多自主水下机器人(AUV)实时围捕是一个综合的研究课题,包括联盟生成和目标追捕等阶段.首先,基于快速行进算法(FMM)预估围捕时间,有效形成多AUV的动态围捕联盟;然后,在追捕阶段,AUV需要立即跟踪智能逃逸机器人以防止其逃跑.为了实现这一目标,在GBNN(Glasius biological inspired neural network)模型中使用反比例函数替换指数函数计算神经元连接权值,加入额外的衰减项,并提出两点加快神经元活性传播的改进措施,使其适用于实时追捕路径规划.仿真研究表明,围捕联盟形成机制和反比例权值GBNN模型实时路径规划策略都显示出其优越性.在水下环境的多AUV协作围捕中,所提出的围捕控制算法可以提高围捕效率,减少AUV所花费的追捕距离和逃逸机器人的逃逸距离.

在时变洋流场环境下,洋流矢量增加了时间维度,在时间角度上可进一步利用洋流以节约自主水下机器人(AUV)能量消耗.此外,在该环境中无后效性不再成立,基于经典贪婪策略的路径规划算法不再适用.鉴于此,结合路径参数选择和双层规划算法,提出一种适用于时变洋流场环境的能耗最优路径规划算法.出发时间和AUV推进速度均可以在时间维度上等待有利洋流,且推进速度与其能量消耗直接相关,因此,引入出发时间和推进速度作为路径参数.在此基础上,针对无后效性不成立问题,使用双层规划作为路径规划算法,分析该算法在时变洋流场环境下的适用性.算法将路径规划任务分为路径规划与路径优化两部分,路径规划部分采用蚁群系统算法构建通道,路径优化部分由量子粒子群算法对路径参数进一步优化,在保证全局最优的同时能够解决传统基于栅格的路径规划算法中机器人运动方向受限的问题.最后以Kongsberg/Hydroid REMUS 600s型水下机器人为模型,对所提出的路径规划算法进行仿真验证.

海洋系统模拟器 (MSS) 是一个用于海洋系统的 Matlab 和 Simulink 库。 它包括船舶、水下航行器和浮动结构的水动力模型。 该库还包含用于实时仿真的引导、导航和控制 (GNC) 块。 算法和方法描述于： TI福森（2021）。 船舶流体动力学和运动控制手册。 第二。 版，威利。 ISBN-13：978-1119575054

海洋航行器仿真设计

海洋航行器创新设计

海洋航行器水面组参考资料

海洋航行器水下组参考资料

智能水下机器人，主要指代AUV，代表了未来水下机器人研究方向。本文从设计制造、能源与推进、水下通信、水下导航、水下环境感知和自动与智能技术等六个方面对其关键技术进行分析。

A Review of the Path Planning and Formation Control for Multiple Autonom

Multi-AUV Hunting Algorithm Based on Bio-inspired Neural Network in Unknown