类型a：学术研究报告

一、主要作者及研究机构
本文由Wei Lan（大连海事大学船舶与海洋工程学院）、Xiang Jin（大连海事大学船舶与海洋工程学院）、Tianlin Wang（中山大学海洋科学学院）和Han Zhou（中国船舶工业集团公司第714研究所）合作完成，发表于2021年11月23日的《IEEE Access》期刊，DOI编号为10.1109/ACCESS.2021.3130367。研究得到中国国家重点研发计划（2016YFC0301500）的资助。

二、学术背景与研究目标
本研究属于海洋机器人路径规划领域，聚焦于多水下滑翔机（Underwater Gliders, UGs）在时变洋流环境中的协同路径规划问题。水下滑翔机因其长续航、低成本和自主性，广泛应用于海洋监测、资源勘探等任务，但洋流是影响其实际部署的主要因素。传统路径规划算法（如A*、人工势场法）在动态洋流环境中存在局限性：A*算法难以适应连续洋流环境，而人工势场法易陷入局部最优。因此，本研究提出改进的快速探索随机树算法（Rapidly-exploring Random Tree, RRT），命名为OCI-RRT（Ocean Current Improved RRT），旨在解决以下问题：
1. 洋流建模：基于HYCOM（Hybrid Coordinate Ocean Model）数据建立时变洋流模型；
2. 能量优化：通过减少滑翔机机动周期和路径长度，提升单位能量利用率；
3. 算法改进：结合滑翔机运动约束（如最大俯仰角限制）和洋流方向约束，优化RRT的随机扩展策略。

三、研究流程与方法
1. 模型建立
- 滑翔机动力学模型：基于六自由度方程（式3），引入附加质量（added mass）和惯性矩（Tab.7），模拟滑翔机的全向运动能力（omnidirectional motion）。
- 能量消耗模型：通过海试数据（Tab.1）量化滑翔机在浮力调节（buoyancy adjustment）、姿态控制（attitude control）和传感器运行中的能耗，提出单位周期能耗公式（式4）。
- 洋流模型：基于HYCOM的3D离散数据，简化为多层叠加的2D模型（图4），通过速度矢量场（式5）和时间依赖性函数（式6）描述时变特性。

1. 算法改进

   • OCI-RRT：限制随机节点的生成方向与洋流方向的夹角不超过β（图6），减少无效探索；通过动态步长（式11）适应洋流速度变化。
     
   • OCI-RRT*：在RRT*的渐进最优性基础上，增加“重布线（rewiring）”步骤（Algorithm 2），但需避免因洋流速度过大导致的路径不可行性（图7）。
     

2. 仿真实验

   • 环境设置：模拟三种场景——静态无障碍水域（图10）、时变洋流无障碍环境（图11）和洋流+多障碍环境（图12）。
     
   • 性能指标：对比路径长度、周期数、单位能量利用率（km/Wh）和计算时间（Tab.2-3）。
     
   • 动态环境验证：测试算法在未预测洋流变化时的适应性（图17），通过局部调整策略减少能量消耗。
     

四、主要结果
1. 路径优化效果
- OCI-RRT*在洋流环境中比传统RRT减少路径长度14%（Tab.5），单位能量利用率提升25%。
- 在强洋流区域（图12红色区域），滑翔机优先顺流调整而非对抗，能耗降低132.3 Wh（Tab.2）。

1. 算法鲁棒性
   
   • 在方向多变的洋流中（图13c-d），OCI-RRT*仍能保持路径平滑性，而RRT*因频繁重计算导致性能下降（Tab.6）。
     
   • 动态环境中，OCI-RRT*通过局部优化策略（如等待有利洋流）减少计算量（图17）。
     

五、结论与价值
1. 科学价值：首次将RRT类算法与洋流动力学结合，为动态流体环境中的路径规划提供新思路。
2. 应用价值：支持大规模滑翔机编队在未知洋流环境中的快速部署，适用于海洋观测网络构建。
3. 局限性：算法假设洋流预测完全准确，实际中需结合实时数据同化技术。

六、研究亮点
1. 创新方法：提出方向约束的随机采样策略，显著提升RRT在洋流环境中的收敛效率。
2. 跨学科整合：融合海洋学（HYCOM数据）、机器人学（滑翔机动力学）和优化算法（RRT*）。
3. 工程实用性：通过海试数据验证模型（Tab.1），确保算法贴近实际应用。

七、其他贡献
附录中提供了滑翔机的附加质量参数（Tab.7），为后续研究提供基准数据。未来工作将探索神经网络在洋流预测中的应用，以进一步提升动态规划能力。