CN115167414A - 未知环境下无人船集群自主探索及环境重构方法 - Google Patents

Abstract

本发明公开了一种未知环境下无人船集群自主探索及环境重构方法，包括：在未知水域环境下采用3D激光雷达获取水域环境的三维点云信息，采用RGB‑D视觉相机获取水域环境的图像信息，将两者信息融合处理后导入至栅格地图重构未知水域环境；采用快速探索随机树算法与边界探索算法相结合的策略在未知水域环境中获取待探索目标点，并将待探索目标点在栅格地图中进行可视化显示，将所有获取的待探索目标点归类成集合，定义为探索目标点集；在探索目标点集中采用无人船集群自主探索方法寻找导航目标点，构建待探索目标点的增益函数，通过比较各目标点的增益大小选择导航目标点。

Description

未知环境下无人船集群自主探索及环境重构方法

技术领域

本发明涉及无人船领域，尤其涉及一种未知环境下无人船集群自主探索及环境重构方法。

背景技术

无人船作为一种自主性船舶，凭借其小型化、灵活性高、机动性强、部署方便、覆盖范围广、成本低等优点已广泛应用于海域勘探、水域救援、目标检测与跟踪等复杂工作。但与传统的工作方式不同，自主探索并不是在已知环境中进行工作，而是通过环境感知模块获取船体周围环境信息，自主对所处的环境进行探测与重构建模，以便于后续工作任务的执行。

在探索环境时，往往要求无人船在较短的时间内完成对环境的感知探索及重构环境地图，相比于单船自主探索耗时长、灵活性差、鲁棒性低，多无人船在环境探索及重构方面具有许多的优势。多无人船可以通过组合形成不同的探索方式，无人船之间共享探索到的环境信息，并由中央控制器分配相应的探索任务，通过各船之间的协同合作，发挥各自优势，完成单一无人船难以完成的、复杂的任务，而未知环境下无人船集群自主探索方法具有鲁棒性能低、通信能力差以及灵活性差没有得到广泛应用。

发明内容

为了解决单无人船在未知环境下自主探索耗时较长、灵活性较差等情况，本发明公开了一种未知环境下无人船集群自主探索及环境重构方法，能够克服现有技术的不足，通过引导多无人船协作探索未知环境，实时获取未知环境的三维地图，对后续的海上工作提供了更加便利的条件，该方法具体包括：

在未知水域环境下采用3D激光雷达获取水域环境的三维点云信息，采用RGB-D视觉相机获取水域环境的图像信息，将两者信息融合处理后导入至栅格地图重构未知水域环境；

采用快速探索随机树算法与边界探索算法相结合的策略在未知水域环境中获取待探索目标点，并将待探索目标点在栅格地图中进行可视化显示，将所有获取的待探索目标点归类成集合，定义为探索目标点集；

在探索目标点集中采用无人船集群自主探索方法寻找导航目标点，构建待探索目标点的增益函数，通过比较各目标点的增益大小选择导航目标点。

所述无人船集群自主探索方法根据水域大小、复杂程度探索的时效性、及重构环境的精确度分为集中编队式探索、集中协同式探索和混合协同式探索三种方法。

所述集中编队式探索方法为：采用跟随领航者法在自主探索工作时将无人船统一放置在一块水域中，并指定队形中的某一无人船作为领航者，其他无人船作为跟随者，其中跟随者跟随领航者运动并适时与领航者保持一个期望的距离和方位角，在探索过程中将最优探索目标点指定给领航者，领航者规划一条从当前位置到最优探索目标点的最优航线并控制领航者向前航行，其他跟随者根据领航者的航线动态更新其航行轨迹，若在航行过程中出现当前队形不能通过狭窄水域时则协调各无人船转换编队队形，以完成探索工作，通过其他无人船来校准自身及映射的地图，通过坐标变换将环境信息传送至领航者进行地图实时更新。

所述集中协同式探索方式为：采用集中式结构框架，将无人船统一放置在一块水域中，各无人船根据获取到的环境数据创建环境地图，采用多地图融合功能包将各无人船映射的环境地图进行融合，从待探索目标点集中选取各船最佳目标点并分配至各船，若出现重复分配最佳目标点，则决策分配次优目标点从而使无人船完成探索工作。

所述混合协同式探索方式为：采用总分式结构框架将无人船分散放置在工作水域中，获取无人船实时位置、环境信息、处理数据并分配最优目标点，根据分配的目标点生成相应的最优航行路径，当两船行驶至感知范围内时，再进行信息交互并融合局部地图，将局部地图信息上传并更新实时全局地图，从而控制每艘船在通讯范围内进行信息交互和交流。

所述栅格地图的栅格存在三种状态：占用、空闲和未知，当无人船探索到周围环境存在障碍物，此时栅格为占用状态，并将映射的地图为黑色，该黑色栅格用M_occupied表示，当无人船探索到周围环境不存在障碍物，此时栅格为空闲状态，并将映射的地图为白色，该白色栅格用M_free来表示，当无人船还未探索到未知区域时，此时栅格为未知状态，并将映射的地图为灰色，该灰色栅格用M_unknown表示；在全局地图中点XY的占据概率公式如下：

无人船探索的已知区域表示为M_know＝M_free+M_occupied，未知区域表示为M_unknown，此时定义已知区域和未知区域的交界作为边界；自主探索过程中需要持续提供目标点，将快速探索随机树算法和边界探索策略相结合，在构建好的栅格地图中生成探索目标点集。

所述无人船集群自主探索方法包括全局阶段规划和局部阶段规划，所述全局阶段规划采用基于边界点采样的快速探索随机树方法随机选取一个点作为初始点，该点被称为树根节点x_init，以特定的步长获取采样节点x_rand，选取离采样节点x_rand最近的全局随机树分支节点作为最近节点x_nearest，若采样节点x_rand和最近节点x_nearest连接后经过占用栅格M_occupied则放弃此次随机树生长，重复上述过程直至新采样节点x_new与边界的距离小于设定阈值，则该点作为边界点x_frontier存入探索目标数组中，并针对各船分配增益最大的目标点。

所述局部阶段规划综合考虑路径长度、航行时间代价函数以及目标探索增益选取最优目标点，从探索目标数组中分配最优目标点至各无人船，以无人船当前位置生成局部树根节点并重复全局RRT树的更新步骤，在到达下一目标点后，清除当前局部RRT树，并以当前位置为根节点从新生成局部RRT树，在此过程中使用规划中重复利用的地图信息，当局部范围无未知区域后，调控无人船航行至较远处的目标点，在航行至该目标点的过程中，由于无人船始终航行在已知区域，将当前采集到的特征环境信息与之前的环境信息进行匹配降低在探索过程中产生的误差，从而优化全局地图。

通过引入待探索目标点的增益函数来选择导航目标点进行无人船自主探索，局部阶段规划中RRT树探索目标数组中的边界点K的探索增益公式如下：

其中

为在地图M中到达

处的未知区域的总信息收益，x_k为当前位置到目标点的路径长度，c(x_k)为路径代价函数，γ为时间参数；

的表达式如下：

其中A、B为面积占比系数，

为在

处过环境感知模块获得的未知栅格区域面积，

为从当前位置航行至

处通过环境感知模块获得的未知栅格区域面积；A、B的表达式如下：

由于采用了上述技术方案，本发明提供的一种未知环境下无人船集群自主探索及环境重构方法，本方法通过改进探索策略，利用多传感器进行目标检测以校准映射地图，并针对不同水域场景实现三种不同探索方法，相比于单无人船探索耗时长、灵活性差、鲁棒性低，多无人船探索方式单一、灵活性差、可能会在工作中出现重复无效的探索等劣势，能大大提高水域探索效率及地图映射精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中无人船自主探索流程示意图；

图2为本发明中无人船集群自主探索的系统结构示意图；

图3为本发明中无人船集群集中编队式自主探索流程示意图；

图4为本发明中无人船集群集中协同式自主探索流程示意图；

图5为无人船集群混合协同式自主探索流程示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种未知环境下无人船集群自主探索及环境重构方法，其中该方法基于控制平台、阿里云平台及无人船平台进行自主探索。控制平台对各无人船进行信息交互、任务分配、运动规划及环境重构，无人船平台负责环境感知及运动控制并将环境信息反馈给中央控制器进行下一步的决策，阿里云平台负责进行数据上传、存储及下发。

本发明公开的方法分为集中编队式探索、集中协同式探索以及混合协同式探索三种模式，根据控制平台的任务分配及各无人船之间的信息交流以应对不同水域环境及工作需要。本发明中控制平台采用中央控制器及分布控制器，实现总分式结构，提高无人船集群调度控制性能及实时性，能有效避免无人船发生航线重复及相互碰撞；集群的引入增强了无人船探索系统的鲁棒性可以更加高效可靠的完成指定工作；三种探索模式可以实现对指定目标水域高效、非接触式全方位的探索。

本发明公开的方法具体采用如下步骤实现：

S1：构建无人船集群自主探索及环境重构系统，该系统包括控制平台、阿里云平台及无人船平台。

S2：在此三大平台基础上实现无人船集群自主探索方法，所述无人船集群自主探索方法根据水域大小、复杂程度探索的时效性、及重构环境的精确度分为集中编队式探索、集中协同式探索及混合协同式探索三种方法。

S3：自主探索过程具体表现为：在未知水域环境下，采用3D激光雷达获取水域环境的三维点云信息，采用RGB-D视觉相机获取水域环境的图像信息，将两者信息融合处理后导入至栅格地图重构未知水域环境。

S4：在自主探索过程中需要持续提供导航目标点，将快速探索随机树算法与边界探索策略相结合，在二维栅格地图中将探索树与边界相接处的节点定为待探索目标点，将所有获取的待探索目标点归类成集合，称之为探索目标点集。

S5：为了从探索目标点集中选出导航目标点，引入待探索目标点的增益函数，通过比较各目标点的增益大小来选择导航目标点。

其中控制平台包括中央控制器和分布控制器，中央控制器用于寻找并分配探索目标点、动态维护地图以及保存管理各无人船获取的数据信息，该中央控制器包括探索模块、地图映射模块以及任务分配决策模块，探索模块用来寻找探索目标点，主要有两种探索模式：全局阶段规划和局部阶段规划，全局阶段规划为基于边界点进行采样的快速探索随机树，局部阶段规划为基于边界点检测以及动态更新局部随机树相结合的方法。地图映射模块用来构建已探索的地图，在集中编队式探索模式下，中央控制器创建全局地图并临近放置，而在集中协同式探索和混合式协同探索模式下，各自创建局部地图并在相遇后进行地图融合，创建新的地图；任务分配决策模块用来分配目标点，并将该目标点发送至分布控制器，同时分配各船的任务与资源使多无人船协同完成探索工作；每艘无人船上面都配有分布控制器，在接收到分配的目标点后，该分布控制器可以规划出一条最优航线用来控制无人船到达相应位置，并将环境感知模块获取的数据信息上传至中央控制器，在协同式探索方式下每艘船之间都是独立平等的，无人船可以通过分布控制器自主处理实时环境数据并根据数据规划出最优航行路径。

其中无人船平台包括运动控制模块、运动规划模块、环境感知模块、远程操控模块、位姿定位模块和回环检测模块，运动控制模块采用STM32做为下位机，分布控制器做为运动规划模块，激光传感器和视觉传感器构成环境感知模块，WIFI通信模块、4G通信模块以及5G通信模块构成远程操控模块，惯性传感器IMU(Inertial Measurement Unit)和GPS(Global Positioning System)构成位姿定位模块。IMU提供了精确的方向、旋转速度和线性加速度，可以将其用作无人船姿态的初始估计，这对于水上航行的无人船特别有用，因为横摇和纵摇运动很难补偿，提高了系统的鲁棒性和可靠性。激光雷达和IMU的结合在许多情况下都能很好地工作，但是当激光雷达范围内有许多物体时，激光雷达根本没有检测到物体或者精确定位，因此，需要另一种形式的定位，在这种情况下使用GPS。

阿里云平台集成了设备管理、数据安全通信和消息订阅等能力的一体化平台，向下支持连接海量设备，采集设备数据上云；向上提供云端API，服务端课通过调用云端API将指令下发至设备端，实现远程控制。基于阿里云平台与远程操控模块通信，以获取无人船的控制信息以及无人船航向、航速、经纬度等状态信息。

进一步的，所述探索方法中的集中编队式探索为：采用跟随领航者法，自主探索工作时将无人船统一放置在一块水域中，并指定队形中的某一无人船作为领航者(Leader)，其他无人船作为跟随者(Slaver)跟随领航者运动并适时与领航者保持一个期望的距离和方位角；探索过程中，中央控制器将最优探索目标点指定给领航者，领航者的运动规划模块规划一条从当前位置到最优探索目标点的最优航线并控制领航者向前航行，其他跟随者根据领航者的航线动态更新自己的航行轨迹，若在航行过程中出现当前队形不能通过的狭窄水域时，中央控制器协调各无人船转换编队队形，以完成后续探索工作；由于多无人船采用编队方式进行探索，相比单无人船探索而言，在探索过程中环境特征更加的丰富，可以通过其他无人船来校准自身及映射的地图，通过坐标变换将环境信息传送至领航者进行地图实时更新。

进一步的，集中协同式探索为采用集中式结构框架，将无人船统一放置在一块水域中，各无人船将获取到的环境数据上传至中央控制器并创建环境地图，中央控制器通过多地图融合功能包(multirobot_map_merge)将各无人船映射的环境地图进行融合，从待探索目标点集中选取各船最佳目标点并分配至各船，若出现重复分配最佳目标点，则中央控制器通过决策分配次优目标点以使无人船完成探索工作；此种探索方法适用于较大的空旷水域，通过多无人船协同进行探索，相比于单无人船及多无人船编队而言，能够更快的完成探索工作，探索时效性大大提高。

进一步的，混合式协同探索为采用总分式结构框架，将无人船分散放置在工作水域中由中央控制器控制所有无人船，获取无人船实时位置、环境信息、处理数据并分配最优目标点，此探索方式采用分布式控制结构各无人船都是一个独立平等的“个体”，每艘船在通讯范围之内通过分布控制器互相进行信息交互、交流，分布控制器根据中央控制器分配的目标点生成相应的最优航行路径，当两船行驶至感知范围内时，各分布控制器进行信息交互融合局部地图并上传至中央控制器的地图映射模块实现地图更新；此种探索方法适用于分支较多的复杂水域，相比于集中协同式探索，通过混合式协同探索，能够更好分配无人船的探索路径，避免重复探索相同环境，更高效的完成探索工作。

进一步的，基于无人船集群自主探索平台和无人船集群自主探索方法构建栅格地图，根据探索的情况栅格存在三种状态：占用、空闲和未知。当无人船探索到周围环境存在障碍物，此时栅格为占用状态，地图映射模块映射的地图为黑色该黑色栅格用M_occupied来表示；当无人船探索到周围环境不存在障碍物，此时栅格为空闲状态，地图映射模块映射的地图为白色，该白色栅格用M_free来表示；当无人船还未探索到未知区域时，此时栅格为未知状态，地图映射模块映射的地图为灰色，该灰色栅格用M_unknown来表示；在全局地图中点XY的占据概率公式如下：

无人船探索的已知区域表示为M_know＝M_free+M_occupied，未知区域表示为M_unknown，此时定义已知区域与未知区域的交界作为边界；自主探索过程中需要持续提供目标点，将快速探索随机树算法和边界探索策略相结合，在构建好的栅格地图中生成探索目标点集。整个探索过程被分为两部分：全局阶段规划和局部阶段规划。在全局阶段规划中采用基于边界点采样的快速探索随机树RRT(Rapidly-Exploring Random Tree)方法，随机选取一个点作为初始点，该点被称为树根节点x_init，以特定的步长获取采样节点x_rand，选取离采样节点x_rand最近的全局随机树分支节点作为最近节点x_nearest，若采样节点x_rand和最近节点x_nearest连接后经过占用栅格M_occupied则放弃此次随机树生长，重复上述过程直至新采样节点x_new与边界的距离小于一个阈值，那么该点作为边界点x_frontier存入探索目标数组中，并针对各船分配增益最大的目标点；在局部阶段规划中采用动态更新局部RRT树并基于边界检测的方法，综合考虑路径长度、航行时间代价函数以及目标探索增益选取最优目标点，由于误差的存在，每一个时刻存在的误差会不断累积从而产生累积误差，通过无人船回环检测模块来消除累积误差，之后将无人船感知模块在航行过程中获取的环境信息送至后端进行图优化处理，局部阶段规划时无人船探索的区域为几帧时刻内探索模块所能覆盖的栅格地图面积之和，中央控制器从探索目标数组中分配目标点给各无人船之后，以当前位置生成局部树根节点并重复全局RRT树步骤，在到达下一目标点后生成新的局部RRT树并使用前面规划中可以重复利用的信息，局部阶段规划完成后中央控制器分配给无人船远处的目标点，在探索至该目标点前无人船始终航行在已知区域，此时中央控制器将当前采集到的环境信息与之前的环境信息进行匹配优化以降低探索误差。

进一步的，通过引入待探索目标点的增益函数来选择导航目标点，完成无人船自主探索，局部阶段规划中RRT树探索目标数组中的边界点K的探索增益公式如下：

其中

为在地图M中到达

处的未知区域的总信息收益，x_k为当前位置到目标点的路径长度，c(x_k)为路径代价函数，γ为时间参数；

的表达式如下：

其中A、B为面积占比系数，

为在

处过环境感知模块获得的未知栅格区域面积，

为从当前位置航行至

处通过环境感知模块获得的未知栅格区域面积；A、B的表达式如下：

图1所示为无人船自主探索流程示意图，无人船集群自主探索平台由控制平台、阿里云平台、无人船平台构成，无人船的一切探索行为在此平台上完成。根据水域大小、复杂程度探索的时效性、及重构环境的精确度分为集中编队式探索、集中协同式探索及混合协同式探索三种方法。利用3D激光雷达和RGB-D视觉相机采集外部环境信息，构建栅格地图。将快速探索随机树算法与边界探索策略相结合，获取探索目标点集，通过引入待探索目标点的增益函数选择导航目标点，从而实现无人船的自主探索。

图2所示为无人船集群自主探索的系统结构示意图，将探索细分为集中编队式探索、集中式协同探索及混合式协同探索，其中编队式探索采用横向、纵向“一”字型队形并跟随领航者进行探索工作，协同式探索采用分散式队形进行分散探索。中央控制器进行宏观控制，通过探索模块进行目标分配，各个船的信息采集、自主航行及避障由分布控制器进行控制。集中式控制将无人船临近放置并由中央控制器创建局部地图并实现增量式更新，混合式控制将无人船分散放置并由各分布控制器创建地图并在两船相遇时进行地图融合。

图3所示为无人船集群集中编队式自主探索流程示意图，对无人船集群采用领航-跟随者编队方式，选取一艘船作为领航者，其余跟随者与领航者保持适当的距离及航向角。中央控制器的地图映射模块创建全局地图，并通过任务分配决策模块将探索目标点分配给领航者，领航者的分布控制器根据目标点信息进行路径规划。跟随者的目标点由领航者的分布控制器进行分配，使编队在航行过程中跟随者与领航者始终保持期望的距离及航向角。上述领航及跟随者通过环境感知模块相互进行位置校准并丰富边界环境信息上传至中央处理器的地图映射模块以进行地图更新。

图4所示为无人船集群集中协同式自主探索流程示意图，对无人船集群采用集中协同式探索方式，中央控制器的地图映射模块创建全局地图，并通过任务分配决策模块分配各船的最优目标点，各船的分布控制器根据目标点信息进行路径规划及避障。上述领航及跟随者通过环境感知模块相互进行位置校准并丰富边界环境信息上传至中央处理器的地图映射模块以进行地图更新。

图5所示为无人船集群集中混合式自主探索流程示意图，对无人船集群采用混合协同式探索方式，中央控制器的地图映射模块创建全局地图，并通过任务分配决策模块分配各船的最优目标点，各船的分布控制器创建局部地图并根据目标点信息进行路径规划及避障，根据环境感知模块丰富局部地图，当两船进入彼此的通讯范围内时同时上传局部地图至地图映射模块进行地图融合更新全局地图。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种未知环境下无人船集群自主探索及环境重构方法，其特征在于包括：

在未知水域环境下采用3D激光雷达获取水域环境的三维点云信息，采用RGB-D视觉相机获取水域环境的图像信息，将两者信息融合处理后导入至栅格地图重构未知水域环境；

采用快速探索随机树算法与边界探索算法相结合的策略在未知水域环境中获取待探索目标点，并将待探索目标点在栅格地图中进行可视化显示，将所有获取的待探索目标点归类成集合，定义为探索目标点集；

在探索目标点集中采用无人船集群自主探索方法寻找导航目标点，构建待探索目标点的增益函数，通过比较各目标点的增益大小选择导航目标点。

2.根据权利要求1所述的方法，其特征在于：所述无人船集群自主探索方法根据水域大小、复杂程度探索的时效性、及重构环境的精确度分为集中编队式探索、集中协同式探索和混合协同式探索三种方法。

3.根据权利要求1所述的方法，其特征在于：所述集中编队式探索方法为：采用跟随领航者法在自主探索工作时将无人船统一放置在一块水域中，并指定队形中的某一无人船作为领航者，其他无人船作为跟随者，其中跟随者跟随领航者运动并适时与领航者保持一个期望的距离和方位角，在探索过程中将最优探索目标点指定给领航者，领航者规划一条从当前位置到最优探索目标点的最优航线并控制领航者向前航行，其他跟随者根据领航者的航线动态更新其航行轨迹，若在航行过程中出现当前队形不能通过狭窄水域时则协调各无人船转换编队队形，以完成探索工作，通过其他无人船来校准自身及映射的地图，通过坐标变换将环境信息传送至领航者进行地图实时更新。

4.根据权利要求1所述的方法，其特征在于：所述集中协同式探索方式为：采用集中式结构框架，将无人船统一放置在一块水域中，各无人船根据获取到的环境数据创建环境地图，采用多地图融合功能包将各无人船映射的环境地图进行融合，从待探索目标点集中选取各船最佳目标点并分配至各船，若出现重复分配最佳目标点，则决策分配次优目标点从而使无人船完成探索工作。

5.根据权利要求1所述的方法，其特征在于：所述混合协同式探索方式为：采用总分式结构框架将无人船分散放置在工作水域中，获取无人船实时位置、环境信息、处理数据并分配最优目标点，根据分配的目标点生成相应的最优航行路径，当两船行驶至感知范围内时，再进行信息交互并融合局部地图，将局部地图信息上传并更新实时全局地图，从而控制每艘船在通讯范围内进行信息交互和交流。

6.根据权利要求1所述的方法，其特征在于：所述栅格地图的栅格存在三种状态：占用、空闲和未知，当无人船探索到周围环境存在障碍物，此时栅格为占用状态，并将映射的地图为黑色，该黑色栅格用M_occupied表示，当无人船探索到周围环境不存在障碍物，此时栅格为空闲状态，并将映射的地图为白色，该白色栅格用M_free来表示，当无人船还未探索到未知区域时，此时栅格为未知状态，并将映射的地图为灰色，该灰色栅格用M_unknown表示；在全局地图中点XY的占据概率公式如下：

无人船探索的已知区域表示为M_know＝M_free+M_occupied，未知区域表示为M_unknown，此时定义已知区域和未知区域的交界作为边界；自主探索过程中需要持续提供目标点，将快速探索随机树算法和边界探索策略相结合，在构建好的栅格地图中生成探索目标点集。

7.根据权利要求1所述的方法，其特征在于：所述无人船集群自主探索方法包括全局阶段规划和局部阶段规划，所述全局阶段规划采用基于边界点采样的快速探索随机树方法随机选取一个点作为初始点，该点被称为树根节点x_init，以特定的步长获取采样节点x_rand，选取离采样节点x_rand最近的全局随机树分支节点作为最近节点x_nearest，若采样节点x_rand和最近节点x_nearest连接后经过占用栅格M_occupied则放弃此次随机树生长，重复上述过程直至新采样节点x_new与边界的距离小于设定阈值，则该点作为边界点x_frontier存入探索目标数组中，并针对各船分配增益最大的目标点。

8.根据权利要求7所述的方法，其特征在于：所述局部阶段规划综合考虑路径长度、航行时间代价函数以及目标探索增益选取最优目标点，从探索目标数组中分配最优目标点至各无人船，以无人船当前位置生成局部树根节点并重复全局RRT树的更新步骤，在到达下一目标点后，清除当前局部RRT树，并以当前位置为根节点从新生成局部RRT树，在此过程中使用规划中重复利用的地图信息，当局部范围无未知区域后，调控无人船航行至较远处的目标点，在航行至该目标点的过程中，由于无人船始终航行在已知区域，将当前采集到的特征环境信息与之前的环境信息进行匹配降低在探索过程中产生的误差，从而优化全局地图。

9.根据权利要求8所述的方法，其特征在于：通过引入待探索目标点的增益函数来选择导航目标点进行无人船自主探索，局部阶段规划中RRT树探索目标数组中的边界点K的探索增益公式如下：

其中

为在地图M中到达

处的未知区域的总信息收益，x_k为当前位置到目标点的路径长度，c(x_k)为路径代价函数，γ为时间参数；

的表达式如下：

其中A、B为面积占比系数，

为在

处过环境感知模块获得的未知栅格区域面积，

为从当前位置航行至

处通过环境感知模块获得的未知栅格区域面积；A、B的表达式如下：

Images