AUV通信：协调行为，保持自主性

多自主水下航行器（multiple autonomous underwater vehicle，MAUV）操作具有增强任务鲁棒性和更大的时间与空间适应能力。车辆之间的合作可以增加这些好处，但需要车辆之间的通信。把这种通信看作一个网络问题是很有帮助的。通过允许不能直接通信的车辆之间的通信，网络增加了通信的灵活性。

在水下环境中创建具有移动车辆和距离相关的声学链路的网络是一个具有挑战性的问题。当添加额外的平台和通信类型，例如具有声学和无线电通信的网关浮标时，问题就变得更加复杂。该问题由路由协议软件处理，通过计算确定数据应该如何通过网络转发到特定的目的地。

MAUV操作中的AUV之间的交互可以分为三大类：相互独立（没有交互）、仅协调（最小交互）和全面合作，每一类都有自己的优缺点。相互独立只是一种同步操作。AUV之间的通信不是必须的，每个AUV的行为是单独的，通过协调，AUV之间可相互了解，但是它们的通信是有限的。交互通常限于预防冲突，例如避免冲突和尽量减少干扰。全面合作需要最多的沟通，可以提供最大的利益；在这个级别上，AUV之间不仅可以避免冲突，而且可以相互协助实现任务目标。

AUV之间的通信有两种基本形式：隐式和显式。隐式通信是通过观察进行的，并且在可以提供的数据的类型和数量上必然是有限的，却是低成本的一种交互方式，在防撞系统中可以较为有效地应用。显式通信是AUV间主动传递消息。消息可以提供更多种类的信息，并且对于某些任务是必不可少的，例如AUV间的传感器融合。

任何AUV任务，包括单AUV操作，都可能需要某种形式的明确通信。操作员可能需要监督任务或监视AUV状况。导航系统可能需要单向或双向通信来执行定位。多AUV操作提高了对通信系统的需求，需要更灵活的通信方式。这可以通过将多个AUV连接成一个网络来实现集群控制，而AUV之间不能直接交换数据，只能通过网络来实现数据交互。

能够通信的每个AUV或平台称为节点。有些节点是固定的（如锚固浮标），其他节点是移动的。节点通过各种技术连接：电缆／缆绳、无线电、声学、光学等。从节点到特定介质的连接称为接口。到相同介质的不同接口不一定能够彼此通信，它们可能超出范围。

Andrea Caiti等人解决了一个自主水下机器人团队的区域覆盖问题［135］。所处理的区域地图不是预先已知的，而是AUV本身在沿区域移动时自适应地在线估计。所提出的方法是分布式的，即AUV中的个体之间交换信息，基于可用的信息自主地决定下一步的移动。该算法在通信范围和带宽方面明确地考虑了AUV之间的通信约束，并且取决于覆盖区域中的空间位置。随后，Caiti等人又研究了自主水下航行器团队的协同定位算法［136］。由于定位算法仅使用声学数据来减小误差和不确定性，因此定位算法对底层声通信网络有很强的依赖性。该定位算法基于使用扩展卡尔曼滤波器来维持整个群组的模型，同时根据可用的具体测量来调整测量方程。仿真结果表明了该算法在信息融合中的有效性。

Chappell提出了一种两AUV之间的通信方法［137］。多个合作水下机器人的基本概念意味着这些系统必须能够在某些有意义的方式与对方沟通。在水下实验中，两辆AUV系统能够通过声学调制解调器共同完成一项简单的任务。在这个项目中使用的水下机器人是由海洋系统工程实验室（Marine System Engineering Laboratory，MSEL）开发的两个EAVE III系统。数据采集公司提供的一对声学遥测调制解调器（acoustic telemetry modem，ATM）提供了通信信道，实验结果表明：

①一个转发器网络范围内的两个水下机器人能够同步导航；(www.xing528.com)

②两辆AUV之间可以实现声数据交换（双向）；

③声学传输参数在运行时可以修改（BPS速率、数据包的大小）；

④一辆AUV可以通过声信号传输，命令另外一辆AUV改变任务。

地面和空中机器人技术发展相对更加成熟，开发了集中控制和分散控制的方法。通常集中使用诸如领导—跟随者、人工势场和虚拟结构之类的策略来实现和维持舰队作为一个整体的特定形状。然而，这些方法都没有考虑通信介质的性质。泛化能力和稳定性都较差，考虑到这些问题，每个AUV的自主度是一个关键的参数。实际上，增加AUV的自主性意味着需要更少的通信，同时不依赖于其他的特性。多代理系统（multi-agent systems，MAS）由相互交互以实现其目标的自治实体组成，从而产生全局行为。在多AUV的范围内，保持AUV的自主性必须做到尽可能少地与其他AUV通信。这对于水下协调至关重要，因为通信可靠性不是一个有效的假设。自主实体之间的协调在MAS研究领域得到了广泛的研究，使用MAS的另一个目标是处理AUV的异构性。事实上，一个实验任务通常涉及几个研究小组或工程小组，每个团队都根据各自的通信功能和能力开发特定的机器人，看上去很强大，但是这种异构性在实践中带来了不兼容性和复杂性问题。

MAS的软件体系结构已经被开发用于在多AUV中进行任务管理和执行。通常，这些适用于单AUV或AUV协作的应用，其中采用了在线分布式任务规划和任务分配机制的方法。目前，使用的是经典的多智能体方法。在DEMIR-FC架构中［138］，基于合同网协议的投标系统允许选择任务执行者，集成了分布式任务分配方案、协作机制和多机器人团队执行预防。该框架中将分布式协调框架DEMR-CF应用于海军ALWSE-MC模拟器上的海军地雷对抗任务，确保了针对几种不同类型的故障的稳健执行和有效完成任务。分层任务网络（hierarchical task network，HTN）任务表示与黑板系统相关联，以在团队之间共享任务。多AUV系统也可能需要考虑无法通信的情况。诸如AUV动作预测或交会点同步之类的策略也可以使用MAS方法来解决。Nicolas Carlesi等人提出了一种通用的基于多Agent的分层体系结构，用于在高抽象级别上设计和指定AUV团队，而不考虑AUV的特性和技能。

Nikolaos Tsiogkas等人着眼于水下考古勘探，考察任务是需要由不同种类的AUV组成的小组在特定区域搜寻考古文物，检查并分类。首先，具有绘图和搜索能力的AUV（search-AUV，SAUV）绘制该区域的地图，并找到需要检查的特定兴趣点［139］。其次，另一种具有检测能力的AUV（inspection-AUV，IAUV）移动到这些兴趣点并检查目标。第三，将这些目标归类为考古文物。要使用多机器人团队成功地完成任务，需要采用结构化的方法来协调执行。任务被分解成较小的任务，能够由单个机器人执行；然后机器人需要分配和执行这些任务；当成功执行所有定义的任务时，任务被认为是成功的。为了对任务做出决定，机器人必须具有一定水平的常识和与其他机器人交流的方式，以便协调运动和行动。关于任务分配问题，通常假设机器人团队成员之间的通信是无错误的。由于高延迟、高错误率和低带宽，现实世界的水下通信可能受到阻碍。这意味着，由于不完全的通信，AUV之间的信息共享和任务分配可能是一个非常具有挑战性和要求很高的问题。

为了克服通信挑战，采用分布式世界模型［140］实现处理机器人团队成员之间的所有信息共享需求。为了提高机器人的规划能力，可以使用基于本体的世界模型。分布式世界模型可以用于多机器人团队的协调，因为任务分配可以看作在机器人之间必须共享的额外信息。Nikolaos Tsiogkas采用了一种高效的集中式任务分配方法，并与贪婪的集中式任务分配方法进行了比较。在集中式任务分配中，一个机器人充当团队的领导者并为其他机器人作出决定。在贪婪任务分配方案中，基于贪婪最近邻方法分配任务。Nikolaos Tsiogkas等人提出的方法包括利用k-均值聚类和最小化行驶距离算法。实验仿真结果表明，该算法平均性能优于贪婪算法，不需要额外的时间开销。