文章核心观点 - 一篇发表于《Journal of Field Robotics》的综述文章，为自主水下航行器（AUV）的路径规划提出了一个“环境建模-算法演进-学习决策”三维耦合的系统性理论框架，旨在推动AUV实现全自主、强适应的智能导航[1][4] 高精度的环境感知与任务建模 - 构建完整路径规划框架需同步考量AUV自身运动特性、外部环境建模及任务优化策略三大要素[7] - AUV自身运动特性建模：将其视为六自由度（6-DoF）刚体系统，结合计算流体力学（CFD）与半经验或数据驱动方法，以兼顾精度与计算效率[7] - 外部环境建模：基于深度学习的地形重构技术可有效填补传统声呐测绘的数据盲区，并通过数值模拟或结合强化学习构建并预测三维流场，实现从被动适应到主动利用洋流以降低能耗[8][9] - 任务优化策略：单体AUV侧重于在环境约束下寻找能耗最低的可行路径，多AUV协同则侧重于任务分配与通信协调的多目标优化，分布式强化学习和博弈论策略正取代传统集中式调度以应对通信带宽受限的挑战[9] 传统算法在深海中“摸石头过河” - 传统路径规划方法分为全局规划和局部规划[10] - 全局规划适用于环境相对已知的静态场景：Dijkstra算法能确保全局最优但计算复杂度高，A*算法通过启发式函数提高效率但路径平滑度低，基于采样的方法（如RRT）空间探索能力强但路径随机曲折需二次优化[10] - 受自然启发的群体智能算法（如遗传算法GA、蚁群算法ACO、粒子群算法PSO）在多目标优化中表现出色，但易陷入局部最优且在全局搜索与收敛速度间难以平衡[11] - 局部规划用于应对航行中突发的未知障碍：人工势场法（APF）计算负荷低、响应快，但在复杂障碍下存在局部极小值问题可能导致AUV停滞，动态窗口法（DWA）对动态障碍物鲁棒性好但搜索范围受限于局部感知，实践中常采用“全局引导、局部避障”的混合架构[11] 机器学习驱动的海洋自进化导航 - 机器学习（ML）推动AUV路径规划从“规则驱动”向“数据驱动”范式演进，提升其在复杂动态环境中的自主决策与适应能力[12] - 监督学习用于环境特征提取与非线性映射：生物启发神经网络（BINN）可生成平滑的动态避障轨迹，卷积神经网络（CNN）能实现从环境原始输入到最优路径的端到端映射[12] - 无监督学习为多AUV协作提供高效聚类方案：自组织映射（SOM）网络与K-Means算法可在无标签数据下自动划分任务空间，优化负载均衡与资源配置[12] - 强化学习（RL）使AUV具备自主演化能力：Q-learning及其深度演进版本（如DQN、DDPG、PPO）允许AUV在无先验知识下通过试错学习最优策略，深度强化学习（DRL）在处理非线性干扰（如时变流场）方面具有优势，多智能体强化学习（MARL）解决了非平稳环境下的集群协作难题[13] 未来航线驶向真正的“海洋智能” - 未来研究聚焦于三个关键方向以应对环境不确定性、通信受限及机载算力瓶颈等挑战[15][16][17] - 引入元学习（Meta-Learning）与终身学习（Lifelong Learning）机制：构建快速适应模型，利用极少样本实现跨海域任务快速迁移与知识积累，提升算法泛化性能[16] - 强化多模态感知融合（Multimodal Fusion）技术：集成前视声呐、视觉SLAM、磁力计及惯性导航系统（INS）等多源传感器数据，利用信息互补增强环境建模可靠性[16] - 推动轻量化模型与边缘计算（Edge Computing）协同优化：针对AUV嵌入式处理器算力限制，采用神经网络剪枝、量化等模型压缩技术，并结合边缘计算架构将非实时任务卸载，以降低机载功耗并提升实时规划效率[17]