（2）神经网络避障算法论文网

作为人工智能技术中常用到的方法，神经网络在移动机器人的避障领域研究中受到了极高的重视。J Yuh。[6]将神经网络模型用于水下潜器的控制器设计，加拿大学者X。Y。Simon[7]建立了一种新的生物启发神经动力学模型，该模型将移动机器人的二维工作空间与网络中的神经元相对应，分布在工作空间中的目标和障碍物分别对应于神经网络中神经元的激励信号与抑制输入。随着时间、激励信号与抑制信号的动态变化神经网络中的神经元活性值随之更新，并由此来判断移动机器人的下一步运动位置。该神经网络不需要准备训练样本预先学习训练，规划出的路径具有实时性，从而解决了机器人避障技术中的死锁问题。

（3）基于蚁群算法的避障算法

M。 Dorigo等人通过观察蚂蚁群体的觅食，由此得到灵感并给出了最初的蚁群算法—蚂蚁系统(Ant System, AS)。蚁群优化算法被首先用在解决旅行商问题(Traveling Salesman Problem, TSP)[8]。一些学者不满足于仅仅利用该算法解决旅行商问题，他们对该算法进行优化，并利用优化后的算法对处于三维工作空间中的移动机器人进行避障研究。王宏建[9]等在栅格模型的基础上提出了一种基于蚁群算法的可视图模型，并且给出了蚁群算法信息素更新方法，提出了机器人的全局避障方法及步骤，同时提出了相应的插点算子与切割算子来克服其避障技术研究中出现的不平滑问题，从而使移动机器人实时避障的时间缩短，同时也解决了避障中不平滑问题。

其他避障方法:

对水下机器人避障技术的研究，除了上述的算法外，目前也出现了一些利用其他算法和模型的研究。如李晔等人[10][11]利用AUV所携带的前视声纳来获取AUV所在的水下环境声学图像，并利用形态学的方法分析处理障碍物信息，然后再应用距离值传递法来算出一条从起始位置点通往目标位置点的无碰路径。J。 Sqeueiar和M。 Isabel[12]提出了一种关于移动机器人避障技术的分层规划思想，该方法利用高级模块分析处理所获取到的外界环境信息，得到一系列从起始位置到目标位置的中间点，且能够使水流环境下移动机器人的能量消耗最低，低级模块则负责生产高级模块中相互毗邻的两个中间点之间的动机器人的位姿变化序列。

虽然移动机器人的避障技术技术得到了广泛的关注与研究，并且在地面移动机器人上得到了很多实际的应用，但是对AUV而言，相关的研究成果却很少。与一般的地面移动机器人相比，AUV的避障技术面临更多的难题，具体表现在如下几个方面：

AUV的水下工作环境复杂:AUV通常工作在一个未知的、复杂的、动态时变的三维水下空间，比如水流的影响、动态障碍物的突然出现，使得AUV的工作环境比一般地面机器人的工作环境更加危险复杂。

水下通信难度大：在水下环境中基本上无法应用现有的较为成熟的通信技术，使得AUV的实时水下通信难度加大

环境感知困难：相对于非水下机器人而言，AUV可用的传感器并不多，而且可用的传感器信息中通常有更多的噪声干扰。

多种约束：机器人的移动通常存在几何条件的约束(形状限制)与物理条件的约束(速度与能量)，AUV受到的约束则更甚。

由于上述问题的存在，有关AUV的避障技术的研究仍然比较落后，仍有大量的难题需要攻克。

1。3 论文的主要研究工作文献综述

本文主要将生物启发自组织神经网络（BISOM）与矢量合成相结合，针对水流环境中自治水下机器人的避障技术进行研究。对于存在障碍物的水下环境中AUV的避障避障技术，提出了BISOM算法；对于克服水流对AUV航行的影响，提出了矢量合成算法。通过AUV在不同水下环境的避障仿真实验，验证本文所提算法的有效性。具体研究内容如下：