CN109579860A - 一种基于场在线估计的水下机器人场源搜索方法 - Google Patents

Abstract

本发明提出一种基于场在线估计的水下机器人场源搜索方法，属于机器人智能算法领域。该方法在开始搜索前，利用单隐层前馈神经网络构建信号场近似模型；水下机器人从初始位置开始，利用迭代搜索方法进行信号场在线估计、搜索路径规划和路径点跟踪运动；在每一个路径点，水下机器人利用到达该路径点的运动路径上新采集的场强测量数据在线更新场模型，估计该处的场梯度，规划出下一路径点，然后控制水下机器人运动到新的路径点，直至到达场源位置。该方法适用于单个水下机器人的水下场源搜索，能够充分利用机器人对信号场的采样信息，节约搜索路径，高效地寻找到场源。

Description

一种基于场在线估计的水下机器人场源搜索方法

技术领域

本发明属于机器人智能算法领域，尤其涉及一种基于场在线估计的水下机器人场源搜索方法。

背景技术

水下机器人的一项重要应用是搜索水下某种信号场的源头位置，简称场源。根据具体任务的不同，场源往往多种多样。在对自然资源的探索和调查任务中，场源可能是某种海底矿床，比如海底金矿、天然气水合物(可燃冰)聚集区、海底热液喷口等。在一些打捞搜救任务中，搜索的场源可能是沉船、失事飞机的残骸和黑匣子。在出现某些环境污染突发事件时，常常需要水下机器人搜索污染源，比如海底输油管道的泄漏点。这些搜索目标的共同点是能够产生某种信号，在水下形成一定的分布场。一般认为场源的位置是场的最大值点(或最小值点)。传统的场源搜索方法要求水下机器人沿着等距平行的路线往复运动，收集整个场的测量数据，然后判断场源位置进行搜索，这种方式费时费力。

在场源搜索问题中，一般假定场源的位置是场强的最大值点，距离场源越远的位置场强越弱。因此，直观的思路是沿着场的梯度方向进行搜索。采用多个水下机器人组成传感器网络，对场强进行分布式测量，能够方便地估计出局部的场梯度。因此基于多个水下机器人的场源搜索得到了广泛研究。Ogren等人采用虚拟领航级策略，用多个水下机器人的采样信息估算虚拟领航机位置的场梯度，然后进行协同控制，一起沿着梯度方向运动。Moore等人使多个水下机器人组成一个圆形编队实时估计中心位置的场强梯度，保持这种队形沿着梯度方向搜索场源位置。Choi等人提出一种分布式学习算法，基于高斯神经网络对场强函数进行建模，根据多个机器人的测量数据，让每个机器人不断更新对场强函数的估计，然后每个机器人都按照局部梯度方向运动，最终将聚合到场源位置。

在实际应用中使用多个水下机器人会增加操控环节的复杂度，采用单个机器人更为实际，但它的缺点是无法同时测量多个位置的场强信息，估计梯度更为困难。为了克服这一困难，Burian等人提出一种圆形路径方法，让水下机器人在局部区域按照一个圆形路径采样，然后以平面拟合的斜度作为梯度的估计量，沿着估计梯度方向直线前进，当场强不再增大时停止，重复上述过程直至估算的场强梯度足够小时，认为找到了场源。Azuma等人采用了随机估计算法产生搜索路径，使机器人在遇到场强不增的位置，采用随机策略选取转向方向，通过随机逼近的方式寻求梯度上升的方向。最终呈现出的是一条方向变化多端的搜索路径。

上述这些利用单个水下机器人场源搜索的方法，特点是局部多点采样估计场梯度，当水下机器人在运动到新的位置时仍需重新采样，之前的数据将不再使用，浪费了大量信息，导致水下机器人的搜索路径较长，搜索效率低下。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种基于场在线估计的水下机器人场源搜索方法。该方法适用于单个水下机器人的水下场源搜索，能够充分利用机器人对信号场的采样信息，节约搜索路径，高效地寻找到场源。

本发明提出一种基于场在线估计的水下机器人场源搜索方法，其特征在于，包括以下步骤：

1)开始搜索前，利用单隐层前馈神经网络SLFN构建信号场近似模型；

信号场的场函数表达式如下：

其中p＝(x,y)^T是搜索区域内的任意一个点，z(p)是p点处的场强，区域是二维空间中的一个紧的凸集，分别是场强的最小值和最大值；

利用SLFN作为z(p)的近似模型，表达式如下：

其中Φ^T(p)＝[φ₁(p)，φ₂(p)，…，φ_m(p)]是m个隐含节点中的核函数，m＞20；系数是每个核函数对应的输出权重；令核函数为高斯基函数：

其中是第j个高斯基函数的中心位置，从区域上的均匀分布中随机选取；是第j个高斯基函数的标准差，从区间上的均匀分布中随机选取，其中M为区域的面积；

2)令水下机器人起始位置为p⁰，令该位置为水下机器人的当前位置，构造先验场与先验数据集；具体如下：

估计目标区域内场强的范围[z_min,z_max]以及场的极大值点可能位置估计出式(1)SLFN模型的一组先验参数权重以及先验场模型从区域上随机选取N₀个采样点对应的隐含层输出矩阵为：

采样点个数N₀＞m且满足Rank(H₀)＝m；

将采样点处先验场模型的值作为测量值向量其中表示为：

得到一组先验测量数据集计算矩阵

3)估计水下机器人在当前位置的场梯度：

当水下机器人处于起始位置时，此时k＝0，采用估计当前位置的场梯度；

计算当前位置的海森矩阵：

4)判断是否小于阈值S_gradient，其中S_gradient计算表达式如下：

若是，则采用牛顿方法生成下一路径点，然后进入步骤5)；设定一段规划路径长度的最小值为d_min∈[1m,5m]，下一个路径点规划为：

若否，则采用最速上升方向生成下一路径点，然后进入步骤5)；下一路径点规划为：

其中α^k＞0是第k个路径点的规划步长，取值采用阿米霍Armijo规则确定：预先选定初始步长d＞0、缩减因子β以及参数σ，分别满足0<β<1，则：

α^k＝β^ld (9)

其中l是使下列不等式成立的最小的正整数：

5)以p^k+1为目标路径点，控制水下机器人从当前位置运动到p^k+1位置；令k＝k+1，更新p^k+1为新的当前位置；

6)采用OS-ELM在线学习算法更新当前位置的场函数；具体如下：

水下机器人运动过程中采集实际的场强数据作为测量数据集；假设水下机器人在连续的路径段上采集到的场强数据个数分别为{N₁，N₂，…N_k，…}，其中第k段路径的测量数据集描述为：

对应的隐含层输出矩阵记为H_k，测量值向量为s_k；

利用OS-ELM的场在线学习算法更新场模型的输出权重，表达式如下：

得到的更新后的场函数为：

7)判断是否其中δ_θ为收敛阈值：若是，则场源搜索终止，水下机器人已经到达场源位置；若否，则重新返回步骤3)。

本发明的特点及有益效果在于：

(1)在场估计方面，相比于局部多点采样估计场梯度的方法，本发明能够利用水下机器人从开始到结束的所有测量信息，充分利用了采样信息，避免了重复采样路径。

(2)在搜索路径规划方面，本发明基于最速上升法和牛顿法，并考虑最小路径，能够给出优化路径，减小搜索路径的长度，提升了搜索的效率。

具体实施方式

本发明提出一种基于场在线估计的水下机器人场源搜索方法，下面结合具体实施例进一步详细说明如下。

本发明提出一种基于场在线估计的水下机器人场源搜索方法，包括以下步骤：

本发明的实施例以分布在二维水平面上的一个静态信号场为例。但是本发明中提出的算法可拓展到三维空间。

1)开始搜索前，利用单隐层前馈神经网络(SLFN)构建信号场近似模型；信号场的场函数定义为：

其中p＝(x,y)^T是搜索区域内的任意一个点，z(p)是p点处的场强，区域是二维空间中的一个紧的凸集，分别是场强的最小值和最大值。场函数z(p)被假定为一个连续的非线性函数，本发明用一个SLFN作为z(p)的近似模型，表达式如下：

其中Φ^T(p)＝[φ₁(p)，φ₂(p)，…，φ_m(p)]是m个隐含节点中的核函数，m＞20；系数是每个核函数对应的输出权重；本方法的核函数为高斯基函数：

其中是第j个高斯基函数的中心位置，从区域上的均匀分布中随机选取；是第j个高斯基函数的标准差，从区间上的均匀分布中随机选取，其中M为区域的面积。这样，基函数Φ^T(p)＝[φ₁(p)，φ₂(p)，…，φ_m(p)]选定后，权重Θ就是场在线估计过程中唯一需要调整的参数；

2)令水下机器人起始位置为p⁰，令该位置为水下机器人的当前位置，构造先验场与先验数据集；具体如下：

根据历史数据或其他信息，估计目标区域内场强的范围[z_min,z_max]以及场的极大值点可能位置估计出式(1)SLFN模型的一组先验参数权重以及先验场模型从区域上随机选取N₀个采样点对应的隐含层输出矩阵为：

采样点个数N₀＞m且满足Rank(H₀)＝m。将这些采样点处先验场模型的值作为测量值向量其中紧凑的表示为：

这样得到一组“先验”测量数据集计算矩阵

3)估计水下机器人在当前位置的场梯度：

当水下机器人处于起始位置时，此时k＝0，采用先验场模型系数估计当前位置的场梯度；

进一步可以得到当前位置的海森(Hessian)矩阵：

4)判断是否小于阈值S_gradient，其中S_gradient计算表达式如下：

若是，则采用牛顿方法生成下一路径点，然后进入步骤5)；设定一段规划路径长度的最小值为d_min(d_min∈[1m,5m])，按照牛顿方法，下一个路径点规划为：

若否，则采用最速上升方向生成下一路径点，然后进入步骤5)；按照最速上升法，下一路径点规划为：

其中α^k＞0是第k个路径点的规划步长，上标k表示当前迭代标号，(综合考虑收敛速度和计算复杂度)采用步长连续缩减的方法——Armijo规则：预先选定初始步长d＞0、缩减因子β以及参数σ，分别满足0<β<1，0<σ<1。具体的步长由以下公式给出：

α^k＝β^ld (9)

其中l是使下列不等式成立的最小的正整数：

5)以p^k+1为目标路径点，控制水下机器人从当前位置运动到p^k+1位置；令k＝k+1，更新p^k+1为新的当前位置。6)采用OS-ELM在线学习算法更新当前位置的场函数；具体如下：

水下机器人运动过程中采集实际的场强数据作为测量数据集；假设水下机器人在连续的路径段上采集到的场强数据个数分别为{N₁，N₂，…N_k，…}。其中第k段路径的测量数据集描述为：

而对应的隐含层输出矩阵记为H_k，测量值向量为s_k。基于OS-ELM的场在线学习算法在线处理这些接续到来的测量数据集，从而更新场模型的输出权重，具体更新公式为：

得到的更新后的场函数为：

7)判断是否其中收敛阈值δ_θ设定为0<δ_θ<10^-4：若是，则场源搜索终止，当前位置p^k即靠近场源位置，本方法认定为水下机器人已经到达场源位置；若否，则重新返回步骤3)。

Claims (1)

1.一种基于场在线估计的水下机器人场源搜索方法，其特征在于，包括以下步骤：

1)开始搜索前，利用单隐层前馈神经网络SLFN构建信号场近似模型；

信号场的场函数表达式如下：

其中p＝(x,y)^T是搜索区域内的任意一个点，z(p)是p点处的场强，区域是二维空间中的一个紧的凸集，分别是场强的最小值和最大值；

利用SLFN作为z(p)的近似模型，表达式如下：

其中Φ^T(p)＝[φ₁(p)，φ₂(p)，…，φ_m(p)]是m个隐含节点中的核函数，m＞20；系数是每个核函数对应的输出权重；令核函数为高斯基函数：

其中是第j个高斯基函数的中心位置，从区域上的均匀分布中随机选取；是第j个高斯基函数的标准差，从区间上的均匀分布中随机选取，其中M为区域的面积；

2)令水下机器人起始位置为p⁰，令该位置为水下机器人的当前位置，构造先验场与先验数据集；具体如下：

估计目标区域内场强的范围[z_min,z_max]以及场的极大值点可能位置估计出式(1)SLFN模型的一组先验参数权重以及先验场模型从区域上随机选取N₀个采样点对应的隐含层输出矩阵为：

采样点个数N₀＞m且满足Rank(H₀)＝m；

将采样点处先验场模型的值作为测量值向量其中表示为：

得到一组先验测量数据集计算矩阵

3)估计水下机器人在当前位置的场梯度：

当水下机器人处于起始位置时，此时k＝0，采用估计当前位置的场梯度；

计算当前位置的海森矩阵：

4)判断是否小于阈值S_gradient，其中S_gradient计算表达式如下：

若是，则采用牛顿方法生成下一路径点，然后进入步骤5)；设定一段规划路径长度的最小值为d_min∈[1m,5m]，下一个路径点规划为：

若否，则采用最速上升方向生成下一路径点，然后进入步骤5)；下一路径点规划为：

其中α^k＞0是第k个路径点的规划步长，取值采用阿米霍Armijo规则确定：预先选定初始步长d＞0、缩减因子β以及参数σ，分别满足0<β<1，则：

α^k＝β^ld (9)

其中l是使下列不等式成立的最小的正整数：

5)以p^k+1为目标路径点，控制水下机器人从当前位置运动到p^k+1位置；令k＝k+1，更新p^{k +1}为新的当前位置；

6)采用OS-ELM在线学习算法更新当前位置的场函数；具体如下：

水下机器人运动过程中采集实际的场强数据作为测量数据集；假设水下机器人在连续的路径段上采集到的场强数据个数分别为{N₁，N₂，…N_k，…}，其中第k段路径的测量数据集描述为：

对应的隐含层输出矩阵记为H_k，测量值向量为s_k；

利用OS-ELM的场在线学习算法更新场模型的输出权重，表达式如下：

得到的更新后的场函数为：

7)判断是否其中δ_θ为收敛阈值：若是，则场源搜索终止，水下机器人已经到达场源位置；若否，则重新返回步骤3)。