A Review of the Path Planning and Formation Control for Multiple Autonomous Underwater Vehicles

* Authors: [[Behnaz Hadi]], [[Alireza Khosravi]], [[Pouria Sarhadi]]

初读印象

comment:: 本文综述了AUV编队控制的不同结构，并讨论了它们的优缺点。 除了编队控制， 研究中考虑了AUVs的合作路径规划以及合作结构的局限性。 此外，避免障碍物碰撞和防止群体成员之间的相遇是编队控制和协同路径规划中的关键问题。 一些领域仍有待研究，正如技术建议所暗示的那样，这将有助于未来的研究。 最后给出了AUV三角形编队路径规划的仿真实例。

文章骨架

%%简介%%
introduction:: 本文对水下机器人编队控制和多路径规划的研究现状进行了系统的综述。 介绍了AUV的各种编队控制体系结构。 分析了编队控制中存在的问题，包括控制技术、稳定性分析、AUV模型、性能限制、水下环境约束和避障等。 综述了多AUVs的路径规划方法，包括编队路径规划、协同路径规划、协同目标搜索与路径规划。 对人工势法、最优算法、进化算法和神经网络等多AUV路径规划方法进行了分类和分析。 此外，我们还讨论了这些方法所面临的挑战和未来研究的方向。

%%相关工作（国内外研究现状）%%
related works::

  • 多AUV的路径规划

人工势场法：
该方法将配置空间转换为势场。
APF的主要弱点是局部极小值。
路径是光滑的、连续。
最优控制方法：
该方法将多车辆路径规划问题视为一组约束条件下的数值优化问题，将多车辆路径规划分解为多个
单车辆路径规划过程，通过满足一组预定义的协作约束，最终实现多车辆的协作。
进化算法方法：
产生不同任务要求的最优路径。
基于神经网络的方法：

总结：
势场算法与优化方法具有一致性和完备性，即在搜索环境不变的情况下，算法的输出保持不变。
进化算法具有近似解、局部解和近最优解，并且具有典型的低收敛速度。基于人工神经网络的路径规划方法泛化能力差，处理速度慢。

%%主要实现过程%%
main work::

%%机构&作者%%
who::Behnaz Hadi—Babol (Noshirvani) University ofTechnology

%%未来展望%%
prospect::通过对不同文献的综述，发现编队控制中的不确定性和鲁棒性问题还没有得到充分的研究，这可以为今后的研究提供一些线索。AUV信息结构的故障或丢失问题可以为未来的研究提出容错控制的课题;水下路径规划中最重要的一点是洋流等环境影响,未知动态障碍,水下能见度不良、沟通的局限性,和低带宽。在水下领域，深度强化学习方法需要进一步探索，尤其是在多AUV领域。因此，将自适应控制和深度学习方法应用于水下约束条件下的多AUV路径规划是未来的研究方向。

参考文献

[1] Hadi B, Khosravi A, Sarhadi P. A review of the path planning and formation control for multiple autonomous underwater vehicles[J]. Journal of Intelligent & Robotic Systems, 2021, 101: 1-26.