摘 要

自工业革命以来，人类社会不断进步，社会生产力不断发展，人类消耗的资源量在逐年上升。海洋作为占地球总面积近七成的资源宝库，是未来人类进行研究和开发的重点。AUV是目前人类进行海洋勘探、研究和作业的主要工具。对AUV进行技术研究有着重大意义。AUV的技术研究主要有AUV运动控制的研究和AUV航路规划的研究，其中AUV的航路规划包括环境建模和路径搜索两部分内容。本文主要针对AUV的航路规划进行研究，主要研究内容如下：

首先，使用栅格法对AUV的水下工作环境进行建模。在栅格法的建模过程中通常将AUV视为质点，忽视了AUV体积形状的影响，因此对障碍物进行膨胀处理，避免AUV在极限位置与障碍物发生碰撞

其次，采用改进的蚁群算法进行机器人的全局路径规划。基本蚁群算法具有收敛速度慢和易陷入局部最优的缺点，且本文航路规划的要求是航路的快速性、安全性和隐蔽性。针对上述缺点和要求，本文提出了一种改进的蚁群算法。改进的算法通过自适应调整信息素挥发系数，使得算法前期的全局搜索能力增强，并在中后期提高收敛速度；改进的算法还改进了距离启发因子并引入了角度启发因子和隐蔽性因子，距离启发因子使得算法对下一点的选择具有目的性而不再是贪婪式选择方法，提高了算法的收敛速度；角度启发因子和隐蔽性因子满足航路规划的隐蔽性和快速性的要求。改进的算法还对信息素更新规则进行改进，首先引入最优路径的信息素加倍更新，增强算法的收敛速度，其次设置信息素浓度的上下限，使得迭代中后期仍有可能选择算法很少经过的路径，提高了算法的全局搜索能力，避免其陷入局部最优。

最后, 本文将基本蚁群算法、最大最小蚂蚁系统(MMAS)和改进的蚁群算法在MATLAB中进行仿真并进行分析。仿真结果表明改进的蚁群算法具有良好的全局搜索能力和收敛速度，优于基本蚁群算法和MMAS。规划的路径满足了安全性隐蔽性快速性的要求。

关键词：智能型水下机器人；航路规划；改进蚁群算法；安全隐蔽性

Abstract

Since the industrial revolution, with the continuous progress of human society and the continuous development of social productivity, the amount of resources consumed by human beings has been increasing year by years. As a treasure house of resources that accounts for nearly 70% of the earth's total area, the ocean will be the focus of human research and development in the future. AUV is currently the main tool for human beings to carry out marine exploration, research and operation. So it’s of great significance to carry out technical research on AUV. The technical research of AUV mainly includes the research of AUV motion control and AUV route planning, which includes environmental modeling and route searching. In this paper, the route planning of AUV will be researched. And the main research contents are as follows:

Firstly, the underwater working environment of AUV is modeled by grid method. In the modeling process of grid method, AUV is usually regarded as a particle and the influence of AUV's volume and shape is ignored. Therefore, obstacles are expanded to prevent AUV from colliding with obstacles at the limit position.

Secondly, the improved ant colony algorithm is used for the global path planning of AUV. The basic ant colony algorithm has the disadvantages of slow convergence rate and prone to fall into local optimization, while the requirements of route planning in this paper are rapidity, safety and concealment. To solve the above shortcomings and requirements, this paper proposes an improved ant colony algorithm. The improved algorithm improves the global search ability in the early stage of the algorithm and improves the convergence rate in the middle and late stages by adaptively adjusting the pheromone volatilization coefficient. The improved algorithm also changes the distance heuristic factor and adds angle heuristic factor and concealment factor. The distance heuristic factor makes the selection of the next point of the algorithm purposeful instead of greedy selection method, thus improving the convergence rate of the algorithm. The angle heuristic factor and concealment factor meet the requirements of concealment and rapidity in route planning. The improved algorithm also improves the pheromone update rule. Firstly, the pheromone of the optimal path is updated twice to enhance the convergence speed of the algorithm. Secondly, the upper and lower limits of the pheromone concentration are set to make it possible to select the path that the algorithm seldom passes through in the middle and later stages of iteration, thus improving the global search ability of the algorithm and avoiding it falling into local optimization.

Finally, the basic ant colony algorithm, the maximum and minimum ant system (MMAS) and the improved ant colony algorithm are simulated and analyzed in MATLAB. The simulation results show that the improved ant colony algorithm has good global searching ability and convergence speed, which is better than the basic ant colony algorithm and MMAS. And the route planned by the improved ant colony algorithm meets the requirements of security, concealment and rapidity.

Key Words：AUV；Route Planning；Improved Ant Colony Algorithm；Safety and Concealment

目录

第1章 绪论 1

1.1 课题研究的背景和意义 1

1.2 国内外水下机器人研究现状 2

1.2.1 水下机器人介绍 2

1.2.2 智能型水下机器人(AUV)发展现状 3

1.3 水下机器人航路规划研究现状 4

1.4 本文主要工作 5

第2章 水下机器人航路规划方法 7

2.1 航路规划概述 7

2.2 环境建模方法 7

2.2.1 建模方法介绍 7

2.2.2 栅格法构建栅格地图 9

2.2.3 障碍物膨胀 11

2.2.4 邻接矩阵 11

2.3 路径搜索方法 12

2.4 本章小结 15

第3章 蚁群算法及其改进 16

3.1 基本蚁群算法 16

3.1.1 基本蚁群算法数学模型 16

3.1.2 蚁群算法参数分析 17

3.2 MMAS——最大最小蚂蚁系统 19

3.3 提出的改进蚁群算法 20

3.3.1 自适应调整信息素挥发系数 20

3.3.2 启发函数设计 20

3.3.3 信息素更新规则设计 23

3.4 本章小结 24

第4章 仿真实验和结果分析 25

4.1 环境建模 25

4.2 参数选取 25

4.3 仿真结果及分析 27

4.4 本章小结 30

4.5 经济环境分析 30

第5章 结论 32

参考文献 33

致 谢 35

第1章 绪论

1.1 课题研究的背景和意义

地球上海洋的面积约占全球全部面积的71%。随着人类长期对陆地资源进行开采，陆地资源会逐渐匮乏，很难满足发展的需求，而占比地球总面积近七成、拥有丰富资源的海洋成为人类的关注点。海洋储存着大量资源，如丰富的生物资源、矿物资源、能源以及水资源等。这些资源对人类的发展有着巨大的作用。海洋中丰富的生物资源，如海洋中鱼类、虾类、藻类、贝类是人类食物的重要组成部分；海洋中丰富的矿产资源，如海水中丰富的钾、镁、钠等离子，是现代化工业生产中重要的工业原料。海洋中丰富石油能源，以及丰富的潮汐能、风能等，是人类新能源开发的方向。海洋中丰富的水资源，结合人类不断发展的海水淡化技术，是人类解决庞大的淡水资源需求问题的一个重要方向。因此，海洋对于人类极为重要，对海洋环境的勘探与海洋资源进行开发十分必要。目前对海洋进行探知的主要方法是利用水下航行器（水下机器人）进行海洋探测。因为水下机器人具有体积小、安全性高、隐蔽性强、不易被发现的同时机动性良好的优点，可以隐蔽地进行海洋环境的探测采样作业，同时也可以隐蔽地进行军事上的定位跟踪作业。无论是经济上还是军事上，水下机器人都有着重要的作用。目前世界上很多国家，如美国、瑞典、英国等都在进行水下机器人的技术研究。

水下机器人技术研究的两个重要内容是水下机器人的运动控制和航路规划。水下机器人的运动控制是通过传感器获取机器人机体的外部环境信息，结合自身的受力状况，基于动力学模型，选择PID控制、模糊控制、滑模控制等合适的运动控制方法，实现对自身运动姿态和运行方式的控制。并通过改变水下机器人的速度、深度、运行角度等来实现稳定运行和自主避障的过程。由于水下机器人的运动控制直接关系到水下机器人能否正常工作、以及工作的效率问题（运动的平稳性、能耗控制等），因此研究水下机器人的运动控制有着重要意义。水下机器人的航路规划则是通过已知或未知的环境信息，结合遗传算法、人工势场法、蚁群算法等算法，寻找最优路径。水下机器人的运动控制关系到其工作效率问题，而路径规划则是在水下机器人正常工作的基础上，探究任务执行效率的问题，两者的重要性都不可忽视。本文研究的内容着眼于水下机器人的航路规划，期望通过合理的建模与算法，寻找最优路径从而改善水下机器人的工作效率。