高效的策略和自适应能力强的协同算法是多AUV协同围捕的核心。然而，环境的多变性、检测的误差和遗漏、算法的复杂性、控制器的执行效率和决策机制的时效性都会影响多AUV协同狩猎的效率和成功概率。鉴于此，本研究提出了一种包含可共享环境模型、动态策略、矢量化路径、智能目标的新型协同狩猎算法。

在复杂的环境中，为了提高多AUV协同工作的效率，我实验室提出了一种基于仿生神经波网络（BNWN）算法的新型协同狩猎算法。该算法整合了不完全导航图下多AUV对目标的搜索、跟踪和捕获。设计了一种带有记忆的禁忌搜索机制，以避免冗余搜索并提高全局搜索效率。

图1 复杂环境下的多AUV协同跟踪和捕捉目标

在该算法中嵌入了一种实时再分配方法，以确保在跟踪和捕获过程中的最佳匹配状态。此外，多AUV基于能耗模型和自学模型对猎物进行跟踪和捕获，并通过识别机制，在完全协同操作下重构时变导航图。仿真结果证明，多AUV的轨迹转弯次数减少，执行时间平均缩短了81%。如此，保持了多AUV系统与任务间的最佳匹配状态，克服了重复搜索和部分自锁问题，实现了对智能猎物的高效捕获。

图2 多AUV协同搜索、跟踪和捕获目标。

研究成果于2023年4月在Elsevier旗下期刊Ocean Engineering发表，题目为“Collaborative Planning Algorithm for Incomplete Navigation Graphs”。上海交通大学的博士生马习文为文章的第一作者，南方海洋科学与工程广东省实验室（珠海）南海海岸带变化与物质迁移团队核心成员杨劲松为文章的通讯作者。

该研究得到了国家自然科学基金项目、浙江省自然科学基金、上海交通大学深蓝计划、南方海洋科学与工程广东实验室（珠海）创新团队科研建设经费的资助。

原文链接：https://authors.elsevier.com/a/1h0Ec_hNWjHYm