CN108931243A - 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法 - Google Patents

Abstract

本发明的目的在于提供一种复杂海洋环境影响下基于能耗和采样量多目标优化的UUV路径规划方法，包括以下步骤：确定UUV实际的对地航行速度以及由海洋预报系统提供的实时更新的海流信息，初始化优化算法所需的各类参数，通过空间分解建模随机产生路径控制节点，使用B‑Spline拟合生成初始路径。进入MOPSO算法迭代过程，求解出对应优化目标评价函数下的帕雷托解集。根据当前最新更新的海洋预报信息和UUV能量水平，通过FCE方法从上述解集中选解。输出最终选定解对应的路径控制节点。根据上述路径控制节点，通过B‑Spline方法拟合得到路径轨迹结果。本发明致力于生成最适用于UUV当前能耗水平和未来海洋特征变化趋势的最优路径控制节点，并通过拟合该路径节点得到最优路径轨迹。

Description

一种复杂海洋环境影响下基于能耗和采样量多目标优化的 UUV路径规划方法

技术领域

本发明涉及的是一种UUV远程控制方法。

背景技术

相比于传统浮标式传感器海洋信息的收集，自主水下航行器的自主性为采集任务带来了更大的灵活性和针对性。自主水下航行器包含无人水下运载器(UnmannedUnderwater Vehicle，以下简称UUV)和水下滑翔机(glider)。相对于UUV，glider没有配置自主推进装置，完全借助浮心和重心位置变化的特性和海流的作用行进，因此能够工作更长的时间。但正由于缺少了推进装置，glider的运动受限于海流，可能出现无法到达的采集区域，这给海洋信息的采集任务带来了很大的挑战。而UUV由于其自由性和可控的推进装置，可以出色地解决这类问题。然而，正是由于配备了推进系统，并为了能够执行各类复杂的任务而负载的多种传感器，UUV执行长期任务的过程中将需要消耗大量能量，因此将面临着来自船载有限能源非常严重的限制，这一限制不但影响了UUV的自主性的发挥，更直接缩短了UUV的最大续航时间。为了满足UUV的使用者们对其执行任务服役时间日益增长的需求，非常有必要将UUV航行过程中能量消耗考虑在内，并对能量消耗进行优化。同时，UUV目前执行最多的任务即对海洋某区域内各类环境信息，诸如温度、盐度、pH值等参数的采集，因而单纯地考虑优化能耗而忽略这些采集任务的需求显然使得UUV本来的使能目的本末倒置，因而对UUV的最大化实际海洋信息采样量和最小航行过程的能量消耗同时进行优化，即实现对UUV能耗和采样量多目标优化具有非常高的应用价值和研究意义。

此外，在实际的海洋环境中，海洋科学家们所关注的绝大多数海洋特征往往都存在着空间和时间上的变化，这就要求UUV能够及时根据海洋特征的变化来调整航线。与以往考虑固定特征背景UUV适应性采样的文献不同，例如UUV或glider进行适应性采样的文献，但均只使用了静态的海洋特征图作为规划背景，而忽略了海洋特征可能发生的时空变化。

发明内容

本发明的目的在于提供致力于生成最适用于UUV当前能耗水平和未来海洋特征变化趋势的最优路径控制节点，并通过拟合该路径节点得到最优路径轨迹的一种复杂海洋环境影响下基于能耗和采样量多目标优化的UUV路径规划方法。

本发明的目的是这样实现的：

本发明一种复杂海洋环境影响下基于能耗和采样量多目标优化的UUV路径规划方法，其特征是：

(1)确定UUV实际的对地航行速度V_g以及海洋环流速度V_c：

建立二维海洋环境下UUV航行的固定坐标系，X轴朝向地理位置的正北方向，Y轴朝向地理位置的正东方向，V表示UUV对水船速，V_c表示海洋环流速度，V_g表示UUV对地航行速度，ψ,ψ_c,ψ_g分别表示对水船速、海流速度、对地实际船速与正北方向的夹角，此时有，

V_gy＝|V|sinψ+|V_c|sinψ_c

V_gx＝|V|cosψ+|V_c|cosψ_c

V_gx，V_gy分别表示UUV相对大地的北、东速度部分，

通过上述方程将UUV的航迹进行离散化处理，从而求得对地船速的角度。此时可以得到UUV相对水速，

(2)初始化优化算法所需的参数包括种群规模N、问题维度D、最大迭代次数i_Max、惯性权重w；

(3)根据上一步中确定的参数，通过空间分解建模随机产生路径控制节点，使用B-Spline拟合生成初始路径：

将UUV当前所处的整个搜索空间以UUV所在位置为起点分解为均匀的同心圆环，圆环由每对相邻的同心圆构成，半径分别为r_i-1和r_i，半径选择如下方程所述，参数m和q分别表示根据搜索需要由拟合方法生成路径轨迹总共需要的路径点数目和为每个圆环区域内分配的路径控制点的数量。

使用B-Spline方法作为拟合方法完成控制节点间轨迹的生成，通过下述分段多项式可以得到B-Spline曲线，其中p_i(s,θ)表示控制节点，s表示控制点到UUV起始位置的距离，θ表示与正北方向的夹角：

(4)进入MOPSO算法迭代过程，求解出对应优化目标评价函数下的帕雷托解集，目标评价函数对应的基于能耗和信息采样量的模型如下所示：

UUV根据预先设定的采样周期时长和总工作时长来完成周期性的采样工作，UUV在每次采样路径规划开始前上浮至海面，根据最新的海洋预报信息和自身的能量水平更新最新的路径节点，并周期性重复该工作直到采样工作结束；

包含能量消耗和采样量多目标优化模型的建立如下述方程所述：其中G为特征采集灰度值，t_T表示采集目标海洋特征存在的有效时间，UUV最大采样量模型和最小能量消耗模型可以分别由如下两式建立：

UUV航行过程的时间消耗由下式进行计算得到，

UUV的航行限制和约束如下，

其中，表示UUV的动力学模型，E表示UUV船载有限能源或能量阈值；

(5)根据当前最新更新的海洋预报信息和UUV能量水平，通过FCE方法从上述解集中选解；

(6)输出最终选定非劣解对应的路径控制节点；

(7)根据上述路径控制节点，通过B-Spline方法拟合得到当前情景UUV优化后航行路线。

本发明的优势在于：本发明能够有效解决UUV在考虑海洋环流影响，待采集海洋特征可能发生时空变化以及自身能耗有限制情况下，执行信息采集任务的路径规划问题。

附图说明

图1为二维海洋环境下UUV固定坐标系；

图2为二维系统空间分解建模示意图；

图3为UUV执行采样任务及采集范围示意图；

图4为已采集区域置“0”示意图；

图5为本发明的流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1-5，本发明在确立UUV执行任务时能量消耗和信息采样量的模型后，可以使用各类多目标优化算法来实现生成非劣解的过程，并结合模糊综合评价(FuzzyComprehensive Evaluation，简称FCE)方法来实现，以多目标粒子群优化(MOPSO)算法为例，具体可以按以下步骤实现。

步骤一：确定UUV实际的对地航行速度V_g以及由海洋预报系统提供的实时更新的海流信息V_c。具体的航行速度及相应坐标系模型的建立方法如下，

由于UUV在执行信息采集过程中通常采取定深的工作模式，因此只需要建立二维下的坐标系模型。如图1所示，建立二维海洋环境下UUV航行的固定坐标系，其中，X轴朝向地理位置的正北方向，Y轴朝向地理位置的正东方向，V表示UUV对水船速，V_c表示海洋环流速度，V_g表示UUV对地实际船速，ψ,ψ_c，ψ_g分别表示对水船速、海流速度、对地实际船速与正北方向的夹角。此时有，

V_gy＝|V|sinψ+|V_c|sinψ_c

V_gx＝|V|cosψ+|V_c|cosψ_c

V_gx，V_gy分别表示UUV相对大地的北、东速度部分。

通过上述方程将UUV的航迹进行离散化处理，从而求得对地船速的角度。此时可以得到UUV相对水速，

步骤二：初始化优化算法所需的各类参数，种群规模N，问题维度D，最大迭代次数i_Max，惯性权重w。

步骤三：根据上一步中确定的参数，通过空间分解建模随机产生路径控制节点，使用B-Spline拟合生成初始路径。

本发明使用了随机环形的系统空间分解建模方法，二维环境的建模示意图如图2所示。该方法将UUV当前所处的整个搜索空间以UUV所在位置为起点分解为一系列均匀的同心圆环，圆环由每对相邻的同心圆构成，半径分别为r_i-1和r_i。半径选择如下方程所述，参数m和q分别表示根据搜索需要由拟合方法生成路径轨迹总共需要的路径点数目和为每个圆环区域内分配的路径控制点的数量。

本发明使用B-Spline方法作为拟合方法完成控制节点间轨迹的生成，通过下述分段多项式可以得到B-Spline曲线，其中p_i(s,θ)表示控制节点，s表示控制点到UUV起始位置的距离，θ表示与正北方向的夹角。

结合控制节点使用B-Spline得到光滑路径后，均匀细分路径处理为大量离散点并计算整个路径轨迹所消耗能量，这样做可以简化计算过程，优化运行效率。

步骤四：进入MOPSO算法迭代过程，求解出对应优化目标评价函数下的帕雷托解集。其中，目标评价函数对应的基于能耗和信息采样量的模型如下所示：

本发明中使用了基于重规划的适应性采样方法完成UUV针对海洋特征的采样任务，规划方法如下示意图3所示。UUV根据预先设定的采样周期时长和总工作时长来完成周期性的采样工作。本发明设计UUV在每次采样路径规划开始前上浮至海面，根据最新的海洋预报信息和自身的能量水平更新最新的路径节点，并周期性重复该工作直到采样工作结束。其中，暖色区域表示值得UUV前往进行采集的区域，其暖色的大小用灰度值(GreyValue)表示，颜色越暖则灰度值越大，表示该区域内对应研究的某海洋特征的信息更有效或该区域内出现对应研究的某海洋特征的概率越大。UUV自身配置采集传感器均有一定的有效范围限制，故只能探测采集到一定范围内的海洋特征，因此需要设定采样范围，UUV行进路线上，只有采样范围内的采集量才有效。UUV的实际采样量为整个航行采集过程采样范围中类似九宫格的灰度值进行叠加求和得到，如图4所示。此外，为了保证UUV不会进行重复采样，需要对UUV已经探测过的区域进行“置0”，即已探测区域的信息量强制设置为0。这样同时确保了UUV不会一直在高信息量的区域附近徘徊而不能继续行进。

包含能量消耗和采样量多目标优化模型的建立如下述方程所述。其中G为特征采集灰度值，由图中色块表示。颜色越深则灰度值越高，越值得UUV前往采集；t_T表示采集目标海洋特征存在的有效时间，超过该时间后无法获得有效的信息采集。UUV最大采样量模型和最小能量消耗模型可以分别由如下两式建立，

UUV航行过程的时间消耗可由下式进行计算得到，

UUV的航行限制和约束如下，

其中，表示UUV的动力学模型，由于研究目标为UUV大范围的路径规划，因此可以忽略。式中E表示UUV船载有限能源或能量阈值，UUV所消耗的能量不能超过这一限制值。

步骤五：根据当前最新更新的海洋预报信息和UUV能量水平，通过FCE方法从上述解集中选解。

步骤六：输出最终选定非劣解对应的路径控制节点。

步骤七：根据上述路径控制节点，通过B-Spline方法拟合得到最适应当前情景UUV优化后航行路线。

Claims (1)

1.一种复杂海洋环境影响下基于能耗和采样量多目标优化的UUV路径规划方法，其特征是：

(1)确定UUV实际的对地航行速度V_g以及海洋环流速度V_c：

建立二维海洋环境下UUV航行的固定坐标系，X轴朝向地理位置的正北方向，Y轴朝向地理位置的正东方向，V表示UUV对水船速，V_c表示海洋环流速度，V_g表示UUV对地航行速度，ψ,ψ_c,ψ_g分别表示对水船速、海流速度、对地实际船速与正北方向的夹角，此时有，

V_gy＝|V|sinψ+|V_c|sinψ_c

V_gx＝|V|cosψ+|V_c|cosψ_c

V_gx，V_gy分别表示UUV相对大地的北、东速度部分，

通过上述方程将UUV的航迹进行离散化处理，从而求得对地船速的角度。此时可以得到UUV相对水速，

(2)初始化优化算法所需的参数包括种群规模N、问题维度D、最大迭代次数i_Max、惯性权重w；

(3)根据上一步中确定的参数，通过空间分解建模随机产生路径控制节点，使用B-Spline拟合生成初始路径：

将UUV当前所处的整个搜索空间以UUV所在位置为起点分解为均匀的同心圆环，圆环由每对相邻的同心圆构成，半径分别为r_i-1和r_i，半径选择如下方程所述，参数m和q分别表示根据搜索需要由拟合方法生成路径轨迹总共需要的路径点数目和为每个圆环区域内分配的路径控制点的数量。

使用B-Spline方法作为拟合方法完成控制节点间轨迹的生成，通过下述分段多项式可以得到B-Spline曲线，其中p_i(s,θ)表示控制节点，s表示控制点到UUV起始位置的距离，θ表示与正北方向的夹角：

(4)进入MOPSO算法迭代过程，求解出对应优化目标评价函数下的帕雷托解集，目标评价函数对应的基于能耗和信息采样量的模型如下所示：

UUV根据预先设定的采样周期时长和总工作时长来完成周期性的采样工作，UUV在每次采样路径规划开始前上浮至海面，根据最新的海洋预报信息和自身的能量水平更新最新的路径节点，并周期性重复该工作直到采样工作结束；

包含能量消耗和采样量多目标优化模型的建立如下述方程所述：其中G为特征采集灰度值，t_T表示采集目标海洋特征存在的有效时间，UUV最大采样量模型和最小能量消耗模型可以分别由如下两式建立：

UUV航行过程的时间消耗由下式进行计算得到，

UUV的航行限制和约束如下，

其中，表示UUV的动力学模型，E表示UUV船载有限能源或能量阈值；

(5)根据当前最新更新的海洋预报信息和UUV能量水平，通过FCE方法从上述解集中选解；

(6)输出最终选定非劣解对应的路径控制节点；

(7)根据上述路径控制节点，通过B-Spline方法拟合得到当前情景UUV优化后航行路线。