CN107870621B - 在未知复杂海底地形环境中的自主水下机器人避碰方法 - Google Patents
在未知复杂海底地形环境中的自主水下机器人避碰方法 Download PDFInfo
- Publication number
- CN107870621B CN107870621B CN201610936341.9A CN201610936341A CN107870621B CN 107870621 B CN107870621 B CN 107870621B CN 201610936341 A CN201610936341 A CN 201610936341A CN 107870621 B CN107870621 B CN 107870621B
- Authority
- CN
- China
- Prior art keywords
- auv
- collision prevention
- region
- underwater robot
- sonar image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Abstract
本发明涉及在未知复杂海底地形环境中的自主水下机器人避碰方法,包括以下步骤:水下机器人对采集的声纳图像数据进行处理,得到障碍目标;根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为。本发明环境感知虚警率低。获取前视声呐图像,采用图像处理方式感知障碍,提高了障碍识别的准确性。能够满足AUV在复杂海底地形环境中安全无碰的执行任务。保证AUV不发生近底碰撞,也不会出现底部丢失的问题。提高探测效率。保证AUV探测作业的航迹要求,重复覆盖或留白的情况少。
Description
技术领域
本发明涉及自主水下机器人(简称AUV)技术领域,尤其涉及一种AUV在未知复杂海底地形环境中的避碰方法,实现AUV在未知复杂海底地形环境中安全无碰且保证海底探测任务完成的有效方法。
背景技术
如今AUV已经在深海探测方面发挥了很大的作用,AUV要在地形极其复杂的深海环境下执行长期连续的探测任务,例如在热液烟囱附近执行近底观测使命,航行翻越海山区等。由于AUV是近海底作业,其微地貌十分复杂,且不可预知,这种作业环境具有非结构化、复杂性和动态变化的特点。当前已有的面向简单障碍场景的实时避碰方法并不能满足AUV在此类极端复杂环境下作业的需求。由此,复杂动态环境下的自主实时避碰技术是AUV的关键技术之一。
AUV避碰主要面临的问题包括,如何从含有虚警的传感器原始数据中提取障碍信息,以及如何根据障碍信息决策规避行为。以往传统的避碰大多采用水平层面上的绕行来规避障碍,但是在执行探测作业的AUV采用这种方法往往导致扫测的范围不可控,重复覆盖或留白的情况时有发生,而且经过水平面绕行避碰后恢复原路径也需要一定的航行时间,大大的降低了探测作业的效率。
发明内容
为了使AUV在复杂海底地形环境中高效的执行探测作业,并且安全无碰的完成任务,本发明提供一种以垂直面为主的避碰方法,保证AUV不发生近底碰撞,也不会出现底部丢失的问题,并且保证AUV探测作业的航迹要求。
本发明为实现上述目的所采用的技术方案是:在未知复杂海底地形环境中的自主水下机器人避碰方法,包括以下步骤:
水下机器人对采集的声纳图像数据进行处理,得到障碍目标;
根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为。
所述水下机器人对采集的声纳图像数据进行处理包括以下步骤:
对声纳图像数据采用K均值聚类算法进行图像分割,得到初始障碍目标;
对初始障碍目标采用结构函数对图像进行腐蚀、膨胀得到障碍目标及其位置。
所述对声纳图像数据采用K均值聚类算法进行图像分割包括以下步骤:
1)任意选择k个对象作为初始聚类中心;
2)对于每个样本,找到其最近的聚类中心,并将其分配到距离最近的类中;xi为第i个样本点,pj为第j个初始聚类中心,则聚类中心为:
其中,n为当前声纳图像数据的像素点个数;
3)重复步骤2)直至目标函数达到最小值为止,此时得到的聚类中心为初始障碍目标;
Xj为更新的新聚类中心,目标函数:
所述根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为包括以下步骤:
将声纳图像进行区域划分:将声纳探测距离分为近距离n、中距离m、远距离f的3个等级,定义-A°至A°区域为中间区M,-A°至-B°区域为左区L,A°至C°区域为右区R;形成左侧近区域Ln,中间近区域Mn,右侧近区域Rn,左侧中区域Lm,中间中区域Mm,右侧中区域Rm,左侧远区域Lf,中间远区域Mf,右侧远区域Rf;
根据障碍目标的坐标和声纳图像的区域坐标得到障碍目标在各区域的分布;
当水下机器人的高度小于阈值时,左侧近区域Ln、中间近区域Mn、右侧近区域Rn中至少一个区域内有障碍目标时,则AUV执行避碰动作;
否则,中间近区域Mn或中间中区域Mm有障碍目标,则AUV执行避碰动作。
执行避碰动作,AUV以航行状态爬升,当坡度α>θ,θ为AUV最大航行角度,则AUV垂直悬停爬升。
当水下机器人高度h>(3/4)*H时,H为高度计最大量程,若声纳图像所有区域均无障碍目标,则悬停下潜至避碰前原有的高度;否则,AUV执行水平面避碰行为
本发明具有以下有益效果及优点:
1.环境感知虚警率低。获取前视声呐图像,采用图像处理方式感知障碍,提高了障碍识别的准确性。
2.能够满足AUV在复杂海底地形环境中安全无碰的执行任务。保证AUV不发生近底碰撞,也不会出现底部丢失的问题。
3.提高探测效率。保证AUV探测作业的航迹要求,重复覆盖或留白的情况少。
附图说明
图1是本发明的组成示意图;
图2是前视声呐图像区域划分示意图;
图3是避碰流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明的硬件要求是一套二维图像声纳系统,一台测高设备,一套可以使AUV航行/悬停的执行机构,如图1所示。
本发明的AUV避碰方法包括声纳图像数据的处理和垂直面优先的避碰策略。
声纳图像数据处理包括:图像分割和图像识别2部分。
图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
K均值聚类算法目的是将n个数据对象(声纳图像数据的像素点)合理地划分为k个类,使类内聚拢,类间疏散。采用均方差作为相似度测度函数。算法流程如下:
1)确定聚类数目k,任意选择k个对象作为初始聚类中心;
2)对于每个样本即每帧图像的像素点,找到其最近的聚类中心,并将其分配到距离最近的类中。设k为聚类中心个数,xi为第i个样本点,pj为第j个初始聚类中心,则聚类中心表示为:
3)重新计算更新每类的新聚类中心,不断重复迭代直至目标函数式达到最小值即聚类中心不再改变为止。Xj为更新的新聚类中心,xi为第i个样本点,n为当前声纳图像数据的像素点个数,目标函数式为:
图像识别,采用开运算用结构函数先对图像进行腐蚀,然后再用结构函数对腐蚀后的图像进行膨胀,能平滑图像的轮廓,消弱狭窄的部分,去掉细的突出。能够去掉声纳图像中回波强度相对很大的斑点,去除较小的亮点、清除图像的边缘毛刺及孤立点,并填补图像的漏洞和裂缝,同时保留所有的灰度和较大的亮区特征不变。
针对二维多波束图像的特点,设定声纳图像区域划分如图2所示。定义-21°至21°区域为中间区,记为M;-65°至-21°区域为左区,记为L;21°至65°区域为右区,记为R;根据声纳有效探测距离为3a米,以0-a、a-2a、2a-3a划分为近距离n、中距离m、远距离f,3个等级;则形成识别区域为Ln左侧近区域,Mn为中间近区域,Rn为右侧近区域,Lm为左侧中区域,Mm为中间中区域,Rm为右侧中区域,Lf为左侧远区域,Mf为中间远区域,Rf为右侧远区域。
实时避碰决策的过程就是根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为的决策过程。
垂直面优先的避碰策略,应尽量使AUV沿规划的梳形路径(Lawnmower Path)按照设定的目标高度航行,这样既可以保证在进行地形地貌探测时实现全覆盖探测,另外也可以尽量减少航向的变化,使探测任务的拼接效果更好。由于水下都是采用声呐测高,而AUV由于体积重量限制通常使用的测高声呐的作于距离都较小,因此确保AUV的对底跟踪,应尽量使AUV的对底速度有效也是非常重要的,即AUV距底距离应在计程仪的测速作用范围内,这样可以保证AUV的定位精度,确保探测期间导航数据的准确性。
进入避碰流程如图3所示:
(1)获取高度计数据h∈(2-200)米,,AUV当前的高度值h及历史高度h0,当(h+h0)/2≤35米,AUV为近底状态,否则为远底状态。
(2)获取前视声呐图像,并结合近/远底状态及分区图像决策避碰行为。远底状态时,Mn或Mm感知到障碍时AUV航行爬升;近底状态时,Ln或Mn或Rn感知到障碍时AUV航行爬升。
(3)执行避碰动作,AUV以航行状态爬升,当坡度α>θ,θ为AUV最大航行角度,采取垂直悬停爬升即垂直上升。
当AUV高度h>(3/4)*H时,H为高度计最大量程,则有丢底风险。如果前视声呐没有感知到障碍,则悬停下潜至避碰前原有的目标高度;如果前视声呐感知到障碍,触发水平面避碰行为。
Claims (3)
1.在未知复杂海底地形环境中的自主水下机器人避碰方法,其特征在于包括以下步骤:
水下机器人对采集的声纳图像数据进行处理,得到障碍目标;
根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为;
所述根据障碍目标在声纳图像中所处的区域位置,实时确定AUV避碰行为包括以下步骤:
将声纳图像进行区域划分:声纳有效探测距离为3a米,以0-a、a-2a、2a-3a划分将声纳探测距离分为近距离n、中距离m、远距离f的3个等级,定义-A°至A°区域为中间区M,-A°至-B°区域为左区L,A°至C°区域为右区R;形成左侧近区域Ln,中间近区域Mn,右侧近区域Rn,左侧中区域Lm,中间中区域Mm,右侧中区域Rm,左侧远区域Lf,中间远区域Mf,右侧远区域Rf;
根据障碍目标的坐标和声纳图像的区域坐标得到障碍目标在各区域的分布;
当水下机器人的高度小于阈值时,左侧近区域Ln、中间近区域Mn、右侧近区域Rn中至少一个区域内有障碍目标时,则AUV执行避碰动作;
否则,中间近区域Mn或中间中区域Mm有障碍目标,则AUV执行避碰动作;
执行避碰动作,AUV以航行状态爬升,当坡度α>θ,θ为AUV最大航行角度,则AUV垂直悬停爬升;
当水下机器人高度h>(3/4)*H时,H为高度计最大量程,若声纳图像所有区域均无障碍目标,则悬停下潜至避碰前原有的高度;否则,AUV执行水平面避碰行为。
2.根据权利要求1所述的在未知复杂海底地形环境中的自主水下机器人避碰方法,其特征在于所述水下机器人对采集的声纳图像数据进行处理包括以下步骤:
对声纳图像数据采用K均值聚类算法进行图像分割,得到初始障碍目标;
对初始障碍目标采用结构函数对图像进行腐蚀、膨胀得到障碍目标及其位置。
3.根据权利要求2所述的在未知复杂海底地形环境中的自主水下机器人避碰方法,其特征在于所述对声纳图像数据采用K均值聚类算法进行图像分割包括以下步骤:
1)任意选择k个对象作为初始聚类中心;
2)对于每个样本,找到其最近的聚类中心,并将其分配到距离最近的类中;xi为第i个样本点,pj为第j个初始聚类中心,则聚类中心为:
其中,n为当前声纳图像数据的像素点个数;
3)重复步骤2)直至目标函数达到最小值为止,此时得到的聚类中心为初始障碍目标;
Xj为更新的新聚类中心,目标函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936341.9A CN107870621B (zh) | 2016-10-25 | 2016-10-25 | 在未知复杂海底地形环境中的自主水下机器人避碰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936341.9A CN107870621B (zh) | 2016-10-25 | 2016-10-25 | 在未知复杂海底地形环境中的自主水下机器人避碰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107870621A CN107870621A (zh) | 2018-04-03 |
CN107870621B true CN107870621B (zh) | 2018-12-25 |
Family
ID=61762047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610936341.9A Active CN107870621B (zh) | 2016-10-25 | 2016-10-25 | 在未知复杂海底地形环境中的自主水下机器人避碰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107870621B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000656B (zh) * | 2018-06-15 | 2020-08-04 | 淮海工学院 | 基于空间聚类的水下地形匹配导航适配区选择方法 |
CN110470308B (zh) * | 2019-09-06 | 2021-09-24 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN112130154A (zh) * | 2020-08-21 | 2020-12-25 | 哈尔滨工程大学 | 一种融合网格LOF的自适应K-means离群去约束优化方法 |
CN112082558A (zh) * | 2020-09-14 | 2020-12-15 | 哈尔滨工程大学 | 基于多项式拟合的uuv海底地形跟踪路径滚动生成方法 |
CN112130585B (zh) * | 2020-09-24 | 2022-06-21 | 哈尔滨工程大学 | 一种面向出水区域内静态和动态障碍的uuv防碰撞方法 |
CN112526524B (zh) * | 2020-12-09 | 2022-06-17 | 青岛澎湃海洋探索技术有限公司 | 一种基于前视声纳图像和auv平台的水下渔网检测方法 |
CN112946663B (zh) * | 2021-01-29 | 2022-07-22 | 杭州瑞利海洋装备有限公司 | 一种前视探障声纳的分级自动碰撞报警方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100564323C (zh) * | 2004-07-07 | 2009-12-02 | 中国科学院沈阳自动化研究所 | 载人潜水器自动躲避障碍方法 |
CN102231082B (zh) * | 2011-04-08 | 2013-06-12 | 中国船舶重工集团公司第七○二研究所 | 基于迷你声纳的水下目标探测与auv自动避碰方法及其系统 |
CN103033817B (zh) * | 2012-11-25 | 2014-08-13 | 中国船舶重工集团公司第七一○研究所 | 大型auv避碰用障碍物自主识别系统 |
CN103529844B (zh) * | 2013-10-18 | 2017-03-15 | 吴宝举 | 基于前视声纳的水下机器人避碰方法 |
CN104049634B (zh) * | 2014-07-02 | 2017-02-01 | 燕山大学 | 基于Camshift算法的智能体模糊动态避障方法 |
CN105787886A (zh) * | 2014-12-22 | 2016-07-20 | 中国科学院沈阳自动化研究所 | 一种基于多波束图像声纳的实时图像处理方法 |
CN105807769B (zh) * | 2016-03-09 | 2018-09-28 | 哈尔滨工程大学 | 无人水下航行器ivfh避碰方法 |
-
2016
- 2016-10-25 CN CN201610936341.9A patent/CN107870621B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于前视声呐信息的AUV避碰规划研究;刘和祥等;《系统仿真学报》;20071231;第19卷(第24期);第5672-5679页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107870621A (zh) | 2018-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107870621B (zh) | 在未知复杂海底地形环境中的自主水下机器人避碰方法 | |
US20220028163A1 (en) | Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images | |
US8340400B2 (en) | Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features | |
CN103033817B (zh) | 大型auv避碰用障碍物自主识别系统 | |
EP2927709B1 (en) | Identifying and tracking convective weather cells | |
Braginsky et al. | Obstacle avoidance approaches for autonomous underwater vehicle: Simulation and experimental results | |
CN105574521B (zh) | 房屋轮廓提取方法和装置 | |
CN107037809A (zh) | 一种基于改进蚁群算法的无人艇避碰方法 | |
CN109213204B (zh) | 基于数据驱动的auv海底目标搜寻航行系统及方法 | |
KR101586452B1 (ko) | 거리 적응적 탐지 문턱값 적용에 의한 적외선 해상 표적 탐지장치 구현 방법 | |
CN105787886A (zh) | 一种基于多波束图像声纳的实时图像处理方法 | |
CN110147748B (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN111860146A (zh) | 海洋锋区域的获取方法、装置、计算机设备和存储介质 | |
US10739770B2 (en) | Autonomously-controlled inspection platform with model-based active adaptive data collection | |
Maki et al. | Volumetric mapping of tubeworm colonies in Kagoshima Bay through autonomous robotic surveys | |
US8410977B2 (en) | Methods and systems for identifying hazardous flight zone areas on a display | |
CN102201125A (zh) | 一种三维成像声纳的数据可视化方法 | |
CN113640826B (zh) | 一种基于3d激光点云的障碍物识别方法及系统 | |
CN114454875A (zh) | 一种基于强化学习的城市道路自动泊车方法及系统 | |
CN116482711A (zh) | 一种用于着陆区自主选择的局部静态环境感知方法及装置 | |
CN116467565A (zh) | 一种浒苔绿潮斑块最优搜寻区域预报方法 | |
Dong et al. | Two-staged method for ice channel identification based on image segmentation and corner point regression | |
CN110988888B (zh) | 海底信息的获取方法和装置 | |
CN110749325B (zh) | 航迹规划方法和装置 | |
CN111652118A (zh) | 基于水下目标近邻分布的海产品自主抓取引导方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |