【AUV任务分配】自组织映射SOM+Dubins曲线水下机器人多目标任务分配MATLAB仿真（含洋流、障碍物约束）

发布时间：2026/10/27 0:11:02
【AUV任务分配】自组织映射SOM+Dubins曲线水下机器人多目标任务分配MATLAB仿真（含洋流、障碍物约束）

✅作者简介：热爱科研的Matlab仿真开发者，擅长数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

大家好，今天给大家带来一套面向水下 AUV（自主水下航行器）的多目标任务分配 MATLAB 仿真代码。这套方案采用SOM 自组织映射神经网络作为任务分配核心，区别于传统匈牙利算法、遗传算法等优化方法，属于自组织、分布式的任务指派思路；同时结合 Dubins 曲线实现带航向约束的轨迹生成，支持圆形障碍物避障、洋流扰动、单机器人负载上限约束，非常适合水下集群协同作业方向的课程设计、毕设和算法基线验证。

很多做 AUV 协同的同学容易踩一个坑：只做静态任务点的距离最优分配，忽略水下航行器本身的运动特性。AUV 不是可以瞬间转向的质点，它存在最小转弯半径，出发和到达都带有航向角约束，两点之间不能直接用欧氏距离评价代价。这份代码最大的亮点，就是把任务分配和运动轨迹代价（Dubins 路径长度）绑定在一起，同时引入障碍物、洋流、单机任务上限多重约束，更贴近真实水下作业场景。

一、项目整体概述

这套仿真系统解决的问题：给定多台 AUV 机器人、多个水下任务目标点，在存在障碍物、洋流干扰、AUV 最小转弯半径限制、单机任务数量上限的条件下，自动把目标任务分配给合适的 AUV，并且生成满足航向约束的 Dubins 航行轨迹。

核心实现模块：

  1. SOM 自组织映射神经网络，作为任务分配主体，竞争获胜神经元机制完成目标指派；

  2. Dubins 曲线轨迹生成，适配 AUV 非完整约束，起点、终点都携带航向角；

  3. 障碍物代价判断函数，分配时规避障碍物，不生成穿过障碍的路径；

  4. 洋流扰动模型，可开启洋流对 AUV 位置更新的偏移影响；

  5. 负载约束机制，限制单台 AUV 最多承接任务数量，避免任务过载；

  6. 任务监控模块，记录每台 AUV 承接任务数量、累计航行里程；

  7. 可视化绘图：初始位置分布图、任务分配连线图、轨迹实时绘制。

参数模式可选：

  • lineFlag=0：两点之间直线距离，适合理想质点模型对比；

  • lineFlag=1：Dubins 曲线，机器人和目标都带航向角，最贴合 AUV 场景；

  • lineFlag=2：仅机器人带航向角，目标点无航向约束；

  • 洋流开关 currentFlag：0 关闭洋流，1 启用洋流偏移；

  • ObstacleFlag：障碍物显示开关，圆形障碍物模型。

✅ 已实现功能

  • 多 AUV、多任务点初始化，支持自由增减机器人与目标数量；

  • SOM 竞争机制，每个任务点寻找代价最小的 AUV 作为获胜单元；

  • 邻域权值更新，完成自组织映射迭代；

  • Dubins 路径计算，输出路径实际长度作为分配代价，而不是简单欧氏距离；

  • 障碍物检测：如果 Dubins 路径穿过障碍物，会抬高代价，优先避开障碍；

  • 负载上限约束，防止某一台 AUV 被分配过多任务；

  • 洋流扰动叠加到 AUV 位置更新过程；

  • 实时绘图，输出分配连线与航行轨迹。

⚠️ 方案本身存在的局限（适合写论文研究缺口）

SOM 用于任务分配属于启发式自组织方法，有它固有的短板：

  1. SOM 是竞争学习机制，不能保证全局最优分配，更容易收敛到局部较优解；

  2. 邻域参数 r、学习率 B 需要人工调参，参数敏感，不同地图场景适配性差；

  3. 障碍物仅做代价惩罚，没有在线重规划，任务分配完成后路径固定；

  4. 没有动态目标、动态障碍物，当前所有任务点、障碍物都是静态；

  5. 没有考虑 AUV 能耗、通信距离、作业时间等更多水下约束；

  6. 未加入 AUV 之间的互避，只检测任务路径和环境障碍物冲突。

这些局限不是代码 bug，而是 SOM 任务分配方法本身的特性，也是后续改进创新的切入点。

二、代码整体结构与变量说明

这是单脚本一体化仿真，没有拆分成多个 m 文件，内部通过子函数调用实现模块化，包含：

  • 主脚本：参数初始化、地图、机器人、目标、障碍物、洋流、SOM 参数；

  • distanceFunction：基础距离计算（基线版本）；

  • obstacleFunction：带障碍物判断的代价函数，是整个分配逻辑的核心；

  • neighborFunction：SOM 邻域函数，计算获胜神经元的邻域范围；

  • updateCurrentFunction：SOM 权值更新函数，可叠加洋流扰动；

  • printerLineFunction：直线轨迹绘制，返回直线长度；

  • printerDubinsFunction：Dubins 曲线绘制，返回 Dubins 路径长度。

关键变量含义梳理：

  • Robot：AUV 二维坐标矩阵，每一列是一台机器人的 (x,y)；

  • RobotV：AUV 速度与航向角，第二行是和 X 轴正方向的夹角；

  • Target：任务目标点坐标；

  • TargetV：目标点期望到达航向角；

  • Obstacle、ObstacleR：圆形障碍物中心坐标与半径；

  • RobortMonitor：监控矩阵，第一行记录每台 AUV 承接任务数，第二行记录累计航行距离；

  • taskMax：单台 AUV 最大任务上限，由总任务数除以机器人数量向上取整得到；

  • maxDis：单台 AUV 允许的最大航行里程阈值；

  • turnR：Dubins 曲线最小转弯半径，AUV 运动核心约束；

  • B、r：SOM 超参数，B 为学习率，r 为邻域半径；

  • vc、ai：洋流速度大小、洋流流向角；

  • Weight：SOM 神经元权重，这里直接映射 AUV 的位置；

  • WeightV：保存每台 AUV 当前航向角。

这个 SOM 的设计思路很巧妙：把每一台 AUV 直接当成 SOM 的一个神经元。每一个任务点输入网络，所有 AUV 互相竞争，代价最小的那台 AUV 成为获胜神经元，之后更新获胜神经元及其邻域的权值（也就是 AUV 虚拟位置），逐步完成任务点的映射分配。

三、运行流程拆解

第一步：环境与实体初始化

脚本开头先清空画布、设置仿真区域，然后依次定义：

  1. 任务目标点坐标、目标到达航向；

  2. AUV 初始坐标、初始航向；

  3. 圆形障碍物位置与半径；

  4. 校验维度：目标数量和目标航向数量一致，机器人数量和机器人航向数量一致；

  5. 初始化监控数组 RobortMonitor，用来约束负载、统计里程；

  6. 设置 Dubins 转弯半径、洋流开关、轨迹模式开关 lineFlag。

然后绘制两张初始图：第一张是初始位置分布图，菱形标记 AUV，大圆点标记任务，叉号标记障碍物；第二张用于绘制任务分配连线与轨迹。

第二步：SOM 竞争分配主循环

循环遍历每一个任务目标点，依次执行下面这套逻辑：

  1. 调用 obstacleFunction，对当前任务点，计算所有 AUV 到该目标的代价； 代价不再是简单欧氏距离，而是 Dubins 路径长度，同时检测路径是否穿过障碍物；如果穿过障碍，代价会显著变大，该 AUV 不会优先被选中；

  2. 选出代价最小的 AUV，也就是获胜神经元 winnerR，对应的目标点 winnerT；

  3. 更新监控表：这台 AUV 承接任务数量 + 1；

  4. 判断该目标是否已经被分配，避免重复指派；

  5. 未分配的目标，进入 SOM 邻域更新：

    • neighborFunction：根据邻域半径 r，找到获胜神经元附近的神经元；

    • updateCurrentFunction：更新 AUV（神经元）的位置；如果开启洋流，位置更新时叠加洋流带来的偏移；

  6. 根据 lineFlag 选择轨迹生成方式：

    • 直线模式：调用 printerLineFunction，画直线，返回直线长度；

    • Dubins 模式：调用 printerDubinsFunction，生成带起点航向、终点航向的 Dubins 曲线，绘制曲线并返回路径长度；

  7. 更新获胜 AUV 的航向角，任务完成后航向对齐目标的期望航向；

  8. 累加航行里程到 RobortMonitor，用于里程上限约束。

重点：为什么用 Dubins 代价而不是欧氏距离？ AUV 属于非完整约束机器人，它不能侧向平移，运动受最小转弯半径限制。同样两个点，不同的起点航向、终点航向，Dubins 路径长度差异很大。如果只用欧氏距离分配，会出现 “距离很近，但 AUV 很难掉头到达、路径很长” 的不合理分配结果，这也是水下任务分配和地面机器人分配最大的区别。

第三步：障碍物与负载约束逻辑

obstacleFunction 是整套代码的约束核心：

  • 输入：目标坐标、所有 AUV 位置、航向、障碍物信息、任务监控信息；

  • 内部判断两条：①当前 AUV 任务数量是否已经达到 taskMax 上限；②候选 Dubins 路径是否与圆形障碍物相交；

  • 只要触发负载超限，或者路径撞障碍，代价 Dist 就会被拉高，该 AUV 在本次竞争中落败；

  • 只有负载充足、路径无碰撞的 AUV，才会以真实 Dubins 路径长度作为竞争代价。

这就实现了：任务分配阶段就同时考虑避障 + 负载均衡，而不是分配完成之后再去检查是否冲突。

第四步：洋流扰动机制

洋流是水下环境不可忽略的干扰。开启 currentFlag=1 之后，在 SOM 权值（AUV 位置）更新的时候，叠加洋流带来的位移偏移。 ai 是洋流流向角，vc 是洋流流速对应的偏移量。这个模型是简化的定常洋流模型，适合验证洋流对分配结果的影响：洋流会改变 AUV 等效到达代价，SOM 会倾向于把任务分配给顺着洋流方向航行的机器人，减少航行消耗。

四、核心算法原理：SOM 自组织映射用于任务分配

SOM 自组织映射是一种无监督竞争型神经网络，常规 SOM 用来做降维、聚类。而在这个 AUV 任务分配场景里，做了改造：

  • 神经元集合 = AUV 集群；

  • 输入样本 = 待分配的水下任务点；

  • 竞争规则：输入一个任务点，所有神经元计算代价（Dubins 路径代价 + 障碍物惩罚 + 负载惩罚），代价最小的获胜；

  • 学习规则：获胜神经元和它邻域内的神经元，向任务点方向更新自身位置；

  • 自组织的结果：任务点会自发映射到最合适的 AUV 附近，形成任务指派。

对比其他经典任务分配算法：

  • 匈牙利算法：求全局最优，适合小规模、静态、无复杂约束场景，维度大的时候计算量爆炸；

  • 遗传算法、粒子群：群智能优化，迭代寻优，计算开销大；

  • SOM：分布式竞争，计算速度快，天然适合动态逐步分配，缺点是很难保证全局最优。

所以这套方案非常适合作为分布式集群任务分配的基线，用来和集中式最优算法做对比。

⛳️ 运行结果

📣 部分代码

function currentDistance = printerLineFunction(x1,x2,y1,y2,color,width)

line([x1,x2],[y1,y2],'Color',color,'LineWidth',width);

currentDistance=((x1-x2)^2+(y1-y2)^2)^0.5;

end

🔗 参考文献

🍅往期回顾扫扫下方二维码