CN110908404A - 一种基于数据驱动的auv智能观测运动方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的AUV智能观测运动方法。将水下自治潜器自身采集获得的当前观测海洋数据通过一组基函数的线性组合表示，然后，针对待观测海洋数据采用递归的加权最小二乘估计方法处理获得观测海洋数据系数，接着利用观测海洋数据系数获得最新时刻的观测海洋数据的估计值，再获得观测海洋数据估计值的梯度；最后，水下自治潜器沿着梯度的方向到达海洋观测中心位置。本发明能在新的观测数据驱动下，AUV能够以最优的观测路径快速到达海洋特征的中心位置，为水下自主移动观测平台在海洋科学方面的高效应用提供帮助。

Description

一种基于数据驱动的AUV智能观测运动方法

技术领域

本发明涉及水下机器人技术领域的一种AUV观测运动控制方法，具体的说是一种基于数据驱动的AUV智能观测运动方法。

背景技术

与船载、拖曳式、锚系等海洋观测平台相比，水下自治潜器(AutonomousUnderwater Vehicle，AUV)机动性强，能够完成复杂环境中的观测任务，并且具有数据在线处理能力和自主航行能力，可实现水下自主调查。因此，AUV自诞生以来，就在水下目标识别、管道巡检、环境监测、温跃层跟踪、海底热液喷口定位、精细化地形构建等军、民、科考方面得到了广泛应用。

然而长期以来，AUV一般采用预编程的作业模式，按照设定的路径进行海洋观测。这种方式没有充分发挥AUV的智能化优势，作业效率低。也就是说，目前的作业模式不是以水下实时观测数据作为AUV下一步去哪里观测的依据，而且根据调查人员的经验，把AUV的观测路径进行了固化。该作业模式对于具有时空尺度上变化的海洋特征来说，例如中尺度涡、内波、海底热液、冷泉等，难以获取最能够揭示海洋现象的观测数据，在一定程度上影响了AUV的应用前景。

发明内容

现有的AUV采用预编程的作业模式，按照设定的路径进行海洋观测，没有充分发挥AUV的智能化优势，作业效率低，在一定程度上影响了AUV的应用前景。为了解决上述问题，本发明提供了一种基于数据驱动的AUV智能观测运动方法，通过对海洋特征的在线识别，获得了AUV最优的观测路径，获得最能够揭示海洋现象的真实准确数据。

本发明包括确定海洋特征估计参数初值、计算海洋观测数据的衰减因子、更新海洋特征估计参数、获取海洋特征估计、计算海洋特征梯度、更新AUV航向6个核心过程，在新的观测数据驱动下，AUV能够以最优的观测路径快速到达海洋特征的中心位置。

如图1所示，本发明通过以下技术方案实现：

将水下自治潜器(AUV)自身采集获得的当前观测海洋数据通过一组基函数的线性组合表示，然后，针对待观测海洋数据采用递归的加权最小二乘估计方法处理获得观测海洋数据系数，接着利用观测海洋数据系数获得最新时刻的观测海洋数据的估计值，再获得观测海洋数据估计值的梯度；最后，水下自治潜器(AUV)沿着梯度的方向到达海洋观测中心位置。

方法具体包括：

1)将当前观测海洋数据采用以下基函数的线性组合：

F(p(k))＝Q(p(k))^Tα

Q(p(k))＝[q₁(p(k))，...，q_i(p(k))...，q_m(p(k))]^T

其中，F(p(k))表示k时刻在空间位置p(k)处的水下自治潜器的当前观测海洋数据，Q(p(k))表示k时刻的基函数列向量，Q(p(k))为m个基函数组成的列向量，q_i(p(k))表示k时刻的第i个基函数，i表示基函数的序数，m表示基函数的总数，p(k)是k时刻的水下自治潜器的空间位置坐标，p_i为第i个基函数的中心位置坐标，σ_i为第i个基函数的宽度，||p(k)-p_i||表示p(k)到p_i的距离，α是待估参数，作为观测海洋数据的系数，T表示矩阵转置；

2)利用k时刻在空间位置p(k)处的水下自治潜器的当前观测海洋数据F(p(k))，构建以下目标函数J：

其中，k表示当前时刻的序数，t表示k时刻之后的时刻的序数，e(k)|_t为利用k时刻的当前观测海洋数据估计之后t时刻待观测海洋数据的估计误差；β(t，k)是加权函数，表示k时刻的当前观测海洋数据在之后t时待观测海洋数据时的加权值，

为待估参数α在t时刻的估计值；

利用以下公式获得待估参数α在t时刻的估计值

3)待估参数α按照以下递归处理：

其中，G(t)表示t时刻的中间参数；

G(t)满足递归公式：

其中，λ(t)为t时刻的衰减因子；

3)采用加权最小二乘进行迭代递归处理获得t时刻的待观测海洋数据的待估参数α的估计值

再利用t时刻的待观测海洋数据的待估参数α的估计值

采用以下公式处理获得t时刻的待观测海洋数据的估计值

4)再采用以下公式获取t时刻的待观测海洋数据的梯度：

其中，grad表示梯度，

表示F(p(t))在x方向的偏导数，

表示F(p(t))在y方向的偏导数，p(t)表示t时刻的水下自治潜器的空间位置坐标；

x方向和y方向是水下平面的两个相垂直方向。

5)最后采用以下公式通过待观测海洋数据的梯度获得t时刻AUV的航向角度θ，实时控制水下自治潜器(AUV)航向角度θ方向运动到达海洋观测中心位置，即海洋观测数据最高的位置：

其中，atan表示反正切函数。

这样，该方法不断循环迭代运行，不断实时更新对观测海洋数据的估计，驱动AUV沿着海洋的梯度快速到达海洋特征观测中心位置。例如控制使得水下自治潜器(AUV)从中尺度涡边缘到涡心移动，向温度最高处移动。

所述的加权函数β(t，k)满足：

其中，0≤λ(t)≤1，λ(t)为t时刻的衰减因子，计算为：

其中，

为t时刻在空间位置p(t)处的观测海洋数据的估计值。

所述的待观测海洋数据为温度/盐度等。

所述的水下自治潜器(AUV)自身安装有传感器，通过传感器检测获得观测海洋数据。例如，水下自治潜器(AUV)安装有温度传感器，通过温度传感器获得温度数据。

本发明的优点与有益效果为：

本发明的方法采用递归式求解，速度快，计算量小，适合AUV板载计算机运算能力较弱的条件限制，解决了AUV板载计算机运算能力较弱而无法实时定位运算的问题。

同时本发明的方法在对海洋特征估计过程中加入了自适应衰减因子，能够对动态海洋特征参数实现准确的估计和处理，发挥了AUV智能化优势，又获得了最能够揭示海洋特征的观测数据。

本发明能够实现AUV自主观测，充分利用AUV自身搭载传感器观测的数据，对海洋特征进行在线识别、提取和分析，用以计算下一步观测路径，形成基于动态数据驱动的智能观测，获得最能够揭示海洋现象的数据；可为水下自主移动观测平台在海洋科学方面的高效应用提供有效帮助，具有重要的科学意义和应用价值。

附图说明

图1为本发明的方法流程图；

图2为本发明的实施效果图。

具体实施方式

下面结合附图，对本发明的具体内容及功能实现过程进行详细阐明。

如图1所示，本发明的具体实施例及其实施过程如下：

如图1所示，本发明具体实施包括确定海洋特征估计参数初值、确定衰减因子、更新估计参数、更新海洋特征估计、获取海洋特征梯度、更新AUV航向6个核心过程，在新的观测数据驱动下，AUV能够以最优的观测路径到达海洋特征的中心位置。

首先，AUV携带相应的传感器在观测区域随机采集一些海洋观测数据，通过公式获得海洋观测数据的初始估计

G(0)，令加权函数β(t，k)＝1，分别获得

和G(t)的初值

和G(0)。

其次，根据公式(3)获得t时刻海洋观测数据的估计值

然后，利用海洋观测数据的实际值，利用公式(5)获得t时刻参数估计过程中的自适应衰减因子λ(t)为：

接着，利用新的观测数据，利用公式(5)、(6)对海洋特征的参数进行更新：

然后，利用公式(5)获得的t时刻海洋观测数据的新的参数估计值

带入公式(7)，更新对海洋观测数据的估计值

接着，根据最新获得海洋观测数据的估计值，根据公式(8)，可获得t时刻海洋观测数据的分布梯度gradF(p(t))：

然后，由海洋观测数据的分布梯度，根据公式(9)，获得AUV航向角度θ：

最后，AUV沿着公式(9)获得的航向运动。

上述步骤不断迭代循环，不断获得新的观测数据，不断更新海洋特征的估计，AUV就能沿着海洋特征梯度的方向航行，以最优的路径快速到达海洋特征的中心位置，实现基于数据驱动的智能观测方法。

本发明的效果如图2所示，以中尺度涡观测为例，AUV能够根据观测数据，从中尺度涡的边缘沿着梯度方向快速到达涡心位置。图中实线为理论上的AUV航线，虚线为利用本发明的方法的AUV航线。结果显示，采用本发明的数据驱动的智能观测方法能够到达中尺度涡的涡心，同时实际观测路径非常接近理论值，证明了本发明的可靠效果。

Claims (5)

1.一种基于数据驱动的AUV智能观测运动方法，其特征在于：

将水下自治潜器(AUV)自身采集获得的当前观测海洋数据通过一组基函数的线性组合表示，然后，针对待观测海洋数据采用递归的加权最小二乘估计方法处理获得观测海洋数据系数，接着利用观测海洋数据系数获得最新时刻的观测海洋数据的估计值，再获得观测海洋数据估计值的梯度；最后，水下自治潜器(AUV)沿着梯度的方向到达海洋观测中心位置。

2.根据权利要求1所述的一种基于数据驱动的AUV智能观测运动方法，其特征在于：方法具体包括：

1)将当前观测海洋数据采用以下基函数的线性组合：

F(p(k))＝Q(p(k))^Tα

Q(p(k))＝[q₁(p(k)),…,q_i(p(k))…,q_m(p(k))]^T

其中，F(p(k))表示k时刻在空间位置p(k)处的水下自治潜器的当前观测海洋数据，Q(p(k))表示k时刻的基函数列向量，q_i(p(k))表示k时刻的第i个基函数，i表示基函数的序数，m表示基函数的总数，p(k)是k时刻的水下自治潜器的空间位置坐标，p_i为第i个基函数的中心位置坐标，σ_i为第i个基函数的宽度，‖p(k)-p_i‖表示p(k)到p_i的距离，α是待估参数，T表示矩阵转置；

2)利用k时刻在空间位置p(k)处的水下自治潜器的当前观测海洋数据F(p(k))，构建以下目标函数J：

其中，k表示当前时刻的序数，t表示k时刻之后的时刻的序数，e(k)|_t为利用k时刻的当前观测海洋数据估计之后t时刻待观测海洋数据的估计误差；β(t,k)是加权函数，表示k时刻的当前观测海洋数据在之后t时待观测海洋数据时的加权值，

为待估参数α在t时刻的估计值；

利用以下公式获得待估参数α在t时刻的估计值

3)待估参数α按照以下递归处理：

其中，G(t)表示t时刻的中间参数；

G(t)满足递归公式：

其中，λ(t)为t时刻的衰减因子；

3)采用加权最小二乘进行迭代递归处理获得t时刻的待观测海洋数据的待估参数α的估计值

再利用t时刻的待观测海洋数据的待估参数α的估计值

采用以下公式处理获得t时刻的待观测海洋数据的估计值

4)再采用以下公式获取t时刻的待观测海洋数据的梯度：

其中，grad表示梯度，

表示F(p(t))在x方向的偏导数，

表示F(p(t))在y方向的偏导数，p(t)表示t时刻的水下自治潜器的空间位置坐标；

5)最后采用以下公式通过待观测海洋数据的梯度获得t时刻AUV的航向角度θ，实时控制水下自治潜器(AUV)航向角度θ方向运动到达海洋观测中心位置：

其中，atan表示反正切函数。

3.根据权利要求2所述的一种基于数据驱动的AUV智能观测运动方法，其特征在于：所述的加权函数β(t,k)满足：

其中，0≤λ(t)≤1，λ(t)为t时刻的衰减因子，计算为：

其中，

为t时刻在空间位置p(t)处的观测海洋数据的估计值。

4.根据权利要求1所述的一种基于数据驱动的AUV智能观测运动方法，其特征在于：所述的待观测海洋数据为温度/盐度等。

5.根据权利要求1所述的一种基于数据驱动的AUV智能观测运动方法，其特征在于：所述的水下自治潜器(AUV)自身安装有传感器，通过传感器检测获得观测海洋数据。

Images