CN108628326A - 一种智能水下机器人运动重规划策略 - Google Patents

一种智能水下机器人运动重规划策略 Download PDF

Info

Publication number
CN108628326A
CN108628326A CN201810758522.6A CN201810758522A CN108628326A CN 108628326 A CN108628326 A CN 108628326A CN 201810758522 A CN201810758522 A CN 201810758522A CN 108628326 A CN108628326 A CN 108628326A
Authority
CN
China
Prior art keywords
robot
path
target point
underwater robot
planning
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.)
Granted
Application number
CN201810758522.6A
Other languages
English (en)
Other versions
CN108628326B (zh
Inventor
孙玉山
冉祥瑞
张国成
李岳明
万磊
程俊涵
焦文龙
王力锋
贾晨凯
王子楷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810758522.6A priority Critical patent/CN108628326B/zh
Publication of CN108628326A publication Critical patent/CN108628326A/zh
Application granted granted Critical
Publication of CN108628326B publication Critical patent/CN108628326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/04—Control of altitude or depth
    • G05D1/06—Rate of change of altitude or depth
    • G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供及一种智能水下机器人运动重规划策略，该策略将智能水下机器人的作业任务视为规划一条安全经济的航行路径并在一系列路径点上完成相应的行为，当水下机器人按照全局规划路径航行，遇到障碍物时，利用矩形避障策略进行避障，避开障碍物后根据代价函数选择点跟踪策略或路径跟踪策略，到达指定位置后完成相应任务。该策略简单易实施，智能水下机器人完成作业任务的同时保证其安全，提高机器人的环境自适应性，航行的经济型大大提高，使得机器人重规划更加完善。

Description

一种智能水下机器人运动重规划策略
技术领域
本发明属于水下机器人技术领域，具体涉及一种智能水下机器人运动重规划策略。
背景技术
随着海洋领域的发展，水下机器人作为海洋环境探测和资源调查监测的重要手段之一受到越来越广泛的重视。在水下机器人进行作业任务之前，试验人员一般都会根据已知的海洋环境，利用相应的全局规划算法(如A*算法等)规划出一条经济安全的航行路径，但是水下是一个复杂多变的动态环境，当机器人在按照规划路径执行的过程中，如果外部环境或状态突然发生改变，如突然出现未知障碍物，原规划将不再满足要求，这时就要根据实时情况产生新的规划，即进行运动重规划。
水下机器人运动重规划的实施可以为其完成作业任务提供安全保障，对水下机器人可靠性的提升具有重要的作用。
发明内容
本发明的目的在于提供一种智能水下机器人运动重规划策略。
本发明的目的是这样实现的：
一种智能水下机器人运动重规划策略，具体的实现步骤如下：
步骤1.使用全局规划方法规划一条水下机器人航行路径，每个路径节点编号为i，i＝0，1，2，3，….，并定义每个路径所需完成的行为；
步骤2.水下机器人按照点跟踪策略运动到初始位置，此节点编号为0；
步骤3.水下机器人从当前路径节点按照全局规划路径以速度v向下一路径节点航行，当抵达目标点时，继续进行步骤4；否则，当前置避障声纳检测到危险时，进行运动重规划；
步骤4.路径节点i自动加1，判断此时机器人是否抵达目标点，若是，则机器人任务结束，否则继续进行步骤3。
所述的步骤3的运动重规划具体步骤为：
步骤3.1.定义水下机器人转向次数n，定义水下机器人转向方向m，m初始化为0，n初始化为0；
步骤3.2.判断机器人两侧避障声纳信息；
步骤3.3.机器人后退，直至其两侧声纳至少有一侧未检测到危险，继续步骤3.2；
步骤3.4.判断目标点与机器人的相对位置；
步骤3.5.保持直线航行，利用避障声纳检测障碍物，当前置避障声纳检测到危险时，继续步骤3.2；当所有避障声纳检测到无危险时，判断n值大小；
步骤3.6.保持直线航行，直至避障声纳检测到安全；
步骤3.7.判断水下机器人当前坐标与目标点的相对位置，若水下机器人未超过目标点，继续步骤3.8；若水下机器人已越过目标点，则判断当前目标节点属性，若当前目标节点为关键节点，则继续步骤3.9，否则，路径节点编号加1，继续步骤3.8；
步骤3.8.根据机器人当前位置及目标点位置计算其航行代价函数La和Lb，当La<Lb时，继续步骤3.9，否则，当La>Lb时，继续步骤3.10；
步骤3.9.选择直接向目标点航行方案，机器人根据计算得到的艏向角航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4；
步骤3.10.选择返回原规划路径再向目标点航行方案，机器人根据计算得到的艏向航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4。
所述的步骤3.2判断机器人两侧避障声纳信息具体步骤为：
步骤3.2.1.若左侧检测到危险，机器人右转90度，若m为2，n加1，若m不是2，则将m置为2，继续步骤3.5；
步骤3.2.2.若右侧检测到危险，机器人左转90度，若m为1，n加1，若m不是1，则将m置为1，继续步骤3.5；
步骤3.2.3.若两侧均检测到危险，继续步骤3.3；
步骤3.2.4.若两侧均未检测到危险，继续步骤3.4。
所述的步骤3.4判断目标点与机器人的相对位置具体步骤为：
步骤3.4.1.若目标点再机器人左侧，机器人左转90度，将m置为1，n加1；
步骤3.4.2.若目标点再机器人右侧，机器人右转90度，将m置为2，n加1。
所述的步骤3.5所有避障声纳检测到无危险时，判断n值大小的具体步骤为：
步骤3.5.1.当n为0时，判断目标点与机器人的相对位置，若目标点在机器人左侧，机器人左转90度，将m置为0，若目标点在机器人右侧，机器人右转90度，将m置为0，继续步骤3.6；
步骤3.5.2.当n大于0时，若m为1，则右转90度，若m为2，则左转90度；n置为0，继续步骤3.5。
智能水下机器人传感器模型搭配5个避障声纳传感器，分别为前置避障声纳S1，左前避障声纳S2，右前避障声纳S3，左后避障声纳S4，右后避障声纳S5；并将水下机器人遇到的水下障碍扩展成一个矩形。
所述的检测到危险即水下机器人与障碍物之间的距离小于安全距离Lsave，
Lsave＝s0+α·v
其中，s0是基础安全距离，v是水下机器人纵向(或侧向)航行速度，α是安全调节系数。
所述的步骤3.8航行代价函数La和Lb分别为
向目标点航行代价函数：
La＝k·l0+Rb·l0+lpath
返回原规划路线代价函数：
Lb＝q·(l2+l3)+Rb·(l2+l3)
其中，l0为机器人当前位置到目标点的距离；l2+l3为机器人选择返回原规划路径驶向目标点所需航行的距离；Rb为前方是否检测到障碍，其取值为
k为路径选择系数，用机器人到目标点的距离l0与其到原规划路径的距离l1的比值表示为
lpath表示原始路径的属性，若原规划路径是完成任务所必须的关键路径，则lpath取无穷大，若原规划路径是非关键的航行路径，则lpath取值为0；q表示对原规划路径选择的补偿，取值为0.5～0.8。
所述的步骤3.9水下机器人根据计算得到的艏向角航行，
当代价函数La较小，水下机器人选择直接向目标点航行的方案时，艏向角的计算方法如下
其中，β为目标艏向，β’为当前艏向，(x1，y1)为机器人当前位置坐标，(x2，y2)为路径节点坐标；
当代价函数Lb较小，水下机器人选择返回原始规划路线再向目标点航行的方案时，艏向角的计算方法如下
其中，l1为机器人当前位置与原规划路径距离，η为原规划路径与x轴的夹角。
本发明的有益效果在于：
运动重规划策略的实现可以在机器人完成作业任务的同时保证其安全，提高机器人的环境自适应性；矩形避障算法的实现可以避免机器人连续转向而造成波浪形路径，使得水下机器人航行的经济型大大提高；该策略为机器人避开障碍物后提供了后续航行的两种选择，使得机器人重规划更加完善。
附图说明
图1为水下机器人任务规划流程图。
图2为水下机器人传感器布置示意图。
图3为水下机器人任务规划示意图。
图4为矩形避障策略示意图。
图5为路径选择策略示意图。
具体实施方式：
下面结合附图对本发明做进一步的描述：
实施例1
本发明主要设计一种智能水下机器人运动重规划策略。该策略将智能水下机器人完成作业任务的过程视为规划一条安全经济的航行路径并在一系列路径点上完成相应的行为或任务，如：避障、采样、测量等，机器人在路径节点之间完成目标跟踪行为：路径跟踪、点跟踪等；当水下机器人按照全局规划路径航行，遇到突发事件(遇到未知障碍物)时，利用矩形避障策略进行避障，避开障碍物后根据代价函数选择点跟踪策略或路径跟踪策略，到达指定位置后完成相应任务。该发明主要包括以下3个内容：
1.水下机器人矩形避障策略设计；
2.航行路径代价函数设计；
3.点跟踪及路径跟踪策略设计；
具体的实现步骤如下：
步骤1.使用全局规划方法规划一条水下机器人航行路径，每个路径节点编号为i，i＝0，1，2，3，….，并定义每个路径所需完成的行为；
步骤2.水下机器人按照点跟踪策略运动到初始位置，此节点编号为0；
步骤3.水下机器人从当前路径节点按照全局规划路径以速度v向下一路径节点航行，当抵达目标点时，继续进行步骤4；否则，当前置避障声纳检测到危险时，进行运动重规划；
步骤4.路径节点i自动加1，判断此时机器人是否抵达目标点，若是，则机器人任务结束，否则继续进行步骤3。
所述的步骤3的运动重规划具体步骤为：
步骤3.1.定义水下机器人转向次数n，定义水下机器人转向方向m，m初始化为0，n初始化为0；
步骤3.2.判断机器人两侧避障声纳信息；
步骤3.3.机器人后退，直至其两侧声纳至少有一侧未检测到危险，继续步骤3.2；
步骤3.4.判断目标点与机器人的相对位置；
步骤3.5.保持直线航行，利用避障声纳检测障碍物，当前置避障声纳检测到危险时，继续步骤3.2；当所有避障声纳检测到无危险时，判断n值大小；
步骤3.6.保持直线航行，直至避障声纳检测到安全；
步骤3.7.判断水下机器人当前坐标与目标点的相对位置，若水下机器人未超过目标点，继续步骤3.8；若水下机器人已越过目标点，则判断当前目标节点属性，若当前目标节点为关键节点，则继续步骤3.9，否则，路径节点编号加1，继续步骤3.8；
步骤3.8.根据机器人当前位置及目标点位置计算其航行代价函数La和Lb，当La<Lb时，继续步骤3.9，否则，当La>Lb时，继续步骤3.10；
步骤3.9.选择直接向目标点航行方案，机器人根据计算得到的艏向角航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4；
步骤3.10.选择返回原规划路径再向目标点航行方案，机器人根据计算得到的艏向航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4。
所述的步骤3.2判断机器人两侧避障声纳信息具体步骤为：
步骤3.2.1.若左侧检测到危险，机器人右转90度，若m为2，n加1，若m不是2，则将m置为2，继续步骤3.5；
步骤3.2.2.若右侧检测到危险，机器人左转90度，若m为1，n加1，若m不是1，则将m置为1，继续步骤3.5；
步骤3.2.3.若两侧均检测到危险，继续步骤3.3；
步骤3.2.4.若两侧均未检测到危险，继续步骤3.4。
所述的步骤3.4判断目标点与机器人的相对位置具体步骤为：
步骤3.4.1.若目标点再机器人左侧，机器人左转90度，将m置为1，n加1；
步骤3.4.2.若目标点再机器人右侧，机器人右转90度，将m置为2，n加1。
所述的步骤3.5所有避障声纳检测到无危险时，判断n值大小的具体步骤为：
步骤3.5.1.当n为0时，判断目标点与机器人的相对位置，若目标点在机器人左侧，机器人左转90度，将m置为0，若目标点在机器人右侧，机器人右转90度，将m置为0，继续步骤3.6；
步骤3.5.2.当n大于0时，若m为1，则右转90度，若m为2，则左转90度；n置为0，继续步骤3.5。
智能水下机器人传感器模型搭配5个避障声纳传感器，分别为前置避障声纳S1，左前避障声纳S2，右前避障声纳S3，左后避障声纳S4，右后避障声纳S5；并将水下机器人遇到的水下障碍扩展成一个矩形。
所述的检测到危险即水下机器人与障碍物之间的距离小于安全距离Lsave，
Lsave＝s0+α·v
其中，s0是基础安全距离，v是水下机器人纵向(或侧向)航行速度，α是安全调节系数。
所述的步骤3.8航行代价函数La和Lb分别为
向目标点航行代价函数：
La＝k·l0+Rb·l0+lpath
返回原规划路线代价函数：
Lb＝q·(l2+l3)+Rb·(l2+l3)
其中，l0为机器人当前位置到目标点的距离；l2+l3为机器人选择返回原规划路径驶向目标点所需航行的距离；Rb为前方是否检测到障碍，其取值为
k为路径选择系数，用机器人到目标点的距离l0与其到原规划路径的距离l1的比值表示为
lpath表示原始路径的属性，若原规划路径是完成任务所必须的关键路径，则lpath取无穷大，若原规划路径是非关键的航行路径，则lpath取值为0；q表示对原规划路径选择的补偿，取值为0.5～0.8。
所述的步骤3.9水下机器人根据计算得到的艏向角航行，
当代价函数La较小，水下机器人选择直接向目标点航行的方案时，艏向角的计算方法如下
其中，β为目标艏向，β’为当前艏向，(x1，y1)为机器人当前位置坐标，(x2，y2)为路径节点坐标；
当代价函数Lb较小，水下机器人选择返回原始规划路线再向目标点航行的方案时，艏向角的计算方法如下
其中，l1为机器人当前位置与原规划路径距离，η为原规划路径与x轴的夹角。
实施案例2
本发明主要设计一种智能水下机器人运动重规划策略，属于水下机器人技术领域。
随着海洋领域的发展，水下机器人作为海洋环境探测和资源调查监测的重要手段之一受到越来越广泛的重视。
在水下机器人进行作业任务之前，试验人员一般都会根据已知的海洋环境，利用相应的全局规划算法(如A*算法等)规划出一条经济安全的航行路径，但是水下是一个复杂多变的动态环境，当机器人在按照规划路径执行的过程中，如果外部环境或状态突然发生改变，如突然出现未知障碍物，原规划将不再满足要求，这时就要根据实时情况产生新的规划，即进行运动重规划。
水下机器人运动重规划的实施可以为其完成作业任务提供安全保障，对水下机器人可靠性的提升具有重要的作用。
本发明主要设计一种智能水下机器人运动重规划策略。该策略将智能水下机器人完成作业任务的过程视为规划一条安全经济的航行路径并在一系列路径点上完成相应的行为或任务，如：避障、采样、测量等，机器人在路径节点之间完成目标跟踪行为：路径跟踪、点跟踪等；当水下机器人按照全局规划路径航行，遇到突发事件(遇到未知障碍物)时，利用矩形避障策略进行避障，避开障碍物后根据代价函数选择点跟踪策略或路径跟踪策略，到达指定位置后完成相应任务。该发明主要包括以下3个内容：
1.水下机器人矩形避障策略设计；
2.航行路径代价函数设计；
3.点跟踪及路径跟踪策略设计；
进一步的，所述内容1的详细内容为：
水下机器人在水下依靠避障声纳来探测障碍物信息以进行避障，避障声纳实质上是一个测距声纳，其通过声波的传递来确定机器人和障碍物之间的距离，而这个距离是一个点对点的距离，故机器人对于未知障碍物的感知只能得到部分信息，因此机器人只能进行边航行边探测的策略。本发明将机器人遇到的水下障碍扩展成一个矩形，设计一个沿着矩形边航行的策略以避开障碍物，同时又能避免常规避障方法导致机器人频繁转向而造成波浪形路径。具体策略如下：
建立智能水下机器人传感器模型，如图1所示，其搭配5个避障声纳传感器，分别用符号表示为：S1：前置避障声纳，S2：左前避障声纳，S3：右前避障声纳，S4：左后避障声纳，S5：右后避障声纳。
设计水下机器人与障碍物之间的安全距离Lsave，根据水下机器航行速度的不同，安全距离是可变的，可用下述公式表示：
Lsave＝s0+α·v
其中，s0是基础安全距离，v是水下机器人纵向(或侧向)航行速度，α是安全调节系数。
在机器人以速度v航行过程中，当避障声纳S1检测到危险时(避障声纳测得障碍物距机器人小于安全距离)，向无障碍一侧转向90度，若两侧均可航行，判断目标点与机器人的相对位置，向目标点一侧转向90度，如图3所示；利用左侧或右侧避障声纳采集障碍物信息，将障碍物视为矩形，航行至机器人两侧声纳检测不到危险时，向目标点一侧转向90度；机器人向前航行并利用机器人两侧的避障声纳检测障碍物信息，直至航行至安全区域；当机器人再次检测到危险时，重复上述过程。
进一步的，所述内容2的详细内容为：
水下机器人按照内容1所述的方法避开障碍物后，其航行方向面临两种选择：直接向目标点航行或返回原始规划路线再向目标点航行。利用一个代价函数来辅助机器人选择这两种航行方式：
向目标点航行代价函数：
La＝k·l0+Rb·l0+lpath
返回原规划路线代价函数：
Lb＝q·(l2+l3)+Rb·(l2+l3)
其中，l0为机器人当前位置到目标点的距离；l2+l3为机器人选择返回原规划路径驶向目标点所需航行的距离；Rb为前方是否检测到障碍，其取值为：
k为路径选择系数，用机器人到目标点的距离l0与其到原规划路径的距离l1的比值表示为：
lpath表示原始路径的属性，若原规划路径是完成任务所必须的关键路径，则lpath取无穷大，若原规划路径是非关键的航行路径，则lpath取值为0；因为原规划的路径安全性较高，所以用q表示对原规划路径选择的补偿，可取值为0.5～0.8。
根据代价函数计算出La和Lb，然后比较两值的大小，选择代价函数较小的方案。
进一步的，所述内容3的详细内容为：
水下机器人按照内容1进行方案选择之后，需要执行点跟踪或路径跟踪行为。
当代价函数La较小，水下机器人选择直接向目标点航行的方案时，机器人执行点跟踪行为，机器人利用如下公式计算其艏向角，并将艏向角的目标指令传给机器人控制系统。
其中，β为目标艏向，β’为当前艏向，(x1，y1)为机器人当前位置坐标，(x2，y2)为路径节点坐标；
当代价函数Lb较小，水下机器人选择返回原始规划路线再向目标点航行的方案时，机器人执行路径跟踪行为，机器人利用如下公式计算其艏向角，并将艏向角的目标指令传给机器人控制系统。
其中，l1为机器人当前位置与原规划路径距离，η为原规划路径与x轴的夹角。
该运动重规划策略的实现具有如下优势：
1)运动重规划策略的实现可以在机器人完成作业任务的同时保证其安全，提高机器人的环境自适应性；
2)矩形避障算法的实现可以避免机器人连续转向而造成波浪形路径，使得水下机器人航行的经济型大大提高；
3)该策略为机器人避开障碍物后提供了后续航行的两种选择，使得机器人重规划更加完善。
水下机器人运动重规划策略的具体实施过程如下：
1)利用全局规划方法(如A*算法等)规划出一条安全经济的水下机器人航行路径，给每个路径节点编号i，并定义每个路径所需完成的行为；
2)水下机器人按照点跟踪策略运动到初始位置(节点编号为0)；
3)水下机器人从当前路径节点按照全局规划路径以速度v向下一路径节点航行，当抵达目标点时，转4)；当前置避障声纳检测到危险时，进行运动重规划：
3.1)定义水下机器人转向次数n，定义水下机器人转向方向m，m和n均初始化为0；
3.2)判断机器人两侧避障声纳信息：
3.2.1)若左侧检测到危险，机器人右转90度：
若m为2，n加1，若m不是2，则将m置为2，转3.5)；
3.2.2)若右侧检测到危险，机器人左转90度：
若m为1，n加1，若m不是1，则将m置为1，转3.5)；
3.2.3)若两侧均检测到危险，转3.3)；
3.2.4)若两侧均未检测到危险，转3.4)；
3.3)机器人后退直至其两侧声纳至少有一侧未检测到危险，转3.2)；
3.4)判断目标点与机器人的相对位置：
3.4.1)若目标点再机器人左侧，机器人左转90度，将m置为1，n加1；
3.4.2)若目标点再机器人右侧，机器人右转90度，将m置为2，n加1；
3.5)保持直线航行，利用避障声纳检测障碍物，当前置避障声纳检测到危险时，转3.2)；当所有避障声纳检测到无危险时，判断n值大小：
3.5.1)当n为0时，判断目标点与机器人的相对位置：
若目标点在机器人左侧，机器人左转90度，将m置为0；
若目标点在机器人右侧，机器人右转90度，将m置为0；
转3.6)；
3.5.2)当n大于0时：
若m为1，则右转90度；
若m为2，则左转90度；
n置为0，转3.5)；
3.6)保持直线航行，直至避障声纳检测到安全；
3.7)判断水下机器人当前坐标与目标点的相对位置，若水下机器人未超过目标点，转3.8)；若水下机器人已越过目标点，则判断当前目标节点属性：若当前目标节点为关键节点，则转3.9)，否则，路径节点编号加1，转3.8)；
3.8)根据机器人当前位置及目标点位置计算其航行代价函数La和Lb，当La<Lb时，转3.9)；当La>Lb时，转3.10)；
3.9)选择直接向目标点航行方案，机器人根据计算得到的艏向航行，当前置避障声纳检测到危险时，转3.1)；当抵达目标点时，转4)；
3.10)选择返回原规划路径再向目标点航行方案，机器人根据计算得到的艏向航行，当前置避障声纳检测到危险时，转3.1)；当抵达目标点时，转4)；
4)水下机器人航行抵达路径节点，路径节点i自动加1，判断此时机器人是否抵达目标点，若是，则机器人任务结束，否则转3)。

Claims (9)

1.一种智能水下机器人运动重规划策略，其特征在于，具体的实现步骤如下：
步骤1.使用全局规划方法规划一条水下机器人航行路径，每个路径节点编号为i，i＝0，1，2，3，….，并定义每个路径所需完成的行为；
步骤2.水下机器人按照点跟踪策略运动到初始位置，此节点编号为0；
步骤3.水下机器人从当前路径节点按照全局规划路径以速度v向下一路径节点航行，当抵达目标点时，继续进行步骤4；否则，当前置避障声纳检测到危险时，进行运动重规划；
步骤4.路径节点i自动加1，判断此时机器人是否抵达目标点，若是，则机器人任务结束，否则继续进行步骤3。
2.根据权利要求1所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3的运动重规划具体步骤为：
步骤3.1.定义水下机器人转向次数n，定义水下机器人转向方向m，m初始化为0，n初始化为0；
步骤3.2.判断机器人两侧避障声纳信息；
步骤3.3.机器人后退，直至其两侧声纳至少有一侧未检测到危险，继续步骤3.2；
步骤3.4.判断目标点与机器人的相对位置；
步骤3.5.保持直线航行，利用避障声纳检测障碍物，当前置避障声纳检测到危险时，继续步骤3.2；当所有避障声纳检测到无危险时，判断n值大小；
步骤3.6.保持直线航行，直至避障声纳检测到安全；
步骤3.7.判断水下机器人当前坐标与目标点的相对位置，若水下机器人未超过目标点，继续步骤3.8；若水下机器人已越过目标点，则判断当前目标节点属性，若当前目标节点为关键节点，则继续步骤3.9，否则，路径节点编号加1，继续步骤3.8；
步骤3.8.根据机器人当前位置及目标点位置计算其航行代价函数La和Lb，当La<Lb时，继续步骤3.9，否则，当La>Lb时，继续步骤3.10；
步骤3.9.选择直接向目标点航行方案，机器人根据计算得到的艏向角航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4；
步骤3.10.选择返回原规划路径再向目标点航行方案，机器人根据计算得到的艏向航行，当前置避障声纳检测到危险时，继续步骤3.1，当抵达目标点时，继续步骤4。
3.根据权利要求2所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3.2判断机器人两侧避障声纳信息具体步骤为：
步骤3.2.1.若左侧检测到危险，机器人右转90度，若m为2，n加1，若m不是2，则将m置为2，继续步骤3.5；
步骤3.2.2.若右侧检测到危险，机器人左转90度，若m为1，n加1，若m不是1，则将m置为1，继续步骤3.5；
步骤3.2.3.若两侧均检测到危险，继续步骤3.3；
步骤3.2.4.若两侧均未检测到危险，继续步骤3.4。
4.根据权利要求2所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3.4判断目标点与机器人的相对位置具体步骤为：
步骤3.4.1.若目标点再机器人左侧，机器人左转90度，将m置为1，n加1；
步骤3.4.2.若目标点再机器人右侧，机器人右转90度，将m置为2，n加1。
5.根据权利要求2所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3.5所有避障声纳检测到无危险时，判断n值大小的具体步骤为：
步骤3.5.1.当n为0时，判断目标点与机器人的相对位置，若目标点在机器人左侧，机器人左转90度，将m置为0，若目标点在机器人右侧，机器人右转90度，将m置为0，继续步骤3.6；
步骤3.5.2.当n大于0时，若m为1，则右转90度，若m为2，则左转90度；n置为0，继续步骤3.5。
6.据权利要求1所述的一种智能水下机器人运动重规划策略，其特征在于：智能水下机器人传感器模型搭配5个避障声纳传感器，分别为前置避障声纳S1，左前避障声纳S2，右前避障声纳S3，左后避障声纳S4，右后避障声纳S5；并将水下机器人遇到的水下障碍扩展成一个矩形。
7.据权利要求1所述的一种智能水下机器人运动重规划策略，其特征在于：所述的检测到危险即水下机器人与障碍物之间的距离小于安全距离Lsave，
Lsave＝s0+α·v
其中，s0是基础安全距离，v是水下机器人纵向(或侧向)航行速度，α是安全调节系数。
8.据权利要求1所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3.8航行代价函数La和Lb分别为
向目标点航行代价函数：
La＝k·l0+Rb·l0+lpath
返回原规划路线代价函数：
Lb＝q·(l2+l3)+Rb·(l2+l3)
其中，l0为机器人当前位置到目标点的距离；l2+l3为机器人选择返回原规划路径驶向目标点所需航行的距离；Rb为前方是否检测到障碍，其取值为
k为路径选择系数，用机器人到目标点的距离l0与其到原规划路径的距离l1的比值表示为
lpath表示原始路径的属性，若原规划路径是完成任务所必须的关键路径，则lpath取无穷大，若原规划路径是非关键的航行路径，则lpath取值为0；q表示对原规划路径选择的补偿，取值为0.5～0.8。
9.据权利要求1所述的一种智能水下机器人运动重规划策略，其特征在于：所述的步骤3.9水下机器人根据计算得到的艏向角航行，
当代价函数La较小，水下机器人选择直接向目标点航行的方案时，艏向角的计算方法如下
其中，β为目标艏向，β’为当前艏向，(x1，y1)为机器人当前位置坐标，(x2，y2)为路径节点坐标；
当代价函数Lb较小，水下机器人选择返回原始规划路线再向目标点航行的方案时，艏向角的计算方法如下
其中，l1为机器人当前位置与原规划路径距离，η为原规划路径与x轴的夹角。
CN201810758522.6A 2018-07-11 2018-07-11 一种智能水下机器人运动重规划策略 Active CN108628326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810758522.6A CN108628326B (zh) 2018-07-11 2018-07-11 一种智能水下机器人运动重规划策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810758522.6A CN108628326B (zh) 2018-07-11 2018-07-11 一种智能水下机器人运动重规划策略

Publications (2)

Publication Number Publication Date
CN108628326A true CN108628326A (zh) 2018-10-09
CN108628326B CN108628326B (zh) 2020-04-07

Family

ID=63689821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810758522.6A Active CN108628326B (zh) 2018-07-11 2018-07-11 一种智能水下机器人运动重规划策略

Country Status (1)

Country Link
CN (1) CN108628326B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162095A (zh) * 2019-06-19 2019-08-23 西北工业大学 一种威胁环境下的无人机快速返航方法
CN111307158A (zh) * 2020-03-19 2020-06-19 哈尔滨工程大学 一种auv三维航路规划方法
CN111506081A (zh) * 2020-05-15 2020-08-07 中南大学 一种机器人轨迹跟踪方法、系统及存储介质
CN111708365A (zh) * 2020-06-24 2020-09-25 宝武集团环境资源科技有限公司 一种自动路径规划方法
CN112147899A (zh) * 2020-09-30 2020-12-29 沈阳工业大学 一种基于模糊滑模算法的水下机器人自主避障控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833333A (zh) * 2009-12-23 2010-09-15 湖南大学 水下清洗作业机器人未知环境路径规划方法
CN102999050A (zh) * 2012-12-13 2013-03-27 哈尔滨工程大学 一种智能水下机器人的自主避障方法
CN103926925A (zh) * 2014-04-22 2014-07-16 江苏久祥汽车电器集团有限公司 一种基于改进的vfh算法的定位与避障方法及机器人
CN103941737A (zh) * 2014-05-09 2014-07-23 济南大学 一种复杂环境下拖挂式移动机器人的运动规划与控制方法
CN105303595A (zh) * 2014-07-30 2016-02-03 Tcl集团股份有限公司 一种基于三维虚拟场景的物体智能避障方法及系统
CN107748561A (zh) * 2017-09-25 2018-03-02 华南理工大学 一种基于多传感参数的无人船局部避障系统及方法
CN107976999A (zh) * 2017-11-21 2018-05-01 深圳普思英察科技有限公司 一种移动机器人及其避障和路径规划方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833333A (zh) * 2009-12-23 2010-09-15 湖南大学 水下清洗作业机器人未知环境路径规划方法
CN102999050A (zh) * 2012-12-13 2013-03-27 哈尔滨工程大学 一种智能水下机器人的自主避障方法
CN103926925A (zh) * 2014-04-22 2014-07-16 江苏久祥汽车电器集团有限公司 一种基于改进的vfh算法的定位与避障方法及机器人
CN103941737A (zh) * 2014-05-09 2014-07-23 济南大学 一种复杂环境下拖挂式移动机器人的运动规划与控制方法
CN105303595A (zh) * 2014-07-30 2016-02-03 Tcl集团股份有限公司 一种基于三维虚拟场景的物体智能避障方法及系统
CN107748561A (zh) * 2017-09-25 2018-03-02 华南理工大学 一种基于多传感参数的无人船局部避障系统及方法
CN107976999A (zh) * 2017-11-21 2018-05-01 深圳普思英察科技有限公司 一种移动机器人及其避障和路径规划方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162095A (zh) * 2019-06-19 2019-08-23 西北工业大学 一种威胁环境下的无人机快速返航方法
CN110162095B (zh) * 2019-06-19 2022-05-27 西北工业大学 一种威胁环境下的无人机快速返航方法
CN111307158A (zh) * 2020-03-19 2020-06-19 哈尔滨工程大学 一种auv三维航路规划方法
CN111506081A (zh) * 2020-05-15 2020-08-07 中南大学 一种机器人轨迹跟踪方法、系统及存储介质
CN111708365A (zh) * 2020-06-24 2020-09-25 宝武集团环境资源科技有限公司 一种自动路径规划方法
CN112147899A (zh) * 2020-09-30 2020-12-29 沈阳工业大学 一种基于模糊滑模算法的水下机器人自主避障控制方法
CN112147899B (zh) * 2020-09-30 2022-05-20 沈阳工业大学 一种基于模糊滑模算法的水下机器人自主避障控制方法

Also Published As

Publication number Publication date
CN108628326B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN108628326A (zh) 一种智能水下机器人运动重规划策略
CN105807769B (zh) 无人水下航行器ivfh避碰方法
CN107329477B (zh) 一种无人船导航和自动驾驶设备及其方法
CN109131326A (zh) 一种具有换道辅助功能的自适应巡航控制器及其工作方法
US8989948B2 (en) Systems and methods for automated vessel navigation using sea state prediction
CN106873599A (zh) 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN107037809A (zh) 一种基于改进蚁群算法的无人艇避碰方法
CN103335658A (zh) 一种基于弧线路径生成的自主车辆避障方法
JP2007249632A (ja) 障害物のある環境下で自律移動する移動ロボットおよび移動ロボットの制御方法。
CN109960262B (zh) 一种基于几何法的无人艇动态避障方法和系统
CN103984342B (zh) 移动机器人的多脉冲神经网络控制器导航控制方法
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
CN109445440A (zh) 基于传感器融合与改进q学习算法的动态避障方法
CN110146087B (zh) 一种基于动态规划思想的船舶路径规划方法
CN105549600B (zh) 一种基于虚拟膨化的运动障碍与uuv相向航行的规避方法
CN114387824B (zh) 一种符合国际海上避碰规则的避碰转向判定方法
CN113721615B (zh) 一种基于机器视觉的海航路径规划方法及系统
CN110188474A (zh) 基于水面无人艇的避碰决策方法
Che et al. Research on improved ACO algorithm-based multi-robot odor source localization
CN105629975B (zh) 一种基于虚拟膨化的uuv航行过程中的运动障碍的规避方法
Takahashi et al. Development of prediction based emergency obstacle avoidance module by using LIDAR for mobile robot
Bauer et al. Steer angle fields: An approach to robust manoeuvring in cluttered, unknown environments
Kim et al. Curve tracking control for autonomous vehicles with rigidly mounted range sensors
CN112731944B (zh) 一种无人驾驶压路机自主避障方法
CN115373394A (zh) 一种狭水道无人艇避碰局部路径规划方法

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