CN109724592A - 一种基于进化梯度搜索的auv地磁仿生导航方法 - Google Patents

Abstract

本发明提出一种基于进化梯度搜索的AUV地磁仿生导航方法，将基于进化策略的地磁仿生导航和经典的梯度下降法结合起来搜索函数极值，利用地磁趋势性实现导航任务，不仅解决了基于梯度信息的线性搜索方法易陷入局部最优的不足，可以保证搜索具有全局最优性，而且具有快速的收敛性，弥补了进化搜索中的耗时长的缺点，可以提高地磁仿生导航的效率。

Description

一种基于进化梯度搜索的AUV地磁仿生导航方法

技术领域

本发明涉及一种基于进化梯度搜索算法的AUV地磁仿生导航方法，属于水下航行器导航技术领域。

背景技术

自主水下航行器(Autonomous Underwater Vehicle，AUV)作为人类探索和发掘海洋资源的重要工具，承担海洋调查、水下资源探索以及海洋河流环境的水深数据收集等多种任务。导航技术成为制约AUV发展的关键，针对水下环境的特殊性，有必要发展新型导航技术。地磁导航具有不受地形起伏、地理位置等外部条件的限制，可以实现全球、全天候实时导航的优点。目前水下地磁导航处于早期发展阶段，导航性能不及捷联惯导系统(Strapdown Inertial Navigation System,SINS)与全球定位系统(Global PositioningSystem,GPS)的组合导航，但由于电磁波信号无法在水中稳定传播，因此可以预见，地磁导航将会成为水下导航的主流方式。迄今为止，地磁导航主要以两种地磁匹配导航为主：磁场等值线匹配(magnetic contour matching,MAGCOM)和迭代最近等值线点(iterativeclosest contour point，ICCP)。但是当在匹配过程中出现相同地磁值的等高线或者区域地磁特征不明显的情况时，导航精度就会受到影响。而且获得地磁数据要求精度非常高的传感器，在水下绘制地磁图很难完成。

受生物利用地磁趋势进行导航的启发，从生物磁趋势性敏感角度出发，有研究人员提出了不依赖先验地磁数据的进化搜索的地磁仿生导航方法，但是现有方法存在导航耗时长，效率低的问题。

发明内容

在地磁仿生导航中典型的进化搜索算法有着优秀的全局特性，可以广泛应用于搜索导航中，但是由于载体移动过程中航向角的选取是依据某一概率随机进行的，使得导航搜索过程中耗时长，效率低；而基于梯度下降的搜索方法具有快速收敛性，但是容易陷入局部最优，当优化目标不可解析时，梯度搜索的方法就不可用。为解决上述问题，提高导航效率和精度，本发明提出一种基于进化梯度搜索策略(Evolutionary Gradient Search，简称EGS)的AUV地磁仿生导航方法，将基于进化策略的地磁仿生导航和经典的梯度下降法结合起来搜索函数极值，利用地磁趋势性实现导航任务，不仅解决了基于梯度信息的线性搜索方法易陷入局部最优的不足，可以保证搜索具有全局最优性，而且具有快速的收敛性，弥补了进化搜索中的耗时长的缺点，可以提高地磁仿生导航的效率。

本发明的技术方案为：

所述一种基于进化梯度搜索的AUV地磁仿生导航方法，其特征在于：包括以下步骤：

步骤1：初始化，包括载体初始化和种群初始化：

载体初始化：设定载体目标位置的地磁参量B^T，测量起始位置的地磁参量B⁰；

种群初始化：在搜索过程中，将航向角作为进化个体，产生初始化种群如下：

θ＝{θ₁,θ₂,...,θ_λ}

其中，λ为个体空间的个数，Δθ为采样间隔；

步骤2：利用进化梯度搜索策略确定下一时刻载体运动位置：

在AUV上安装λ个地磁传感器，载体下一时刻运动的方向为地磁传感器测量到的地磁值对应的目标函数最小的方向；具体步骤如下：

步骤2.1：设AUV当前所在位置为(x_j,y_j)，当前位置对应的地磁值为g(x_j,y_j)，起始位置的地磁值为g(x₀,y₀)，目标位置的地磁值为g(x_t,y_t)；

步骤2.2：分别得到i个传感器采集到的地磁值g(x_ij,y_ij)，i＝1,...,λ；

步骤2.3：由下式得出第i个传感器测得的地磁值对应的目标函数：

将求得目标函数最小的传感器所在的方向作为下一时刻AUV运动的航向：θ_j+1＝θ{minF(x_ij,y_ij)}；

步骤2.4：由下式引导AUV运动至下一位置(x_j+1,y_j+1)：

L为采样周期内AUV的航行距离；

步骤2.5：种群更新：如果趋近目标值的解：F_k＜F_k-1，则保留该航向角，θ_j+1＝θ_j；否则更新航向角；

步骤3：到达目标位置判断：

若当前位置地磁目标函数与上一时刻目标函数满足下式：

F_k＜ε

表明当前位置地磁值无限接近目标位置，认为载体到达目标位置，否则返回步骤2继续进行搜索；其中ε为一个趋于0的设定值。

有益效果

本发明将基于进化策略的地磁仿生导航和经典的梯度下降法相结合，利用地磁趋势性实现导航任务。弥补了进化搜索中的耗时长的缺点，也解决了基于梯度信息的线性搜索方法易陷入局部最优的不足。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1：地磁参量关系示意图；

图2：地磁仿生导航原理框图；

图3：进化梯度搜索算法流程图；

图4：基于进化梯度搜索(EGS)的AUV地磁仿生导航轨迹图；

图5：基于进化策略(EAS)与进化梯度搜索策略(EGS)的导航轨迹对比图；

图6：两种搜索算法目标函数收敛曲线；

图7：进化梯度搜索策略(EGS)的地磁三参量目标函数收敛曲线；

图8：基于进化搜索策略(EAS)的地磁三参量目标函数收敛曲线。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

为了提高导航效率和精度，本发明提出一种基于进化梯度搜索策略的AUV地磁仿生导航方法。将基于进化策略的地磁仿生导航和经典的梯度下降法相结合，利用地磁趋势性实现导航任务。弥补了进化搜索中的耗时长的缺点，也解决了基于梯度信息的线性搜索方法易陷入局部最优的不足。

首先建立AUV数学模型：

在本发明中的地磁仿生导航研究中，将单个AUV作为运载体。由于AUV在水下的深度可以通过水深计准确获得，而且不存在累计误差，因此可以将AUV的水下导航问题简化为二维平面坐标系中的地磁导航。AUV的运动学方程如(1)式所示：

其中，(x,y)代表AUV的运动位置，k为运动时刻，θ为AUV运动的航向角，v为AUV前进的速度，Δt为采样周期，λ为航向角种群空间大小。

地磁场是一个包含多个地磁参量的混合矢量场，既有大小又有方向，可以描述为：B＝{B₁,B₂,...,B_N}。地磁场主要有7个特征参量，分别是：地磁总场强B_F，北向分量B_X，东向分量B_Y，垂直分量B_Z，水平分量B_H，磁偏角B_D和磁倾角B_I，这7个地磁参量可以在三维坐标系中表示如图1。

其次描述基于多参量的地磁仿生导航问题：

从仿生学角度来看，生物对地磁趋势有敏感性。地磁仿生导航的过程可以看作是地磁多参量从起始位置向目标位置收敛至各自的目标。可以描述为以下多目标搜索问题：

从仿生学角度来看，生物对地磁趋势有敏感性。地磁仿生导航的过程可以看作是地磁多参量从起始位置向目标位置收敛至各自的目标。可以描述为以下多目标搜索问题：

式中，f_i(B,k)为k时刻第i个地磁参量的目标函数，g为约束条件，S^k为k-1到k时刻AUV的导航路径，B_i ^k和B_i ^T分别为当前位置的地磁参量和目标位置的地磁参量。当目标函数F依路径取得最小值时，即可认为AUV到达目标点。

以当前位置和目标位置的地磁参量的差值作为引导，使得AUV向目标点不断趋近，其中第i个地磁参量在k时刻对应的子目标函数为：

考虑到地磁分量的大小和单位不同，将目标函数归一化为：

其中是AUV起点位置的第i个地磁参量。

地磁参量仿生导航是使得地磁参量收敛于目标位置的搜索导航过程，也就是说目标函数趋近于0，即

即可认为载体到达目标位置。

地磁仿生导航的原理框图如图2所示，AUV在运动过程中，通过将当前位置的地磁参量与目标位置地磁参量进行比较，经仿生导航算法解算出下一时刻AUV的航向角，AUV在行进过程中凭借地磁趋势搜索到达特定的目标位置。

目前地磁仿生导航主要是依靠地磁的趋势性进行试错搜索完成导航的，导航耗时较长。因此，研究一种高效的地磁仿生导航很有必要。

本发明基于进化搜索策略的地磁仿生导航方法利用地磁的趋势性来引导AUV向目标位置地磁处不断靠近，在导航过程中，将经典的梯度下降算法与传统的进化搜索算法相结合，提高导航的效率。

利用该算法实现AUV的地磁仿生导航具体步骤如下：

步骤1：初始化，包括载体初始化和种群初始化：

载体初始化：设定载体目标位置的地磁参量B^T，测量起始位置的地磁参量B⁰；

种群初始化：在搜索过程中，将航向角作为进化个体，产生初始化种群如下：

θ＝{θ₁,θ₂,...,θ_λ} (6)

其中，λ为个体空间的个数，Δθ为采样间隔。

步骤2：利用进化梯度搜索策略确定下一时刻载体运动位置：

在AUV上安装λ个地磁传感器，载体下一时刻运动的方向为地磁传感器测量到的地磁值对应的目标函数最小的方向。依靠地磁的趋势性，则最终载体会朝着地磁目标函数最小的方向运动，即最接近目标位置的地磁值。具体实现步骤如下：

步骤2.1：假设AUV当前所在位置为(x_j,y_j)，当前位置对应的地磁值为g(x_j,y_j)，起始位置的地磁值为g(x₀,y₀)，目标位置的地磁值为g(x_t,y_t)。

步骤2.2：分别得到i个传感器采集到的地磁值g(x_ij,y_ij)，i＝1,...,λ。

步骤2.3：由式(7)得出第i个传感器测得的地磁值对应的目标函数：

将求得目标函数最小的传感器所在的方向作为下一时刻AUV运动的航向，即θ_j+1＝θ{minF(x_ij,y_ij)}。

步骤2.4：由下式引导AUV运动至下一位置(x_j+1,y_j+1)。

L为采样周期内AUV的航行距离；

步骤2.5：种群更新。如果趋近目标值的解(即F_k＜F_k-1)，则保留该航向角，θ_j+1＝θ_j；否则更新航向角；

步骤3：到达目标位置判断。

若当前位置地磁目标函数与上一时刻目标函数满足下式：

F_k＜ε (9)

其中ε为一个趋于0的极小值，表明当前位置地磁值无限接近目标位置，认为载体到达目标位置，否则返回步骤2继续进行搜索。

进化梯度搜索算法的流程图如图3所示。

为了验证本发明的有效性，在MATLAB2018下进行仿真实验。利用国际地磁模型(International Geomagnetic Reference Field)IGRF-12模拟实际地磁场环境。由于图1的七个地磁参量并不是独立的，北向分量B_X,东向分量B_Y以及磁场总强B_F的变化差异较大，为保证搜索的有效性，在进行仿真实验时，选取这三个磁参量作为导航搜索的参数。

具体实施步骤如下：

(1)AUV初始化和参数初始化。

设定起始位置和目标位置的地磁参量如下： 仿真实验中算法的参数设置如表1所示。

表1仿真参数设置

(2)利用进化梯度搜索策略实现AUV的地磁仿生导航的轨迹图如图4所示。

(3)基于两种算法的AUV地磁仿生导航比较。

为了说明本发明提出的算法的有效性，将该算法与传统的进化策略的地磁仿生导航进行比较，两种算法的搜索轨迹如附图5所示。

由图中的导航轨迹图可以看出，两种导航算法的轨迹存在很大的差异。由图中左上角的放大部分示意图可以看出，进化搜索算法由于航向角的选取是依据某一概率随机进行的，因此轨迹比较弯曲，使得导航搜索过程中耗时长。而进化梯度搜索算法将传统的进化搜索与经典梯度下降算法结合起来实现搜索地磁目标函数极小值，不仅可以保证搜索得到的目标函数最优，而且目标函数有快速收敛性，使得地磁导航过程中目标函数不断向目标位置收敛，导航轨迹较平直，从而实现导航过程。

(4)两种搜索算法的目标函数的收敛曲线比较。

图6给出了两种算法的目标函数的收敛曲线。由图可得，随时间累积，两种算法的收敛曲线都能够逐渐趋近于0，引导运载体不断向目标位置趋近，能够实现无先验数据库的地磁仿生导航。由于载体的采样周期和运动速度是一定的，因此导航过程中的迭代步数可以体现导航的耗时情况。进化梯度搜索算法的迭代步数为208步，进化搜索算法的迭代步数为380步，远大于本文提出的进化梯度搜索导航算法。由此可见，进化梯度搜索策略的导航效率优于进化搜索算法。同时，进化梯度搜索算法的收敛的曲线一直处于进化算法收敛曲线的下方，而且较快，比较光滑，充分体现了进化梯度搜索算法的快速收敛性，从而提高了导航搜索的效率。

图7和图8分别给出了EGS和EAS导航的地磁三参量目标函数收敛曲线。由图可以看出，利用EGS进行导航，地磁三参量的收敛性较好，而且三个分量可以同时快速收敛到目标点。但是利用EAS进行导航时，地磁三参量的收敛同步性较差，而且收敛过程中抖动性较大，不能快速收敛。

(5)两种算法的导航路程比与导航误差比较。

为进一步说明算法的有效性和优越性，分别将EGS和EAS应用于地磁仿生导航中，并在不同位置分别进行50次仿真实验，表2和表3分别统计了不同位置进行50次导航任务的路径比以及定位误差的平均值。导航路径比定义为导航过程中实际路程与直线最短路程之比，导航定位误差定义为AUV最终停止位置与目标位置的距离与起点位置与目标位置的距离之比，为了统一单位便于比较，采用百分比的方式来衡量定位误差。

表2两种算法导航路程比

表3两种算法导航定位误差(单位：％)

由表中数据可以得出，在无先验地磁信息情况下，EGS和EAS均能引导载体到达目标位置。EAS的平均路径比为2.1，EGS的平均路径比为1.2，而定位误差为：EAS为3.8％，EGS为1.4％。显然，利用EGS进行导航明显缩短了导航路径，提高了导航效率而且导航精度也有所提高。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种基于进化梯度搜索的AUV地磁仿生导航方法，其特征在于：包括以下步骤：

步骤1：初始化，包括载体初始化和种群初始化：

载体初始化：设定载体目标位置的地磁参量B^T，测量起始位置的地磁参量B⁰；

种群初始化：在搜索过程中，将航向角作为进化个体，产生初始化种群如下：

θ＝{θ₁,θ₂,...,θ_λ}

其中，λ为个体空间的个数，Δθ为采样间隔；

步骤2：利用进化梯度搜索策略确定下一时刻载体运动位置：

在AUV上安装λ个地磁传感器，载体下一时刻运动的方向为地磁传感器测量到的地磁值对应的目标函数最小的方向；具体步骤如下：

步骤2.1：设AUV当前所在位置为(x_j,y_j)，当前位置对应的地磁值为g(x_j,y_j)，起始位置的地磁值为g(x₀,y₀)，目标位置的地磁值为g(x_t,y_t)；

步骤2.2：分别得到i个传感器采集到的地磁值g(x_ij,y_ij)，i＝1,...,λ；

步骤2.3：由下式得出第i个传感器测得的地磁值对应的目标函数：

将求得目标函数最小的传感器所在的方向作为下一时刻AUV运动的航向：θ_j+1＝θ{minF(x_ij,y_ij)}；

步骤2.4：由下式引导AUV运动至下一位置(x_j+1,y_j+1)：

L为采样周期内AUV的航行距离；

步骤2.5：种群更新：如果趋近目标值的解：F_k＜F_k-1，则保留该航向角，θ_j+1＝θ_j；否则更新航向角；

步骤3：到达目标位置判断：

若当前位置地磁目标函数与上一时刻目标函数满足下式：

F_k＜ε

表明当前位置地磁值无限接近目标位置，认为载体到达目标位置，否则返回步骤2继续进行搜索；其中ε为一个趋于0的设定值。