文章目錄
本文持續更新中…
簡介
目前，實現多 AUV 系統編隊航行的控制方法主要包括基於領航者-跟隨者的方法、
基於虛擬結構的方法、基於人工勢場的方法、基於行爲的方法和基於路徑跟隨的方法等。
基於領航者-跟隨者（Leader-follower）的編隊控制方法
領航者-跟隨者的概念最早由 Cruz提出，並且由 Wang等將其成功應用於移動機器人的編隊控制中。作爲目前最爲常用的一種編隊控制方法，其基本思想是：所有編隊成員被指定爲領航者或跟隨者這兩種角色，領航者通過沿着預定或者臨時設定的路徑航行，掌控整個編隊的運動趨勢，跟隨者依據相對於領航者的距離及方位信息跟隨領航者實現編隊控制。
領航者-跟隨者方法的優點是編隊控制結構簡單，易於實現，編隊中只需要設定領航者的期望路徑或其他行爲，然後跟隨者以預定的位置偏移跟隨領航者即可實現編隊控制。鑑於這個原因，領航者-跟隨者方法在實際工程中被廣泛應用。該方法的缺點爲編隊系統過於依賴領航者。
基於虛擬結構（Virtual Structure）的編隊控制方法
虛擬結構法最早由 Tan提出，該方法將編隊的所有成員視作一個整體進行處理，其基本思想爲：首先確定虛擬結構的運動學和動力學特性，然後推導出虛擬結構上虛擬目標點的相應特性，最後通過設計適當控制律使機器人跟蹤對應虛擬目標點，實現編隊控制。
虛擬結構法的優點在於，通過將編隊隊形視作一個剛性結構，系統有明顯的隊形反饋，便於編隊行爲的確定和隊形的保持。其缺點也很明顯，由於編隊隊形需要一直保持同一個剛性結構，缺乏靈活性和適應性，尤其是在躲避障礙物過程中存在一定的侷限性。另外，不同的機器人在環境下會受到不同環境因素影響，嚴格的隊形約束會誘發頻繁控制指令，增加能耗，甚至出現執行器飽和現象。這些缺點導致虛擬結構法在多機器人編隊控制中的應用相對較少。
基於人工勢場（Artificial Potential Field）的編隊控制方法
人工勢場的概念由 Khatib 提出併成功應用於移動機器人避障控制中。所謂人工勢場法即爲研究對象的工作空間設定人工勢場，併爲研究對象設定人工勢函數，以此構造工作空間中機器人、目標點、以及障礙物等的勢場力，通過最小化個體勢場達到編隊控制的目的。
人工勢場法的優點在於其設計的算法能夠較好的解決避碰避障問題；缺點表現在當勢力場較多時容易導致機器人出現小範圍往復運動，增大能耗，另外合適勢函數的選取也比較困難。
優點：
-
實時性強；
這是人工勢能場法最大的優點，人工勢能場法僅僅需要計算下一時刻的智能
體的即可，不需要全局信息，因此其實時性強，在線計算能力強； -
突防突發威脅能力強；
針對突發威脅，當威脅所在的位置在智能體的可視範圍內，智能體將模擬出突發威脅對智能體本身的斥力，使之有能力避開此威脅障礙物。在突發威脅不在智能體的可視範圍內，則智能體忽略此障礙物威脅。對突發威脅的突防能力也可稱爲動態避障規劃能力。
-
局部處理能力強。
不論障礙物是否屬於突發威脅障礙物，人工勢能場法使用的都是局部信息，而非全局的信息，因此無需全局長時間的進行搜索和優化路徑。
缺點：
-
有“零勢能點”存在，將導致智能體停止運動；
例如當二維空間中僅僅存在三個點狀的障礙物時，此三個點狀障礙物恰好形成等邊三角形的三個頂點，並且智能體恰好位於此三角形的中心點上，此時智能體的合力爲零，其勢能也爲零，此時無法對智能體的運動狀態進行更新，此時智能體無法通過障礙物區域。因此，爲使智能體能通過障礙物區域，必須對智能體受到的合力做出改變，使之不爲零。
-
智能體出現“局部困擾”的問題；
當二維空間中障礙物以某種規律存在時，智能體會出現在障礙物中“徘徊”的情況，即爲智能體的“局部困擾”的問題。智能體無法通過此區域的原因是，當智能體離開障礙物時，又被目標吸引走向障礙物，而當智能體被吸引進入障礙物區域後，智能體又被障礙物對其的斥力所驅使而離開障礙物區域，以此進行死循環，並進入“徘徊”的狀態，形成局部困擾的問題。因此，爲使智能體不出現局部困擾的問題，必須對智能體受到的合力進行更改，使智能體繞過障礙物區域。
-
多智能體編隊運動時無法維持編隊隊形。
多個智能體形成編隊時，無法自動保持隊形，需將智能體本身之間的作用添
加到合力中，使之維持編隊隊形。
基於行爲（Behavior）的編隊控制方法
基於行爲的控制概念最早由 Brooks提出，爲多機器人協同採樣任務設計了基於行爲的控制體系結構。基於行爲的編隊控制基本思想即：將編隊控制任務分解成駛向路徑點、躲避障礙物、編隊保持等基本行爲，並通過行爲融合實現多機器人的編隊控制。
基於行爲法的基本思想是將多機器人編隊控制任務分爲簡單的基本行爲，如障礙避碰、駛向目標和保持隊形等，將這些基本行爲融合到一起，當傳感器接收到環境變換或刺激時，做出不同反應，輸出系統下一步的運動反應，實現運動控制。基本行爲融合的方式有三種，第一種是加權平均法。各基本行爲根據一定的權重加權平均得到輸出向量，權值的大小對應基本行爲的重要性；第二種是行爲抑制法，對各個基本行爲按一定的原則設定優先級，在同等條件下，優先級高的基本行爲作爲機器人的當前的行爲；第三種是模糊邏輯法，根據模糊規則綜合各基本行爲的輸出，以得到機器人的輸出。基於行爲法魯棒性高、實時性好及明確的隊形反饋，但行爲的融合複雜，很難設計指定隊形的局部基本行爲，難以保證編隊控制的穩定性。
基於行爲編隊控制方法的優點在於比較容易實現分佈式控制，系統應變能力較強，能夠較好的應對避碰避障問題，編隊也能通過成員相互之間的感知達到隊形反饋的目的。不足之處在於無法明確定義編隊系統的整體行爲，不利於系統的穩定性分析。
基於路徑跟隨（Path Following）的編隊控制方法
基於路徑跟隨的編隊控制方法也可稱之爲協調路徑跟隨控制，其基本思想是將編隊控制任務進行時空分解，得到空間上的路徑跟隨任務和時間上的協調同步任務，進而實現協調編隊控制，該方法通常會針對待同步信息指定一個領航者或者虛擬領航者作爲信息同步的參考標準。
基於路徑跟隨的編隊控制方法的主要優點：各機器人之間交換數據量很小，更適合通信受限的環境。另外，如果短時間內編隊通信鏈路出現故障導致個別 機器人失聯，該機器人仍可沿預設路徑航行，不至於處於混亂狀態，直至通信恢復正常或者採用其他補救措施。基於路徑跟隨的編隊控制方法具有重要的實際應用價值，也因此成爲近幾年比較熱門的研究內容之一。
基於信息一致性（Consensus）的編隊控制方法
多智能體系統的一致性問題即：系統中各智能體量化信息在適當控制律作用下趨於某種一致性。對於多機器人系統這些信息通常包含各成員的位置、姿態及速度等，可以通過各成員之間相互通信獲得，也可以通過感知獲得。
信息一致性方法通常假定智能體僅與其相鄰個體進行信息交互，因此基於信息一致性方法的優點在於能夠適用於大尺度的編隊控制，不足之處在於尋找合適的量化信息、拓撲結構以保證一致性算法在有限時間內收斂存在一定難度。
編隊控制算法指標
- 路徑長短：多機器人從起點到目標點行進的平均距離與起點和目標點
之間直線距離的比值。該值越小，性能越好；反之越差。 - 隊形維持：不同時刻運動過程中機器人在期望位置的比例。該值表示
在有障礙時保持隊形的性能。該值越小，說明隊形保持情況越好；反之越差。 - 運行時間：多機器人到達目標點及隊形形成所用的時間。
- 避障代價：多機器人與障礙物發生的碰撞次數。碰撞次數越少，避障
代價越小，避障算法越好；反之越差。