实体关系语义理解表达方法体系, 为无人艇集群海洋场景态势感知提供准确完备的信息支撑; 3) 如何实现海洋场景信息补全, 提取海洋目标实体状态信息并得到行为运动状态, 建立态势感知网络, 为单艇准确完备自主感知提供方法支撑, 并为多艇交互提供更多的感知信息。

1.3 复杂海况多艇实时交互认知机制

无人艇集群在执行任务过程中, 涉及单艇准确完备自主感知、多艇实时交互认知、无人艇集群协同控制决策等多个技术环节。其中, 多艇实时交互认知能够对单艇感知信息进行补充, 并为无人艇集群协同控制决策提供更多的感知信息和领域知识。

1.3.1 多机器人集群交互认知机制

多机器人集群是多智能体集群的一种表现形式, 最早由Noreils[43]定义为: 多个智能体协同工作, 完成单个智能体无法完成的任务, 或改善工作过程, 并获得更优的系统性能。美国底特律大学和麻省理工大学在内的很多高校学者提出诸多创新性的集群交互认知方法, 例如完全区域覆盖的神经动力学方法, 利用仿生神经网络进行多智能体之间的交互[44]。欧盟也很早开展了多智能体集群交互认知方面的研究, 如英国林肯大学和捷克理工大学提出了一种新的基于模型预测控制的指导生成方法, 该方法使用领导者-跟随者多智能体交互策略[45]。日本的多机器人交互研究工作主要集中在仿生多机器人集群系统[46]。在国内, 中科院沈阳自动化研究所[47]、中科院自动化研究所、上海交通大学、哈尔滨工业大学和中南大学等单位也开展了多智能体集群系统交互认知关键技术的研究, 取得了较多的研究成果。

1.3.2 无人艇集群交互技术

无人艇在集群交互过程中的交互信息存在多样性、碎片性、隐含性等特点, 针对无人艇集群交互机制和交互内容的获取, 国内外很多机构和学者都开展了相关研究。Andre等[48]针对多机系统中何时合作以及与谁合作的问题, 提出了4种何时合作策略。Paliotta等[49]提出了一种基于领导者-跟随者的自动寻源方法, 通过多艇间的信息交互指导整个无人艇群体的航向。Tolba等[50]提出了一种分布式水下群目标搜索算法-虚拟绳搜索(virtual tether search, VTS), 通过分布式交互, 对群体行为进行空间约束。Matignon等[51]提出了一种基于多机交互的分散决策者决策方法, 利用分散马尔可夫决策过程协调多机器人在通信约束下的搜索。在国内, Qin等[52]提出了一种基于非策略强化学习的输入饱和多智能体最优交互控制策略; Wang等[53]研究了不确定条件下的多艇跟随一致性问题, 通过领导-跟随交互, 实现多艇实时跟随。

1.3.3 无人艇集群认知

无人艇集群认知是指多艇共享感知信息并进行推理认知[54], 最终使集群中的每个单艇都具有对环境和目标的全局感知和行为状态预测的能力。无人艇集群认知首要问题在于将各单艇所感知到的环境信息进行统一描述与融合, 即对环境的协同感知与建模和对物体的协同感知与定位。如Hinzmann等[55]依靠对环境的快速精确三维建模, 依靠实时图像感知与信息链路的共享信息对环境精确建模。基于协同认知的多艇集群作业系统近年来已经取得了长足发展, 并在实际环境中进行了多项测试[56-59]。随着图神经网络的兴起, 其强大的推理能力吸引了越来越多的研究者的兴趣, 人们开始将图神经网络应用到多目标的认知推理中[60-61]。

综上所述, 虽然国内外已经在多智能体集群交互认知方面取得了一些研究成果, 但仍存在交互机制不明确、交互结果不确定、信息传输实时性和准确性难以保证等问题, 解决这些问题是增强无人艇集群交互认知能力的关键, 亟需新的交互认知框架提升无人艇集群在复杂环境下的作业能力。同时, 在无人艇集群交互认知研究中必须考虑信息传输的拓扑网络优化, 从而更好地完成集群任务。另外, 无人艇集群间交互观测数据存在不确定、杂波和高冲突性, 因此还需要进一步开展更为深入的研究, 以提高无人艇交互信息融合的快速性和准确性。

复杂海况多艇实时交互认知机制研究的难点和关键问题主要包括: 1) 如何通过分析理解人类认知过程中的交互机制, 解决在多艇交互启动机制的研究过程中, 交互机时以及交互需求难以确定的问题; 2) 如何解决知识多样性、碎片性以及隐含性为知识获取所带来的影响; 3) 在交互认知过程中, 如何克服无人艇集群结构动态变化快、无法实时交互的问题; 4) 如何解决多艇交互信息之间的矛盾性、不一致性和模糊性为交互知识融合所带来的问题, 在交互认知过程中, 为无人艇集群控制决策提供更多的信息和知识。

1.4 复杂海况无人艇集群智能协同控制决策方法

国内研制成型的无人艇集群主要从事固定编队的巡逻、测量和水面监测等作业, 针对智能规划、避障和无人艇集群控制的研究较少, 且研究难度更大。

1.4.1 无人艇集群自组织体系构建与信息安全传输

无人艇集群自组织体系结构分为平面式和分级式[62]。对于平面式结构网络, 网络中每架无人艇结点都拥有相同的功能, 并且在网络中的地位也完全相同。网络中无人艇的数量较多且无人艇节点高速运动的时候, 一方面网络会出现大量额外的控制开销, 降低无人艇节点的处理能力; 另一方面会导致网络链路较易断裂, 严重影响网络性能。因此, 平面式网络体系主要应用于规模较小且移动性较弱的网络。在大中型无人艇自组织网络中, 为了保证网络体系的可扩展性, 普遍采用分级式的网络体系, 即对网络实施分簇管理[63]。分级结构相较平面结构具有开销小、吞吐量高、网络易扩充等优点, 但是簇首节点相比簇成员节点负责任务多, 能量消耗大, 因此需要依赖合理的簇首选举和簇维护机制来实现网络的分级管理, 保证网络的负载均衡[64], 延长网络的生存周期。王振[65]提出了一种新算法, 在分簇过程中, 既对节点按照节点度进行了排序, 从而减少簇头数目, 又在权重公式中加入了节点属性这一因素, 并对权重进行了归一化处理, 使选举的簇头更加合理。张艳双[66]采用免疫算法得到一条遍历所有簇头节点能效比最高的最优路径, 有效地减少了节点的能量消耗。You等[67]利用离散粒子群优化算法, 解决了无线传感器网络拓扑控制信息安全传输的问题。Basu等[68]提出通过移动节点位置的方法来增强系统信息传输的健壮性。Ahmadi等[69]研究了一种能使多智能体系统实现双连通拓扑结构的方法。

上述研究成果仅可在小规模、弱干扰和低动态的条件下实现信息的安全传输, 针对大规模、强干扰和高动态的复杂海洋环境, 则无法适用。目前, 国际上对适应于这种环境下的安全拓扑方法的一个可能的研究方向是利用各类自动机来实现, 然而目前尚无值得关注的成果发布。

1.4.2 无人艇集群任务分解与任务分配

1) 无人艇集群任务分解。为了实现无人艇集群系统的高效运行, 必须研究如何将一个复杂的无人艇集群任务进行分解[70], 使复杂任务转化为若干可执行的简单原子任务。任务分解的应用领域很广, 可大致分为分类分解方法[71]、层次规范分解方法[72]和负载平衡分解方法[73]。分类分解方法只需要提供任务的静态信息, 通过这些信息对任务进行分类; 层次规范分解方法考虑的是系统需要完成的总体计划, 按照这一目标逐步建立任务与子任务之间的关系; 负载平衡分解方法主要考虑的是任务执行时所需要的通信量和计算量, 在分布式环境下应用较多。

然而这些算法或是没有充分考虑任务分解的可达性原则, 即没有根据实际中无人艇自身的特性考虑原子任务是否可执行, 或是没有充分考虑具体任务的执行时间和整个任务的完成时间等时序约束。同时, 大部分算法中任务分解的层次性和表现形式也没有得到很好的体现, 对任务之间的依赖关系没有做出具体解释。因此, 面对复杂海况下无人艇集群任务的繁琐多变性, 如何在充分考虑任务时序约束和无人艇自身特性条件下实现复杂任务的自适应分解仍待进一步研究。

2) 无人艇集群任务分配。无人艇集群系统的任务分配从根本上看是一种具有动态性的分配过程, 任务可能是随机不确定增加或删减的, 任务的时间空间具有动态不确定性, 外部的海洋环境也是动态变化的。目前, 无人艇集群系统的任务分配问题一般从集中式任务分配和分布式任务分配2个方面展开研究。

相对于集中式任务分配, 分布式任务分配算法对通信中心依赖性小, 可扩展性和鲁棒性都较好。随着现代智能理论发展, 在处理大规模的多无人系统任务分配领域出现了智能分布式分配算法, 该方法能同时平衡全系统的任务大小、难度、周期和冗余等特点需求, 实现容错分布式任务分配, 主要有市场机理算法、群智算法和情感招募算法等。Robert等[74]提出了市场机制的任务拍卖分配方法。在Robert的基础上, Bethauh等[75]提出任务可拆分与组合的拍卖算法, 并通过举例的方法论证了该方法在大规模复杂任务上能得到全局最优解。

目前大部分任务分配方法只适用于任务量较少、任务关联性较低、执行任务简单的多智能体系统没有较大异构性等简单情况。然而, 复杂海况下无人艇集群系统的任务分配环节所面临的是关联性较强的多个任务, 同时无人艇集群系统具有能力倾向、所处场景等方面的强异构性, 已有的任务分配方法无法针对上述难点做出兼具快速性和高效性的决策要求, 将导致集群系统反应迟滞、任务分配不合理从而无法最大化发挥出集群系统整体能力等问题。因此, 如何实现无人艇集群多任务的全局最优协同分配, 使得无人艇集群能够快速决策并最大限度地发挥各个无人艇的能力, 从而实现整体任务收益最大化的目标, 仍待进一步研究。

1.4.3 无人艇集群协同控制与行为规划

1) 无人艇集群协同控制。2008年, Aguiar等[76]对以往的理论设计进行了更深入的分析与总结, 并在此基础上提出了关于协同路径跟踪, 包含控制层和协调层两部分的理论框架。2011年, Børhaug等[77]提出非线性同步控制方法, 使船只在直线航行时能够保持编队队形。

为了进一步寻求复杂海况下无人艇集群的协同控制方法, 除了直接针对无人艇协同控制的研究, 还可从多智能体层面寻求设计方案。以往针对无人艇集群协同控制的研究存在以下不足: 简化了复杂海况风、浪、涌产生的强干扰, 忽略了无人艇自身大惯性、高时滞、欠驱动的运动特性与无人艇集群系统各艇之间的高耦合特性, 导致设计的协同控制策略实用性不高, 控制精度不够; 设计的协同控制策略只能实现特定几种小规模的编队行驶功能, 不能实现对无人艇集群系统的智能协同控制。因此, 针对复杂海况无人艇集群大规模、高时滞、强干扰、高耦合的难点, 如何利用分布式协同控制、智能优化、状态预测等理论来实现复杂海况无人艇集群的精准协同控制有待进一步解决。

2) 无人艇集群行为规划。按照规划决策的计算方法划分, 航路规划算法可以分为确定型算法和随机型算法两大类[78]。确定型路径规划算法主要有穷举法、动态规划、数学规划、梯度法和牛顿法等。确定型算法可以保证给出问题的最优解, 但是具有较高的时间或空间复杂性, 应用于航路规划的大范围复杂规划环境时, 运行时间往往过于冗长。随机型算法通过对问题空间进行某种随机采样, 借助于统计推断的方法搜索较好的可行解, 虽然不能保证获得问题最优解, 但却能在计算时间和求解效果上进行权衡, 以很高的概率获得较好的可行解, 适于处理复杂的航路规划问题。作为典型的随机型算法, 遗传算法在大规模航路规划中得到了广泛的应用并体现出解决此类问题的有效性[79-80], 其中涉及到算法实现中的路径编码、群体初始化、适应度函数构造以及遗传算子设计等方面的研究。遗传算法的不足是速度较慢, 但其隐含的并行性可以缩短搜索时间, 在实时航路规划上具有很大的发展潜力, 尤其在处理大范围路径规划问题上, 遗传算法的性能优于等A*传统路径规划算法, 可以在较短时间内给出近似最优路径。作为随机搜索算法, 遗传算法具有生成不同路径的潜力, 可以以此为基础构造多航路规划算法。

综上所述, 以往研究成果大多基于静态全局场景信息对单个无人系统进行运动规划, 不仅缺少对实际应用中全局场景信息如何获取的考虑, 也缺乏对场景动态变化性的考虑, 更欠缺针对多智能体系统协同运动规划的考虑。复杂海况中存在多种障碍且场景具备极强的动态性, 并且无人艇集群系统的协同运动规划策略必须考虑多个无人艇之间的相互影响, 因而传统的无人系统行为规划方法不适用于复杂海况无人艇集群的协同行为规划研究。同时, 在无人艇回转特性的约束下, 无人艇集群协同行为规划还需要具备平滑柔顺的特性。因此, 如何在动态复杂海况下, 实现无人艇集群高效灵活的智能柔顺协同行为规划, 有待进一步研究。

面向复杂海况下无人艇集群智能协同控制的难点和关键问题主要包括: 1) 如何构建抗毁的无人艇集群自组织框架, 对大规模场景感知信息凝练得到的知识进行高效传输, 降低无人艇集群系统的控制代价与通信代价, 以解决信息安全传输难的问题; 2) 如何构建高效可靠的任务分解模型, 在充分考虑无人艇集群特性和任务时序约束的条件下, 实现无人艇集群自适应任务分解, 以解决集群任务分配难的问题; 3) 如何通过构建预测模型表示无人艇集群系统动态行为, 以实现复杂海况高时滞、信息不完整、各艇之间高耦合的条件下无人艇集群智能精准控制。

1.5 复杂海况典型无人艇集群应用验证平台

无人艇集群算法在实际应用之前的实验验证是关键环节之一。目前, 国内外无人艇集群应用验证主要包含目标识别、协同控制、航迹跟踪等算法研究, 以及跟踪控制器、动力系统等硬件调试。验证方法主要包括实艇水上验证、虚拟仿真验证等。

1.5.1 应用验证平台领域知识与模型管理

面向任务的无人艇集群算法的实现涉及多种领域知识和模型, 因此要实现无人艇集群算法的高效验证需要对这些知识和模型进行合理的调度和管理。目前针对无人艇验证平台知识与模型管理的研究相对较少。胡建章等[81]根据无人艇集群验证系统的功能需求, 设计系统的整体架构, 通过子系统模块与模型高效调用和管理, 建立具备多任务、长航时、高精度导航及较高智能化的集群系统。秦梓荷[82]对无人艇的行为决策能力进行了研究, 在仿真试验中, 通过运动策略的调度, 实现多种航行情况及复杂任务下无人艇集群的联合作业。

1.5.2 虚拟场景离线预验证平台

随着建模技术与虚拟现实技术的快速发展, 无人艇虚拟场景离线预验证的方法被广泛地应用到无人艇验证之中。根据无人艇虚拟场景离线预验证的特点可分为无人艇特定功能仿真及应用环境仿真两大类。无人艇特定功能仿真针对无人艇特定功能进行虚拟仿真验证设计, 主要涉及无人艇自身运动状态及控制决策两大部分[83-90]。无人艇应用环境仿真就整个无人艇的应用场景进行虚拟仿真平台的设计[91-94]。

1.5.3 真实场景实艇集群水上验证平台

实艇水上验证是无人艇集群应用最有效的验证方法, 被国内外研究者广泛使用。实艇水上验证主要集中在无人艇定位、跟踪和避障等算法的验证[95-98]。蒲华燕等[99]针对无人艇在海洋环境下实际的碰撞问题, 提出了基于椭圆碰撞锥的无人艇动态避障方法, 以“精海3 号”无人艇为实验平台, 在实际海域验证了该动态避障方法的有效性。

综上所述, 由于验证平台领域知识与模型的管理存在较大难度, 国内外相关研究较少, 但验证平台领域知识及模型的有效管理和调度对提升无人艇集群验证效率具有重要意义。虚拟场景离线预验证方法能有效减少海上调试工作量, 避免验证过程中时间与资源的浪费, 同时使得无人艇的操作更加方便。但是由于模型构建的误差, 以及虚拟引擎环境与真实世界之间的误差, 导致预验证离线学习平台的输出结果并不能真实反映算法或软硬件的可行性。而实艇水上验证方法虽然使得验证的准确性与可靠性更高, 但是本身存在成本高、风险大和周期长等缺陷。此外, 当前无人艇相关的验证平台主要集中于单艇运动状态及控制决策的验证, 而涉及多艇协同编队问题的验证研究较少。无人艇集群在执行救援、勘探等任务时能够极大地提升工作效率, 因此, 无人艇集群验证平台的研究是当前迫切的需求。

面向典型无人艇集群应用验证平台研究的难点和关键问题主要包括: 1) 如何解决为无人艇集群验证平台提供知识模型管理框架问题, 建立无人艇集群知识管理系统; 2) 如何建立离线预验证环境并对预验证物理模型进行修正, 实现预验证与真实环境的完整统一; 3) 如何实现复杂海况下无人艇集群各类方法模型的学习, 建立复杂海况下无人艇集群应用验证系统。

2 无人艇集群控制技术发展趋势

2.1 单艇准确完备自主感知

复杂海况下, 无人艇受自身运动及海洋环境影响会导致航行状态不稳定, 获取的数据集存在高价值目标样本少、质量低的问题, 在海浪、雨雾等影响下存在噪声大、易变形、局部缺失等问题。并且, 无人艇配备的视觉、雷达、声呐等传感器所采集到的数据模态也各不相同, 导致单一的目标识别模型难以实现在不同海况下对多尺度弱观测目标的精确感知。真实复杂海洋场景下, 无人艇难以从海洋环境智能感知过程中提供的多源异构数据与目标识别模型库准确理解海洋环境及目标实体, 并且从大规模的领域文本集合中高效且完备的抽取海洋目标实体属性及实体间关系进而构建海洋目标实体属性与关系知识图谱也存在许多困难。此外, 复杂的海洋环境易导致无人艇感知信息存在缺失, 从而影响无人艇的场景语义理解与推理, 无法为多艇信息交互及无人艇集群控制决策提供信息支撑。因此, 如何基于不完备的观测信息实现样本增广并以此为基础实现复杂海况下无人艇对海洋环境及多尺度弱观测目标实体的准确感知, 以及在高冗余、强噪声、复杂多变的多源异构数据下, 如何实现单艇准确完备自主感知是未来需解决的关键问题。

2.2 多艇快速灵活交互认知

复杂海况限制了无人艇的感知范围和能力, 使其感知信息难以覆盖整个运动区域以及全天候、全气象环境。通过多艇之间的信息交互和信息融合, 有助于提升其综合态势的认知能力。但是, 无人艇的信息交互机制尚不明确、交互目标难以阐明, 这为多艇之间的信息交互认知带来了挑战。因此, 有必要研究主动交互需求产生策略, 并在认知心理学的指导下实现多艇快速、灵活信息交互和信息融合, 增强无人艇的综合态势认知能力。

2.3 无人艇集群实时高效协同控制

首先, 复杂海况下风浪干扰和多径效应导致无人艇集群拓扑结构变化剧烈, 传统的自组织体系仅仅依靠运动模型来建立对等的拓扑结构, 在这种恶劣环境下抗毁能力较弱, 无法保障系统的信息传输安全。其次, 复杂海况下无人艇集群系统任务分配所面临的是关联性较大的多任务, 同时无人艇集群具有能力倾向、所处场景等方面的异构性, 而传统的任务分配方法无法针对上述问题满足兼具快速性和高效性的决策要求。最后, 无人艇自身具有大惯性、欠驱动等运动特性, 并且高海况下无人艇集群控制面临多种复杂动静态障碍和较大的无人艇数量。因此, 以场景语义理解为基础, 依托交互认知机制, 实现无人艇集群智能协同决策与控制是未来需解决的问题之一。

3 结束语

复杂海况下无人艇集群控制是提高无人艇工作效率、完成复杂艰难任务的有效手段。文中对近年来国内外有关复杂海况无人艇集群控制的关键问题进行了论述, 阐述了复杂海况下海洋环境智能感知方法、单艇准确完备自主感知机理、多艇实时交互认知机制、无人艇集群智能协同控制决策方法以及无人艇集群应用平台验证问题的研究现状, 提出了关键技术和难点问题。同时归纳出了复杂海况无人艇集群控制亟待解决的问题, 指出针对复杂海况无人艇集群的协同控制与优化决策, 单艇自主完备感知、多艇快速灵活交互认知、实时高效集群协同是未来的研究方向。相信随着控制、通信、数据融合等技术的交融发展, 复杂海况无人艇集群控制技术必将得到更深远的发展。

[1] Larson J, Bruch M, Halterman R, et al. Advances in Autonomous Obstacle Avoidance for Unmanned Surface Vehicles[J]. Association for Unmanned Vehicle Systems International-Unmanned Systems North America Conference, 2007, 1: 484-498.

[2] 田明辉, 万寿红, 岳丽华. 遥感图像中复杂海面背景下的海上舰船检测[J]. 小型微型计算机系统, 2008, 29(11): 2162-2166.Tian Ming-hui, Wan Shou-hong, Yue Li-hua. Ship Detection in Remote Sensing Images with Complex Sea Surface Background[J]. Journal of Chinese Computer Systems, 2008, 29(11): 2162-2166.

[3] Mabel M Z, Jean C, Kostas D, et al. VAIS: A Dataset for Recognizing Maritime Imagery in the Visible and Infrared Spectrums[C]//The IEEE Conference on Computer Vision and Pattern Recognition Workshops. Boston, MA, USA: IEEE, 2015.

[4] Matej K, Vildana S K, Sulic K, et al. Fast Image-Based Obstacle Detection From Unmanned Surface Vehicles[J]. IEEE Transactions on Cybernetics, 2016, 46(3): 641-654.

[5] Ricardo R, Goncalo C, Jorge M, et al. A Dataset for Airborne Maritime Surveillance Environments[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 29(9): 2720-2732.

[6] Dilip K P, Deepu R, Lily R, et al. Video Processing from Electro-optical Sensors for Object Detection and Tracking in Maritime Environment: A Survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(8): 1997- 2016.

[7] Perez L, Wang J. The Effectiveness of Data Augmentation in Image Classification Using Deep Learning[EB/OL]. arXiv, (2017-12-13)[2020-08-25]. https://arxiv.org/abs/1712.04621v1.

[8] Cubuk E D, Zoph B, Mane D, et al. AutoAugment: Learning Augmentation Policies from Data[EB/OL]. arXiv, (2019-04-11)[2020-08-25]. http://export.arxiv.org/ abs/1805.09501v3.

[9] Song R, Liu Y, Ralph R M, et al. Mesh Saliency via Spectral Processing[J]. ACM Transactions on Graphics, 2014, 33(1): 6.1-6.17.

[10] Song R, Liu Y, Ralph R M, et al. Saliency-Guided Integration of Multiple Scans[C]//IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), Providence, RI, USA: IEEE, 2012.

[11] Schreck C, Hafner C, Wojtan C. Fundamental Solutions for Water Wave Animation[J]. ACM Transactions on Graphics, 2019, 38(4): 130.1-130.14.

[12] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Nets[J]. arXiv, (2014-06-10)[2020-08-25]. http://www.andrew.cmu.edu/user/rmorina/papers/GANs.pdf.

[13] Kingma D P, Welling M. Auto-encoding Variational Bayes[J]. arXiv, (2014-05-01)[2020-08-25]. https://arxiv. org/abs/1312.6114.

[14] Makhzani A, Shlens J, Jaitly N, et al. Adversarial Autoencoders[J]. arXiv, (2016-05-25)[2020-08-25]. https://arxiv.org/abs /1511.05644.

[15] Zhu J, Taesung P, Phillip I, et al. Unpaired Image- to-Image Translation Using Cycle-Consistent Adversarial Networks[C]//The IEEE International Conference on Com- puter Vision. Venice, Italy: IEEE, 2017: 2223-2232.

[16] Ledig C, Theis L, Huszar F, et al. Photo-realistic Single Image Super-Resolution Using a Generative Adversarial Network[J]. arXiv, (2017-05-25)[2020-08-25]. https:// arxiv.org/abs/1609.04802.

[17] Schwind P, Suri S, Reinartz P, et al. Applicability of the SIFT Operator to Geometric SAR Image Registration[J]. International Journal of Remote Sensing, 2010, 31(8): 1959-1980.

[18] Wang S, Quan D, Liang X, et al. A Deep Learning Framework for Remote Sensing Image Registration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145(A): 148-164.

[19] Pastina D, Lombardo P, Farina A, et al. Super-resolution of Polarimetric SAR Images of Ship Targets[J]. Signal Processing, 2013, 83(8): 1737-1748.

[20] Teutsch M, Kruger W. Classification of Small Boats in Infrared Images for Maritime Surveillance[C]//2010 International WaterSide Security Conference. Carrara, Italy: IEEE, 2010: 1-7.

[21] Wessman M. Object Detection Using LIDAR in Maritime Scenarios[D]. Finland: Åbo Akademi University, 2018.

[22] Lin T, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//The IEEE Conference on Computer Vision and Pattern Recognition, Hawaii, USA: IEEE, 2017: 2117-2125.

[23] Yang S, Deva R. Multi-scale Recognition with DAG- CNNs[C]//The IEEE International Conference on Computer Vision. Santiago, Chile: IEEE, 2015: 1215-1223.

[24] Chen L, Yang Y, Wang J, et al. Attention to Scale: Scale-Aware Semantic Image Segmentation[C]//The IEEE Conference on Computer Vision And Pattern Recognition, Las Vegas, NV, USA: IEEE, 2016: 3640-3649.

[25] Zhang G, Lu S, Zhang W. CAD-Net: A Context-Aware Detection Network for Objects in Remote Sensing Imagery[J]. IEEE Transactions On Geoscience and Remote Sensing, 2019, 57(12): 10015-10024.

[26] Bloisi D D, Iocchi L, Fiorini M, et al. Camera Based Target Recognition for Maritime Awareness[C]//15th International Conference on Information Fusion. Singapore, Singapore: IEEE, 2012: 1982-1987.

[27] Luan Y, Wadden D, He L, et al. A General Framework for Information Extraction Using Dynamic Span Graphs[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis, Minnesota: NAACL, 2019.

[28] 郑家恒, 王兴义, 李飞. 信息抽取模式自动生成方法的研究[J]. 中文信息学报, 2004, 18(1): 49-55.Zheng Jia-heng, Wang Xing-yi, Li Fei. Research on Automatic Generation of Extraction Patterns[J]. Journal of Chinese Information Processing, 2004, 18(1): 49-55.

[29] Pingle A, Piplai A, Mittal S, et al. RelExt: Relation Extraction Using Deep Learning Approaches for Cybersecurity Knowledge Graph Improvement[J]. arXiv, (2019- 05-16)[2020-08-25]. https://arxiv.org/abs/1905.02497?co- ntext=cs.AI.

[30] Bordes A, Usunier N, Garcia-Duran A, et al. Translating Embeddings for Modeling Multi-Relational Data[C]//Proc of NIPS. Cambridge, MA: MIT Press, 2013: 2787-2795.

[31] Lin Y, Liu Z, Sun M, et al. Learning Entity and Relation Embedding for Knowledge Graph Completion[C]//Proc of AAAI. Menlo Park, CA: AAAI, 2015.

[32] Ji G, He S, Xu L, et al. Knowledge Graph Embedding Via Dynamic Mapping Matrix[C]//Pro. of ACL. Stroudsburg, PA: ACL, 2015: 687-696.

[33] Hu Z, Huang P, Deng Y, et al. Entity hierarchy embedding[C]//Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Beijing, China: ACL, 2015.

[34] Nickel M, Volker T, Kriegel H P. A Three-Way Model for Collective Learning on Multi-Relational Data[C]//Pro- ceedings of the 28th International Conference on International Conference on Machine Learning. Washington, USA: ICML, 2011.

[35] Chang K W, Yih W, Yang B, et al. Typed Tensor Decomposition of Knowledge Bases for Relation Extraction[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Doha, Qatar: EMNLP, 2014.

[36] He W, Feng Y, Zou L, et al. Knowledge Base Completion Using Matrix Factorization[C]//Asia-Pacific Web Confe- rence. Guangzhou, China: APWeb, 2015.

[37] Xiao H, Huang M, Hao Y, et al. TransG: A Generative Mixture Model for Knowledge Graph Embedding[J]. arXiv, (2017-09-08)[2020-08-25]. https://arxiv.org/abs/ 1509.05488.

[38] He S, Liu K, Ji G, et al. Learning to Represent Knowledge Graphs with Gaussian Embedding[C]//Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. Melbourne, Australia: ACM, 2015.

[39] 巴宏欣, 赵宗贵, 杨飞. 态势估计——概念、内容与方法[J]. 解放军理工大学学报, 2004, 5(6): 10-16. Ba Hong-xin, Zhao Zong-gui, Yang Fei. Concepts, Contents and Methods of Situation Assessment[J]. Journal of PLA University of Science and Technology(Natural Science Edition), 2004, 5(6): 10-16.

[40] 赵宗贵, 李君灵, 王珂. 战场态势估计概念、结构与效能[J]. 中国电子科学研究院学报, 2010, 5(3): 226-230.Zhao Zong-Gui, Li Jun-Ling, Wang Ke. The Concept, Structure and Efficiency of Battlefield Situation Assessment[J]. Journal of China Academy of Electronics and Information Technology, 2010, 5(3): 226-230.

[41] 邵勇, 马丰文. 战场态势评估关键技术综述[C]//2007系统仿真技术及其应用学术会议, 珠海, 中国: 中国系统仿真学会, 2007: 913-915.

[42] Wen H, Song J. Using Big Data to Enhance the Capability of the Situational Awareness of Battlefield[C]//Proceed- ings of 2018 Chinese Intelligent Systems Conference. Singapore, Singapore: Springer, 2019: 311-318.

[43] Noreils F R. Toward a Robot Architecture Integrating Cooperation Between Mobile Robots: Application to Indoor Environment[J]. Int. J. Robot. Res., 1993, 12(1): 79-98.

[44] Luo C, Yang S X, Li X, et al. Neural-Dynamics-Driven Complete Area Coverage Navigation Through Cooperation of Multiple Mobile Robots[J]. IEEE Trans. Ind. Electron., 2017, 64(1): 750-760.

[45] Saska M, Vonásek V, Krajník T, et al. Coordination and Navigation of Heterogeneous MAV–UGV Formations Localized by a “Hawk-Eye”-Like Approach Under a Model Predictive Control Scheme[J]. Int. J. Robot. Res., 2014, 33(10): 1393-1412.

[46] Wu M H, Ogawa S, Konno A. Symmetry Position/Force Hybrid Control for Cooperative Object Transportation Using Multiple Humanoid Robots[J]. Adv. Robot., 2016, 30(2): 131-149.

[47] 王越超, 谈大龙, 黄闪, 等. 一个多智能体机器人协作装配系统[J]. 高技术通讯, 1998, 8(7): 6-10. Wang Yue-chao, Tan Da-long, Huang Shan, et al. A Multi-agent Robot Cooperative Assembly System[J]. Chinese High Technology Letters, 1998, 8(7): 6-10.

[48] Andre T, Bettstetter C. Collaboration in Multi-robot Exploration: to Meet or Not to Meet?[J]. J. Intell. Robot. Syst., 2016, 82(2): 325-337.

[49] Paliotta C, Belleter D J, Pettersen K Y. Adaptive Source Seeking with Leader-Follower Formation Control[J]. IFAC-Pap., 2015, 48(16): 285-290.

[50] Tolba S, Ammar R. Virtual Tether Search: A Self-Constraining Search Algorithm for Swarms in an Open Ocean[C]//2017 IEEE Symposium on Computers and Communications(ISCC). Heraklion, Greece: IEEE, 2017: 1128-1135.

[51] Matignon L, Jeanpierre L, Mouaddib A I. Coordinated Multi-Robot Exploration Under Communication Constraints Using Decentralized Markov Decision Processes[C]//Proceed- ing of the Twenty-sixth AAAI Conference on Artificial Intelligence. Toronto, Ontario, Canada: AAAI, 2012.

[52] Qin J, Li M, Shi Y, et al. Optimal Synchronization Control of Multiagent Systems with Input Saturation via Off-Policy Reinforcement Learning[J]. IEEE Trans. Neural Netw. Learn. Syst., 2018, 30(1): 85-96.

[53] Wang S, Huang J. Adaptive Leader-Following Consensus for Multiple Euler–Lagrange Systems with an Uncertain Leader System[J]. IEEE Trans. Neural Netw. Learn. Syst., 2019, 30(7): 2188-2196.

[54] Mavrovouniotis M, Li C, Yang S. A Survey of Swarm Intelligence for Dynamic Optimization: Algorithms and Applications[J]. Swarm Evol. Comput., 2017, 33: 1-17.

[55] Hinzmann T, Stastny T, Conte G, et al. Collaborative 3D Reconstruction Using Heterogeneous UAVs: System and Experiments[C]//2016 International Symposium on Experimental Robotics.Tokyo, Japan: Springer, 2017: 43-56.

[56] Martins A, Dias A, Almeida J. Field Experiments for Marine Casualty Detection with Autonomous Surface Vehicles[C]//2013 OCEANS-San Diego. San Diego, CA, USA: IEEE, 2013: 1-5.

[57] Sullivan A, York A M, An L, et al. How Does Perception at Multiple Levels Influence Collective Action in The Commons? The Case of Mikania Micrantha in Chitwan, Nepal[J]. Forest Policy and Economics, 2017, 80: 1-10.

[58] Hussain Qureshi A, Ayaz Y. Intelligent Bidirectional Rapidly-Exploring Random Trees for Optimal Motion Planning in Complex Cluttered Environments[J]. Robotics and Autonomous Systems, 2015, 68: 1-11.

[59] Hinostroza M A, Xu H, Guedes Soares C. Cooperative Operation of Autonomous Surface Vehicles for Maintaining Formation in Complex Marine Environment[J]. Ocean Eng., 2019, 183: 132-154.

[60] Zhang Z, Cui P, Zhu W. Deep Learning on Graphs: A Survey[J/OL]. IEEE Transactions on Knowledge and Data Engineering, (2018-03-17)[2020-08-25]. https://ieeexplo- re.ieee.org/document/9039675.

[61] Yao T, Pan Y, Li Y, et al. Exploring Visual Relationship for Image Captioning[C]//Proceedings of 15th European Conference. Munich, Germany: Springer, 2018.

[62] Neamatollahi P, Abrishami S, Naghibzadeh M, et al. Hierarchical Clustering-Task Scheduling Policy in Cluster-Based Wireless Sensor Networks[J]. IEEE Transactions on Industrial Informatics, 2018, 14(5): 1876-1886.

[63] 张鹏, 崔勇. 移动自组织网络路由选择算法研究进展[J]. 计算机科学, 2010, 37(1): 10-22, 38. Zhang Peng, Cui Yong. Survey on Routing Algorithms of Mobile Ad Hoc Networks[J]. Computer Science, 2010, 37(1): 10-22, 38.

[64] Yang W. Research on Ad Hoc Clustering Algorithm[J]. Com- puter Engineering & Applications, 2010, 46(21): 111-115.

[65] 王振. 无线自组织网络自适应算法研究[D]. 北京: 北京邮电大学, 2019.

[66] 张艳双. 基于免疫算法的无线传感器网络路由算法的研究[D]. 哈尔滨: 哈尔滨工程大学, 2009.

[67] You B, Chen G, Guo W. A Discrete PSO-based Fault- Tolerant Topology Control Scheme in Wireless Sensor Networks[C]//Proceedings of 5th International Symposium. Wuhan, China: Springer, 2010: 1-12.

[68] Basu P, Redi J. Movement Control Algorithms for Realization of Fault-Tolerant Ad Hoc Robot Networks[J]. IEEE Network, 2004, 18(4): 36-44.

[69] Ahmadi M, Stone P. Keeping in Touch: Maintaining Biconnected Structure by Homogeneous Robots[C]//Pro- ceedings of the National Conference on Artificial Intelligence. Boston, Massachusetts: USA, 2006.

[70] 马巧云. 基于多系统的动态任务分配研究[D]. 武汉: 华中科技大学, 2006

[71] 张荣国, 刘静, 张继福, 等. 产品并行设计多Agent系统中任务分解和协调模型的研究[J]. 太原重型机械学院学报, 2002, 23(2): 166-170. Zhang Rong-guo, Liu Jing, Zhang Ji-fu, et al. Study on Task Decomposition and Coordination Modeling in Product Concurrent Design Based on Multi-Agent System[J]. Journal of Taiyuan Heavy Machinery Institute, 2002, 23(2): 166-170.

[72] 龚卓君. 卫星应用任务分解技术研究[D]. 长沙: 国防科学技术大学, 2009.

[73] 宋言伟. 基于网络节点上下文的任务分解和调度方法研究[D]. 济南: 山东大学, 2012.

[74] Robert Z, Tony S A, Bernardine D M, et al. Multi-robot Exploration Controlled by a Market Economy[C]//Pro- ceedings of the IEEE International Conference on Robotica and Automation. Piscataway, USA: IEEE, 2002: 3016- 3023.

[75] Bethauh M, Huang H, Keskinecad P. Robot Exploration with Combinatorial Auctions[C]//Proceedings of IEEE/ RSJ International Conference on Soft Computing for Problem Solving. Las Vegas, Nevada, USA: IEEE, 2003: 1957-1962.

[76] Aguiar A P, Kaminer I, Ghabcheloo R, et al. Coordinated Path Following of Multiple UAVs for Time-Critical Missions in the Presence of Time-Varying Communication Topologies[J]. IFAC Proceedings Volumes, 2008, 41(2): 16015-16020.

[77] Børhaug E, Pavlov A, Panteley E, et al. Straight Line Path Following for Formations of Underactuated Marine Surface Vessels[J]. IEEE Transactions on Control Systems Technology, 2011, 19 (3): 493-506.

[78] Li D, Li Q, Cheng N, et al. Sampling-Based Real-Time Motion Planning under State Uncertainty for Autonomous Micro-Aerial Vehicles in GPS-Denied Environments[J]. Sensors, 2014, 14(11): 21791-21825.

[79] 李明. 基于改进遗传算法的移动机器人路径规划研究[D]. 芜湖: 安徽工程大学, 2017.

[80] Nikolos I K, Valavanis K P, Tsourveloudis N C, et al. Evolutionary Algorithm Based Offline/Online Path Planner for UAV Navigation[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2003, 33(6): 898-912.

[81] 胡建章, 唐国元, 王建军, 等. 水面无人艇集群系统研究[J]. 舰船科学技术, 2019, 41(7): 83-88.Hu Jian-zhang, Tang Guo-yuan, Wang Jian-jun, et al. Research on Unmanned Surface Vehicle Cluster System[J]. Ship Science and Technology, 2019, 41(7): 83-88.

[82] 秦梓荷. 水面无人艇运动控制及集群协调规划方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2018.

[83] Breivik M, Hovstein V E, Fossen T I. Straight-line Target Tracking for Unmanned Surface Vehicles[J]. Modeling, Identification and control, 2008, 29(4): 13l-149．

[84] Kjerstad K, Breivik M. Weather Optimal Positioning Control For Marine Surface Vessels[J]. IFAC Conference on Control Applications in Marine Systems, 2010, 43(20): 114-119．

[85] Breivik M, Strand J P, Fossen T I. Guided Dynamic Positioning For Fully Actuated Marine Surface Vessels[C]// Proceedings of the 7th IFAC MCMC．Lisbon, Portugal: Elsevier, 2006: 1-6．

[86] Breivik M, Fossen T I. Guidance Laws for Planar Motion Control[J]. IEEE Conference on Decision and Control, 2008, 16(5): 570-577．

[87] Breivik M, Nonlinear Maneuvering Control of Underactuated Ships[D]. Trondheim: Norwegian University of Science and Technology, 2003: 75-79．

[88] 于海军. 基于抗倾覆性与浮态恢复性无人艇仿真研究[D]. 哈尔滨: 哈尔滨工程大学, 2012.

[89] Larrazabal J M, Penas M S．Intelligent Rudder Control of an Unmanned Surface Vessel[J]．Expert Systems with Applications, 2016, 55: 106-117．

[90] 吴恭兴. 水面智能高速无人艇的控制与仿真[D]. 哈尔滨: 哈尔滨工程大学, 2008.

[91] 刘鹏. 基于Vega Prime的无人艇运动控制视景仿真[D]. 大连: 大连海事大学, 2018.

[92] 王卓, 冯晓宁, 万磊, 等. 水面无人艇协同仿真平台设计方法[J]. 哈尔滨工程大学学报, 2012, 33(3):275-282. Wang Zhuo, Feng Xiao-ning, Wan Lei, et al. Research on the Platform Design Method of a USV Collaborative Simulation[J]. Journal of Harbin Engineering University, 2012, 33(3):275-282.

[93] 伍文晖. 水面无人艇试验平台设计[D]. 大连: 大连海事大学, 2013.

[94] 胡辛明, 张鑫, 钟雨轩, 等. 无人水面艇仿真系统设计与实现[J]. 上海大学学报(自然科学版), 2017, 23(1): 56-67.Hu Xin-ming, Zhang Xin, Zhong Yu-xuan, et al. Design and Implementation of USV Simulation System[J]. Journal of Shanghai University(Natural Science Edition), 2017, 23(1): 56-67.

[95] 徐博, 肖永平, 高伟, 等. 主从式无人水面艇协同定位滤波方法与实验验证[J]. 兵工学报, 2014, 35(11): 1836-1845. Xu Bo, Xiao Yong-ping, Gao Wei, et al. A Cooperative Navigation Approach and Its Verification of USVs with Leader-fellower Structure[J]. Acta Armamentarii, 2014, 35(11): 1836-1845.

[96] 范云生, 李长飞, 王国峰, 等. 无人水面艇航向跟踪控制器的设计与验证[J]. 大连海事大学学报, 2017, 43(1): 1-7. Fan Yun-sheng, Li Chang-fei, Wang Guo-feng, et al. Design and Validation of Course Tracking Controller for Unmanned Surface Vehicle[J]. Journal of Dalian Maritime University, 2017, 43(1): 1-7.

[97] 文元桥, 杨吉, 王亚周, 等. 无人艇自适应路径跟踪控制器的设计与验证[J]. 哈尔滨工程大学学报, 2019, 40(3): 482-488. Wen Yuan-qiao, Yang Ji, Wang Ya-zhou, et al. Design and Validation of Adaptive Path Following Controller for USV[J]. Journal of Harbin Engineering University, 2019, 40(3): 482-488.

[98] Shin J, Kwak D J, Lee Y I. Adaptive Path Following Control for an Unmanned Surface Vessel Using an Identified Dynamic Model[J]. IEEE/ASME Transactions on Mechatronics, 2017, 22(3): 1143-1153.

[99] 蒲华燕, 丁峰, 李小毛, 等. 基于椭圆碰撞锥的无人艇动态避障方法[J]. 仪器仪表学报, 2017, 38(7): 1756-1762. Pu Hua-yan, Ding Feng, Li Xiao-mao, et al. Maritime Autonomous Obstacle Avoidance in a Dynamic Environment Based on Collision Cone of Ellipse[J]. Chinese Journal of Scientific Instrument, 2017, 38(7):1756-1762.

Current Development of Control Technology for Unmanned Surface Vessel Clusters under Complex Sea Conditions

XIE Shao-rong1,2, LIU Jian-jian1, ZHANG Dan1

(1. School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China; 2. School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China)

As highly autonomous systems, unmanned surface vessels (USVs) are a reliable means of improving working efficiency on water in such areas as hydrology research, scientific exploration, hydrographic surveys, emergency search and rescue, and security patrol. Advancements in exchange information and collaborative decision-making have enabled the development of USV cluster systems. These systems can obtain more complete perception information and have a high execution efficiency and greater operating range, which considerably enhance the capabilities of USVs to complete tasks autonomously. However, because of complex and changeable marine environmental factors such as wind, waves, and sea currents, collaborative control and optimization decision-making of USV cluster systems face challenges related to single USV autonomous and complete perception mechanism, rapid and flexible interactive cognition of multiple USVs, and real-time efficient cluster collaboration. This study summarizes the latest developments of USV cluster systems in the following four respects: 1) the single USV complete autonomous perception mechanism, 2) the multiple-USV real-time interactive cognition mechanism, 3) the intelligent collaborative control decision methodology, and 4) the USV verification platform. Finally, problems that remain to be addressed as well as future research directions in the field are also briefly discussed. Single USV autonomous and complete perception, rapid and flexible interactive cognition among multiple USVs, and real-time efficient cluster collaboration are the research directions of cluster control technology.

unmanned surface vessel cluster; cooperative control; optimization decision-making

谢少荣, 刘坚坚, 张丹. 复杂海况无人艇集群控制技术研究现状与发展[J]. 水下无人系统学报, 2020, 28(6): 584-596.

TJ630; U664.82; TP273.2

A

2096-3920(2020)06-0584-13

10.11993/j.issn.2096-3920.2020.06.001

2020-09-27;

2020-11-23.

国家自然科学基金重大项目(61991410).

谢少荣(1972-), 女, 教授, 博导, 长期从事先进的机器人技术、眼球运动的仿生控制机制和图像监控系统研究.

(责任编辑: 陈 曦)