面向海上搜救任务的USV- UAV协同覆盖搜索与避障优化算法

伴随海洋经济的迅猛发展，海上搜救任务面临着日益错综的挑战，传统搜救方式受人工操作效率低下、风险大这类问题限制，不能顺应现代海上搜救的需求，无人艇（USV）与无人机（UAV）作为新诞生的智能搜救装备，具备移动性强、风险系数低等长处，然而其协同作业依然面临搜索效率不好、避障能力不足等技术方面的瓶颈。本研究聚焦于解决 USV - UAV 协同搜救中的关键技术困境，采用智能算法优化实现协同作业效能提升，研究聚焦于覆盖搜索、路径规划以及智能避障等核心要点，计划打造一套完整有效的协同搜救技术体系，该研究对智能搜救装备的技术进步起到推动作用，也为强化我国海上应急搜救能力提供了新的技术手段，具有关键的理论与实践意义[1-3]。

一、协同搜索架构设计

（一）多模态传感器融

1. 传感器类别互补

USV 与 UAV 开展海上搜救时职责不一样、搭载传感器各有倾向，形成互补式感知网络，就海面及水下探测而言，USV 凭借自身特有的属性，配有雷达、声呐及红外传感器，雷达能对远距离水面目标进行扫描获取相关信息，低能见度时依旧可以开展工作；声呐聚焦于水下探测任务，给出精准资料；红外传感器对温度敏感度高，可在夜间、复杂海况所形成的条件下发现目标[4]。而UAV 依靠飞行高度跟机动性的优势，利用激光雷达、视觉摄像头及热成像仪，激光雷达可绘制三维点云图，快速对大面积的海域做扫描；视觉摄像头在晴朗的天气下捕捉海面细节，助力识别小型漂浮物等对象；热成像仪跟USV 的红外传感器较为类似，但鉴于 UAV 高空视角的缘故，覆盖区域更广，夜间实施搜救行动时和USV 的红外传感器相互配合，可增强目标检测结果的准确性。

2. 数据融合流程

仅仅配置多种传感器不足，重点是把其获取的多源数据进行有效融合，卡尔曼滤波算法在这件事上起核心效用，各传感器数据在时空上呈现出差异，算法先开展时空的对齐事宜，就像 USV 雷达数据是以船体坐标系为基准的，UAV 激光雷达数据把飞行姿态坐标系当作参照，算法凭借转换矩阵将数据统一至全局坐标系，实现空间的一致性，传感器工作往往会受噪声干扰，诸如海浪对声呐数据产生干扰、云层对摄像头图像质量产生影响，算法采用预测与更新机制以抑制噪声，依照前一时刻状态预判当前状态，结合测量值对数据进行修正、优化，生成精准的动态环境地图[5]。

3. 融合优势体现

在实际搜救方面，多模态传感器融合的优势极为明显，拿夜间搜救做例子，当传统单个传感器面临大量挑战时，融合后的传感器网络可发挥关键效能，若只凭借视觉摄像头，在黑暗环境当中几乎没办法获取有效信息；而仅借助雷达，尽管能探测到目标的大概所处位置，但很难对目标类型进行分辨 [6-7]。USV 的红外传感器跟 UAV 的热成像仪一起工作，于不同高度和角度对海面实施探测，它们把获取的红外信号数据采用卡尔曼滤波算法处理之后，可清晰地勾勒出溺水人员的位置信息，精确鉴别体温信号，跟单一传感器作对比，目标检测的准确率能大幅上扬，为后续开展的救援行动争取宝贵时间。

（二）分布式协同机制

1. 智能体分层架构

采用多智能体系统（MAS）层级式架构，对海上搜救任务进行拆分，分为规划、执行、验证三个层级，各层级协同配合，规划智能体是搜救行动里的“指挥大脑”，获取地形（像暗礁、浅滩之类的）、气象（像风向、风速、海浪高度之类的）信息，采用算法和模型生成全局的搜索方案，规划 USV 和 UAV 的搜索途径与范围大小。执行智能体由 USV以及 UAV 担任，收到任务后自主实施搜索，以信息素地图机制更新搜索的当前状态，防止重复实施搜索，验证智能体类似“质检员”，对执行智能体的搜索结果实施交叉校验，审查不同执行智能体的信息，保证目标定位精准恰当，杜绝产生救援资源浪费。

2. 协同流程运作

在整个相互协同流程中，各智能体之间信息的交互与任务的执行紧密配合，规划智能体打造出全局搜索方案后，通过高效的通信渠道把任务分配给执行智能体，USV 和 UAV 按既定任务规划，分别往各自的搜索区域驶去，在开展搜索操作期间，它们连续把获取的环境信息、搜索进展等数据反馈给规划智能体，与此同时更新信息素地图。倘若执行智能体在搜索进程内发现异常情形，就像猛地出现的大片漂浮物也许会挡住目标，或者碰到强风让航向出现了偏离，会迅速把这些信息告知规划智能体，规划智能体根据这些反馈的资讯，再次考量搜索方案，必要时对任务作出改动，像重新为 USV 和 UAV 规划搜索路径，以应对突发情形，验证智能体对执行智能体的搜索结果进行持续监控，一旦接获疑似目标信息，迅速启动交叉核查流程，采用分析多源数据的方式，迅速精准地核查目标的真实性。

二、路径优化算法

（一）覆盖搜索策略

1. 网格信息素标记

为实现高效全面的覆盖搜索，基于信息素决策的协同搜索算法先把待搜索海域划分成若干规格相同的网格单元，各个单元作为单独的搜索节点，算法对未搜索区域标记上正信息素，把负信息素标记在已搜索区域，信息素浓度随时间呈动态衰减，USV 和 UAV 开展搜索时，借助传感器实时察觉周边网格的信息素浓度，自主朝着正信息素浓度高的区域转移，倘若网格被彻底覆盖后，负信息素浓度会快速上扬，造就“排斥效果”，引领设备朝未探索区域前进，这种机制杜绝了重复搜索所造成的资源浪费现象，又可保证对重点可疑区域进行集中排查，就像目标或许会漂移的洋流汇聚地带。

2. 自组织网络协同

采用自组织网络通信方式构建设备间的动态协作链路，USV 与UAV 可按照位置改变自主构建通信拓扑，无需借助固定基站，当设备发现高浓度正信息素聚集区域时，会凭借广播把位置信息同步至集群，邻近的设备可调整其路径，形成协同搜索团队。跟传统星型网络依赖中心节点相比较，自组织网络在设备故障或是信号被遮蔽时，可迅速重构通信链路，实现信息即时互通，实际测试发觉，在 100 平方公里规模的搜救区域里面，USV - UAV 集群达成 90% 的搜索覆盖率仅花费71 分钟，跟星型网络比起来，缩短了近 40% 的时间，尤其契合信号不稳定的远海周边环境。

3. 曲线路径规划

鉴于固定翼 UAV 转弯半径存在受限的特性，采用 Dubins 曲线模型对飞行轨迹予以优化，该模型借助计算起点、终点姿态跟最小转弯半径的几何关联，得出直线与圆弧平滑衔接的最短路径，在搜索流程开展中，UAV 凭借相邻网格的位置关系，自主生成连续的 Dubins 曲线，防止急转造成的航程额外浪费。好比在规避小型岛屿这类静态障碍之际，模型可在维持最小转弯半径的时候，做到搜索轨迹无缝覆盖障碍周边的网格，此种路径规划让 UAV 单机搜索效率上升 20% ，跟 USV 的水面直线巡航相配合，形成“空中弧线与水面直线结合”的立体搜索网。

（二）动态路径重规划

1. 强化学习决策机制

采用强化学习（RL）搭建路径动态调整的智能决策系统，把 USV与 UAV 的实时位置、环境的实际状态、目标探测结果作为状态空间，把转向角度、航速调整这类动作当作行为空间，Q-Learning 算法经迭代去计算状态 - 动作值函数 Q （s， 估算不同路径选择的累积收益，优先选定收益最高的行动方针，算法构建奖励体系：若靠近未搜索区域或目标，将获得正奖励，若出现重复搜索或接近障碍的情况获得负奖励，训练后的模型可在复杂环境里迅速收敛到最优决策，实现从“被动应对”到“主动预判”的过渡。

2. 启发式局部重规划

当传感器觉察到突发的障碍（像漂浮的集装箱）或新发现出来的目标时，系统即时开启局部重规划程序，把A * 算法用作核心搜索器，把当前位置当作起点，把目标点当作终点，基于曼哈顿距离和障碍物代价构建启发式函数，在局部范围迅速生成避开障碍的路径。跟全局重规划作比较，该机制仅仅对受影响的 5 - 10 个网格路径进行改动，计算量削减 60% 以上，让设备在高速运动状态下实现毫秒级响应，在模拟城市内涝治理的相近场景里，该动态调整机制促使方案迭代速度提高30%，证实了其在复杂多变环境中的适应能力。

（三）能耗均衡优化

1. 遗传算法路径寻优

采用遗传算法针对 USV 与 UAV 的全局路径进行能耗的优化，把设备续航、航速、转弯能耗之类的参数纳入适应度函数，以实现集群总能耗最小为目标，算法采用模拟生物进化过程的办法，对初始路径种群开展选择、交叉以及变异操作：选取出能耗较低的路径作为父代，依靠基因重组生成新路线，再导入随机变异防止陷入局部最优解，经过 50 代不断迭代后，可得到近似最优的路线组合，就如在岛屿数量多的海域，算法可自动规划出绕岛距离最短且转弯次数最少的路线，跟人工规划比起来，能耗降低15%。

2. 区域合并策略

借用极飞植保无人机多地块合并作业的逻辑模式，将相邻的零散分布搜索区域整合为连续区块，缩减设备在区域彼此间的往返次数，系统借助计算区域重心距离与形状的匹配度，自动识别可实施合并的搜索单元，以将距离小于 500 米的三个独立网格合并成一个矩形区域为例。USV 与 UAV 可依照合并区域的外围轮廓巡航，内部采用 “S” 形往复搜索，让无效的航行距离减少达 30% 以上，处于东海搜救任务期间，该策略把 12 个分散目标点的搜索路径加以整合，成为 3 条连续航线，单程能耗实现 22% 的降低。

3. 续航动态管理

为 USV 设计基于剩余电量的智能续航统筹系统，实时对电池容量与能耗速率开展监测，要是电量降至阈值（一般设定为 30% ），则自动启动返航程序，返航路径采用的是“能耗优先”原则，算法综合结合了洋流方向、风速等环境要素，规划出阻力最小的航行轨迹，若顺流航行，动力消耗大约能降低 15% 。同时为集群配备能量均衡的调度体系，当设备电量呈现偏低态势时，毗连设备会接管其未完成的搜索工作，防止因单个设备返回引起搜索的中断，仿真结果显示，此套续航管理系统使集群单次任务的有效搜索时长延长 1.8 小时，整体能耗降低幅度达25%。

三、智能避障策略

（一）障碍物识别与建模

1. 传感器数据融合

为达成精准的障碍物辨认，把双目视觉跟超声传感器的数据加以融合，构建全维度的感知体系，双目视觉仿照人眼成像的原理，依靠两个摄像头采集不同视角图像，借助视差计算精准测量障碍物的距离，恰似在远距离进行漂浮物探测的时候，双目视觉能给出大略的轮廓及位置资料，误差把控在 5% 以内。超声传感器聚焦于近距离的测量任务，能在 10 米的距离区间实现厘米级精度，有力弥补双目视觉近距探测存在的盲区，卡尔曼滤波算法对二者数据做融合处理，凭借预测与更新环节，去掉数据当中的噪声与偏差，让融合后的数据精度攀升 20% ，为后续开展建模提供可靠凭据。

2. 三维模型构建

基于融合后的数据集，采用点云生成算法创建障碍物三维模型，首先把双目视觉跟超声数据转换为点云数据，采用坐标变换让数据归到同一坐标系当中，之后采用曲面拟合技术，把离散点云拟合转化为连续曲面，还原障碍物的实际模样，好比在处理渔网等不规则障碍物的情形下，该方法能精确勾勒出它的复杂轮廓，于 Gazebo 仿真环境中，识别的准确率为 98% ，凭借纹理映射给模型添加细小的细节，加强模型的可辨识度，为避障决策提供直观的实际环境信息。

（二）实时避障决策

1. 人工势场构建

依照人工势场法，为 USV 与 UAV 研制动态避障力场，一旦探测到障碍物，以障碍物为中心形成排斥力场，该强度跟距离成反比例关系，保障设备在靠近障碍物时可及时被推离，目标点就产生吸引力，引导设备逼近，经由调整势场参数，恰似斥力系数、引力系数，可灵活把控避障与目标搜索的优先级，处于复杂的多障碍环境里面，恰当的参数设定能让设备避障成功率增加 30% ，按照矢量合成原理，计算设备在受力下合力方向，精准校准运动轨迹。

2. 强化学习提速

采用深度强化学习（DRL）加快避障决策速度，构建把环境状态（障碍物位置、速度、自身状态）作为输入的模型，以避障动作（转向角度、加减速）作为输出结果的神经网络模型，借助 Q 学习、A3C 等算法实施训练，依靠大量仿真场景开展模拟，使模型快速达到最优策略的收敛[13]。在实际开展应用的阶段，模型可在毫秒级的时长里输出避障指令，和传统方法比起来，决策时间降低幅度为 80% ，好比在无人机竞速的场景中，采用卡尔曼滤波开展降噪，该策略使无人机在复杂环境飞行时稳定性提升 40% ，切实防止发生碰撞。

3. 多策略协同

针对各类场景，采用多避障策略联合协同机制，在开阔的海域里，主要采用人工势场法，依靠其直观且易达成的优势开展全局路径规划；在障碍物密集存在的区域，切换采用深度强化学习策略，利用其快速做出决策的能力，要是遇到大型固定障碍的话，开启基于 A 算法的局部路径重规划，让设备安全地绕过障碍物，比如在搜救区域发现多艘废弃船只时，首先通过人工势场明确大概的避障方向，然后借助强化学习模型微调动作，和 A 算法结合以生成精确绕障路径，实现高效地躲避障碍。

（三）动态环境适应

1. 气象海况预测

构建气象 - 海况预测模型，合并卫星云图、浮标监测、数值模拟等多渠道数据，实时更新风、浪、流这类环境参数，模型采用机器学习算法针对历史数据进行训练，预测精度跟传统方法相比提升了 15% ，当预测风暴马上就要来了，提前六到十二小时发布预警，给 USV 与 UAV调整行动预留充足时间，好似在台风来临前夕，模型可精确预估路径与强度，引导设备预先绕开危险地带，保证作业的安全性。

2. 设备模式切换

依照气象海况的变化，USV 与UAV 自动切换运转模式，当USV 检测出海浪高度超出2 米时，自动切换为抗浪模式，矫正船身的姿态，提高船只稳定性，无人机遇到强风（风速超过 15m/s）时，若与母船的距离较近，便迅速归航；若不能回到母船，则探寻附近适宜的安全降落点，恰似海岛的平坦地块，该模式切换机制在若干次海上测试里，顺畅保障设备安全运转，未发生因恶劣天气引起的设备损毁[14，15]。

3. 搜索参数调整

依靠多模态传感器实时监测海况状况，实时动态调节搜索参数，若海面出现了大雾，UAV 把飞行高度降低至 50 - 100 米范围，提高相机的分辨能力，增强目标识别成效；USV 然后扩大声呐的探测功率，扩充水下搜索范围，若海流速度呈现加快状态，对搜索路径作出调整，使搜索路径沿着水流下行，增进搜索效率，在南海西部油田的通信保障实例里，类似的机制顺利应对大气波导干扰，采用调整 UAV 通信频率与功率的方式，维持通信的稳定性，保障了油田跟外界之间的信息通达。

四、通信保障机制

（一）网络拓扑优化

1. 混合架构搭建

海洋环境十分复杂，单一通信手段难以契合 USV - UAV 协同作业需求，构建以微波通信为主导、卫星通信为辅助的混合网络体系，微波通信借助其本身的高带宽特性，成为 USV 与 UAV 实时数据交互的主要支柱，USV 携带了微波通信装置，能和低空飞行的UAV 迅速传递图像、传感器相关数据等信息，数据传输速率可实现百兆级水平，满足实时避障、协同搜索对信息及时性的苛刻要求。里面应用了交叉极化干扰抵消技术，该技术借助精准识别来消除同频段不同极化方向信号间的干扰，仿若在拥堵的通信“航道”上，为不同信号界定清晰车道，使信号传输稳定性增强，误码率降幅达 50% 以上，卫星通信成为可靠后盾，凭借其覆盖面积广、不受地理环境限制的长处，当 USV 和 UAV 与陆地基站拉开距离时，维持长距离通信链路的畅通，保证指挥中心与作业设备间指令的传递及状态反馈。

2. 动态拓扑调整

为进一步拓宽通信覆盖范围，系统具备对网络拓扑进行动态调整的能力，铺建多跳中继网络，当 UAV 飞行至通信领域的边缘区域时，能自动担当起中继节点，接收USV 信号，接着转发到更远距离的设备，在茫茫的远海搜救活动中，多架无人机排成链式拓扑结构，把信号做接力传递，让通信范围冲破单一设备的限制，覆盖半径较传统单跳网络扩大 3 倍以上，依靠实时地理位置与信号强度的监测，拓扑结构可实现自适应改变，若中继 UAV 信号遭遇阻碍，周边设备马上重新编排网络，维持通信链路的稳固性，保障信息输送不中断。

（二）抗干扰通信协议

1. 时隙分配机制

以时分多址（TDMA）为基础设计专属通信协议，为 USV 和 UAV恰当分配专属时隙，处于通信进程期间，各设备依据既定的时隙有秩序地发送和接收数据，如同规划妥当的交通时刻表，杜绝信号出现碰撞，在搜救活动繁忙的地带，多台 USV 跟 UAV 同时协同作业，TDMA 协议保障每台设备在各自特定时隙内传输数据，不会因争抢信道引起通信的拥堵，信道利用率增长 30% 以上，采用高精度时钟同步技术，让各设备时隙实现精准对齐，哪怕碰到复杂的海况情形，依然可以让通信稳定进行。

2 扩频跳频抗扰

为抵抗海上多变的电磁干扰，采用扩频技术与实施跳频通信，扩频技术把原始信号频谱加以扩展，让其能量分散进更宽的频段，降低干扰信号对有用信号造成的干扰，好比将贵重的东西分散存放，减小被弄坏的几率，跳频通信让设备在各不同频率间快速转变，按照已预设好的伪随机序列变动通信频率，使干扰源没办法锁定通信频率实施干扰，在强电磁干扰的海域测试里，采用这项技术后，通信中断的次数减少了七成，可靠保障了数据传输的连贯。

3. 区块链保安全

采用区块链技术，稳固搜救信息的安全防线，对数据进行加密处理，并以分布式途径存储在区块链网络里面，每个节点皆保存着完整数据副本，若出现数据篡改，就会引发全网节点校验的失败，维护数据完整性与真实性，基于区块链采用的加密算法，保证数据传输阶段不被窃取，防止搜救信息向外流出，在专网无线通信实际开展应用期间，该协议成功消除了海域通信覆盖与带宽的矛盾冲突，在做到广泛通信覆盖的时候，保障信息的安全无虞，给海上搜救任务提供可靠的通信支撑。

结论与展望

USV - UAV 协同实施覆盖搜索与避障优化算法，凭借多模态传感器融合、分布式协同机制以及智能算法，大幅提高了海上搜救的效率与可靠性，未来应进一步对集群的抗毁性设计展开研究，开发针对极地、深海等极端环境的搜救方案，把 5G 跟边缘计算技术结合在一起，增进通信实时性与决策智能水平，促进海上搜救朝着无人化、智能化方向迈进。

参考文献

[1] 魏松林 ， 林静敏 ， 蔡艺军 . 基于改进 Y OLOv8 的无人机海上搜救目标检测算法 [J]. 绵阳师范学院学报 ，2025，44（08）：36- 46.

[2] 李赛博 ， 王晓璐 ， 代君 ， 等 . UAV- Y OLO：面向海上搜救的无人机多尺度抗干扰目标检测算法 [J/OL]. 海军航空大学学报 ，1- 8[2025-08- 13].

[3] 孔垂乐 ， 孟昱煜 ， 火久元 ， 等 . 改进 Y OLOv11 的无人机海上小目标检测算法 [J/OL]. 计算机工程与应用 ，1- 15[2025- 08- 13].

[4] 董延 . 基于深度强化学习的多无人机海上动态目标搜索方法研究 [D]. 大连交通大学 ，2025.

[5]Z hao Z ，Shen H ，Liang X ， et al. C onstruction of a virtual dataset of maritime search and rescue targets for unmanned aerial vehicles[J].Ocean Engi neering，2025，328120926- 120926.

[6]G eng W ，Y i J ，C heng L . A n efficient detector for maritime search and rescue object based on unmanned aerial vehicle images[J]. Displays，2025，87102994- 102994.

[7]X iuku D ，Jing W . R esearch on the Application of Small UAV s in Maritime Search and R escue Activities[J].Journal of Electronic R esearch and Application，2025，9（1）：282- 287.