AUV是一种能够在复杂的水下环境中完成给定的任务的机器人。经过几十年的研究,有了许多成果，单AUV已经成为各种水下操作的一个重要工具。近年来,随着水下勘探在复杂的环境中的应用，已超越了单个AUV的能力。由于多AUV工作系统具有较高并行性、鲁棒性和协作高效性,已逐渐成为一个重要的研究问题。91337

多AUV搜寻包括多个AUV通过内置传感器互相通信并利用自带的声呐来搜寻、识别目标。多AUV搜寻最重要的问题就是要找到一个合适的算法来平衡多AUV系统的工作负荷并且以高效的方式进行合作。早期关于搜寻算法的研究主要针对于单个机器人。例如：(1)滚动窗口法：

滚动窗口方法在全局未知环境中机器人路径规划。在预测控制中使用滚动优化的概念，机器人充分利用当局实时的环境信息，并以滚动窗口方式在线进行搜寻路径规划，并且以一个合理的方式进行优化和反馈。这种算法的优点是机器人不需要先验知识，能通过检测实时本地信息搜寻到目标点，能保证全局算法的收敛性。缺点是当出现动态障碍物时，不能准确检测本地环境信息，导致路径规划失败。

(2)栅格法

将机器人的工作依据一定的条件分解成若干个栅格。通过机器人自带的传感器将障碍物的信息映射到栅格上。在栅格构成的连通图上搜寻一条从起始栅格到目的栅格的最优路径。缺点就是将机器人搜寻路径离散化，不能准确反映搜寻路径。

(3)人工势场法

基本思想是将机器人在环境中的运动堪称在虚拟的人工受力场中的运动。目标点对机器人产生引力，障碍物对机器人产生斥力，引力和斥力的合力成为控制机器人运动的力，从而使机器人沿势场梯度变化的方向运动，避开障碍物而到达目标位置。

(4)波传播算法

假设把目标点当作一个中心，中心产生波向外扩散，当波到达起始点时，则目标点到起始点最短的波传递途径的逆序就是搜寻路径。虽然可以搜寻到位于栅格移动的最短路径，但不一定是最优路径，全局路径规划将机器人当做质点处理，因而搜寻路径只考虑在转折处发生的转向路径。

(5)螺旋树搜寻法

该方法将工作区域分成多个大小为D的单元格，然后通过螺旋树环构成2D的单元格。但是,由于搜寻链太长，导致搜寻效率较低。该方法将局部占领2D单元格作为螺旋树的特殊节点导致重复覆盖。如果机器人在一个合理的短时间内,不完全覆盖任何特定区域，就必须采用重叠覆盖模式弥补它位置不确定性。这就是螺旋树的缺点。因为它在每个搜寻单元螺旋模式的分支,必须在它的覆盖阶段。据目前的研究状况,还没有一个有效的在线覆盖算法能保证环构时间的限制。

(6)BirdSwarmAlgorithm覆盖法

E。Gonzlez[7]提出BSA螺旋算法,该算法不仅考虑到完整性概念,而且有效的评估覆盖率。即使把扩展BSA更为复杂,它仍然是简单的实现,只需把一些反应规则添加到调用过程和沿墙移动过程。但是该算法对机器人搜寻的初始位置具有一定的约束。随着作业搜寻任务越来越多，任务复杂度越来越大,单机器人由于低效性很难完成搜寻任务，尤其是对于具有时效性的多任务，单个机器人根本实现不了，需要多机器人协同进行搜寻，于是开始了多机器人搜寻算法的研究，例如：

（1）整数线性规划算法通过均匀分布的代理团队解决离散静态开环搜寻路径规划问题。基于线性规划CPLEX

优化过程把精确的新问题公式化,初始网络模型和一个近似解问题的程序结合起来，通常通过启发式方法有效地计算算法最优解。第一次最优解的上界估计值可以用于收敛或通过分析目标性能来比较和权衡搜寻效率和时间。缺点就是不适用闭环环境搜寻和没有考虑预期值和实际的环境信息反馈。