CN108931243B - 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

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 Download PDF

Info

Publication number
CN108931243B
CN108931243B CN201810519546.6A CN201810519546A CN108931243B CN 108931243 B CN108931243 B CN 108931243B CN 201810519546 A CN201810519546 A CN 201810519546A CN 108931243 B CN108931243 B CN 108931243B
Authority
CN
China
Prior art keywords
uuv
path
ocean
speed
energy consumption
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
Application number
CN201810519546.6A
Other languages
English (en)
Other versions
CN108931243A (zh
Inventor
王宏健
周赫雄
么洪飞
王莹
李庆
陈涛
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
Publication of CN108931243A publication Critical patent/CN108931243A/zh
Application granted granted Critical
Publication of CN108931243B publication Critical patent/CN108931243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Feedback Control In General (AREA)
  • Navigation (AREA)

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Vg以及海洋环流速度Vc：
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，Vc表示海洋环流速度，Vg表示UUV对地航行速度，ψ,ψc,ψg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，
Vgy＝|V|sinψ+|Vc|sinψc
Vgx＝|V|cosψ+|Vc|cosψc
Vgx，Vgy分别表示UUV相对大地的北、东速度部分，
Figure BDA0001674472230000021
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，
Figure BDA0001674472230000022
(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iMax、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ri-1和ri，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。
Figure BDA0001674472230000031
Figure BDA0001674472230000032
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pi(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：
Figure BDA0001674472230000033
(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，tT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：
Figure BDA0001674472230000034
Figure BDA0001674472230000035
UUV航行过程的时间消耗由下式进行计算得到，
Figure BDA0001674472230000036
UUV的航行限制和约束如下，
Figure BDA0001674472230000037
其中，
Figure BDA0001674472230000038
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Vg以及由海洋预报系统提供的实时更新的海流信息Vc。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，Vc表示海洋环流速度，Vg表示UUV对地实际船速，ψ,ψc，ψg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，
Vgy＝|V|sinψ+|Vc|sinψc
Vgx＝|V|cosψ+|Vc|cosψc
Vgx，Vgy分别表示UUV相对大地的北、东速度部分。
Figure BDA0001674472230000041
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，
Figure BDA0001674472230000051
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iMax，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ri-1和ri。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。
Figure BDA0001674472230000052
Figure BDA0001674472230000053
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pi(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。
Figure BDA0001674472230000054
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；tT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，
Figure BDA0001674472230000061
Figure BDA0001674472230000062
UUV航行过程的时间消耗可由下式进行计算得到，
Figure BDA0001674472230000063
UUV的航行限制和约束如下，
Figure BDA0001674472230000064
其中，
Figure BDA0001674472230000065
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Vg以及海洋环流速度Vc：
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，Vc表示海洋环流速度，Vg表示UUV对地航行速度，ψ,ψc,ψg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，
Vgy＝|V|sinψ+|Vc|sinψc
Vgx＝|V|cosψ+|Vc|cosψc
Vgx，Vgy分别表示UUV相对大地的北、东速度部分，
Figure FDA0002686912270000011
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，
Figure FDA0002686912270000012
(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iMax、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ri-1和ri，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：
Figure FDA0002686912270000013
Figure FDA0002686912270000014
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pi(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：
Figure FDA0002686912270000021
(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，tT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：
Figure FDA0002686912270000022
Figure FDA0002686912270000023
UUV航行过程的时间消耗由下式进行计算得到，
Figure FDA0002686912270000024
UUV的航行限制和约束如下，
Figure FDA0002686912270000025
其中，
Figure FDA0002686912270000026
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。
CN201810519546.6A 2018-04-17 2018-05-28 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 Active CN108931243B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810340341 2018-04-17
CN2018103403411 2018-04-17

Publications (2)

Publication Number Publication Date
CN108931243A CN108931243A (zh) 2018-12-04
CN108931243B true CN108931243B (zh) 2020-12-22

Family

ID=64449201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810519546.6A Active CN108931243B (zh) 2018-04-17 2018-05-28 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

Country Status (1)

Country Link
CN (1) CN108931243B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110749333B (zh) * 2019-11-07 2022-02-22 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111829528B (zh) * 2020-07-27 2022-02-08 中国科学院自动化研究所 仿生滑翔机器海豚的实时路径规划方法及系统
CN112082557A (zh) * 2020-09-14 2020-12-15 哈尔滨工程大学 基于贝塞尔拟合的uuv海底地形跟踪路径滚动生成方法
CN112613180B (zh) * 2020-12-28 2022-04-15 武汉理工大学 一种水下无人航行器的能耗优化方法
CN113064440B (zh) * 2021-03-15 2022-08-02 哈尔滨工程大学 一种基于海洋模式的自适应观测方法
CN116929372B (zh) * 2023-07-31 2024-08-09 哈尔滨工程大学 基于多能源捕耗建模的海洋机器人路径规划方法及系统
CN118348810B (zh) * 2024-05-28 2024-10-15 安华海洋智能装备(深圳)有限公司 用于海洋探测设备的优化方法、系统及探测设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077425A (zh) * 2012-11-23 2013-05-01 中国科学院沈阳自动化研究所 一种用于auv实时路径规划的免疫遗传算法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN104634343A (zh) * 2015-01-27 2015-05-20 杭州格文数字技术有限公司 一种基于多目标优化的景区路线自动规划方法
CN104808665A (zh) * 2015-04-16 2015-07-29 上海大学 基于多目标人工蜂群算法的多机器人路径规划方法
CN106647744A (zh) * 2016-11-14 2017-05-10 深圳大学 一种机器人路径规划方法及装置
CN107368086A (zh) * 2017-07-04 2017-11-21 哈尔滨工程大学 基于探测威胁域的无人潜航器路径规划装置及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077425A (zh) * 2012-11-23 2013-05-01 中国科学院沈阳自动化研究所 一种用于auv实时路径规划的免疫遗传算法
CN104331743A (zh) * 2014-10-11 2015-02-04 清华大学 一种基于多目标优化的电动车辆出行规划方法
CN104634343A (zh) * 2015-01-27 2015-05-20 杭州格文数字技术有限公司 一种基于多目标优化的景区路线自动规划方法
CN104808665A (zh) * 2015-04-16 2015-07-29 上海大学 基于多目标人工蜂群算法的多机器人路径规划方法
CN106647744A (zh) * 2016-11-14 2017-05-10 深圳大学 一种机器人路径规划方法及装置
CN107368086A (zh) * 2017-07-04 2017-11-21 哈尔滨工程大学 基于探测威胁域的无人潜航器路径规划装置及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Energy efficient path planning of autonomous underwater vehicles for environment modeling;Diyuan Lu etal.;《2014 International Conference on Multisensor Fusion and Information Integration for Intelligent Systems (MFI)》;20141229;第1-6页 *
Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle;王宏建等;《OCEANS 2016 MTS/IEEE Monterey》;20161201;第1-7页 *
Task allocation of multiple autonomous underwater vehicle system based on multi-objective optimization;王宏建等;《2016 IEEE International Conference on Mechatronics and Automation》;20160905;第2512-2517页 *

Also Published As

Publication number Publication date
CN108931243A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
CN108931243B (zh) 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
Fiorelli et al. Multi-AUV control and adaptive sampling in Monterey Bay
Guo et al. Research progress of path planning methods for autonomous underwater vehicle
CN109540151A (zh) 一种基于强化学习的auv三维路径规划方法
Luis et al. A deep reinforcement learning approach for the patrolling problem of water resources through autonomous surface vehicles: The ypacarai lake case
CN107168309B (zh) 一种基于行为的多水下机器人路径规划方法
Zeng et al. Rendezvous path planning for multiple autonomous marine vehicles
CN108762280A (zh) 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法
Manjanna et al. Efficient terrain driven coral coverage using gaussian processes for mosaic synthesis
CN109470248A (zh) 一种水下航行器导航系统及导航方法
Mukhopadhyay et al. Collaborative autonomous surveys in marine environments affected by oil spills
Shao et al. The application of AUV navigation based on adaptive extended Kalman filter
CN112612290B (zh) 一种考虑洋流的水下航行器三维多任务路径规划方法
Li et al. An adaptive online co-search method with distributed samples for dynamic target tracking
Ehrich Leonard Cooperative vehicle environmental monitoring
Molchanov et al. Active drifters: Towards a practical multi-robot system for ocean monitoring
Yan et al. Communication-efficient and collision-free motion planning of underwater vehicles via integral reinforcement learning
CN107315348B (zh) 一种基于惩罚式小波网络的无人潜航器位姿控制方法
Zheng et al. Three-dimensional dynamic modeling and motion analysis of a fin-actuated robot
CN113342016B (zh) 基于动态事件触发的自主式水下机器人协同控制方法和系统
Han et al. Whale optimization algorithm for ship path optimization in large-scale complex marine environment
Zeng et al. Information-driven path planning for hybrid aerial underwater vehicles
CN118294984A (zh) 一种固定与机动协同的海洋立体同步观测系统以及方法
Gao et al. Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey
Hu et al. A school of robotic fish for pollution detection in port

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