周 帥 王 征 楊 洋 尹 洋
（海軍工程大學(xué)電氣工程學(xué)院 武漢 430033）
自主水下航行器（Autonomous Underwater Vehicle，AUV）是一種依靠自身攜帶能源自主航行，可根據(jù)搭載不同的載荷執(zhí)行多種任務(wù)的無(wú)人水下航行器（UUV）［1］。AUV 在軍事、民用領(lǐng)域運(yùn)用廣泛，能夠完成海洋探測(cè)、水下設(shè)施檢查、水雷對(duì)抗等多種任務(wù)，AUV 的研發(fā)已成為各國(guó)海洋技術(shù)研究的熱點(diǎn)［2］。遠(yuǎn)離母船或岸基平臺(tái)巡航作業(yè)的AUV也會(huì)因其導(dǎo)航、控制系統(tǒng)的測(cè)量計(jì)算能力而制約AUV 的實(shí)際效能，其中自主導(dǎo)航與智能控制已成為決定未來(lái)AUV 應(yīng)用的關(guān)鍵技術(shù)，本文討論的路徑規(guī)劃正是這兩個(gè)關(guān)鍵技術(shù)的重要內(nèi)容。作為體現(xiàn)AUV 與外部環(huán)境進(jìn)行交互的能力的重要部分，路徑規(guī)劃水平是衡量AUV 工作效能、保證航行安全的關(guān)鍵。
路徑規(guī)劃就是使AUV 在規(guī)定的任務(wù)區(qū)域內(nèi)，以一定的衡量依據(jù)（如避障、最小轉(zhuǎn)彎半徑等）尋找一條從起點(diǎn)到終點(diǎn)的安全無(wú)碰撞路徑［2］。按照AUV 對(duì)航行環(huán)境信息的掌握程度可將路徑規(guī)劃分為全局路徑規(guī)劃和局部路徑規(guī)劃［4］。前者根據(jù)已知的航行海圖和目標(biāo)點(diǎn)位置等信息，計(jì)算出到達(dá)目標(biāo)點(diǎn)并滿足一定最優(yōu)準(zhǔn)則的安全路徑；
后者則根據(jù)AUV 自身攜帶的慣導(dǎo)、全球定位系統(tǒng)等設(shè)備獲取當(dāng)前位姿信息，根據(jù)前視聲納、多普勒速度儀探測(cè)設(shè)備獲取實(shí)時(shí)的環(huán)境信息，規(guī)劃出一條避開障礙物由起點(diǎn)或某子目標(biāo)點(diǎn)到下一子目標(biāo)點(diǎn)的優(yōu)選路徑［2］。
路徑規(guī)劃一般有以下步驟：第一，建立從外部環(huán)境原始形式映射到便于規(guī)劃的內(nèi)部抽象模型，使之能夠有效地描述AUV 活動(dòng)空間。第二，設(shè)計(jì)規(guī)劃算法，在建立的環(huán)境模型中搜索出一條無(wú)碰路徑。
常見(jiàn)的環(huán)境表示方法有幾何建模法（可視圖法、維諾圖法、特征地圖法）、單元分解法（柵格法、八叉樹法），其中可視圖法、維諾圖法除具有環(huán)境表達(dá)能力外，本身也是一種基于圖的搜索算法，擁有獨(dú)立的路徑搜索規(guī)則。考慮到實(shí)際的AUV 往往在復(fù)雜的水下三維環(huán)境中航行作業(yè)，對(duì)上述建模方法重點(diǎn)討論其在三維環(huán)境空間建模的應(yīng)用。
3.1 幾何建模法
可視圖法在構(gòu)建環(huán)境模型時(shí)忽略AUV 的體積大小，視其為一個(gè)點(diǎn)，用不規(guī)則的多邊形抽象表示環(huán)境中的障礙物，再將多邊形各頂點(diǎn)與起點(diǎn)、目標(biāo)點(diǎn)兩兩之間相連接，去除的連線即得出可視圖［5］。一種改進(jìn)可視圖法將障礙物切線圖形化，一定程度上解決了規(guī)劃路徑冗余問(wèn)題［6］。對(duì)于規(guī)劃的路徑過(guò)于靠近障礙物易導(dǎo)致碰撞的問(wèn)題，Gal［7］提出了減少構(gòu)圖節(jié)點(diǎn)、添加螺旋算法的改進(jìn)可視圖法，加快了計(jì)算速度且能夠有效避免碰撞，但規(guī)劃路徑會(huì)有所增長(zhǎng)。Ji-Hong Li 等［8］根據(jù)可視圖幾何理論，利用常規(guī)幾何體實(shí)現(xiàn)了水下三維環(huán)境建模。
維諾圖是由一組由連接兩鄰點(diǎn)直線的垂直平分線組成的連續(xù)多邊形［9］。維諾圖法因其通用性被廣泛運(yùn)用于AUV 的水下環(huán)境建模。針對(duì)維諾圖法生成路徑平滑性不佳不利于跟蹤、距離障礙物較遠(yuǎn)導(dǎo)致路徑非最短等問(wèn)題，Candeloro［10］在維諾圖中引入了費(fèi)馬螺旋段，規(guī)劃出了由直線和螺旋段構(gòu)成的平滑路徑。
特征地圖則以線段、圓弧、多邊形等幾何元素抽象表示AUV 航行空間的環(huán)境特征，并以具體參數(shù)在全局坐標(biāo)系下表示環(huán)境中障礙物的具體位置。以該方法建立的模型信息緊湊，位置清晰，便于識(shí)別，但另一方面，它不易量化，難以處理不規(guī)則障礙。曲鏡圓［11］建立了多波束聲納數(shù)字模型作為AUV 感知系統(tǒng)，利用特征地圖完成了水下環(huán)境建模。
3.2 單元分解法
柵格法將AUV 的三維航行空間劃分為若干個(gè)大小一致的單位立方體，并根據(jù)各立方體所處狀態(tài)（或?yàn)樽杂煽臻g，或?yàn)檎系K空間）分別將其標(biāo)記為不同的值。其中單位立方體的大小直接影響模型的精度，單位立方體越小，環(huán)境模型精度就越高，但同時(shí)存儲(chǔ)的數(shù)據(jù)量將成倍增大，后續(xù)規(guī)劃算法耗時(shí)亦將增加。該方法雖簡(jiǎn)單便于實(shí)現(xiàn)，但前提是能夠獲得原始航行空間的環(huán)境信息。通過(guò)NOAA、GMRT、JAMSTEC、IHO Data Centre for Digital Bathymetry等［12］高精度的海洋數(shù)據(jù)庫(kù)，用戶可獲得研究所需的海底地形數(shù)據(jù)。對(duì)于未知環(huán)境，趙冬梅等［13］融合聲納仿真數(shù)據(jù)得到基于占有率的柵格地圖。邢煒等［14］采用局部占用柵格法，將柵格法建立在AUV 的隨體坐標(biāo)系下，將雙前視聲納實(shí)時(shí)檢測(cè)到的障礙物信息納入其中，實(shí)現(xiàn)了障礙物的精準(zhǔn)定位。
在柵格法基礎(chǔ)上提出的單元樹法將AUV 的三維航行空間劃為八個(gè)部分，稱為八叉樹。將這八個(gè)部分按照“自由空間”、“障礙空間”、“混合空間（既有自由空間又有障礙空間）”三種情況分類標(biāo)記。對(duì)于第三種“混合空間”，將其繼續(xù)劃為八個(gè)小部分，再將這八個(gè)小部分按照相同方式分類標(biāo)記，以此類推直至劃分部分小到預(yù)定精度。八叉樹法對(duì)障礙物邊緣的分解作用，減少了模型所需的存儲(chǔ)空間。八叉樹法緩解了柵格法模型精度與規(guī)劃效率之間的矛盾，但也存在計(jì)算單元之間鄰接關(guān)系時(shí)損失較大的缺點(diǎn)。2003 年，高濤［15］通過(guò)八叉樹法建模結(jié)合距離值傳播法實(shí)現(xiàn)了AUV 水下三維路徑規(guī)劃。
表1 AUV航行環(huán)境建模方法優(yōu)缺點(diǎn)對(duì)比
選擇相應(yīng)的規(guī)劃算法，在建立的環(huán)境模型中搜索出一條無(wú)碰路徑。通常包括傳統(tǒng)規(guī)劃算法、智能規(guī)劃算法以及基于機(jī)器學(xué)習(xí)的路徑規(guī)劃算法。
4.1 傳統(tǒng)規(guī)劃算法
20 世紀(jì)70 年代開始，伴隨著移動(dòng)機(jī)器人的興起，針對(duì)路徑規(guī)劃算法問(wèn)題的研究逐漸發(fā)展起來(lái)。常用的傳統(tǒng)規(guī)劃算法有人工勢(shì)場(chǎng)法、A*算法等。
人工勢(shì)場(chǎng)法在環(huán)境中抽象出一個(gè)虛擬力場(chǎng)，環(huán)境中目標(biāo)、障礙對(duì)AUV 分別產(chǎn)生的一定大小的引力和斥力，以其合力引導(dǎo)AUV 的運(yùn)動(dòng)。傳統(tǒng)人工勢(shì)場(chǎng)法存在易陷入局部最小值以及在障礙物距離目標(biāo)點(diǎn)較近時(shí)可能造成目標(biāo)不可達(dá)等問(wèn)題。Weerakoon等［16］通過(guò)在局部最小值點(diǎn)施加額外的斥力來(lái)幫助機(jī)器人擺脫。梁獻(xiàn)霞等［17］引入了虛擬障礙物，在虛擬障礙物和原有障礙物、目標(biāo)點(diǎn)產(chǎn)生的合力綜合作用下跳出局部極小值點(diǎn)。此外，段建民等［18］借助遺傳算法以及填平勢(shì)場(chǎng)也實(shí)現(xiàn)了跳出局部極小值的目的。S.S.Ge 等［19］提出了考慮目標(biāo)與AUV 距離的改進(jìn)斥力函數(shù)確保AUV 到達(dá)目標(biāo)點(diǎn)。對(duì)于更復(fù)雜的水下三維環(huán)境，郭凱紅等［20］綜合考量了障礙物形狀和目標(biāo)點(diǎn)距離，并根據(jù)速度矢量判斷障礙物在AUV 左舷還是右舷，從而合理選擇轉(zhuǎn)向，解決了傳統(tǒng)的二維平面避障固定轉(zhuǎn)向的缺陷。馬小軒等［21］提出了考慮避障半徑的優(yōu)化斥力場(chǎng)函數(shù)方法，結(jié)合設(shè)置子目標(biāo)點(diǎn)以及距離比較法分別避免陷入局部極小值和目標(biāo)不可達(dá)的缺陷，實(shí)現(xiàn)了多障礙物水下三維環(huán)境的路徑規(guī)劃。
A*算法通過(guò)不斷搜索靠近目標(biāo)點(diǎn)的路徑來(lái)獲得機(jī)器人的移動(dòng)路徑。該算法的評(píng)價(jià)函數(shù)包含了實(shí)際距離代價(jià)函數(shù)、估算距離代價(jià)函數(shù)，其中后者作為啟發(fā)函數(shù)直接決定了A*算法效率的高低。A*算法在柵格地圖中進(jìn)行，可犧牲搜索精度來(lái)保證搜索速度，進(jìn)而在較短時(shí)間內(nèi)找到最優(yōu)解。為了進(jìn)一步提高搜索速度，還可以選擇跳躍點(diǎn)搜索、雙向搜索、帶寬搜索等手段。傳統(tǒng)的A*算法規(guī)劃出的路徑折線多，且通過(guò)障礙物邊緣時(shí)的避碰可靠性差。為了解決規(guī)劃可行性問(wèn)題，于曉天等［22］結(jié)合A*算法與模糊控制算法，先通過(guò)A*算法在高層?xùn)鸥竦貓D中進(jìn)行全局規(guī)劃，再利用模糊控制算法在底層?xùn)鸥竦貓D中進(jìn)行局部規(guī)劃，最終得到一條平滑路徑。
4.2 智能規(guī)劃算法
傳統(tǒng)算法對(duì)環(huán)境空間變化適應(yīng)能力較差，采用復(fù)雜優(yōu)化方法則又大大降低了算法通用性。相比較下，智能優(yōu)化算法能更有效地解決大規(guī)模復(fù)雜優(yōu)化問(wèn)題。常見(jiàn)的智能算法有蟻群算法、粒子群算法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等。
蟻群算法（Ant Clony Algorithm，ACA）因模擬了螞蟻覓食尋徑活動(dòng)而得名，該算法根據(jù)螞蟻行進(jìn)時(shí)選擇信息素濃度高的路徑并釋放的信息素的正反饋的作用找出最優(yōu)路徑［23］。傳統(tǒng)蟻群算法易陷入局部最優(yōu)、收斂慢甚至停滯。王宏健等［24］建立了蟻群可視圖模型，闡明了信息素更新規(guī)則及算法步驟，驗(yàn)證了蟻群算法對(duì)解決AUV 全局路徑規(guī)劃問(wèn)題的有效性。溫志文等［25］借鑒了非劣最優(yōu)解集的思想，考慮了路徑長(zhǎng)度、平滑度、規(guī)劃時(shí)間、安全性等多個(gè)評(píng)價(jià)指標(biāo)的優(yōu)化組合，同時(shí)采用了趨向位置目標(biāo)的吸引策略，提高了算法全局尋優(yōu)能力。俞佳慧等［26］將蟻群算法同貝葉斯網(wǎng)絡(luò)相結(jié)合，改進(jìn)了轉(zhuǎn)移概率公式及信息素濃度更新策略，提高了算法性能及其收斂性。梁凱等［27］提出了一種基于預(yù)測(cè)控制理論的方法，他在路徑規(guī)劃過(guò)程中加入了滾動(dòng)窗口，仿真結(jié)果表明改進(jìn)后的算法使機(jī)器人具備良好的動(dòng)態(tài)避障能力。劉雨青等［28］基于Dijkstra算法改進(jìn)了信息素初始化方式，構(gòu)造了新的啟發(fā)函數(shù)來(lái)消除水流導(dǎo)致不同路徑點(diǎn)能耗不同的影響，同時(shí)利用貝塞爾曲線改善路徑平滑性，提高了算法性能，適用于AUV 的路徑規(guī)劃。朱佳瑩等［29］在改進(jìn)蟻群算法的基礎(chǔ)上引入粒子群算法路徑預(yù)搜索優(yōu)化初始信息素分布，提高了收斂速度和全局搜索能力。
粒子群算法（Particle Swarm Optimization，PSO）源于對(duì)鳥群捕食行為的研究，它的基本核心是利用個(gè)體的信息共享使得整個(gè)群體的運(yùn)動(dòng)在問(wèn)題求解空間中產(chǎn)生從無(wú)序到有序的演化過(guò)程，進(jìn)而獲得問(wèn)題的最優(yōu)解［30］。傳統(tǒng)的粒子群算法難以避免收斂精度較低、搜索停滯等問(wèn)題。嚴(yán)浙平等［31］提出了一種競(jìng)爭(zhēng)粒子群算法，算法中每個(gè)粒子都向著側(cè)重于全局搜索和局部搜索的兩個(gè)速度方向進(jìn)化，在得到的兩個(gè)子粒子中保留較優(yōu)的子粒子，最終得到下一代粒子種群，將該算法應(yīng)用于AUV 路徑規(guī)劃中得到了較優(yōu)路徑。賈慧群等［32］通過(guò)自適應(yīng)地調(diào)整慣性權(quán)重因子和加速因子，同時(shí)引入雞群算法中的更新方程擾動(dòng)搜索停滯的粒子，使之向全局最優(yōu)解靠近。改進(jìn)后的算法在搜索精度及魯棒性上均有較大提升。
遺傳算法（Genetic Algorithm，GA）衍生于染色體選擇交叉、基因變異的生物進(jìn)化機(jī)制，它將路徑編碼為染色體，再根據(jù)適應(yīng)度值保留優(yōu)秀個(gè)體進(jìn)行迭代，最終得到趨于全局最優(yōu)路徑［33］。傳統(tǒng)遺傳算法局部搜索能力差、運(yùn)算效率低。王豪等［34］將路徑長(zhǎng)度和拐點(diǎn)數(shù)量納入適應(yīng)度評(píng)估，設(shè)計(jì)了自適應(yīng)的交叉算子和變異算子，仿真結(jié)果表明改進(jìn)后的算法迭代次數(shù)和拐點(diǎn)數(shù)更少。文獻(xiàn)［35］在遺傳算法中引入避障模型提高了AUV 動(dòng)態(tài)避障能力，縮短了規(guī)劃時(shí)間和路徑長(zhǎng)度。馮豪博等［36］提出了一種基于精英族系的遺傳算法，該算法將迭代產(chǎn)生的精英個(gè)體標(biāo)記為多路徑規(guī)劃結(jié)果，實(shí)現(xiàn)了AUV 集群最優(yōu)多路徑規(guī)劃。文獻(xiàn)［37］將海流對(duì)AUV 航行耗能的影響考慮到適應(yīng)度函數(shù)中，提出了一種遺傳算法與粒子群算法相結(jié)合的全局路徑規(guī)劃算法，降低了AUV 在大范圍海域航行能耗。潘昕等［38］提出了一種遺傳蟻群混合算法，通過(guò)遺傳算法生成初始全局可行解彌補(bǔ)了蟻群算法初期信息素匱乏導(dǎo)致求解效率低的缺陷。俞炅?xí)F等［39］設(shè)計(jì)了利用遺傳算法優(yōu)化隸屬度函數(shù)的模糊控制器，實(shí)現(xiàn)了AUV 在未知水下環(huán)境的局部路徑規(guī)劃。
神經(jīng)網(wǎng)絡(luò)能夠并行處理、分布式儲(chǔ)存大量數(shù)據(jù)信息，能夠在問(wèn)題內(nèi)部規(guī)律未知情況下實(shí)現(xiàn)網(wǎng)絡(luò)從輸入狀態(tài)空間到輸出狀態(tài)空間的映射。神經(jīng)網(wǎng)絡(luò)中神經(jīng)元與環(huán)境模型中位置單元一一對(duì)應(yīng)，環(huán)境中障礙物信息作為輸入，通過(guò)神經(jīng)元之間連接和計(jì)算最終得出一條較優(yōu)路徑。劉成良等［40］提出了一種結(jié)合碰撞函數(shù)的神經(jīng)網(wǎng)絡(luò)算法，并通過(guò)仿真實(shí)現(xiàn)了機(jī)器人無(wú)碰撞路徑規(guī)劃。朱大奇等［41］建立了三維生物啟發(fā)神經(jīng)網(wǎng)絡(luò)模擬水下三維環(huán)境，并根據(jù)神經(jīng)元活性輸出值分布情況得出了較優(yōu)路徑，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)模型在AUV 三維路徑規(guī)劃的可行性。郝啟潤(rùn)等［42］提出了一種結(jié)合A*算法與離散生物啟發(fā)神經(jīng)網(wǎng)絡(luò)的算法，實(shí)現(xiàn)了AUV 在未知環(huán)境的實(shí)時(shí)路徑規(guī)劃。
除上述智能規(guī)劃算法外，還有學(xué)者研究了入侵野草優(yōu)化［43］、螢火蟲算法［44］、狼群算法［45］等智能算法在AUV路徑規(guī)劃中的應(yīng)用。
4.3 基于機(jī)器學(xué)習(xí)的路徑規(guī)劃算法
強(qiáng)化學(xué)習(xí)是智能體通過(guò)與環(huán)境的交互學(xué)習(xí)策略并迭代使累計(jì)獎(jiǎng)勵(lì)值達(dá)到最大的方法，該方法無(wú)需先驗(yàn)知識(shí)，適合解決AUV 在水下環(huán)境的路徑規(guī)劃問(wèn)題［46］。劉和祥等［47］基于前視聲納信息采用Q-learning 算法在半實(shí)物仿真中實(shí)現(xiàn)了AUV 的局部路徑規(guī)劃。針對(duì)動(dòng)作空間、樣本空間維數(shù)增大導(dǎo)致算法收斂性變差等問(wèn)題，冉祥瑞［48］提出了半馬爾可夫決策過(guò)程，通過(guò)任務(wù)分層緩解了強(qiáng)化學(xué)習(xí)的“維度災(zāi)難”，提高了AUV 在水下環(huán)境的自適應(yīng)能力。
深度強(qiáng)化學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)擬合了Q 值表解決了狀態(tài)-動(dòng)作空間過(guò)大的問(wèn)題，兼具了深度學(xué)習(xí)的感知能力與強(qiáng)化學(xué)習(xí)決策能力，更加適用于AUV 大范圍水下三維環(huán)境的路徑規(guī)劃［49］。Yukiyasu 等［50］利用深度強(qiáng)化學(xué)習(xí)方法實(shí)現(xiàn)了AUV 在各種海底環(huán)境在線學(xué)習(xí)的路徑規(guī)劃。Prashant等［51］通過(guò)神經(jīng)網(wǎng)絡(luò)處理空間連續(xù)問(wèn)題，提高了算法學(xué)習(xí)速度。卜祥津等［52］采用Asynchronous Advantage Actor-Critic算法訓(xùn)練機(jī)器人路徑規(guī)劃，根據(jù)機(jī)器人避障需求切換狀態(tài)，優(yōu)化了狀態(tài)空間，提高了學(xué)習(xí)效率。張士偉等［53］提出了Actor-Multi-Critic 算法，多個(gè)評(píng)論家根據(jù)不同標(biāo)準(zhǔn)對(duì)AUV 動(dòng)作進(jìn)行評(píng)分，克服單一評(píng)論家評(píng)價(jià)耦合的問(wèn)題，仿真結(jié)果表明該算法可滿足AUV 動(dòng)態(tài)路徑規(guī)劃實(shí)時(shí)性和可靠性的要求。
表2 各類規(guī)劃算法的特性分析
本文立足于無(wú)人水下航行器路徑規(guī)劃技術(shù)發(fā)展現(xiàn)狀，以環(huán)境模型建立和規(guī)劃算法為重點(diǎn)，概述了各類建模方法、規(guī)劃算法原理及應(yīng)用，對(duì)比分析了它們各自的適用范圍及優(yōu)缺點(diǎn)并針對(duì)其弱點(diǎn)提出了改進(jìn)方向。研究發(fā)現(xiàn)，柵格法因其建模過(guò)程簡(jiǎn)單、便于執(zhí)行計(jì)算而應(yīng)用最廣，但目前仍難以平衡柵格分辨率與計(jì)算效率。基于群智能的規(guī)劃算法在大規(guī)模優(yōu)化問(wèn)題以及復(fù)雜環(huán)境適應(yīng)問(wèn)題上優(yōu)于傳統(tǒng)規(guī)劃算法，能夠較好地實(shí)現(xiàn)全局或局部路徑規(guī)劃，但也存在動(dòng)態(tài)規(guī)劃能力不足、求解精度與收斂速度難以兼顧等問(wèn)題。深度強(qiáng)化學(xué)習(xí)不依賴環(huán)境模型和具體的求解規(guī)則，具備在線學(xué)習(xí)、自主學(xué)習(xí)的能力。近年來(lái)提出的近端策略優(yōu)化算法［54］（Proximal Policy Optimization，PPO）可處理高維狀態(tài)空間和實(shí)現(xiàn)連續(xù)動(dòng)作控制，在解決復(fù)雜水下三維環(huán)境的局部路徑規(guī)劃問(wèn)題上具有較大的潛力。還有學(xué)者提出將深度強(qiáng)化學(xué)習(xí)與群智能算法相結(jié)合，在保證較強(qiáng)動(dòng)態(tài)規(guī)劃能力的基礎(chǔ)上提升全局規(guī)劃能力，也成為新的研究方向。
當(dāng)前，AUV 在軍民領(lǐng)域執(zhí)行的任務(wù)呈現(xiàn)多樣化、復(fù)雜化的特點(diǎn)。根據(jù)不同任務(wù)場(chǎng)景需求，例如在廣闊海域覆蓋搜索、圍捕目標(biāo)，在近海底空間考慮地形海流、躲避水下監(jiān)聽(tīng)威脅等，有針對(duì)性地建立充分表達(dá)環(huán)境的模型，設(shè)計(jì)適合解決該問(wèn)題的路徑規(guī)劃算法逐漸成為研究的重點(diǎn)。為了彌補(bǔ)單一AUV 無(wú)法勝任復(fù)雜任務(wù)的缺陷，實(shí)際任務(wù)通常由異構(gòu)的AUV 集群協(xié)同執(zhí)行，利用深度強(qiáng)化學(xué)習(xí)協(xié)同規(guī)劃AUV 集群的無(wú)沖突作業(yè)路徑也成為當(dāng)下研究的熱點(diǎn)。隨著深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的發(fā)展以及合成孔徑聲納等設(shè)備的開發(fā)應(yīng)用，AUV 在復(fù)雜任務(wù)場(chǎng)景下的路徑規(guī)劃問(wèn)題有望得到徹底解決。
猜你喜歡 柵格障礙物航行 基于鄰域柵格篩選的點(diǎn)云邊緣點(diǎn)提取方法*科技創(chuàng)新與應(yīng)用(2021年31期)2021-11-09到慧骃國(guó)的航行瘋狂英語(yǔ)·新讀寫(2021年6期)2021-08-05高低翻越動(dòng)漫界·幼教365(中班)(2020年3期)2020-04-20SelTrac?CBTC系統(tǒng)中非通信障礙物的設(shè)計(jì)和處理鐵道通信信號(hào)(2020年9期)2020-02-06小舟在河上航行中學(xué)生英語(yǔ)(2017年6期)2017-07-31航行青年歌聲(2017年6期)2017-03-13不同剖面形狀的柵格壁對(duì)柵格翼氣動(dòng)特性的影響彈箭與制導(dǎo)學(xué)報(bào)(2015年1期)2015-03-11基于CVT排布的非周期柵格密度加權(quán)陣設(shè)計(jì)雷達(dá)學(xué)報(bào)(2014年4期)2014-04-23土釘墻在近障礙物的地下車行通道工程中的應(yīng)用城市道橋與防洪(2014年5期)2014-02-27動(dòng)態(tài)柵格劃分的光線追蹤場(chǎng)景繪制哈爾濱工程大學(xué)學(xué)報(bào)(2013年5期)2013-06-05