0 引言
近 20 年以来,随着人们对广袤海洋的不断探索与开发,水下机器人技术发展迅猛,逐渐辅助或代
替人类开展水下极限作业任务
[1]
. 考虑到单个水下机器人能力有限,人们开始重视并着手研究多自主水下
机器人系统(multiple autonomous underwater vehicle,MAUV),通过多个水下机器人的协同配合,能够
有效提高整个系统的水下作业效率及作业能力. 从量的方面来说,MAUV 具有比单 AUV 更精确的导航与
定位精度、更好的容错性与鲁棒性,更高效的搜索与采样能力;从质的方面来说,MAUV 能完成单 AUV
不可能完成的任务,例如协同搬运、协同围捕任务等. 文[2-3]应用 MAUV 以分布式估计方法跟踪了一条
被标记声波发射器的鲨鱼,相比于单 AUV 的情况,MAUV 的使用提高了跟踪精度与抗扰性能. 在文[4]
中,研究者们在群体认知机器人项目(CoCoRo)和随后的基于长期机器人勘探的非常规环境生态位的海底
风貌展示(subCULTron)项目中开发了数种生物仿生水下机器人的原型,如人工睡莲、人工贻贝和人工
鱼,用于水文地质信息与海洋生物学的数据收集. 协作型异构 MAUV 常用于水下监测、搜索
[5]
和探索
[6]
.
此外,多域协作结合了水面无人船、水下机器人和无人机在监控
[7]
、导航
[8-9]
和跨域协作
[10-11]
方面的优
势,成为当前 MAUV 的发展趋势之一.
协作是 MAUV 的重要研究内容之一,其主要目的是通过合作来提高机器人系统的能力或降低系统成
本. 对于竞争的或对抗的非合作系统,在某种程度上可视为对两个合作系统性能的测试. 文[12]设计了一
种基于模糊强化学习的仿生机器鱼协作体系结构,并同反应式防御策略机制的机器鱼进行了 2 vs 2 的水
球竞赛. 文[13]给出了一种面向仿生机器鱼比赛的类似马球的游戏平台. 文[14]提出了一套国际水下机器人
竞赛(international underwater robot competition,IURC)的游戏规则,用于测试基于嵌入式视觉的仿生机
器鱼在对抗中的性能. 截至目前,尚未发现任何为内部竞争而设计的 MAUV. 换言之,两个或多个多机器
人系统之间竞争的目的是筛选出更有效的协作机制. 因此,本文不讨论非合作系统,仅关注协作型系统.
根据已有文献,研究人员很少讨论“协作”概念本身. 究其原因,通常认为协作是不言自明的,研究人
员只需关注多机器人系统(multirobot system,MRS)的具体技术细节. 但对于文献综述而言,归纳出协作
概念有助于更精确地界定协作的边界,从而根据各类协作的不同特性对多机器人系统进行分类. 协作分类
架构的提出将有助于明晰各类 MRS 协作的异同点,加深对 MRS 的理解和认识. 本文首先调研了研究人
员对协作的理解. 文[15]讨论了词典中对协作的定义,即“一起工作,共同行动”,并将协作分为主动协作和
被动协作. 在文[16]中,MRS 的协作按照有意识或无意识来划分,其中,有意识的协作又细分为强协调、
弱协调、无协调. 但这些讨论主要关注协作机制,本文则侧重于多机器人系统的协作功能,并对其进行形
式化表述,旨在为研究人员提供一个关于 MRS 分类的新视角. 相对于已有综述论文[15-20],本文更关注
MRS 协作产生的结果,无论协作形式是被动还是主动、强协作还是弱协作,都可以根据任务空间(task
space,TS)、运动空间(motion space,MTS)、量测空间(measurement space,MMS) 及其组合进行分
类,这些概念将在第 1 小节中详细阐述. 值得注意的是,鉴于 AUV 的运动学、动力学、推进方式及水下
通信等技术已有充分论述,本文不再赘述,感兴趣的读者可参考文[21-22].
1 MAUV 的分类
一般来讲,除了工作环境不同,MAUV 和其他环境中的 MRS 所面对的技术问题及其分类有相似性.
本文考察了 MRS 领域综述类文献的不同分类方法,其分类依据有应用领域
[17]
、算法类别
[19]
、智能水平
[16]
、动力学模型的阶次
[23]
及设计中的常见问题等
[18, 20]
. 文[18]探讨了 MRS 的属性、协调机制、资源冲
评论0
最新资源