CN110095120A - 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 - Google Patents
自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 Download PDFInfo
- Publication number
- CN110095120A CN110095120A CN201910269642.4A CN201910269642A CN110095120A CN 110095120 A CN110095120 A CN 110095120A CN 201910269642 A CN201910269642 A CN 201910269642A CN 110095120 A CN110095120 A CN 110095120A
- Authority
- CN
- China
- Prior art keywords
- model
- autonomous underwater
- ocean current
- ocean
- indicate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 48
- 210000002569 neuron Anatomy 0.000 claims description 47
- 230000005284 excitation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 239000013535 sea water Substances 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，基于GBSOM算法模型初步对自治水下航行器进行路径规划；构建海流模型和海流能量函数，将海流对自治水下航行器的影响数学化，根据海流模型计算出海流速度；利用海洋能量函数评估自治水下航行器工作时路径规划的性能；添加海流因子，通过海流因子将海流模型与GBSOM算法模型相结合，将海流速度的方向与预定的运行方向相叠加，更新任务目标的位置，规划出自治水下航行器的最终航行路径。本发明实时性能好，能够实现安全避障，避免速度跳变，办公效率得到很大的提升，节省能源，降低功耗，在路径规划行程中找到一条安全无障碍又节约功耗的有效线路。
Description
技术领域
本发明涉及一种路径规划算法，尤其涉及一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法。
背景技术
最近几年，有关AUV(自治水下航行器)的路径规划算法层出不穷，研究领域也从单一的物理学转变为物理学与生物学两大学科，这使得AUV航行的路径越来越精确。但是，AUV的最终路径是在海流方向和路径规划方向的共同作用下完成的，所以在研究AUV本身属性的同时，也应当考虑到AUV的载体——海洋环流这一影响因素。在现代科学追求高精度、高安全、高效率的时代背景下，如何在海流影响下规划出安全可靠的路径，又如何使AUV沿着规划的路径安全精确的航行，是AUV所面临的关键技术性问题。另外，在路径规划算法方面，传统的单一算法存在较大的弊端，被广泛应用的SOM(自组织神经网络)算法虽然在自主性和竞争性方面存在优势，但无法安全避障。当任务目标点与AUV距离较远时，SOM算法甚至会出现速度跳变，运行不稳定，无法确定安全性。而GBNN(生物启发神经网络)算法对水下目标进行任务分配以及确定访问目标顺序时，GBNN算法存在明显的计算缺陷。如何改进路径规划算法，又如何将路径规划算法与海洋环流这一影响因素结合起来，是本发明研究的重点。
发明内容
发明目的：为了解决现有技术中AUV路径规划存在的避障问题以及受海洋环流的影响，本发明提供一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法。
技术方案：一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，包括以下步骤：
(1)基于GBSOM算法模型初步对自治水下航行器进行路径规划，包括确定预定的运行方向；
(2)构建海流模型和海流能量函数，将海流对自治水下航行器的影响数学化，根据海流模型计算出海流速度；利用海洋能量函数评估自治水下航行器工作时路径规划的性能；
(3)添加海流因子，所述海流因子为海流对于自治水下航行器速度的影响函数，通过海流因子将海流模型与GBSOM算法模型相结合，将海流速度的方向与步骤(1)中预定的运行方向相叠加，更新任务目标的位置，规划出自治水下航行器的最终航行路径。
进一步的，步骤(1)中，GBSOM算法模型包括：
(11)利用GBNN算法构建水下环境模型，使自治水下航行器的位置单元与生物神经元单元一一对应；
(12)利用SOM算法分配自治水下航行器下一步的目标；
(13)最后通过神经元活性输出值规划最优路径。
进一步的，步骤(11)中，应用栅格法构建环境模型。
进一步的，步骤(12)中，SOM算法的竞争过程选取获胜的神经元，合作过程选取拓扑邻域，更新权值后选择最优神经元作为目标位置。
进一步的，步骤(11)中利用GBNN算法构建水下环境模型如下：
其中：xi表示神经元i的活性输出值，神经元指自治水下航行器的位置；W表示连接系数矩阵，连接系数矩阵W为对称矩阵，Wij则表示神经元相互之间的连接系数；t表示时间；xix、xiy表示在二维和三维GBNN模型坐标系下的x轴坐标、y轴坐标，xiz表示三维GBNN模型坐标系下的z轴坐标；|i-j|表示神经元相互之间的欧式距离，式(3)表示二维GBNN模型对应的距离，式(4)表示三维GBNN模型对应的距离；函数g()表示模型变换函数，主要目的是对模型的原始输出进行阈值化处理；γ和r表示大于0的常数；Ii是第i个神经元的外部输入激励值，其定义式为：
式(5)中，E代表一个常数值，表示GBNN中外部输入激励的值；如果外部输入的激励是正数，则表示目标点；如果外部输入的激励是负数，则表示障碍物；如果外部输入的激励是0，则表示其他情况。
进一步的，步骤(13)对比自治水下航行器周围每个神经元的活性输出值的大小，活性输出值大的神经元获胜，以此决定自治水下航行器接下来的目标动作对目标进行任务分配的公式为：
(Tl，Rj)＝argmax(V(Tl，Rj)) (6)
式(6)中，V(Tl，Rj)表示的是第l个任务目标点所对应的GBNN模型中第j个自治水下航行器的活性输出值。
进一步的，步骤(2)中，在自治水下航行器工作时，把工作空间栅格化处理，将每个栅格内的海流大小方向相同，构建海流函数为：
B(t)＝B0+αcos(w0t+φ) (8)
式(7)、(8)中，B(t)表示海流样条函数，是构建海流函数的辅助函数；B0为初始海流样条函数，w0和φ分别表示为海流样条函数的角速度和相位；t表示时间；x、y表示坐标值；h、γ、k、c、α表示海流参数，是常数。
进一步的，步骤(2)中，定义海流能量函数为：
式中，Ji表示Xi-1Xi段的能量消耗值，J是整个自治水下航行器航行时所有能量的消耗值，m表示自治水下航行器规划路径时的段数，vi(x，y)表示在坐标点(x，y)处自治水下航行器的速度。
进一步的，步骤(11)中的水下环境模型为二维模型或三维模型；步骤(3)中，水下环境模型采用二维模型时，对应添加二维模型的海流因子；水下环境模型采用三维模型时，对应添加三维模型的海流因子；
海流因子定义为：
ui(x，y)＝exp(αlog(Vi(x，y))f(x，y))，α≤0 (12)
ui(x，y，z)＝exp(ηlog(Vi(x，y，z))f(x，y，z))，η≤0 (14)
其中，式(11)和式(12)表示二维环境下的模型，式(13)和式(14)表示三维环境下的模型；vi表示AUV的速度，vc表示海流速度，(x，y)和(x，y，z)分别表示二维和三维下的坐标；fi(x，y)和fi(x，y，z)表示GBSOM算法下的航行参数，ui(x，y)和ui(x，y，z)表示海流模型下的海流因子。
进一步的，步骤(3)中，将海流速度的方向与步骤(1)中预定的运行方向相叠加，位置更新为：
式(15)和(16)中，Pn、Pc、Pmax分别表示自治水下航行器下一时刻的位置单元、自治水下航行器所在的位置单元和最兴奋的神经元的位置，Ti为任务目标所对应的的神经元位置，xPk表示Pk所对应的神经元的兴奋程度，表示半径和圆心的参数分别是Pc和r的圆形；Dmin表示AUV距离任务目标点的距离，Diimin表示自治水下航行器距离最兴奋神经元的距离。
有益效果：本发明提出一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，相比较现有技术，将SOM算法和GBNN算法相结合，进行优势互补，使AUV基于GBSOM进行路径规划，克服了单一算法存在的弊端，实时性能好，能够实现安全避障，避免速度跳变，办公效率得到很大的提升。其次，将海洋环流这一影响因素考虑在内，使AUV路径规划更为精确。通过构建海流模型和定义海流能量函数，能够控制AUV顺着海流行驶，节省能源，降低功耗。最后，添加海流因子，将海流模型下的运行方向与GBSOM模型下的方向相结合，使AUV在海洋环流下基于GBSOM算法在路径规划行程中找到一条安全无障碍又节约功耗的有效线路。
附图说明
图1(a)是本发明AUV在海洋环流下的GBSOM路径规划方法的总体框图；
图1(b)是GBSOM算法部分的流程图；
图1(c)是海洋环流算法部分的流程图；
图2(a)是二维GBNN结构图；
图2(b)是三维GBNN结构图；
图3是SOM算法的网络结构图；
图4是海流环流和GBSOM算法方向合成图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示，自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，将路径规划算法和海洋环流结合起来，共同决定AUV的运行路径。如图1(a)，首先将GBNN算法和SOM算法结合起来，运用GBNN构建水下环境模型，运用SOM算法进行任务分配，最后根据活性值输出决定任务目标。其次，将海洋环流这一因素考虑在内，通过构建海流模型，定义海流能量函数，模拟出海洋环境对于AUV运行的影响。最后，通过添加海流因子，使AUV在海洋环流下基于GBSOM算法在路径规划行程中找到一条安全无障碍又节约功耗的有效线路。
具体步骤包括：
(1)基于GBSOM算法模型初步对自治水下航行器进行路径规划，包括确定预定的运行方向；
GBSOM算法由GBNN和SOM算法结合而成，克服了单一算法所存在的弊端。其中GBNN算法用于构建水下环境模型，使AUV的位置单元与生物神经元单元一一对应起来，SOM算法用来分配AUV下一步的目标与任务，最后通过神经元活性输出值选择出最优路径。
(a)GBNN算法分析；
GBNN算法的基本思想是任务目标点不断地向外传递激励，遇见障碍物时，激励会产生抑制，一直不断地迭代下去，就能算出所有神经元所对应的栅格地图中位置单元的活性输出值。GBNN模型是一种离散形状的网络，它具有记忆的功能，地图中的任意一点都能够通过不断迭代求解返回到发出激励的初始点和AUV的任务目标点。GBNN算法的网络结构图如图1(b)所示，包括二维和三维两种，二维GBNN结构图和三维GBNN结构图如图2(a)、图2(b)所示，其数学模型用式(1)、(2)、(3)、(4)、(5)进行定义。
其中：xi表示神经元i的活性输出值，神经元指自治水下航行器的位置；w表示连接系数矩阵，连接系数矩阵w为对称矩阵，wij则表示神经元相互之间的连接系数；t表示时间；xix、xiy表示在二维和三维GBNN模型坐标系下的x轴坐标、y轴坐标，xiz表示三维GBNN模型坐标系下的z轴坐标；|i-j|表示神经元相互之间的欧式距离，式(3)表示二维GBNN模型对应的距离，式(4)表示三维GBNN模型对应的距离；函数g()表示模型变换函数，主要目的是对模型的原始输出进行阈值化处理；γ和r表示大于0的常数；Ii是第i个神经元的外部输入激励值，其定义式为：
式(5)中，E代表一个常数值，表示GBNN中外部输入激励的值；如果外部输入的激励是正数，则表示目标点；如果外部输入的激励是负数，则表示障碍物；如果外部输入的激励是0，则表示其他情况。
AUV的当前位置为Pi，Pk代表Pi邻域内第k个点，则AUV的下一个目标为：
式(17)中：∪(Pi，r)表示的是有关Pi以r作邻域半径的去心邻域；表示GBNN中对应Pk位置的活性输出值。在GBNN网络结构中，任务点的输出值是正数，而障碍物的输出值是负数，所以AUV在路径规划中能够有效地躲避障碍物。
同时，GBNN模型能够对动态障碍物进行分析处理，当水下工作环境发生变化时(如障碍物有移动或消失等现象时)，GBNN网络中目标点随之更新。在复杂的水下工作环境下，传统地图构建算法，如GPS、捷联惯导系统和无线信号，很难达到理想的路径规划效果，因此栅格法常常被用来建立水下模型。应用栅格法来构建环境模型，通过构建GBNN模型进行优化求解，确定最佳路径。和传统算法相比，该算法消耗能量较低，即路径规划过程中的效果较传统算法的效果要好。
(b)SOM算法分析；
SOM算法本质上具有一条原则，相近输入得到相近输出，即输入的信息越相似，所得到的输出信息也就越相似，它是一种无监督的学习算法，SOM的主要目的是将任意维度的输入信号通过计算映射转变为一维或者二维的离散映射，并且以自适应的方式实现这个过程。如图3SOM模型所示，自组织映射网络包括输出层和输入层，输出层神经元之间是互为竞争的关系，竞争成为被激活的神经元。在每一个时刻只有一个输出神经元被激活，被激活的神经元被称为获胜神经元。在输出层神经元中导出获胜神经元的竞争方法是：在输出层的神经元之间采用侧向连接，输出层神经元与输入层的节点之间为全连接。
SOM算法的具体数学模型如下表示：
式(18)中：pj表示和输出神经元l相比获胜的神经元j；Djl表示第j个和第l个输入神经元之间的距离。两者间距离的数学式定义表示如下：
式(19)中：Tl＝(Xl，Yl)表示的是第l个目标的坐标；Rj＝(wjx，wjy)表示的是第j个AUV的坐标。
SOM算法对于拓扑邻域的选择，它度量了获胜神经元在参与学习过程中的所获得的兴奋程度。具体数学模型定义如下：
G(t)＝(1-β)tG0 (21)
式(20)和式(21)中：dm＝|Nm-Nj|表示第m个输出神经元和获胜神经元j之间的距离；λ表示邻域半径；t表示时间变量；β和G0是常数，调整β和G0的值能够控制AUV的步长，进而控制AUV路径规划的精度。
SOM算法权值更新后，其结果与作用是希望SOM算法可以收敛，SOM算法的迭代公式表示如下：
式(22)中：α表示学习速率，取值范围为0＜α＜1；Dmin表示AUV靠近目标的最小距离。若AUV与目标点的距离渐渐接近于Dmin，表示AUV的任务正在逐步完成，知道两者间的距离小于等于Dmin，表示AUV完成任务。
(c)GBSOM获取目标点及路径；
借助GBSOM算法，不断地对路径规划进行迭代，直到AUV完成所有的任务目标，GBSOM算法的工作运行流程图如图1(b)所示。
根据周围每个神经元的活性输出值，对比过后决定出AUV接下来的目标动作，对目标进行任务分配的公式为：
(Tl，Rj)＝argmax(V(Tl，Rj)) (6)
(2)如图1(c)，构建海流函数模型和海流能量函数，将海流对AUV的影响数学化；
海流是海水大规模相对稳定的流动。按成因主要可分为密度流和风海流。风海流指借助风力作用造成的海水流动现象。由于海水粘滞性会造成海水在流动中对动能的消耗，随着深度的提高，海水的动能越来越小，因此这种海流主要存在海洋的表面。而密度流是由于海水间的密度不同而导致的海水流动现象，通常情况下，海水密度与盐分含量和水温有较大关系，密度流一般出现在不同海域之间相交的地方。
由于海流是一种相对稳定的流动，所以在较小范围内可以认为海流是相同的。在AUV进行工作时，把工作空间栅格化处理，我们认为每个栅格内，海流大小的方向相同。海流函数的数学定义如式(7)和式(8)。
B(t)＝B0+αcos(w0t+φ) (8)
式(7)、(8)中，B(t)表示海流样条函数，是构建海流函数的辅助函数；B0为初始海流样条函数，w0和φ分别表示为海流样条函数的角速度和相位；t表示时间，x、y表示坐标值；h、γ、k、c、α表示海流参数，一般表示为常数。
对于海流的速度则可以通过求海流函数ψ(x，y，t)的偏导数得到，下面对海流函数ψ(x，y，t)进行偏导数求解：
其中U(x，y，t)，V(x，y，t)分别表示在t时刻时海流在x轴方向上和y轴方向上的强度值。
在研究海洋环流对AUV的影响过程时，通过AUV航行的总距离来简单的衡量规划算法的效果是不可行的。这是由于在没有海流时，AUV行驶路径与其功耗成正比，但是在有海流的情况下，需要通过数学模型定义一个海流能量函数来模拟海洋环境对于AUV运行的影响，并衡量路径规划方法的效果。速度向量的定义式如下：
vi(x，y)＝Vei-vc(x，y)(x，y)∈Xi-1Xi (24)
式(24)中，Xi-1Xi表示连接Xi-1与Xi的路径，ei表示与Xi-1Xi同方向的单位向量。V表示AUV的额定速度，vi(x，y)代表(x，y)处AUV的速度向量，vc(x，y)表示(x，y)处的海流速度向量。
在以上的基础上对AUV航行时的海流能量函数进行定义，以评估AUV工作时路径规划的性能。海洋能量函数定义式如下：
式中，Ji表示Xi-1Xi段的能量消耗值，J是整个自治水下航行器航行时所有能量的消耗值，m表示自治水下航行器规划路径时的段数，vi(x，y)表示在坐标点(x，y)处AUV的速度。
(3)添加海流因子，所述海流因子为海流对于自治水下航行器速度的影响函数，通过海流因子将海流模型与GBSOM算法模型相结合，将海流速度的方向与步骤(1)中预定的运行方向相叠加，更新任务目标的位置，规划出自治水下航行器的最终航行路径。
将海流方向和GBSOM算法预定的方向看成矢量，则AUV实际运行的方向是这两个矢量之和。以速度为例，如图4所示。AUV的运行速度为VA，海流速度为VS，通过矢量运算法，AUV的速度用下式表示：
上式中，如果直接以式(25)进行计算，虽然形式简单，但数据方面很难直接测量。本发明采用类比的方法，通过构建海流模型和海流能量函数，模拟出海流对于AUV的影响，通过GBSOM算法中的模型，模拟出算法中的影响因式，，将海流的影响效果因式化成海流因子后，将两者相叠加。
水下环境模型可以为二维模型或三维模型，水下环境模型采用二维模型时，对应添加二维模型的海流因子；水下环境模型采用三维模型时，对应添加三维模型的海流因子；海流因子的数学模型定义如下：
ui(x，y)＝exp(αlog(Vi(x，y))f(x，y))，α≤0 (12)
ui(x，y，z)＝exp(ηlog(Vi(x，y，z))f(x，y，z))，η≤0 (14)
其中，式(11)和式(12)表示二维环境下的模型，式(13)和式(14)表示三维环境下的模型；vi表示AUV的速度，vc表示海流速度，(x，y)和(x，y，z)分别表示二维和三维下的坐标；fi(x，y)和fi(x，y，z)表示GBSOM算法下的航行参数，ui(x，y)和ui(x，y，z)表示海流模型下的海流因子。
将两者叠加后，位置更新函数如下所示：
式(15)和(16)中，Pn、Pc、Pmax分别表示AUV下一时刻的位置单元、AUV所在的位置单元和最兴奋的神经元的位置，Ti为任务目标所对应的的神经元位置，xPk表示Pk所对应的神经元的兴奋程度，表示一个圆形，半径和圆心的参数分别是Pc和r，Dmin表示AUV距离任务目标点的距离，Diimin表示AUV距离最兴奋神经元的距离。
Claims (10)
1.一种自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，包括以下步骤：
(1)基于GBSOM算法模型初步对自治水下航行器进行路径规划，包括确定预定的运行方向；
(2)构建海流模型和海流能量函数，将海流对自治水下航行器的影响数学化，根据海流模型计算出海流速度；利用海洋能量函数评估自治水下航行器工作时路径规划的性能；
(3)添加海流因子，所述海流因子为海流对于自治水下航行器速度的影响函数，通过海流因子将海流模型与GBSOM算法模型相结合，将海流速度的方向与步骤(1)中预定的运行方向相叠加，更新任务目标的位置，规划出自治水下航行器的最终航行路径。
2.根据权利要求1所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(1)中，GBSOM算法模型包括：
(11)利用GBNN算法构建水下环境模型，使自治水下航行器的位置单元与生物神经元单元一一对应；
(12)利用SOM算法分配自治水下航行器下一步的目标；
(13)最后通过神经元活性输出值规划最优路径。
3.根据权利要求2所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(11)中，应用栅格法构建环境模型。
4.根据权利要求2所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(12)中，SOM算法的竞争过程选取获胜的神经元，合作过程选取拓扑邻域，更新权值后选择最优神经元作为目标位置。
5.根据权利要求2所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(11)中利用GBNN算法构建水下环境模型如下：
其中：xi表示神经元i的活性输出值，神经元指自治水下航行器的位置；W表示连接系数矩阵，连接系数矩阵W为对称矩阵，Wij则表示神经元相互之间的连接系数；t表示时间；xix、xiy表示在二维和三维GBNN模型坐标系下的x轴坐标、y轴坐标，xiz表示三维GBNN模型坐标系下的z轴坐标；|i-j|表示神经元相互之间的欧式距离，式(3)表示二维GBNN模型对应的距离，式(4)表示三维GBNN模型对应的距离；函数g()表示模型变换函数，主要目的是对模型的原始输出进行阈值化处理；γ和r表示大于0的常数；Ii是第i个神经元的外部输入激励值，其定义式为：
式(5)中，E代表一个常数值，表示GBNN中外部输入激励的值；如果外部输入的激励是正数，则表示目标点；如果外部输入的激励是负数，则表示障碍物；如果外部输入的激励是0，则表示其他情况。
6.根据权利要求2所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(13)对比自治水下航行器周围每个神经元的活性输出值的大小，活性输出值大的神经元获胜，以此决定自治水下航行器接下来的目标动作对目标进行任务分配的公式为：
(Tl，Rj)＝argmax(V(Tl，Rj)) (6)
式(6)中，V(Tl，Rj)表示的是第l个任务目标点所对应的GBNN模型中第j个自治水下航行器的活性输出值。
7.根据权利要求1所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(2)中，在自治水下航行器工作时，把工作空间栅格化处理，将每个栅格内的海流大小方向相同，构建海流函数为：
B(t)＝B0+αcos(w0t+φ) (8)
式(7)、(8)中，B(t)表示海流样条函数，是构建海流函数的辅助函数；B0为初始海流样条函数，w0和φ分别表示为海流样条函数的角速度和相位；t表示时间；x、y表示坐标值；h、γ、k、c、α表示海流参数，是常数。
8.根据权利要求1所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(2)中，定义海流能量函数为：
式中，Ji表示Xi-1Xi段的能量消耗值，J是整个自治水下航行器航行时所有能量的消耗值，m表示自治水下航行器规划路径时的段数，vi(x，y)表示在坐标点(x，y)处自治水下航行器的速度。
9.根据权利要求2所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(11)中的水下环境模型为二维模型或三维模型；步骤(3)中，水下环境模型采用二维模型时，对应添加二维模型的海流因子；水下环境模型采用三维模型时，对应添加三维模型的海流因子；
海流因子定义为：
ui(x，y)＝exp(αlog(Vi(x，y))f(x，y))，α≤0 (12)
ui(x，y，z)＝exp(ηlog(Vi(x，y，z))f(x，y，z))，η≤0 (14)
其中，式(11)和式(12)表示二维环境下的模型，式(13)和式(14)表示三维环境下的模型；vi表示AUV的速度，vc表示海流速度，(x，y)和(x，y，z)分别表示二维和三维下的坐标；fi(x，y)和fi(x，y，z)表示GBSOM算法下的航行参数，ui(x，y)和ui(x，y，z)表示海流模型下的海流因子。
10.根据权利要求1所述的自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法，其特征在于，步骤(3)中，将海流速度的方向与步骤(1)中预定的运行方向相叠加，位置更新为：
式(15)和(16)中，Pn、Pc、Pmax分别表示自治水下航行器下一时刻的位置单元、自治水下航行器所在的位置单元和最兴奋的神经元的位置，Ti为任务目标所对应的的神经元位置，表示Pk所对应的神经元的兴奋程度，表示半径和圆心的参数分别是Pc和r的圆形；Dmin表示AUV距离任务目标点的距离，Diimin表示自治水下航行器距离最兴奋神经元的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910269642.4A CN110095120A (zh) | 2019-04-03 | 2019-04-03 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910269642.4A CN110095120A (zh) | 2019-04-03 | 2019-04-03 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110095120A true CN110095120A (zh) | 2019-08-06 |
Family
ID=67444325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910269642.4A Pending CN110095120A (zh) | 2019-04-03 | 2019-04-03 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110095120A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111045453A (zh) * | 2019-12-25 | 2020-04-21 | 南京工程学院 | 一种基于无人艇与多水下机器人的协同控制系统及方法 |
| CN111307158A (zh) * | 2020-03-19 | 2020-06-19 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
| CN112215395A (zh) * | 2020-09-02 | 2021-01-12 | 中国船舶重工集团公司第七研究院 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
| CN112612290A (zh) * | 2020-12-06 | 2021-04-06 | 西北工业大学 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
| CN112947506A (zh) * | 2021-04-28 | 2021-06-11 | 哈尔滨工程大学 | 基于量子鲨鱼机制的auv全局路径规划方法 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
| CN114236173A (zh) * | 2021-12-16 | 2022-03-25 | 中国人民解放军国防科技大学 | 基于sins与gnss组合及dvl的洋流速度估计方法 |
| CN117606490A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 一种水下自主航行器协同搜索路径规划方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
| CN107766930A (zh) * | 2017-09-06 | 2018-03-06 | 华东师范大学 | 基于dtw群集模糊分群som神经元的等效rom距离计算方法 |
-
2019
- 2019-04-03 CN CN201910269642.4A patent/CN110095120A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
| CN107766930A (zh) * | 2017-09-06 | 2018-03-06 | 华东师范大学 | 基于dtw群集模糊分群som神经元的等效rom距离计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘雨等: "基于生物启发自组织神经网络的任务分配与路径规划", 《系统仿真技术》 * |
| 朱大奇等: "自治水下机器人的自主启发式生物启发神经网络路径规划算法", 《控制理论与应用》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111045453A (zh) * | 2019-12-25 | 2020-04-21 | 南京工程学院 | 一种基于无人艇与多水下机器人的协同控制系统及方法 |
| CN111307158A (zh) * | 2020-03-19 | 2020-06-19 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
| CN112215395A (zh) * | 2020-09-02 | 2021-01-12 | 中国船舶重工集团公司第七研究院 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
| CN112612290A (zh) * | 2020-12-06 | 2021-04-06 | 西北工业大学 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
| CN112612290B (zh) * | 2020-12-06 | 2023-03-07 | 西北工业大学 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
| CN112947506A (zh) * | 2021-04-28 | 2021-06-11 | 哈尔滨工程大学 | 基于量子鲨鱼机制的auv全局路径规划方法 |
| CN112947506B (zh) * | 2021-04-28 | 2022-08-02 | 哈尔滨工程大学 | 基于量子鲨鱼机制的auv全局路径规划方法 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
| CN114236173A (zh) * | 2021-12-16 | 2022-03-25 | 中国人民解放军国防科技大学 | 基于sins与gnss组合及dvl的洋流速度估计方法 |
| CN114236173B (zh) * | 2021-12-16 | 2024-04-02 | 中国人民解放军国防科技大学 | 基于sins与gnss组合及dvl的洋流速度估计方法 |
| CN117606490A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 一种水下自主航行器协同搜索路径规划方法 |
| CN117606490B (zh) * | 2024-01-23 | 2024-05-14 | 吉林大学 | 一种水下自主航行器协同搜索路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
| CN109540151A (zh) | 一种基于强化学习的auv三维路径规划方法 | |
| Nikolos et al. | Evolutionary algorithm based offline/online path planner for UAV navigation | |
| CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
| CN103196449B (zh) | 基于潮流潮汐预报信息的船舶航路规划方法 | |
| Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
| CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
| CN107589749B (zh) | 水下机器人自主定位与节点地图构建方法 | |
| CN107037809A (zh) | 一种基于改进蚁群算法的无人艇避碰方法 | |
| CN107346138A (zh) | 一种基于增强学习算法的无人船侧向控制方法 | |
| CN111307153B (zh) | 基于六边形栅格地图的多auv任务分配与路径规划方法 | |
| CN103744428A (zh) | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 | |
| CN110906935B (zh) | 一种无人艇路径规划方法 | |
| CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
| CN113238232B (zh) | 面向海洋静态目标的自主水下航行器系统目标搜索方法 | |
| CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
| CN107966153A (zh) | 水下航行器路径规划算法 | |
| CN109489672A (zh) | 考虑海流与无人艇动力学影响的节能a星路径规划方法 | |
| Lan et al. | Improved RRT algorithms to solve path planning of multi-glider in time-varying ocean currents | |
| Zheng et al. | A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm | |
| CN108931243A (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 | |
| CN114841635A (zh) | 一种考虑船舶水下辐射声的生态航线规划方法 | |
| CN111291520B (zh) | 一种优化空间效率的海洋锚定浮标站位智能选址方法 | |
| CN113325867A (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
| Han et al. | Whale optimization algorithm for ship path optimization in large-scale complex marine environment |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |
|
| RJ01 | Rejection of invention patent application after publication |