CN107219760A - 一种多属性约束模糊推理的uuv协调控制模块建模方法 - Google Patents

Abstract

本发明提出一种多属性约束模糊推理的UUV协调控制模块建模方法，通过分析多属性约束模糊推理的协调控制模型原理，提出时间充裕度、任务复杂度和能力约束度等三个约束属性作为模糊推理的变量，并设计相应的模糊逻辑谓词和隶属度函数。最后，依据三个属性谓词对UUV协调系统推理贡献大小，建立时间充裕度最高、任务复杂度次之和状态约束度最低的模糊规则谓词排序，以此产生27条模糊规则用于UUV智能性建模。上述多属性约束模糊推理的UUV协调控制模块建模方法设计合理，适合应用在UUV水下作业过程中知识结构复杂、信息完备性差等情况下的知识表示和推理，对于提高UUV行为规则反应时间和效率，以及提高UUV智能性建模具有重要意义。

Description

一种多属性约束模糊推理的UUV协调控制模块建模方法

技术领域

本发明属于UUV建模与仿真领域，具体为一种多属性约束模糊推理的UUV协调控制模块建模方法。

背景技术

海洋作为人类生存的战略空间蕴藏着丰富的资源，已成为世界各国发展海洋经济、创新海洋装备、维护海洋权益和开展国际合作的重要场所。作为认识、探索、开发和利用海洋的重要手段，无人水下航行器(Unmanned Underwater Vehicle，UUV)已广泛应用于海洋环境监测、海底石油勘探、水下空间搜救和水下无人作战等民用和军事领域。但是UUV在未知的、动态的、复杂的水下介质环境中作业，与地面及空间运载工具相比，其自主规划和控制系统更为复杂。当前，随着UUV向高智能性方向发展，对其智能决策和学习能力建模提出了更高的要求。

在UUV结构中常常可以将其进行模块化划分为：传感器模块、协调控制模块、动力推进模块、通信模块等四个关键部分，通过这四个模块之间的逻辑信息计算实现UUV水下环境的无人操控、自主管理和独立执行任务。其中，协调控制模块在UUV结构模型中起到承上启下的关键作用，其目的在于协调UUV内部各种模块行动，提高内部结构信息流和控制流的紧耦合度，同时对于行为规则的反演、学习和更新具有重要的指导意义。可见，协调控制模块负责整个UUV的协调运行，对于UUV的智能性构建起到决定性的作用。

UUV在水下作业过程中需要面临两个复杂因素：(1)水下作业环境复杂，海风、浪、流、涌、水深、温度、盐度等水声环境和水下复杂地形以及海洋生物组成的复杂水下环境对UUV影响非常之大；(2)水下作业任务复杂，UUV作为运载、通讯或者导航节点在海底勘测、协同搜索、水下作战等任务方面具有无可替代的作用。这两种因素相互影响会耦合产生大量离散事件和信息，包括UUV自身运动信息、任务信息、环境信息以及约束信息等。这些离散事件和信息往往具有不完全性、模糊性、随机性以及并发性等特点，如何更好的利用这些事件和信息对于提高UUV智能性具有重要的意义。

发明内容

为实现UUV智能性表达与建模，本发明针对UUV智能性建模问题进行研究，提出一种多属性模糊协调控制的UUV智能性建模方法。

本发明中模糊推理的UUV协调控制原理逻辑关系为：UUV在水下作业时，根据携带的传感器系统获取水下作业特征信息，将特征信息传递给模糊协调控制器，模糊协调控制器根据三个约束属性：时间充裕度、任务复杂度和能力约束度进行模糊推理，根据模糊推理结构选择采用具体的控制器行为规则，如果认为任务简单或时间紧急则采用反应处理，直接将行为规则传递给UUV推进系统；如果任务复杂或者时间充裕采用学习机制，利用UUV的知识库进行学习；其余情况采用规划处理。

依据上述原理，本发明的具体步骤为：

所述一种多属性约束模糊推理的UUV协调控制模块建模方法，其特征在于：包括以下步骤：

步骤1：根据UUV任务及环境参数，计算时间充裕度H_A、任务复杂度N_A和能力约束度M_A；

其中、

时间充裕度H_A＝H_A(E)×H_A(T)，

H_A(E)表示UUV在环境E下的时间充裕度，H_A(T)表示UUV在任务T下的时间充裕度；t表示UUV在环境E下完成任务T的最长时间，e_E表示水下作业环境影响因子，t_T表示作业任务影响因子，I_A(e_E)和I_A(t_T)分别表示环境E和任务T的重要程度；

任务复杂度

f_S(T)表示作业任务特征因子t_F与匹配任务特征因子T_b的相似程度，匹配任务特征因子T_b指知识库中与当前任务T的匹配任务特征因子，C_A(T)表示完成任务T的自信度；

能力约束度

f(S)表示完成任务T对UUV自身状态S的约束因子；

步骤2：根据步骤1得到的时间充裕度、任务复杂度和能力约束度的定量指标，采用以下隶属度函数将时间充裕度、任务复杂度以及能力约束度模糊划分为模糊谓词{不充裕、一般、充裕}；其中

时间充裕度H_A∈[0，1/3)时，模糊谓词H_A∈[1/3，2/3)时，模糊谓词H_A∈[2/3，1]时，模糊谓词

任务复杂度N_A∈[0，1/3)时，模糊谓词N_A∈[1/3，2/3)时，模糊谓词N_A∈[2/3，1]时，模糊谓词

能力约束度M_A∈[0，1/3)时，模糊谓词M_A∈[1/3，2/3)时，模糊谓词M_A∈[2/3，1]时，模糊谓词

步骤3：根据步骤2确定的时间充裕度、任务复杂度以及能力约束度解模糊结果，利用以下模糊规则库，得到模糊推理输出：

Rule1：then P₁＝T1

Rule2：then P₂＝T1

Rule3：then P₃＝T2

Rule4：then P₄＝T1

Rule5：then P₅＝T2

Rule6：then P₆＝T1

Rule7：then P₇＝T2

Rule8：then P₈＝T2

Rule9：then P₉＝T1

Rule10：then P₁₀＝T3

Rule11：then P₁₁＝T3

Rule12：then P₁₂＝T3

Rule13：then P₁₃＝T2

Rule14：then P₁₄＝T2

Rule15：then P₁₅＝T1

Rule16：then P₁₆＝T1

Rule17：then P₁₇＝T2

Rule18：then P₁₈＝T3

Rule19：then P₁₉＝T2

Rule20：then P₂₀＝T2

Rule21：then P₂₁＝T3

Rule22：then P₂₂＝T2

Rule23：then P₂₃＝T3

Rule24：then P₂₄＝T3

Rule25：then P₂₅＝T3

Rule26：then P₂₆＝T3

Rule27：then P₂₇＝T3

其中P_i(i＝1,2,…,27)表示模糊推理输出，T1,T2,T3表示采用的行为规划方式，T1为反应处理，T2为规划处理，T3为学习处理。

有益效果

本发明根据UUV结构特点，设计多属性约束模糊推理的协调控制模型原理，并分析模型各个结构的功能。其次，提出时间充裕度、任务复杂度和能力约束度等三个约束属性作为模糊推理的变量，并设计相应的模糊逻辑谓词和隶属度函数。最后，依据三个属性谓词对UUV协调系统推理贡献大小，建立时间充裕度最高、任务复杂度次之和状态约束度最低的模糊规则谓词排序，以此产生27条模糊规则用于UUV智能性建模。上述多属性约束模糊推理的UUV协调控制模块建模方法设计合理，适合应用在UUV水下作业过程中知识结构复杂、信息完备性差等情况下的知识表示和推理，对于提高UUV行为规则反应时间和效率，以及提高UUV智能性建模具有重要意义。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1、基于模糊推理UUV协调控制模块设计原理。

图2、隶属度函数示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明针对UUV智能性建模问题进行研究，设计一种多属性约束模糊推理的UUV协调控制模块建模方法。首先根据UUV结构特点，设计多属性约束模糊推理的协调控制模型原理，并分析模型各个结构的功能。其次，提出时间充裕度、任务复杂度和能力约束度等三个约束属性作为模糊推理的变量，并设计相应的模糊逻辑谓词和隶属度函数。最后，依据三个属性谓词对UUV协调系统推理贡献大小，建立时间充裕度最高、任务复杂度次之和状态约束度最低的模糊规则谓词排序，以此产生27条模糊规则用于UUV智能性建模。基于模糊推理的UUV协调控制模块设计原理如图1所示。

1、该模糊推理的UUV协调控制模块设计原理为：UUV在水下作业时，根据携带的传感器系统获取水下作业特征信息，将特征信息传递给模糊协调控制器，模糊协调控制器根据三个约束属性：时间充裕度、任务复杂度和能力约束度进行模糊推理，根据模糊推理结构选择采用具体的控制器行为规则，如果认为任务简单或时间紧急则采用反应处理，直接将行为规则传递给UUV推进系统；如果任务复杂或者时间充裕采用学习机制，利用UUV的知识库进行学习；其余情况采用规划处理。

2、确定时间充裕度、任务复杂度和能力约束度

时间充裕度(Time adequacy)：E表示水下作业环境，e_E表示水下作业环境影响因子，T表示作业任务，t_T表示作业任务影响因子，H_A(E)和H_A(T)分别表示UUV在环境E下完成任务T的时间充裕度，H_A(E)和H_A(T)越大表示UUV认为应对环境和任务的充裕度越大，否则越低，时间充裕度H_A计算公式定义如下：

I_A(e_E)∈[0,1]，I_A(t_T)∈[0,1]

H_A＝H_A(E)×H_A(T)

式中，t表示UUV在环境E下完成任务T的最长时间，t越小表示在环境E中完成任务T的时间越小，则充裕度H_A(E)和H_A(T)越小，反之越大。I_A(e_E)和I_A(t_T)表示UUV认为当前环境E和任务T的重要程度。

任务复杂度(Task complexity)：T表示作业任务，N_A分别表示UUV认为任务T的任务复杂度，N_A越大表示UUV认为任务的复杂度越高，否则越低，其计算公式定义如下：

f_S(T)＝||t_F-T_b||，f_S(T)∈[0,T]

式中，t_F表示作业任务的特征因子，T_b表示知识库中与当前任务T的匹配任务特征因子，f_S(T)表示两者的相似程度，当f_S(T)越大，表示UUV处理任务T的知识较少，即N_A越小。C_A(T)表示UUV对完成任务T的自信度，其中C_A(T)＝0表示UUV对完成任务T没有信心，C_A(T)＝1表示UUV完全有信息完成任务。显然，C_A(T)越大，则UUV认为任务复杂度越小，反之越小。

能力约束度(Capacity constraint)：M_A分别表示UUV完成任务T的自身能力S的约束度，M_A越大表示UUV认为任务T的能力约束，否则越小，反映了UUV对完成任务T的自我认识水平，其计算公式定义如下：

式中，f(S)表示完成任务T对UUV自身状态S的约束因子，f(S)＝0表示UUV认为任务T对自身状态S不会产生任何约束，f(S)＝1表示UUV认为任务T对自身状态产生破坏性约束，如UUV携带能源为零或丧失运动能力。

3、模糊推理与模糊规则

根据定量指标时间充裕度、任务复杂度和能力约束度的定义，将时间充裕度H_A模糊划分为模糊谓词{不充裕、一般、充裕}，即任务复杂度N_A划分为模糊谓词{不复杂、一般、复杂}，即能力约束度M_A划分为模糊谓词{不约束、一般、约束}，即为了设计和计算简单，时间充裕度、任务复杂度和状态约束度的隶属度函数相同，如图2所示。

模糊系统的输出则为依据环境和任务UUV具体选择要采用的行为规划方式{T1:反应处理(Reaction)，T2:规划处理(Planning)、T3:学习处理(Learning)}三个子系统；即E/T_A＝{T1,T2,T3}。如果认为任务简单或时间紧急则采用反应处理，直接将行为规则传递给UUV推进系统；如果任务复杂或者时间充裕采用学习机制，利用UUV的知识库进行学习；其余情况采用规划处理，利用知识库进行规划处理。

需要说明的是，时间充裕度、任务复杂度和状态约束度的模糊谓词在模糊规则中存在排序高低的问题，其中时间充裕度最高，任务复杂度次之，而状态约束度最低，即三个谓词的顺序是规则中条件对结论贡献大小程度的一种考量。同时，由于隶属度函数设计的特殊性，最后模糊推理结果为区间[0,1]之间的常数，不需要进行解模糊化，直接利用最后的结果进行选择。

具体模糊推理给出以下形式的模糊规则库：

Rule1：then P₁＝T1

Rule2：then P₂＝T1

Rule3：then P₃＝T2

Rule4：then P₄＝T1

Rule5：then P₅＝T2

Rule6：then P₆＝T1

Rule7：then P₇＝T2

Rule8：then P₈＝T2

Rule9：then P₉＝T1

Rule10：then P₁₀＝T3

Rule11：then P₁₁＝T3

Rule12：then P₁₂＝T3

Rule13：then P₁₃＝T2

Rule14：then P₁₄＝T2

Rule15：then P₁₅＝T1

Rule16：then P₁₆＝T1

Rule17：then P₁₇＝T2

Rule18：then P₁₈＝T3

Rule19：then P₁₉＝T2

Rule20：then P₂₀＝T2

Rule21：then P₂₁＝T3

Rule22：then P₂₂＝T2

Rule23：then P₂₃＝T3

Rule24：then P₂₄＝T3

Rule25：then P₂₅＝T3

Rule26：then P₂₆＝T3

Rule27：then P₂₇＝T3

式中，P_i(i＝1,2,…,27)表示模糊推理输出。

可见，多属性约束模糊推理的UUV协调控制模块建模方法设计合理，适合应用在UUV水下作业过程中知识结构复杂、信息完备性差等情况下的知识表示和推理，对于提高UUV行为规则反应时间和效率，以及提高UUV智能性建模具有重要意义。

依据上述方法说明，下面给出某型UUV在水库进行两次实验：规避障碍和水下搜索，并通过实验数据如表1所示进行实例分析。

表1 实验数据列表

任务类型	规避障碍	水下搜索
			任务时间t	0.54	0.98
UUV认为当前环境E重要程度IA(eE)	0.76	0.52
			UUV认为当前任务T重要程度IA(tT)	0.96	0.38
作业任务特征因子tF	0.67	0.67
			知识任务库匹配特征因子Tb	0.32	0.96
完成任务自信度CA(T)	0.52	0.79
			约束因子f(S)	0.06	0.37

具体步骤如下：

Step1：计算时间充裕度H_A，如表2所示：

表2 时间充裕度H_A

任务类型	规避障碍	水下搜索
			HA(E)	0.58	0.39
HA(T)	0.64	0.72
			HA	0.3712	0.2808

Step2：计算任务复杂度N_A，如表3所示：

表3 任务复杂度N_A

任务类型	规避障碍	水下搜索
			fS(T)	0.79	0.29
NA	0.5859	0.7588

Step3：计算能力约束度M_A，如表4所示：

表4 能力约束度M_A

Step4：根据时间充裕度H_A任务复杂度N_A,能力约束度M_A，规避障碍和水下搜索两种作业任务情况下选择的模糊推理谓词分别为如表5所示：

表5 时间充裕度H_A、任务复杂度N_A、能力约束度M_A逻辑谓词选择

任务类型	规避障碍	水下搜索
			HA	B	NB
NA	B	PB
			MA	NB	B

Step5：依次设定时间充裕度H_A任务复杂度N_A,能力约束度M_A为模糊规则条件顺序，则根据图2进行模糊推理，规避障碍作业任务情况下推理结果为Rule14：P₁₃＝T2，水下搜索作业任务情况下推理结果为Rule8：P₈＝T2。两种UUV水下作业情况T2表示两种作业情况下需要进行规划处理(Planning)。

可见，通过时间充裕度H_A、任务复杂度N_A、能力约束度M_A作为模糊输入，反应处理T1、规划处理T2和学习处理T3作为模糊输出，利用模糊推理可以使UUV系统能够清晰地根据水下环境和任务自适应选择UUV行为规则产生模式，提高水下作业任务的效率和时间。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种多属性约束模糊推理的UUV协调控制模块建模方法，其特征在于：包括以下步骤：

步骤1：根据UUV任务及环境参数，计算时间充裕度H_A、任务复杂度N_A和能力约束度M_A；

其中、

时间充裕度H_A＝H_A(E)×H_A(T)，

I_A(e_E)∈[0,1]，I_A(t_T)∈[0,1]

H_A(E)表示UUV在环境E下的时间充裕度，H_A(T)表示UUV在任务T下的时间充裕度；t表示UUV在环境E下完成任务T的最长时间，e_E表示水下作业环境影响因子，t_T表示作业任务影响因子，I_A(e_E)和I_A(t_T)分别表示环境E和任务T的重要程度；

任务复杂度f_S(T)＝||t_F-T_b||

f_S(T)表示作业任务特征因子t_F与匹配任务特征因子T_b的相似程度，匹配任务特征因子T_b指知识库中与当前任务T的匹配任务特征因子，C_A(T)表示完成任务T的自信度；

能力约束度

f(S)表示完成任务T对UUV自身状态S的约束因子；

步骤2：根据步骤1得到的时间充裕度、任务复杂度和能力约束度的定量指标，采用以下隶属度函数将时间充裕度、任务复杂度以及能力约束度模糊划分为模糊谓词{不充裕、一般、充裕}；其中

时间充裕度H_A∈[0，1/3)时，模糊谓词时，模糊谓词H_A∈[2/3，1]时，模糊谓词

任务复杂度N_A∈[0，1/3)时，模糊谓词时，模糊谓词N_A∈[2/3，1]时，模糊谓词

能力约束度M_A∈[0，1/3)时，模糊谓词时，模糊谓词M_A∈[2/3，1]时，模糊谓词

步骤3：根据步骤2确定的时间充裕度、任务复杂度以及能力约束度解模糊结果，利用以下模糊规则库，得到模糊推理输出：

Rule1：then P₁＝T1

Rule2：then P₂＝T1

Rule3：then P₃＝T2

Rule4：then P₄＝T1

Rule5：then P₅＝T2

Rule6：then P₆＝T1

Rule7：then P₇＝T2

Rule8：then P₈＝T2

Rule9：then P₉＝T1

Rule10：then P₁₀＝T3

Rule11：then P₁₁＝T3

Rule12：then P₁₂＝T3

Rule13：then P₁₃＝T2

Rule14：then P₁₄＝T2

Rule15：then P₁₅＝T1

Rule16：then P₁₆＝T1

Rule17：then P₁₇＝T2

Rule18：then P₁₈＝T3

Rule19：then P₁₉＝T2

Rule20：then P₂₀＝T2

Rule21：then P₂₁＝T3

Rule22：then P₂₂＝T2

Rule23：then P₂₃＝T3

Rule24：then P₂₄＝T3

Rule25：then P₂₅＝T3

Rule26：then P₂₆＝T3

Rule27：then P₂₇＝T3

其中P_i(i＝1,2,…,27)表示模糊推理输出，T1,T2,T3表示采用的行为规划方式，T1为反应处理，T2为规划处理，T3为学习处理。