CN109579860A - 一种基于场在线估计的水下机器人场源搜索方法 - Google Patents
一种基于场在线估计的水下机器人场源搜索方法 Download PDFInfo
- Publication number
- CN109579860A CN109579860A CN201811383050.7A CN201811383050A CN109579860A CN 109579860 A CN109579860 A CN 109579860A CN 201811383050 A CN201811383050 A CN 201811383050A CN 109579860 A CN109579860 A CN 109579860A
- Authority
- CN
- China
- Prior art keywords
- field
- underwater robot
- follows
- path point
- point
- 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
Links
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
- G01C21/26—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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
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
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ΦT(p)=[φ1(p),φ2(p),…,φm(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[zmin,zmax]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Sgradient,其中Sgradient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dmin∈[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αk>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:
αk=βld (9)
其中l是使下列不等式成立的最小的正整数:
5)以pk+1为目标路径点,控制水下机器人从当前位置运动到pk+1位置;令k=k+1,更新pk+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,…Nk,…},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Hk,测量值向量为sk;
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δθ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ΦT(p)=[φ1(p),φ2(p),…,φm(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ΦT(p)=[φ1(p),φ2(p),…,φm(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[zmin,zmax]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Sgradient,其中Sgradient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dmin(dmin∈[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αk>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:
αk=βld (9)
其中l是使下列不等式成立的最小的正整数:
5)以pk+1为目标路径点,控制水下机器人从当前位置运动到pk+1位置;令k=k+1,更新pk+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,…Nk,…}。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Hk,测量值向量为sk。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δθ设定为0<δθ<10-4:若是,则场源搜索终止,当前位置pk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ΦT(p)=[φ1(p),φ2(p),…,φm(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[zmin,zmax]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Sgradient,其中Sgradient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dmin∈[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αk>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:
αk=βld (9)
其中l是使下列不等式成立的最小的正整数:
5)以pk+1为目标路径点,控制水下机器人从当前位置运动到pk+1位置;令k=k+1,更新pk +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,…Nk,…},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Hk,测量值向量为sk;
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δθ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)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383050.7A CN109579860B (zh) | 2018-11-20 | 2018-11-20 | 一种基于场在线估计的水下机器人场源搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383050.7A CN109579860B (zh) | 2018-11-20 | 2018-11-20 | 一种基于场在线估计的水下机器人场源搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109579860A true CN109579860A (zh) | 2019-04-05 |
CN109579860B CN109579860B (zh) | 2022-04-15 |
Family
ID=65923387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811383050.7A Active CN109579860B (zh) | 2018-11-20 | 2018-11-20 | 一种基于场在线估计的水下机器人场源搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109579860B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908404A (zh) * | 2019-12-09 | 2020-03-24 | 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 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
CN111623777A (zh) * | 2020-05-12 | 2020-09-04 | 清华大学 | 一种基于场强信息的等值线跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167703A1 (en) * | 2005-12-30 | 2007-07-19 | Sherman Jason T | Method for determining a position of a magnetic source |
CN105760813A (zh) * | 2016-01-19 | 2016-07-13 | 北京航空航天大学 | 一种基于植物枝根演化行为的无人机目标检测方法 |
CN106371435A (zh) * | 2016-08-25 | 2017-02-01 | 北京创想智控科技有限公司 | 一种热源移动机器人、热源搜索系统及方法 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN108664039A (zh) * | 2018-03-15 | 2018-10-16 | 清华大学 | 基于梯度估计的自主式水下机器人场源搜索方法及系统 |
-
2018
- 2018-11-20 CN CN201811383050.7A patent/CN109579860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070167703A1 (en) * | 2005-12-30 | 2007-07-19 | Sherman Jason T | Method for determining a position of a magnetic source |
CN105760813A (zh) * | 2016-01-19 | 2016-07-13 | 北京航空航天大学 | 一种基于植物枝根演化行为的无人机目标检测方法 |
CN106371435A (zh) * | 2016-08-25 | 2017-02-01 | 北京创想智控科技有限公司 | 一种热源移动机器人、热源搜索系统及方法 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN108664039A (zh) * | 2018-03-15 | 2018-10-16 | 清华大学 | 基于梯度估计的自主式水下机器人场源搜索方法及系统 |
Non-Patent Citations (5)
Title |
---|
KEYOU YOU 等: ""AUV Based Source Seeking with Estimated Gradients"", 《SPRINGER》 * |
LI, S 等: ""Cooperative Distributed Source Seeking by Multiple Robots: Algorithms and Experiments"", 《IEEE-ASME TRANSACTIONS ON MECHATRONICS》 * |
LIN, JB 等: ""3-D Velocity Regulation for Nonholonomic Source Seeking Without Position Measurement"", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
ZHANG, CHUNLEI 等: ""Source seeking with non-holonomic unicycle without position measurement and with tuning of forward velocity"", 《SYSTEMS AND CONTROL LETTERS》 * |
刘莹等: "水下机器人最优逃生线路规划研究与仿真", 《计算机仿真》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908404A (zh) * | 2019-12-09 | 2020-03-24 | 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 |
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 |
CN111623777A (zh) * | 2020-05-12 | 2020-09-04 | 清华大学 | 一种基于场强信息的等值线跟踪方法 |
CN111623777B (zh) * | 2020-05-12 | 2021-10-15 | 清华大学 | 一种基于场强信息的等值线跟踪方法 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109579860B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109579860A (zh) | 一种基于场在线估计的水下机器人场源搜索方法 | |
CN106950969A (zh) | 一种基于无地图运动规划器的移动机器人连续控制方法 | |
CN113112065B (zh) | 一种海洋污染巡检采样多无人船路径规划方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN106525042A (zh) | 一种基于蚁群与扩展卡尔曼滤波相结合的多auv协同定位方法 | |
CN106403953B (zh) | 一种用于水下自主导航与定位的方法 | |
Zhang et al. | An LSTM based Kalman filter for spatio-temporal ocean currents assimilation | |
Li et al. | An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems | |
Zhang et al. | An improved UKF algorithm for extracting weak signals based on RBF neural network | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
CN115983105B (zh) | 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法 | |
Wang et al. | Efficient mobile robot exploration with Gaussian Markov random fields in 3D environments | |
Lawrance et al. | Fast marching adaptive sampling | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
Cheng et al. | Artificial bee colony algorithm-based multiple-source localization method for wireless sensor network | |
Yu et al. | Improved D* Lite algorithm path planning in complex environment | |
CN111912411B (zh) | 一种机器人导航定位方法、系统及存储介质 | |
Wang et al. | An Improved A* Path Planning Algorithm of Autonomous Underwater Vehicles | |
Li et al. | An adaptive environmental sampling path planning technique for autonomous underwater vehicles based on ant colony optimization algorithm | |
Cui et al. | A new adaptive track correlation method for multiple scenarios | |
Branch et al. | Autonomous nested search for hydrothermal venting | |
Zhang et al. | The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection | |
Wu et al. | Research on unmanned surface vehicle path planning based on improved intelligent water drops algorithm | |
Zheng et al. | Bearing-Only Target Tracking Based on Piecewise Backward Smoothing Kalman Filter |
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 |