CN109975816B - 一种微型水下机器人的传感器信息融合方法 - Google Patents
一种微型水下机器人的传感器信息融合方法 Download PDFInfo
- Publication number
- CN109975816B CN109975816B CN201910178575.5A CN201910178575A CN109975816B CN 109975816 B CN109975816 B CN 109975816B CN 201910178575 A CN201910178575 A CN 201910178575A CN 109975816 B CN109975816 B CN 109975816B
- Authority
- CN
- China
- Prior art keywords
- sonar
- time
- layer
- neural network
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种微型水下机器人的传感器信息融合方法,本发明利用水下机器人携带的多个声呐传感器获取数据;根据多个声呐传感器获取数据构建贝叶斯滤波器模型;将多个声呐传感器获取数据作为训练集,贝叶斯滤波器模型的输出作为真实值,训练神经网络,将训练后神经网络模型用于前方物体探测。本发明提高了水下机器人在水下的定位及目标检测的准确度,可用于江河内陆以及海洋的资源探索研究中。
Description
技术领域
本发明属于水下人工智能领域,特别涉及一种微型水下机器人的传感器信息融合方法。
背景技术
海洋是地球生命赖以生存的重要生态环境之一,同时也是蕴含着丰富资源的巨大宝库。随着人类对于海洋开发的不断深入,逐渐认识到海底环境的复杂性和不可预知性,对海洋的探索、开发也是一件极其艰难且危险的任务。20世纪以来,随着各国科技水平的不断提高,各种各样的水下机器人也应用而生。水下机器人的出现,极大的避免操作人员进行较危险的水下环境中作业,而且能很好的适应水下环境和开展水下任务作业。
由于水下环境复杂,如水中众多的浮游生物,浑浊的泥沙,使得水下测量会面临诸多困难。同时由于利用水中声波对水下目标进行探测定位,声波在传播的过程中,会面临衰减以及声波反射后干扰问题,导致声呐传感器传回的数据往往会面临一定的误差,测得的数据准确性会呈现一定的概率分布。因此,有学者提出了一种信息融合的方法,即搭载多个声呐传感器,利用贝叶斯先验分布的思想,先将各个传感器测得的数据进行概率分布统计,然后进行信息融合,从而获得更加精确的数据,对水下机器人进行控制操作。这种方法虽然很好解决了水下声呐测量精确性的问题,但是由于涉及到复杂的微积分计算,会消耗大量的计算资源,对于搭载控制芯片的微型水下机器人而言,这并不是一个很好的选择。
本发明针对这一问题,提出了一种全新的解决思路,即利用贝叶斯-神经网络融合算法,解决声呐探测的准确性计算以及计算资源消耗问题,更加快速、准确的算出目标位置,从而控制水下机器人执行任务作业。
发明内容
本发明的目的是针对探测型水下机器人搭载的多个传感器获得的数据进行一种信息融合,以保证获取的数据更加准确,从而指导水下机器人完成作业任务。
本发明的技术方案为一种微型水下机器人的传感器信息融合方法,包含以下步骤:
步骤1:利用水下机器人携带的多个声呐传感器获取数据;
步骤2:根据多个声呐传感器获取数据构建贝叶斯滤波器模型;
步骤3:将多个声呐传感器获取数据作为训练集,贝叶斯滤波器模型的输出作为真实值,训练神经网络,将训练后神经网络模型用于前方物体探测。
作为优选,步骤2中所述根据多个声呐传感器获取数据构建贝叶斯滤波器模型为:
假定声呐传感器传回的数据分别是:在t时刻第s个声呐传感器采集的声纳回波信号Zt,s s∈[1,n],(为方便以下Z均表示声呐传感器传回的数据,含下标Zt,s则表示特指第t时刻第s个传感器),/> 其中/>表示第t时刻所有声呐传感器采集的声纳回波信号(为方便以下简称/>),观测事件“前方目标距离L”记为Q(为方便以下简称事件Q,含下标Qt则表示特指第t时刻前方目标距离L),对于离散型数据,贝叶斯基本公式则有:
其中,P(Zt,s|Q)s∈[1,n]表示t时刻第s个传感器观测模型,P(Zt,s)s∈[1,n]表示观测事件Q在第s个传感器t时刻发生的概率,引入U来描述动作,即水下机器人的一个运动动作,在事件的状态下,执行了动作U之后,对象状态改变为Q的概率表述为/>即为动作的状态转移模型;引入/>表示第t时刻所有声呐传感器的采集的声纳回波信号,给出如下假设:
假设多次观测事件Q符合马尔科夫性假设,即t时刻的状态由t-1时刻的动作来决定,t时刻的观测仅同t时刻的状态相关;
静态环境,即对照周边的环境假设是不变的;
观测噪声、模型噪声等是相互独立的;
由上述条件,根据数理统计及随机过程知识可得贝叶斯滤波模型为:
Bel(Qt)=ηP(Zt|Qt)∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1
∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1部分是基于Qt-1,Ut预测Qt的状态;ηP(Zt|Qt)部分是基于观测Zt更新状态Qt;
通过上述分析可以得到:各个传感器测得数据的可靠性,可以通过信息融合和随机过程来得到提高,这样就实现了数据的输入到输出的精确可靠性,从而通过预先设定的阈值判断测量结果可信程度。
作为优选,步骤3中所述训练神经网络为:
前馈神经网络模型包含一个输入层、一个隐含层、一个输出层;记Xn为输入变量,即On输出结果,即On=Bel(Xt);/>为第i层中第j个神经元的权重,其中上标1(1∈[0,1])表示各层神经元之间的连接层,下标i(i∈[1,n])表示某层第i个神经元,下标j(j∈[1,n])表示与下层第j个神经元;激活函数为sigmoid函数:
x为变量,神经元输出层输出结果表示:
O1表示实际值输入计算后的结果O′n,目标优化的损失代价函数为二次代价函数:
E2=(R-T)2
其中,T真实值为贝叶斯方法的输出结果On,R实际值为输入计算后的结果O′n,每次计算更新相邻层权重公式为:
通过每次迭代更新,就可以得到最小误差的权重值,从而得到一个理想的神经网络模型;
步骤3中所述训练后神经网络模型用于前方物体探测为:
若Bel(Qt)≥概率阈值α则前方有障碍物;
若Bel(Qt)<概率阈值α则前方无障碍物。
从而以较大的把握确定前方物体的距离。
与现有技术相比,本法的有益效果在于:
本专利中采用的信息融合贝叶斯模型对于其他方法而言,能够适应水下多变的复杂环境,考虑了水下机器人自身的动作影响测量数据,检测计算出目标位置非常高,是一种解决观测不足的新型应用方法。
本专利中采用的神经网络模型是典型的深度学习模型,该模型是许多重要商业应用的基础,例如,用于对照片中的对象进行识别的卷积神经网络就是一种专门的前馈网络。深度前馈网络模型具有极高可靠性的理论和实践基础,作为训练预测的方法是具有理论意义和实践意义的。
本专利中所采用的贝叶斯-神经网络融合模型方法,解决了上述两种方法的不足,具有更快、更准确的反应特点,能够及时将传感器的信息输送给控制单元,能够提高水下机器人在水下的定位及目标检测的准确度。本发明可用于江河内陆以及海洋的资源探索研究中。
这样很好的解决了水下复杂环境的信息分析过程,更加快速、准确的算出目标位置,从而控制水下机器人执行任务作业。
附图说明
图1:为本发明工作流程图;
图2:为本发明中的信息融合贝叶斯模型方法流程图;
图3:为本发明中贝叶斯-神经网络融合模型方法流程图;
图4:为本发明中神经网络图层设计示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1至图4,介绍本发明的具体实施方式为一种微型水下机器人的传感器信息融合方法,包含以下步骤:
步骤1:利用水下机器人携带的多个声呐传感器获取数据;
步骤2:根据多个声呐传感器获取数据构建贝叶斯滤波器模型;
步骤2中所述根据多个声呐传感器获取数据构建贝叶斯滤波器模型为:
假定声呐传感器传回的数据分别是:在t时刻第s个声呐传感器采集的声纳回波信号Zt,s s∈[1,n],(为方便以下Z均表示声呐传感器传回的数据,含下标Zt,s则表示特指第t时刻第s个传感器),n=2,/> 其中/>表示第t时刻所有声呐传感器采集的声纳回波信号(为方便以下简称/>),观测事件“前方目标距离L”记为Q(为方便以下简称事件Q,含下标Qt则表示特指第t时刻前方目标距离L),对于离散型数据,贝叶斯基本公式则有:
其中,P(Zt,s|Q)s∈[1,n]表示t时刻第s个传感器观测模型,P(Zt,s)s∈[1,n]表示观测事件Q在第s个传感器t时刻发生的概率,引入U来描述动作,即水下机器人的一个运动动作,在事件的状态下,执行了动作U之后,对象状态改变为Q的概率表述为/>即为动作的状态转移模型;引入/>表示第t时刻所有声呐传感器的采集的声纳回波信号,给出如下假设:
假设多次观测事件Q符合马尔科夫性假设,即t时刻的状态由t一1时刻的动作来决定,t时刻的观测仅同t时刻的状态相关;
静态环境,即对照周边的环境假设是不变的;
观测噪声、模型噪声等是相互独立的;
由上述条件,根据数理统计及随机过程知识可得贝叶斯滤波模型为:
Bel(Qt)=ηP(Zt|Qt)∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1
∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1部分是基于Qt-1,Ut预测Qt的状态;ηP(Zt|Qt)部分是基于观测Zt更新状态Qt;
通过上述分析可以得到:各个传感器测得数据的可靠性,可以通过信息融合和随机过程来得到提高,这样就实现了数据的输入到输出的精确可靠性,从而通过预先设定的阈值判断测量结果可信程度。
步骤3:将多个声呐传感器获取数据作为训练集,贝叶斯滤波器模型的输出作为真实值,训练神经网络,将训练后神经网络模型用于前方物体探测。
步骤3中所述训练神经网络为:
前馈神经网络模型包含一个输入层、一个隐含层、一个输出层;n=2,记Xn为输入变量,即On输出结果,即On=Bel(Xt);/>为第i层中第j个神经元的权重,其中上标l(1∈[0,1])表示各层神经元之间的连接层,下标i(i∈[1,n])表示某层第i个神经元,下标j(j∈[1,n])表示与下层第j个神经元;激活函数为sigmoid函数:
x为变量,神经元输出层输出结果表示:
O1表示实际值输入计算后的结果O′n,目标优化的损失代价函数为二次代价函数:
E2=(R-T)2
其中,T真实值为贝叶斯方法的输出结果On,R实际值为输入计算后的结果O′n,每次计算更新相邻层权重公式为:
通过每次迭代更新,就可以得到最小误差的权重值,从而得到一个理想的神经网络模型;
步骤3中所述训练后神经网络模型用于前方物体探测为:
若Bel(Qt)≥概率阈值α=0.8则前方有障碍物;
若Bel(Qt)<概率阈值α=0.8则前方无障碍物。
从而以较大的把握确定前方物体的距离。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种微型水下机器人的传感器信息融合方法,其特征在于,包括:
步骤1:利用水下机器人携带的多个声呐传感器获取数据;
步骤2:根据多个声呐传感器获取数据构建贝叶斯滤波器模型;
步骤3:将多个声呐传感器获取数据作为训练集,贝叶斯滤波器模型的输出作为真实值,训练神经网络,将训练后神经网络模型用于前方物体探测;
步骤2中所述根据多个声呐传感器获取数据构建贝叶斯滤波器模型为:
假定声呐传感器传回的数据分别是:在t时刻第s个声呐传感器采集的声纳回波信号Zt,ss∈[1,n],其中表示第t时刻所有声呐传感器采集的声纳回波信号,观测事件“前方目标距离L”记为Q,Qt表示特指第t时刻前方目标距离L,对于离散型数据,贝叶斯基本公式则有:
其中,P(Zt,s)s∈[1,n]表示t时刻第s个传感器观测模型,P(Zt,s|Q)s∈[1,n]表示观测事件Q在第s个传感器t时刻发生的概率,引入U来描述动作,即水下机器人的一个运动动作,在事件的状态下,执行了动作U之后,对象状态改变为Q的概率表述为即为动作的状态转移模型;引入表示第t时刻所有声呐传感器的采集的声纳回波信号,给出如下假设:
假设多次观测事件Q符合马尔科夫性假设,即t时刻的状态由t-1时刻的动作来决定,t时刻的观测仅同t时刻的状态相关;
静态环境,即对照周边的环境假设是不变的;
观测噪声、模型噪声是相互独立的;
由上述条件,根据数理统计及随机过程知识可得贝叶斯滤波模型为:
Bel(Qt)=ηP(Zt|Qt)∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1
其中,η为经验因子,P(Zt|Qt)表示第t时刻所有传感器的观测模型,P(Qt|Ut,Qt-1)表示t时刻动作的状态转移模型;
∫P(Qt|Ut,Qt-1)Bel(Qt-1)dQt-1部分是基于Qt-1,Ut预测Qt的状态;ηP(Zt|Qt)部分是基于观测Zt更新状态Qt;
通过上述分析可以得到:各个传感器测得数据的可靠性,可以通过信息融合和随机过程来得到提高,这样就实现了数据的输入到输出的精确可靠性,从而通过预先设定的阈值判断测量结果可信程度;
步骤3中所述训练神经网络为:
前馈神经网络模型包含一个输入层、一个隐含层、一个输出层;记Xn为输入变量,即On为输出结果,即On=Bel(Xt);为第i层中第j个神经元的权重,其中上标l,l∈[0,1],表示各层神经元之间的连接层,下标i,i∈[1,n],表示某层第i个神经元,下标j,j∈[1,n],表示与下层第j个神经元;激活函数为sigmoid函数:
x为变量,神经元输出层输出结果表示:
O1表示实际值输入计算后的结果O′n,目标优化的损失代价函数为二次代价函数:
E2=(R-T)2
其中,T真实值为贝叶斯方法的输出结果On,R实际值为输入计算后的结果O′n,每次计算更新相邻层权重公式为:
其中,β为学习速率,为输出层与隐藏层更新的权重值,为输出层与隐藏层未更新的权重值,为隐藏层与输入层更新的权重值,为隐藏层与输入层未更新的权重值,E为目标优化的损失代价函数,通过每次迭代更新,就可以得到最小误差的权重值,从而得到一个理想的神经网络模型;
步骤3中所述训练后神经网络模型用于前方物体探测为:
若Bel(Qt)≥概率阈值α则前方有障碍物;
若Bel(Qt)<概率阈值α则前方无障碍物;
从而以较大的把握确定前方物体的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178575.5A CN109975816B (zh) | 2019-03-11 | 2019-03-11 | 一种微型水下机器人的传感器信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178575.5A CN109975816B (zh) | 2019-03-11 | 2019-03-11 | 一种微型水下机器人的传感器信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975816A CN109975816A (zh) | 2019-07-05 |
CN109975816B true CN109975816B (zh) | 2023-03-24 |
Family
ID=67078396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178575.5A Active CN109975816B (zh) | 2019-03-11 | 2019-03-11 | 一种微型水下机器人的传感器信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975816B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113189571B (zh) * | 2020-01-14 | 2023-04-07 | 中国科学院声学研究所 | 一种基于音色特征提取和深度学习的声源被动测距方法 |
CN115049918A (zh) * | 2022-06-14 | 2022-09-13 | 中国科学院沈阳自动化研究所 | 一种用于水下机器人的图像目标快速检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003004848A (ja) * | 2001-06-25 | 2003-01-08 | Nec Corp | ソーナー探知範囲予察可視化システム、方法及びプログラム |
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策系统的水下潜器路径规划方法 |
-
2019
- 2019-03-11 CN CN201910178575.5A patent/CN109975816B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003004848A (ja) * | 2001-06-25 | 2003-01-08 | Nec Corp | ソーナー探知範囲予察可視化システム、方法及びプログラム |
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策系统的水下潜器路径规划方法 |
Non-Patent Citations (1)
Title |
---|
海洋传感器网络协同目标识别机制研究;蔡文郁等;《杭州电子科技大学学报》;20090215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109975816A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thrun | Exploration and model building in mobile robot domains | |
CA3067573A1 (en) | Target tracking systems and methods for uuv | |
CN112668804B (zh) | 一种地波雷达船只断裂航迹预测方法 | |
CN109975816B (zh) | 一种微型水下机器人的传感器信息融合方法 | |
JP7181415B2 (ja) | 観測値の尤度を使用して環境を探索するためのエージェントを制御すること | |
CN111948712B (zh) | 一种基于深度域地震记录的叠前线性反演方法 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
Qin et al. | Underwater acoustic source localization using LSTM neural network | |
Yona et al. | MissBeamNet: learning missing Doppler velocity log beam measurements | |
CN113703025B (zh) | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 | |
CN110191422A (zh) | 海洋水下传感器网络目标跟踪方法 | |
CN114398819A (zh) | 一种基于深度学习的非结构网格有效波高预测方法与系统 | |
CN104318072A (zh) | 基于qkf-mmf的多传感器量化融合方法 | |
El-Fakdi et al. | Autonomous underwater vehicle control using reinforcement learning policy search methods | |
CN114118371A (zh) | 一种智能体深度强化学习方法及计算机可读介质 | |
CN117669008B (zh) | 一种基于深度学习的地基沉降预测方法及系统 | |
Zhou et al. | Asynchronous Localization for Underwater Acoustic Sensor Networks: A Continuous Control Deep Reinforcement Learning Approach | |
CN117113857B (zh) | 全连接深度神经网络模型及反演海底地形的方法 | |
Goldfrank et al. | Risk Reduction in Target Motion Analysis Using Approximate Dynamic Programming | |
Sireesha et al. | Mine & Rock Prediction by Ensemble Machine Learning Algorithms | |
CN116562330B (zh) | 一种人工智能鱼模拟系统的流场识别方法 | |
RU2780607C1 (ru) | Система обнаружения и классификации морских целей на базе нейросетевых технологий и элементов искусственного интеллекта | |
Hu | Data-Driven Approaches for Differential Equation Governing Systems | |
Zhang et al. | Neural Network Application in Dispersion Curve Inversion of Seabed Geoacoustic Parameters | |
Jain et al. | Investigating The Role Of Low-Dimensional Neural Networks In Near-Field Acoustics |
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 |