水下滑翔机在强洋流环境中的路径规划研究

作者及机构
本研究的核心作者包括Zhu Xinke（第一作者，来自国家海洋局第二海洋研究所机器人学国家重点实验室和海洋地质科学重点实验室）与Jin Xianglong（同单位），以及Yu Jiancheng和Li Yiping（来自中国科学院沈阳自动化研究所机器人学国家重点实验室）。研究发表于2015年6月IEEE第5届自动化、控制与智能系统网络技术国际会议（CYBER），会议地点为中国沈阳。

学术背景
水下滑翔机（underwater glider）作为一种无螺旋桨驱动的自主水下航行器（AUV），其低速特性（0.5~1节）使其轨迹易受洋流影响。在海洋采样任务中，强洋流环境下的路径规划需兼顾时间或能量效率。传统AUV路径规划多聚焦避障，而本研究针对时变洋流场（time-varying current fields）中的动态优化问题，提出结合洋流预测的路径规划算法，目标是最小化任务完成时间。

研究目标
1. 建立洋流与滑翔机运动模型；
2. 对比波前扩展算法（wavefront expansion）与A*算法在全局和分段路径规划中的性能；
3. 解决洋流预测时效性不足时的分段路径规划问题。

研究流程与方法

1. 模型构建
- 洋流模型：采用周期性双涡流场（double-gyre current）模拟时变洋流，其流函数（stream-function）如公式(3)-(4)所示，参数包括涡流强度（A）、振荡频率（ε）和偏移量（δ）。该模型通过离散二维网格（分辨率Δx、Δy）实现空间离散化。
- 滑翔机运动模型：基于速度合成原理（公式5-8），滑翔机合速度方向需满足可达性条件（图2）。若方程(8)存在正根，则网格间路径可行，多解时取最大根优化时间效率。

2. 路径规划算法
- 波前扩展算法改进：
- 优先级调整：迭代中优先扩展最低成本节点；
- 单父节点约束：每个节点仅保留一个父节点，减少计算量并简化反向路径生成（图4）。
- A*算法：引入启发式函数（公式9-10），其中h(n)为当前节点到目标的欧氏距离与最大合速度的比值，确保算法可收敛至全局最优。

3. 分段路径规划
当任务时间超过洋流预测时效时：
- 分段策略：以预测周期为间隔，将路径划分为多段，每段以A*算法规划，终点作为下一段起点（表1）；
- 动态更新：每段规划基于最新洋流预测数据，避免累积误差。

主要结果

1. 算法性能对比
- 搜索效率：在双涡流场仿真中（图5），A*算法的遍历节点数仅为波前算法的1/3，搜索速度提升3倍；
- 路径质量：两种算法均能获得时间最优路径，但A*算法在启发式引导下更快收敛。

2. 分段规划验证
- 路径一致性：全局与分段规划的路径长度（2.25 vs 2.19单位）和耗时（5.73 vs 5.25单位）差异小于10%（图6），证明分段策略的可行性；
- 时效适应性：A*算法可灵活结合短期洋流预测数据，解决长时任务规划问题。

结论与价值
1. 科学价值：提出时变洋流场中水下滑翔机的动态路径规划框架，验证A*算法在效率与适应性上的综合优势；
2. 应用价值：为无在线洋流探测设备（如ADCP）的滑翔机提供实用规划工具，尤其适用于大洋长时采样任务；
3. 方法论创新：改进波前算法的节点扩展逻辑，并首次将分段规划与A*算法结合，解决预测数据时效瓶颈。

研究亮点
1. 算法创新：A*算法的启发式设计兼顾最优性与实时性，适用于复杂时变环境；
2. 工程实用性：分段规划策略降低对长期洋流预测精度的依赖；
3. 模型普适性：双涡流模型可扩展至其他海洋环流场景，如黑潮或湾流模拟。

其他贡献
研究得到机器人学国家重点实验室（项目编号2012-O03、2013-O14）和海洋二所基础科研专项（JG1316）资助，算法代码已应用于实际滑翔机航迹规划系统。