基于聚类优化算法的多无人艇协同任务规划

doi:10.12305/j.issn.1001-506X.2025.11.19

系统工程与电子技术 ›› 2025, Vol. 47 ›› Issue (11): 3708-3720.doi: 10.12305/j.issn.1001-506X.2025.11.19

• 系统工程 • 上一篇

基于聚类优化算法的多无人艇协同任务规划

余文瞾¹^,²^,³^,⁴, 乔靖超¹^,², 杜哲¹^,²^,*(), 邢著楷⁵, 万芯源²

1. 武汉理工大学高性能船舶技术教育部重点实验室，湖北武汉 430062
2. 武汉理工大学船海与能源动力工程学院，湖北武汉 430062
3. 新加坡国立大学工业系统工程与管理系下一代港口建模与仿真卓越中心，新加坡市 119077
4. 武汉理工大学三亚科教创新园，海南三亚 572000
5. 大连理工大学船舶工程学院，辽宁大连 116024

收稿日期:2025-04-30 出版日期:2025-11-25 发布日期:2025-12-08
通讯作者: 杜哲 E-mail:duzhe@whut.edu.cn
作者简介:余文瞾（1989—），男，副研究员，博士，主要研究方向为海洋多智能体航行与协同控制、无人系统智能容错控制、智能船舶航行运动控制、船舶动力定位控制系统
乔靖超（2001—），男，硕士研究生，主要研究方向为无人系统协同决策与路径规划
邢著楷（2002—），男，硕士研究生，主要研究方向为无人系统路径规划与航迹预测
万芯源（2001—），男，主要研究方向为无人系统路径规划
基金资助:
国家自然科学基金（52201373）；中国国家留学基金青年骨干教师出国研修项目（202306950131）；国家大学生创新创业训练计划(S202310497067)；中央高校基本科研业务费专项资金（WUT: 2024IVA018）资助课题

Multi-USV cooperative task planning based on clustering optimization algorithm

Wenzhao YU¹^,²^,³^,⁴, Jingchao QIAO¹^,², Zhe DU¹^,²^,*(), Zhukai XING⁵, Xinyuan WAN²

1. Key Laboratory of High Performance Ship Technology of Ministry of Education，Wuhan University of Technology，Wuhan 430062，China
2. School of Naval Architecture，Ocean and Energy Power Engineering，Wuhan University of Technology，Wuhan 430062，China
3. Centre of Excellence in Modelling and Simulation for Next Generation Ports，Department of Industrial Systems Engineering and Management，National University of Singapore，Singapore City 119077，Singapore
4. Sanya Science and Education Innovation Park，Wuhan University of Technology，Sanya 572000，China
5. School of Ship Engineering，Dalian University of Technology，Dalian 116024，China

Received:2025-04-30 Online:2025-11-25 Published:2025-12-08
Contact: Zhe DU E-mail:duzhe@whut.edu.cn

摘要/Abstract

摘要：

针对多无人艇（unmanned surface vessel, USV）集群协同任务分配及安全路径规划问题，面向USV设计运动转艏约束条件与评价指标，提出基于密度的噪声应用空间聚类（density-based spatial clustering of applications with noise, DBSCAN）的改进分工蚁群任务分配算法。路径规划方面，先应用改进人工势场（artificial potential field, APF）法，后考虑USV操纵约束，通过三次Hermite曲线与USV操纵模型约束其航速与切向量。仿真实验表明，在搜索角约束下，3艘USV能够比较有效地减少转向，预设路径无交叉碰撞；三次Hermite曲线优化后的路径能够避开障碍物，且使USV艏向角变化趋于平缓，满足其运动约束。因此，所提方法能够给出更符合USV操纵特性的分配与规划方案。

关键词: 多无人艇任务分配, 路径规划, 基于密度的噪声应用空间聚类, 蚁群优化算法, 三次Hermite曲线

Abstract:

Aiming at the problem of collaborative task allocation and safe path planning for unmanned surface vessel (USV) cluster, an improved ant colony task allocation algorithm based on density-based spatial clustering of applications with noise (DBSCAN) is proposed to design motion turning constraints and evaluation indicators for USVs. In terms of path planning, the improved artificial potential field (APF) method is applied firstly, followed by consideration of USV manipulation constraints. The ship speed and tangent vector are constrained through a cubic Hermite curve and USV manipulation model. Simulation experiments show that in the constraint of search angle, three USVs can effectively reduce turning and have no cross collision on the preset path. The path optimized by the cubic Hermite curve can avoid obstacles and make the USV bow angle change tend to be gentle, satisfying its motion constraints. Therefore, the proposed method can provide allocation and planning schemes that are more in line with the maneuverability of USVs.

Key words: multi-unmanned surface vessel （USV） task allocation, path planning, density-based spatial clustering of applications with noise (DBSCAN), ant colony optimization （ACO） algorithm, cubic Hermite curve

中图分类号:

U 664.82

余文瞾, 乔靖超, 杜哲, 邢著楷, 万芯源. 基于聚类优化算法的多无人艇协同任务规划[J]. 系统工程与电子技术, 2025, 47(11): 3708-3720.

Wenzhao YU, Jingchao QIAO, Zhe DU, Zhukai XING, Xinyuan WAN. Multi-USV cooperative task planning based on clustering optimization algorithm[J]. Systems Engineering and Electronics, 2025, 47(11): 3708-3720.

图/表 23

图1

图2

图3

图4

表1

表2

表3

表4

图5

图6

图7

图8

图9

图10

表5

表6

图11

图12

图13

图14

图15

图16

表7

参考文献 30

1	孔维玮, 冯伟强, 诸葛文章, 等. 美军大中型水面无人艇发展现状及启示[J]. 指挥控制与仿真, 2022, 44 (5): 14- 18.
	KONG W W, FENG W Q, ZHUGE W Z, et al. Development and enlightenment of large and medium-sized unmanned surface vehicles of the US navy[J]. Command Control and Simulation, 2022, 44 (5): 14- 18.
2	齐小刚, 李博, 范英盛, 等. 多约束下多无人机的任务规划研究综述[J]. 智能系统学报, 2020, 15 (2): 204- 217.
	QI X G, LI B, FAN Y S, et al. A survey of mission planning on UAVs systems based on multiple constraints[J]. CAAI Transactions on Intelligent Systems, 2020, 15 (2): 204- 217.
3	毕文豪, 张梦琦, 高飞, 等. 无人机集群任务分配技术研究综述[J]. 系统工程与电子技术, 2024, 46 (3): 922- 934.
	BI W H, ZHANG M Q, GAO F, et al. Review on UAV swarm task allocation technology[J]. Systems Engineering and Electronics, 2024, 46 (3): 922- 934.
4	ZHUANG J Y, LONG L Y, ZHANG L, et al. Research on task allocation for multi-type task of unmanned surface vehicles[J]. Ocean Engineering, 2024, 308, 118321. doi: 10.1016/j.oceaneng.2024.118321
5	BI W H, ZHANG M Q, CHEN H, et al. Cooperative task allocation method for air-sea heterogeneous unmanned system with an application to ocean environment information monitoring[J]. Ocean Engineering, 2024, 309, 118496. doi: 10.1016/j.oceaneng.2024.118496
6	ZHANG Y N, TIAN X, LI Y N, et al. Ant colony algorithm based unmanned surface vehicles task allocation design and implementation[C]//Proc.of the IEEE 4th International Conference on Computer Engineering and Intelligent Control, 2023: 274−277.
7	YI N, XU J J, YAN L M, et al. Task optimization and scheduling of distributed cyber-physical system based on improved ant colony algorithm[J]. Future Generation Computer Systems, 2020, 109 (1): 134- 148.
8	LIU Y, WU X, GUO Y K, et al. The multiple unmanned surface vehicles cooperative defense based on PM-PSO and GA-PSO in the sophisticated sea environment[C]//Proc. of the International Conference on New Trends in Intelligent Software Methodologies, Tools and Techniques, 2018: 801−809.
9	ZHANG J, REN J, CUI Y N, et al. Multi-USV task planning method based on improved deep reinforcement learning[J]. IEEE Internet of Things Journal, 2024, 11 (10): 18549- 18567. doi: 10.1109/JIOT.2024.3363044
10	TANG Y N, DOU L Q, ZHANG X Y, et al. Improved CNP-based task allocation for large-scale UAVs with timing constraints[J]. Journal of Aerospace Engineering, 2025, 38 (4): 4025029.
11	DU B, LU Y, CHENG X T, et al. The object-oriented dynamic task assignment for unmanned surface vessels[J]. Engineering Applications of Artificial Intelligence, 2021, 106, 104476. doi: 10.1016/j.engappai.2021.104476
12	MIYOMBO M E, LIU Y, MULENGA C M, et al. Optimal path planning in a real-world radioactive environment: a comparative study of A-star and Dijkstra algorithms[J]. Nuclear Engineering and Design, 2024, 420, 113039. doi: 10.1016/j.nucengdes.2024.113039
13	SANG T T, XIAO J C, XIONG J F, et al. Path planning method of unmanned surface vehicles formation based on improved A* algorithm[J]. Journal of Marine Science and Engineering, 2023, 11 (1): 176. doi: 10.3390/jmse11010176
14	ZHANG B, LU S L, LI Q, et al. Escape path planning for unmanned surface vehicle based on blind navigation rapidly exploring random tree* fusion algorithm[J]. Sensors, 2024, 24 (23): 7596. doi: 10.3390/s24237596
15	ZHOU X J, TANG Z H, WANG N, et al. A novel state transition algorithm with adaptive fuzzy penalty for multi-constraint UAV path planning[J]. Expert Systems with Applications, 2024, 248, 123481. doi: 10.1016/j.eswa.2024.123481
16	LIANG X Y, JIANG P, ZHU H. Path planning for unmanned surface vehicle with dubins curve based on GA[C]//Proc. of the IEEE Chinese Automation Congress, 2020: 5149−5154.
17	CHEN Y L, BAI G Q, ZHAN Y, et al. Path planning and obstacle avoiding of the USV based on improved ACO-APF hybrid algorithm with adaptive early-warning[J]. IEEE Access, 2021, 9, 40728- 40742. doi: 10.1109/ACCESS.2021.3062375
18	ZHAI H R, WANG W H, ZHANG W, et al. Path planning algorithms for USVs via deep reinforcement learning[C]//Proc. of the IEEE China Automation Congress, 2021: 4281−4286.
19	LI X W, SONG H S, HAN Z J, et al. An improved artificial potential field algorithm with swerving force for USV path planning[C]//Proc. of the IEEE International Conference on Unmanned Systems, 2021: 1019−1024.
20	徐小强, 王明勇, 冒燕. 基于改进人工势场法的移动机器人路径规划[J]. 计算机应用, 2020, 40 (12): 3508- 3512.
	XU X Q, WANG M Y, MAO Y. Path planning of mobile robot based on improved artificial potential field method[J]. Journal of Computer Applications, 2020, 40 (12): 3508- 3512.
21	ZHANG L Y, HAN Y, JIANG B. Research on path planning method of unmanned boat based on improved artificial potential field method[C]//Proc. of the IEEE 6th Asian Conference on Artificial Intelligence Technology, 2022.
22	时维国, 宁宁, 宋存利, 等. 基于蚁群算法与人工势场法的移动机器人路径规划[J]. 农业机械学报, 2023, 54 (12): 407- 416.
	SHI W G, NING N, SONG C L, et al. Path planning of mobile robots based on ant colony algorithm and artificial potential field algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54 (12): 407- 416.
23	韩尧, 李少华. 基于改进人工势场法的无人机航迹规划[J]. 系统工程与电子技术, 2021, 43 (11): 3305- 3311. doi: 10.12305/j.issn.1001-506X.2021.11.31
	HAN Y, LI S H. UAV path planning based on improved artificial potential field[J]. Systems Engineering and Electronics, 2021, 43 (11): 3305- 3311. doi: 10.12305/j.issn.1001-506X.2021.11.31
24	WANG D, CHEN H M, WU C C. A path planning and obstacle avoidance method for USV based on dynamic-target APF algorithm in edge[C]//Proc. of the International Conference on Algorithms and Architectures for Parallel Processing, 2023: 21−39.
25	王庆禄, 吴冯国, 郑成辰, 等. 基于优化人工势场法的无人机航迹规划[J]. 系统工程与电子技术, 2023, 45 (5): 1461- 1468.
	WANG Q L, WU F G, ZHENG C C, et al. UAV path planning based on optimized artificial potential field method[J]. Systems Engineering and Electronics, 2023, 45 (5): 1461- 1468.
26	ESTER M, KRIEGEL H P, SANDER J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]//Proc. of the 2nd International Conference on Knowledge Discovery and Data Mining, 1996: 226−231.
27	苏菲, 陈岩, 沈林成. 基于蚁群算法的无人机协同多任务分配[J]. 航空学报, 2008, (S1): 184- 191.
	SU F, CHEN Y, SHEN L C. UAV cooperative multi-task assignment based on ant colony algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2008, (S1): 184- 191.
28	宋佳瑞. 基于人工势场法的机器人避障问题研究[D]. 沈阳: 沈阳工业大学, 2017.
	SONG J R. Obstacle avoidance problem study of robot based on artificial potential field method[D]. Shenyang: Shenyang University of Technology, 2017.
29	谢朔. 基于多新息辨识理论的USV运动模型参数辨识[D]. 武汉: 武汉理工大学, 2017.
	XIE S. Motion model parameters identification of USV based on multi-innovation theory[D]. Wuhan: Wuhan University of Technology, 2017.
30	贾胜伟. 基于运动模型的水面无人艇路径规划[D]. 大连: 大连理工大学, 2022.
	JIA S W. Path planning of unmanned surface vehicle based on motion model[D]. Dalian: Dalian University of Technology, 2022.

参数	取值	参数	取值
$\varepsilon/ {\mathrm{m}} $	56	$r$	0.15
${\mathrm{MinPts}}$	2	$m$	18
$\alpha $	2	$Q$	1
$\beta $	5	${\text{max iter}}$	200
$\tau $	1	—	—

参数	取值	参数	取值
$ \eta $	1 000	$ {\rho _0}/ {\mathrm{m}} $	20
$ k $	10	$ {\text{step}}/ {\mathrm{m}} $	2
$ {k_6} $	0.5	$ {k_7} $	0.002 5
$ {k_8} $	0.275	$ {k_9} $	6
$ {k_{10}} $	0.000 3	$ {k_{11}} $	0.038 2
$ {k_{12}} $	5.116	—	—

任务	对应坐标/m	任务	对应坐标/m
T₁	（81,113）	T₁₅	（462,167）
T₂	（136,55）	T₁₆	（260,263）
T₃	（221,78）	T₁₇	（244,322）
T₄	（290,54）	T₁₈	（263,321）
T₅	（146,135）	T₁₉	（348,243）
T₆	（172,204）	T₂₀	（467,261）
T₇	（208,139）	T₂₁	（463,229）
T₈	（242,157）	T₂₂	（427,264）
T₉	（321,209）	T₂₃	（458,335）
T₁₀	（146,351）	T₂₄	（203,430）
T₁₁	（126,394）	T₂₅	（242,402）
T₁₂	（413,78）	T₂₆	（360,364）
T₁₃	（363,156）	T₂₇	（385,383）
T₁₄	（395,184）	—	—

障碍物	圆心坐标/m	障碍物半径/m
O1	（185,90）	25
O2	（110,150）	25
O3	（195,275）	45
O4	（350,100）	40
O5	（360,300）	15

无人艇	有/无搜索角约束	任务分配计划	转角值/rad
V₁	无	1→4→8→9→19→20→21→28→27→14→13	10.355
V₁	有	1→4→8→9→19→21→28→27→14→13→20	7.427
V₂	无	2→5→6→10→11→12→22→29→30	4.824
V₂	有	2→5→6→10→11→12→22→29→30	4.824
V₃	无	3→7→15→16→17→18→24→23→25→26	9.849
V₃	有	3→7→15→16→17→18→24→23→26→25	9.176

基于聚类优化算法的多无人艇协同任务规划

Multi-USV cooperative task planning based on clustering optimization algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

任务分配算法	完成任务数量	交叉点个数	预设路径长度/m
改进ACO^[17]	30	3	810.1
本文算法	30	0	817.6

参数	放大区域
参数	1	2	3	4
回转角度/（°）	89.89	32.79	82.72	149.48
纵向速度/（m/s）	0.55	0.84	0.59	0.55
最小回转半径${r_{{c}}}$/m	4.31	6.54	4.59	4.30
APF法的曲率半径${R_{{c}}}$/m	0	0	0	0
本文方法的曲率半径${R_{{c}}}$/m	5.45	10.53	5.71	7.17

[1]	羊钊, 胡锦标, 王艳, 齐洪彪. 考虑异巢起降的无人机山地巡检覆盖路径规划[J]. 系统工程与电子技术, 2025, 47(8): 2622-2631.
[2]	焉晓贞, 周新悦, 罗清华. 改进A-star算法的无人船动态路径规划[J]. 系统工程与电子技术, 2025, 47(7): 2314-2328.
[3]	唐俊超, 胡春鹤. 三维地形风场环境下无人机全覆盖路径规划[J]. 系统工程与电子技术, 2025, 47(7): 2349-2356.
[4]	刘伊婕, 姜斌, 马亚杰, 李文博, 刘成瑞. 无人艇编队避碰路径规划与重规划[J]. 系统工程与电子技术, 2025, 47(6): 1964-1974.
[5]	陈威, 王从庆, 曾强, 李战. 面向飞机表面视觉检查的无人机覆盖路径规划[J]. 系统工程与电子技术, 2025, 47(4): 1206-1213.
[6]	耿泽, 黄炎焱, 张寒. 基于火炮转移路径预测的无人机集群反炮兵搜索路径规划[J]. 系统工程与电子技术, 2025, 47(4): 1222-1234.
[7]	夏雨奇, 黄炎焱, 陈恰. 基于深度Q网络的无人车侦察路径规划[J]. 系统工程与电子技术, 2024, 46(9): 3070-3081.
[8]	费博雯, 包卫东, 刘大千, 朱晓敏. 面向动态目标搜索与打击的空地协同自主任务分配方法[J]. 系统工程与电子技术, 2024, 46(7): 2346-2358.
[9]	李杰, 谭跃进. 基于集成改进蚁群算法的作战环推荐方法[J]. 系统工程与电子技术, 2024, 46(6): 2002-2012.
[10]	孙家玮, 余明晖, 杨大鹏, 汤皓泉, 卞大鹏. 基于CL-RRT与MPC的舰载机牵引系统路径规划[J]. 系统工程与电子技术, 2024, 46(5): 1745-1755.
[11]	隋东, 杨振宇, 丁松滨, 周婷婷. 基于EMSDBO算法的无人机三维航迹规划[J]. 系统工程与电子技术, 2024, 46(5): 1756-1766.
[12]	余婧, 吴晓军, 蒋安林, 雍恩米. 基于多精度规划窗口的无人机航迹规划方法研究[J]. 系统工程与电子技术, 2024, 46(5): 1767-1776.
[13]	刘钢, 安志镖, 张茂军, 刘煜, 李武. 基于连续路网环境的实体化主体路径规划算法[J]. 系统工程与电子技术, 2024, 46(4): 1346-1356.
[14]	赵贵祥, 周健, 李云淼, 王晨旭. 改进双向快速搜索随机树的无人艇路径规划[J]. 系统工程与电子技术, 2024, 46(4): 1364-1371.
[15]	杨平, 肖兵, 陈新, 唐璐琪. 多约束条件下战斗机三维路径规划问题[J]. 系统工程与电子技术, 2024, 46(12): 4213-4221.