1. 研究目的与意义（文献综述）

1.1研究目的及意义
1.1.1 研究目的
随着科学和信息技术的飞速发展，越来越多的生活设备、工业设备、军事设备都正朝着自动化，智能化的方向发展，且伴随着大数据、云计算、虚拟现实、人工智能技术以及区块链等新技术迅猛发展，智能化的社会更是触手可及。

无人飞机，无人汽车，自动机器人的技术日趋成熟，其商用产品也呼之欲出。

我国作为一个海洋大国，海域面积辽阔，船舶业的智能化也愈发得到了社会的关注，并且随着“中国智造2025”，“智慧交通”，“海洋强国”等战略规划的实施，无人船舶技术已成为当下研究的一大热点。

2. 研究的基本内容与方案

2.1研究内容
通常而言，可以根据对环境信息的掌握程度将路径规划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。其中，从获取障碍物信息是静态或是动态的角度看，全局路径规划属于静态规划(又称离线规划)，局部路径规划属于动态规划(又称在线规划)。全局路径规划需要掌握所有的环境信息，根据环境地图的所有信息进行路径规划；局部路径规划只需要由传感器实时采集环境信息，了解环境地图信息，然后确定出所在地图的位置及其局部的障碍物分布情况，从而可以选出从当前结点到某一子目标结点的最优路径。
蚁群算法是一种用来寻找优化路径的概率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。
蚁群算法是根据自然界中蚂蚁觅食过程中依靠信息素寻找到一条蚁巢到食物点的最短路径所衍生出的一种智能算法，与路径规划原理有极大相似之处。
2.2研究目标
在环境建模方面，可以用栅格法、拓扑法、Maklink 图论法等对环境进行处理，实现海域环境的数字化，从而可以为算法的实现提供基础数据。
在蚁群算法的求解过程中最容易出现两个问题：一是当求解规模很大时搜索时间较长；二是容易出现停滞现象。对蚁群算法进行优化，以适应海域的环境，得出一条更安全的紧急避碰路径。
2.3技术方案
无人船舶路径规划的实现步骤主要包括环境建模、路径搜索、路径优化平滑三个环节,具体方案如下。
（1）环境建模。环境建模是路径规划的重要环节，目的是建立一个便于计算机进行路径规划所使用的环境模型，即将实际的物理空间抽象成算法能够处理的抽象空间，实现相互间的映射，主要就是对空间障碍物的描述。海域环境数字化，将空间分割成障碍物空间和自由空间，再根据定义好的凸边形来构建无人船航行的自由空间，使自由空间表示成一个全局连通图，然后再在这个连通图上进行路径的搜索。
（2）路径搜索。路径搜索阶段是在环境模型的基础上应用相应算法寻找一条行走路径，使预定的性能函数获得最优值。最短路径算法在构建的全局连同图中寻找一条从起始点到目标点的最短路径，然后通过典型的旅行商问题来对智能算法进行比较，蚁群算法来对算法寻找到的连通图中的最短路径进行优化，得到一条起点到目标点的更优路径。本课题主要采用蚁群算法来实现路径搜索选择路径，生成全局最优路径。
（3）路径平滑。通过相应算法搜索出的路径并不一定是一条运动体可以行走的可行路径，需要作进一步处理与平滑才能使其成为一条实际可行的路径。通过对蚁群算法的深入分析，对其进行改进，在迭代过程中适应变化，从而实现紧急避碰，并规划出最优路径。
技术方案流程图如图1所示。

3. 研究计划与安排

（1）第1－3周：查阅与路径规划及紧急避碰相关的文献资料，明确研究内容与目标，了解研究所需的理论基础，确定可以开展的设计方案，完成开题报告，上传开题报告到教务处毕业设计管理系统，完成开题任务。

（2）第4－5周：熟悉掌握路径规划的基本理论，初步了解相关智能算法的优缺点，完成英文资料的翻译，熟悉matlab工具软件的使用。

（3）第6－8周：设计出路径规划中各个模块步骤的流程图及相应的功能，并为环境模型建模，实现相应环境的数字化。

4. 参考文献（12篇以上）

[1] 张国栋,陈金鑫,吴鹏飞. 基于环境建模的USV轨迹规划技术[J]. 指挥控制与仿真, 2018, 40(5): 86-93.
[2] Shude He, Min Wang, Shi-Lu Dai, Fei Luo. Leader-Follower Formation Control of USVs With Prescribed Performance and Collision Avoidance [J]. IEEE Transactions on Industrial Informatics, 2018, 15(1):572-581.
[3] 张纬康,杜度. 系泊船舶动力学特性的计算机仿真研究[J]. 中国造船, 2004, 45(4): 5-14.
[4] 郑荣才,宋健力,黎琼,等. 船舶动力定位系统[J]. 中国惯性技术学报, 2013, 21(4): 495-499.
[5] 王海. 蚁群算法在船舶路径优化仿真中的应用[J]. 舰船科学技术, 2016, 38(20): 7-9.
[6] 康与涛,朱大奇,陈伟炯. 船舶避碰路径规划研究综述[J]. 船海工程, 2013, 42(5): 141-145.
[7] Hanguen Kim, Donghoon Kim, Jae-Uk Shin, et al. Angular rate-constrained path planning algorithm for unmanned surface vehicles[J]. Ocean Engineering, 2014, 84:37-44.
[8] 魏伊,薛彦卓. 船舶自动避碰仿真研究[J]. 大连：大连海事大学学报, 2013, 39(2): 18-24.
[9] 赵珍. 基于改进蚁群算法的多机器人路径规划研究[D]. 兰州:兰州理工大学, 2016.
[10] 尚明栋,朱志宇,周涛. 基于改进蚁群算法的水面无人艇智能避碰方法研究[J]. 船舶工程, 2016, 38(9): 6-9.
[11] 张文拴,徐海军,闫哲. 蚁群算法研究及其在航海上的应用[J]. 广州:广州航海学院学报, 2018, 26(4): 66-70.
[12] Hongguang Lyu, Yong Yin. Fast Path Planning for Autonomous Ships in Restricted Waters[J]. Applied Sciences，2018，8(12):2592.
[13] Abd-Elhamid M.Taha, Najah AbuAli. Route Planning Considerations for Autonomous Vehicles[J]. IEEE Communications Magazine, 2018, 56(10):78-84.
[14] 李可. 基于蚁群算法的航线自动设计[D]. 大连:大连海事大学, 2018.
[15] Sung-Min Lee, Myung-Il Roh, Ki-Su Kim,et al. Method for a simultaneous determination of the path and the speed for ship route[J]. Ocean Engineering.2018, 157:301-312.
[16] 宋彬. 结合粒子群算法和改进蚁群算法的机器人混合路径规划[D]. 徐州:中国矿业大学, 2018.
[17] 陈呈. 基于改进栅格法和人工势场法的无人艇路径规划研究[D]. 镇江:江苏科技大学, 2018.
[18] 张晓玲,王正存,吴作君. 基于改进蚁群算法的机器人路径规划[J]. 中国石油大学胜利学院学报, 2018, 32(2): 44-47.
[19] 蒲红红,黄海滨. 无人水面航行器全局路径规划方法研究[J]. 海洋科学, 2018, 42(1): 93-105.
[20] 廖煜雷,张铭钧,董早鹏,等. 无人艇运动控制方法的回顾与展望[J]. 中国造船, 2014, 55(4): 206-216.