自主陆地、水上和空中车辆安全路径规划方法综述及其网络安全分析

　　为应对确保自主车辆安全运行的挑战，本文对研究人员为确定多车辆合作与非合作导航情景中（考虑不同交通密度和碰撞风险评估）的安全最优路径所开发的方法进行了比较评估。针对三种自主车辆类型——陆地、水上和空中——研究人员提出了运动学轨迹（KT）方法、动态轨迹（DT）方法

　　为应对确保自主车辆安全运行的挑战，本文对研究人员为确定多车辆合作与非合作导航情景中（考虑不同交通密度和碰撞风险评估）的安全最优路径所开发的方法进行了比较评估。针对三种自主车辆类型——陆地、水上和空中——研究人员提出了运动学轨迹（KT）方法、动态轨迹（DT）方法和博弈轨迹（GT）方法。为此，采用了线性与动态规划、人工神经网络以及矩阵与位置多人博弈。在复杂度不同的测试导航情景中，针对这三种确定安全轨迹的方法进行的仿真研究，使得能够比较它们在各种环境状态下的有效性。此外，还描述了针对自主车辆三个运行区域的仿生解决方案。该分析还强调了用于各类自主车辆的网络安全类型与方法。

　　自主车辆的安全运行高度依赖于路径规划的有效性，其核心挑战在于如何在动态环境中同时满足物理约束、规避碰撞风险并优化行驶效率。现有路径规划算法多基于图搜索、概率方法或人工智能，但往往忽略了车辆作为合作或非合作控制对象在多车交通情景中的动态特性。此外，针对陆地、水上和空中三类自主车辆（陆地自主移动机器人（AMR）与自主车辆（AV）、水上自主水面车辆（ASV）与自主船舶（MASS）及自主水下航行器（AUV）、空中自主飞行器（AAV））的路径规划方法缺乏系统性比较，特别是在考虑网络安全威胁对路径规划影响方面存在空白。因此，研究人员旨在通过融合自动控制理论、人工智能与博弈论，开发适用于不同类型自主车辆的安全轨迹确定算法，并评估其最优性与抗攻击能力。该论文发表于《Applied Sciences》。

　　研究人员采用了三大类关键技术方法：优化方法（包括线性规划、动态规划、线性二次型调节器（LQR）、模型预测控制（MPC）及线性矩阵不等式（LMI））、人工智能方法（人工神经网络（ANN）、模糊控制、进化算法、专家系统、粒子群算法、多智能体系统（MAS）及机器学习）以及博弈论方法（矩阵博弈与位置博弈）。这些方法被应用于三类自主车辆六种轨迹规划方法中：运动学轨迹（KT）方法、动态轨迹（DT）方法以及合作（GTc）与非合作（GTnc）博弈轨迹（GT）方法。仿真数据来源于测试导航情景，考虑了车辆数量与碰撞风险等关键特征。

　　- 自主移动机器人（AMR）：通过比较KT、DT、GTc及GTnc方法确定的安全轨迹，发现GTc多目标合作博弈方法产生的轨迹偏离参考路径最小，DT方法（结合人工神经网络与动态规划）效果相近，KT方法简单快速但偏离稍大，而GTnc方法在不确定情景下适用但偏离最大。

　　- 自主车辆（AV）：在双向交通与单向交通中分别评估了KT、DT、GTc及GTnc方法。双向交通中各类算法差异较小，而单向交通中DT方法对安全轨迹偏离极为敏感，这是由于神经网络表征的通行车辆权重更高。

　　- 自主水面车辆（ASV）：比较了KT方法与GTnc方法确定的安全轨迹，发现非合作博弈方法在考虑不确定环境因素时更优，但KT方法计算效率更高。

　　- 自主船舶（MASS）：通过KT（线性规划算法KTa、粒子群算法KTa、模糊神经网络算法KTfn）、DT（动态规划算法）及GT（合作博弈GTc、非合作博弈GTnc）方法比较，发现KTa粒子群算法与DT人工神经网络算法产生的轨迹偏离最小，严格遵循国际海上避碰规则（COLREGs）。

　　- 自主水下航行器（AUV）：采用多智能体系统（MAS）概念，GPK电子通过8个AUV协作搜索格丁尼亚港的案例，证明MAS能够有效完成水下目标识别任务，轨迹稳定化系统通过直接数字控制（DDC）结合增量式PID算法实现。

　　- 轨迹规划：基于博弈论方法构建多步矩阵博弈模型，考虑碰撞风险（由最小距离、最小时间及距离比加权计算）。在低、GPK电子中、高交通密度下，GTc合作博弈方法确保最小轨迹偏离，GTnc方法适用于高密度非合作场景，KT方法简单但偏离较大。

　　- 针对各类自主车辆，分析了GPS欺骗、信号干扰、中间人攻击、拒绝服务攻击等威胁，并提出了加密通信、安全启动、访问控制、入侵检测系统等防御措施。仿生车辆（如模仿昆虫、鸟类、海洋生物）在结构、运动效率与隐蔽性方面具有优势，但网络安全同样关键。

　　研究显示，不同方法在安全轨迹偏离、计算复杂度与适应性方面存在权衡。GTc方法在多数场景下偏离最小，但依赖于碰撞风险模型的精确形式；DT方法对通行车辆域形状敏感；KT方法简单但偏离较大。车辆数量超过100时，计算内存与可扩展性限制导航能力。网络安全攻击（如GPS欺骗、传感器数据注入）可直接误导定位与数据融合模块，导致基于虚假坐标的路径规划，进而引发失控或碰撞。

　　本文比较了自主车辆的安全路径规划方法，考虑了车辆运动学与动力学特性以及碰撞风险。通过应用控制理论、博弈论与人工智能，可结合交通密度考虑多车运动。仿真结果表明，非合作博弈轨迹方法在意外、问题情景中能有效确保车辆安全行驶，尽管路径会偏离指定路线。此外，将人工神经网络集成到安全路径的动态规划中，可随遭遇车辆数量增加而减少计算时间，并优化安全通行距离值。尽管存在这些积极发现，本研究仍有一些局限性：博弈轨迹方法对碰撞风险数学模型的形式极为敏感；动态轨迹方法对计算中考虑的通行车辆域形状敏感；假设的机动提前时间（依赖于未知的通行车辆动力学）显著影响计算出的安全路径。未来研究应通过合成恰当的碰撞风险模型与域形状来解决这些局限性，并利用不同类别自主车辆的标准时间常数值确定提前时间，同时开展更详细的仿真研究以验证方法在实际场景中的适用性，并改进算法以确保结果可重复性。