CN108508913B - 基于数据驱动的自主式水下航行器海底路径规划方法 - Google Patents
基于数据驱动的自主式水下航行器海底路径规划方法 Download PDFInfo
- Publication number
- CN108508913B CN108508913B CN201810269820.9A CN201810269820A CN108508913B CN 108508913 B CN108508913 B CN 108508913B CN 201810269820 A CN201810269820 A CN 201810269820A CN 108508913 B CN108508913 B CN 108508913B
- Authority
- CN
- China
- Prior art keywords
- auv
- detection
- grid
- path
- local
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000000694 effects Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于自主式水下航行器技术领域，涉及一种基于数据驱动的自主式水下航行器海底路径规划方法，包括，AUV探测前，将拟探测区栅格化，规划AUV的全局路径，此时设定以全局探测模式遍历路径；AUV探测时，实时分析扫描数据，计算目标特征在单位栅格中的密集度，若目标特征密集度满足探测需求，则AUV转换为局部探测模式，AUV实时分析周围特征，若此时局部路径周围一直存在探测目标且目标特征密集度满足探测需求，则一直采用局部探测模式；如果目标特征密集度不满足探测需求，则局部探测模式结束，AUV根据未探测区域重新规划一条探测路径，采用全局模式对未探测区域进行探测。本发明的路径规划方法，效率高，智能性高。
Description
技术领域
本发明属于自主式水下航行器技术领域，具体涉及一种基于数据驱动的自主式水下航行器海底路径规划方法。
背景技术
目前AUV(Autonomous Underwater Vehicle，自主式水下航行器)在执行各类海洋调查任务时，其航行模式通常是人工预先设定的，航行过程中采集的水下观测数据被AUV采集和保存，在AUV返航后经过后处理揭示和发现海洋现象与规律。搭载侧扫声呐时，AUV的传统探测方式为，固定侧扫声呐的工作频率和探测量程后，AUV完全遍历整个任务区域。AUV的航行路线和拟探测区域是预先设置的，AUV到达工作区域后按照预先规划的路线航行并采集观测数据(如侧扫声呐数据)。通过离线分析处理这些观测数据，得到AUV探测区域海底目标的分布和位置。
AUV探测的整个工作区域中，包含着海底探测目标，AUV探测的目的就是为了获得海底探测目标的信息。由于AUV在工作区域内的航行路线是预先规划的，在不知道海底探测目标的信息之前，AUV无差别的探测所有的任务区域，在整个航行过程中，观测数据与AUV航行模式没有直接关联，AUV的航行路线与侧扫声呐探测到的目标之间也没有关联。这会导致AUV的工作效率低下，智能性不高。
发明内容
本发明针对上述技术问题，提出一种基于数据驱动的自主式水下航行器海底路径规划方法，通过实时检测感兴趣目标区域，调整AUV的路径规划方法和侧扫声呐的工作频率、侧扫声呐图像的分辨率，实现探测效率的提升。
为了实现上述目的，本发明采用如下技术方案：基于数据驱动的自主式水下航行器海底路径规划方法，包括，
AUV探测前，将拟探测区栅格化，规划AUV的全局路径，此时设定以全局探测模式遍历路径；
AUV探测时，实时分析扫描数据，计算目标特征在单位栅格中的密集度，若目标特征密集度满足探测需求，则AUV转换为局部探测模式，AUV实时分析周围特征，若此时局部路径周围一直存在探测目标且目标特征密集度满足探测需求，则一直采用局部探测模式；如果目标特征密集度不满足探测需求，则局部探测模式结束，AUV根据未探测区域重新规划一条探测路径，采用全局模式对未探测区域进行探测。
进一步地，所述全局模式的探测范围大于局部模式的探测范围，所述局部模式的探测频率高于全局模式的探测频率。
进一步地，局部探测模式结束时，AUV采用基于栅格激励的全局路径规划算法重新规划探测路径。
进一步地，所述目标特征密集度为目标区域的面积占单位栅格的比例。
进一步地，所述AUV采用测扫声呐进行探测。
进一步地，所述AUV实时分析扫描数据，计算目标特征在单位栅格中的密集度，其具体过程为：
(1)侧扫声呐图像的预处理；
(2)水下目标的分类与识别。
进一步地，所述步骤(2)的中首先采用深度学习方法完成对调查对象的离线学习，利用离线学习后的模型对水下目标进行在线的分类识别。
本发明的基于数据驱动的自主式水下航行器海底路径规划方法，相对于现有技术具有以下有益效果：
(1)本发明的方法中，AUV在有目标区域和无目标区域使用两种路径规划方法、两种侧扫声呐工作频率、两种侧扫声呐探测范围。这种探测模式提高了AUV(自主式水下机器人)的自主性和环境感知能力；
(2)该发明采用组合路径的规划方法，这种组合路径规划方法可以提高机器人工作效率，使得机器人区别对待有目标和无目标区域。这种路径规划方法适用于陆地机器人和无人机的目标探测任务，具有普遍适用性。
附图说明
图1为本发明的方法的流程图；
图2为栅格的初始活性值地图；
图3为AUV邻近栅格；
图4为AUV邻近栅格；
图5为AUV遍历过程示意图；
图6为任务区域示意图；
图7为全局路径规划下AUV的航迹；
图8为全局路径规划切换至局部路径规划；
图9为局部路径规划切换至全局路径规划；
图10为测扫声呐图像的预处理；其中(a)为原始声呐图像；(b)为校正后的测扫声呐图像；
图11为数据流走向。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的基于数据驱动的自主式水下航行器海底路径规划方法，如图1所示，
AUV探测前，将拟探测区栅格化，规划AUV的全局路径，此时设定以全局探测模式遍历路径。设定AUV低频工作时侧扫声呐单侧覆盖范围为2d米，高频工作时侧扫声呐单侧覆盖范围为d米，要采集的目标范围阈值为m*m。全局探测模式时，AUV工作在低频，侧扫声呐单侧覆盖范围为2d米，此时，栅格的大小为2d*2d。
AUV探测时，实时分析扫描数据，计算目标特征在单位栅格中的密集度，若目标特征密集度满足探测需求，则AUV转换为局部探测模式，局部探测模式中，AUV工作在低频，侧扫声呐单侧覆盖范围为d米，此时，栅格的大小为2d*d，即，在AUV前进的方向上，栅格的大小不变，而在垂直于AUV前进的方向上，栅格的大小跟随侧扫声呐单侧覆盖范围的改变而改变。AUV实时分析周围特征，若此时局部路径周围一直存在探测目标且目标特征密集度满足探测需求，则一直采用局部探测模式。如果目标特征密集度不满足探测需求，则局部探测模式结束，AUV根据未探测区域重新规划一条探测路径，采用全局模式对未探测区域进行探测。
在本实施例中，所述目标特征密集度为目标区域的面积占单位栅格的比例。
全局路径规划：
AUV在每次完成局部区域探测后，都要对未探测区域进行路径规划。此时的规划区域中包含不需要重复探测的区域块，因此，如何在不规则空间进行最优路径规划是研究重点。在众多针对此类问题的算法中，基于栅格激励的移动机器人路径规划有突出的优势。下面将重点介绍这种算法。
基于栅格激励方法基本思想是：首先利用栅格法将AUV拟探测区域划分为若干个大小相等的栅格，每个栅格被赋予一个活性值，若此栅格为未探测区域，活性值计算公式为：
p＝x+cy
x：栅格的列标；y：栅格的行标；c：任意大于1的常数。由此可得栅格的初始活性值地图，如图2所示，其中c＝2；如图3所示为AUV邻近栅格，*为AUV当前位置，加粗数字为邻近处栅格活性值；如图4所示为AUV邻近栅格，*为AUV当前位置，加粗数字为邻近处栅格活性值；
AUV全局路径生成过程为：AUV从起点出发，判断当前邻近处栅格活性值大小，选择其中活性值最大的栅格方向移动，从当前位置到达下一位置后，当前位置栅格活性值变为0，下一位置成为新的当前位置，再由相同方法到达下一位置，依次循环，直到AUV检测到周围栅格活性值全部为0时为止；然后，检测环境地图中是否存在活性值大于0的栅格，如果存在，则机器人移动到其最近的栅格处，重复上述过程，直到遍历完所有可达点，即环境地图中检测不到活性值大于0的栅格存在。上述过程如图5所示，示意图如图2、3、4所示。
局部路径规划：
本发明中全局探测模式与局部探测模式下的栅格大小规定如下：设侧扫声呐单侧覆盖范围为d米，为了使全局工作时AUV能耗最优，设置AUV在全局路径中的工作间距为2d米。在局部路径规划时，为了在目标范围内遍历，AUV在局部路径中的工作间距为d米。进入局部路径规划，栅格的大小将发生改变，沿着AUV运动方向的尺寸不变，垂直于AUV的方向的尺寸将发生改变，因为侧扫的探测范围发生了改变。如图6所示为任务区域示意图，白色栅格为无目标区；浅色填充栅格为目标区域；图7为全局路径规划下AUV的航迹，箭头实线为AUV航迹；填充的栅格为侧扫采集的数据；两条横向航迹线间距为2d；如图8所示为全局路径规划切换至局部路径规划，侧扫的探测范围即量程变为原来的一半,即d，航线间距变为d；并按照遍历趋势方向航行，直至前方不存在目标，折返遍历；如图9所示为局部路径规划切换至全局路径规划，同一行中，连续三列的识别结果都为无目标，则局部路径规划切换至全局路径规划，侧扫的探测范围即量程变为2d；航线间距变为2d；并按照遍历趋势方向航行，直至前方不存在目标，寻找地图中未遍历的栅格，继续全局路径规划，直至所有栅格遍历完成。
AUV实时分析扫描数据，计算目标特征在单位栅格中的密集度，其具体过程为：
(1)侧扫声呐图像的预处理
原始侧扫声呐图像存在几何偏差及TVG(时变增益)的过度补偿，需要利用几何方法和强度校正方法纠正几何偏差，滤除TVG(时变增益)的影响，使强度分布更加均匀。未经处理的原始图像如图10(a)所示，经过几何校正及强度校正后的图像如图10(b)所示。
(2)水下目标的分类与识别
对侧扫声呐图像的分类识别需要使用高精度、运算快速的机器学习方法，在本发明中，决定使用深度学习方法完成对调查对象的离线学习，利用离线学习后的模型对水下目标进行在线的分类识别。水下目标的分类与识别的流程如图11所示。具体过程为：通过侧扫声呐获取一段侧扫声呐图像，经过几何校正、强度校正后，使用双线性插值提高侧扫声呐图像的维度，在此基础上将侧扫声呐图像分为一些均等的最小识别单元，利用离线学习的模型对这些单元进行分类与识别，计算出识别结果的坐标位置，将识别结果和目标位置作为水下自主航行器路径规划的依据之一。考虑到深度神经网络的层数多、参数多并且需要大量的训练数据，训练一个深度网络需要强大的计算能力，本发明采用NVIDIA公司的Jetson TX2GPU作为深度网络的运算平台，这些平台运算速度快、满足实时性要求，且外型小巧、结构轻便、功耗低。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于，包括，
AUV探测前，将拟探测区栅格化，规划AUV的全局路径，此时设定以全局探测模式遍历路径；
将AUV拟探测区域划分为若干个大小相等的栅格，每个栅格被赋予一个活性值，未探测区域的栅格的活性值计算公式为：
p＝x+cy
其中x为栅格的列标，y为栅格的行标，c：任意大于1的常数；
AUV探测时，实时分析扫描数据，计算目标特征在单位栅格中的密集度，若目标特征密集度满足探测需求，则AUV转换为局部探测模式，AUV实时分析周围特征，若此时局部路径周围一直存在探测目标且目标特征密集度满足探测需求，则一直采用局部探测模式；如果目标特征密集度不满足探测需求，则局部探测模式结束，AUV根据未探测区域重新规划一条探测路径，采用全局模式对未探测区域进行探测；
AUV全局路径生成过程为：AUV从起点出发，判断当前邻近处栅格活性值大小，选择其中活性值最大的栅格方向移动，从当前位置到达下一位置后，当前位置栅格活性值变为0，下一位置成为新的当前位置，再由相同方法到达下一位置，依次循环，直到AUV检测到周围栅格活性值全部为0时为止；然后，检测环境地图中是否存在活性值大于0的栅格，如果存在，则机器人移动到其最近的栅格处，重复上述过程，直到环境地图中检测不到活性值大于0的栅格存在；
设侧扫声呐单侧覆盖范围为d米，AUV在全局路径中的工作间距为2d米，AUV在局部路径中的工作间距为d米；局部探测模式中，栅格的大小将发生改变，沿着AUV运动方向的尺寸不变，垂直于AUV的方向的尺寸将发生改变，侧扫的探测范围变为全局路径中探测范围的一半,航线间距为d，并按照遍历趋势方向航行，直至前方不存在目标，折返遍历，同一行中，连续三列的识别结果都为无目标，则局部路径规划切换至全局路径规划，侧扫的探测范围即量程变为2d，航线间距变为2d；并按照遍历趋势方向航行，直至前方不存在目标，寻找地图中未遍历的栅格，继续全局路径规划，直至所有栅格遍历完成。
2.根据权利要求1所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：所述全局模式的探测范围大于局部模式的探测范围，所述局部模式的探测频率高于全局模式的探测频率。
3.根据权利要求1或2所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：局部探测模式结束时，AUV采用基于栅格激励的全局路径规划算法重新规划探测路径。
4.根据权利要求3所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：所述目标特征密集度为目标区域的面积占单位栅格的比例。
5.根据权利要求4所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：所述AUV采用侧扫声呐进行探测。
6.根据权利要求5所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：所述AUV实时分析扫描数据，计算目标特征在单位栅格中的密集度，其具体过程为：
(1)侧扫声呐图像的预处理；
(2)水下目标的分类与识别。
7.根据权利要求6所述的基于数据驱动的自主式水下航行器海底路径规划方法，其特征在于：所述步骤(2)的中首先采用深度学习方法完成对调查对象的离线学习，利用离线学习后的模型对水下目标进行在线的分类识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810269820.9A CN108508913B (zh) | 2018-03-29 | 2018-03-29 | 基于数据驱动的自主式水下航行器海底路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810269820.9A CN108508913B (zh) | 2018-03-29 | 2018-03-29 | 基于数据驱动的自主式水下航行器海底路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108508913A CN108508913A (zh) | 2018-09-07 |
| CN108508913B true CN108508913B (zh) | 2021-03-02 |
Family
ID=63379207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810269820.9A Active CN108508913B (zh) | 2018-03-29 | 2018-03-29 | 基于数据驱动的自主式水下航行器海底路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108508913B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213204B (zh) * | 2018-10-15 | 2021-05-07 | 中国海洋大学 | 基于数据驱动的auv海底目标搜寻航行系统及方法 |
| CN110824485A (zh) * | 2019-09-25 | 2020-02-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于auv的双基地声呐水下目标特征提取及分类方法 |
| CN110941261B (zh) * | 2019-10-19 | 2021-02-26 | 中国海洋大学 | 一种自主式水下航行器多区域遍历路径规划方法 |
| CN111027399B (zh) * | 2019-11-14 | 2023-08-22 | 武汉兴图新科电子股份有限公司 | 一种基于深度学习的遥感图像水面潜艇识别方法 |
| CN110908404B (zh) * | 2019-12-09 | 2023-04-18 | 自然资源部第二海洋研究所 | 一种基于数据驱动的auv智能观测运动方法 |
| CN111176281A (zh) * | 2019-12-31 | 2020-05-19 | 大连民族大学 | 基于象限法的多水面无人艇覆盖式协同搜索方法及系统 |
| CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
| CN111721296B (zh) * | 2020-06-04 | 2022-04-29 | 中国海洋大学 | 一种水下无人航行器数据驱动路径规划方法 |
| CN113050420B (zh) * | 2021-03-04 | 2022-02-18 | 山东大学 | 基于s面控制和td3的auv路径跟踪方法及系统 |
| CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 一种无人艇的智能航路规划方法及系统 |
| CN114200929B (zh) * | 2021-11-24 | 2023-10-20 | 中国科学院沈阳自动化研究所 | 多水下机器人最大探测覆盖率的快速梳型路径规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
| CN104808671A (zh) * | 2015-05-19 | 2015-07-29 | 东南大学 | 一种家居环境下的机器人路径规划方法 |
| CN105955258A (zh) * | 2016-04-01 | 2016-09-21 | 沈阳工业大学 | 基于Kinect传感器信息融合的机器人全局栅格地图构建方法 |
| CN106840168A (zh) * | 2017-03-16 | 2017-06-13 | 苏州大学 | 清洁机器人及其动态环境下全覆盖路径规划方法 |
| CN107065885A (zh) * | 2017-05-19 | 2017-08-18 | 华中科技大学 | 一种机器人变栅格地图路径规划优化方法和系统 |
| CN107505939A (zh) * | 2017-05-13 | 2017-12-22 | 大连理工大学 | 一种移动机器人的全覆盖路径规划方法 |
| CN110941261A (zh) * | 2019-10-19 | 2020-03-31 | 中国海洋大学 | 一种自主式水下航行器多区域遍历路径规划方法 |
-
2018
- 2018-03-29 CN CN201810269820.9A patent/CN108508913B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
| CN104808671A (zh) * | 2015-05-19 | 2015-07-29 | 东南大学 | 一种家居环境下的机器人路径规划方法 |
| CN105955258A (zh) * | 2016-04-01 | 2016-09-21 | 沈阳工业大学 | 基于Kinect传感器信息融合的机器人全局栅格地图构建方法 |
| CN106840168A (zh) * | 2017-03-16 | 2017-06-13 | 苏州大学 | 清洁机器人及其动态环境下全覆盖路径规划方法 |
| CN107505939A (zh) * | 2017-05-13 | 2017-12-22 | 大连理工大学 | 一种移动机器人的全覆盖路径规划方法 |
| CN107065885A (zh) * | 2017-05-19 | 2017-08-18 | 华中科技大学 | 一种机器人变栅格地图路径规划优化方法和系统 |
| CN110941261A (zh) * | 2019-10-19 | 2020-03-31 | 中国海洋大学 | 一种自主式水下航行器多区域遍历路径规划方法 |
Non-Patent Citations (5)
| Title |
|---|
| RT-Seg: A Real-Time Semantic Segmentation Network for Side-Scan Sonar Images;Qi Wang 等;《sensors》;20190428;全文 * |
| 基于DIDSON的未知海域覆盖规划算法;孔祥瑞 等;《海洋技术学报》;20190831;全文 * |
| 基于UUV的猎雷声呐的发展;黄红飞;《水雷战与舰船防护》;20110225;第70-77页 * |
| 无人水下航行器双层路径规划研究;段有艳;《自动化与仪器仪表》;20171231;第187-190页 * |
| 水下信号处理与航行器路径规划方法;刘潮东;《CNKI》;20061231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108508913A (zh) | 2018-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108508913B (zh) | 基于数据驱动的自主式水下航行器海底路径规划方法 | |
| Paull et al. | Sensor-driven online coverage planning for autonomous underwater vehicles | |
| CN109213204B (zh) | 基于数据驱动的auv海底目标搜寻航行系统及方法 | |
| CN103869824A (zh) | 基于生物触角模型的多机器人水下目标搜寻方法及装置 | |
| CN110196059B (zh) | 一种无人艇全局路径规划方法 | |
| CN111309010B (zh) | 一种基于仿生机器人的无人艇海底地形测绘控制系统实现的控制方法 | |
| CN111721296B (zh) | 一种水下无人航行器数据驱动路径规划方法 | |
| CN110825088B (zh) | 一种多目视觉导引船体清洁机器人系统及清洁方法 | |
| CN108061897B (zh) | 一种基于前视声呐的水下结构化环境线特征提取方法 | |
| Myers et al. | A POMDP for multi-view target classification with an autonomous underwater vehicle | |
| Zhang et al. | An online path planning algorithm for autonomous marine geomorphological surveys based on AUV | |
| Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
| CN111176281A (zh) | 基于象限法的多水面无人艇覆盖式协同搜索方法及系统 | |
| CN112859807A (zh) | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 | |
| Inzartsev et al. | Detection and inspection of local bottom objects with the help of a group of special-purpose AUVs | |
| CN115328122B (zh) | 一种基于多雷达感知的无人船避障方法及系统 | |
| CN116149314A (zh) | 机器人全覆盖作业方法、装置及机器人 | |
| CN115690343A (zh) | 一种基于视觉跟随的机器人激光雷达扫描建图方法 | |
| Bykova et al. | Safe navigation algorithm for autonomous underwater vehicles | |
| Cai et al. | Improved BINN based Underwater Topography Scanning Coverage Path Planning for AUV in Internet of Underwater Things | |
| Medvedev et al. | Dynamic models for trajectory survey and mapping of local physical fields of the ocean with autonomous underwater vehicle | |
| CN113869148A (zh) | 基于自主水下航行器的触发式任务管理系统的方法 | |
| Kim et al. | Toward AUV survey design for optimal coverage and localization using the Cramer Rao lower bound | |
| CN113721615A (zh) | 一种基于机器视觉的海航路径规划方法及系统 | |
| Yu et al. | Towards autonomous underwater vehicles in the ocean survey: A mission management system (MMS) |
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 |