CN111259526B - 集群回收路径规划方法、装置、设备及可读存储介质 - Google Patents

集群回收路径规划方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111259526B
CN111259526B CN202010025759.0A CN202010025759A CN111259526B CN 111259526 B CN111259526 B CN 111259526B CN 202010025759 A CN202010025759 A CN 202010025759A CN 111259526 B CN111259526 B CN 111259526B
Authority
CN
China
Prior art keywords
auvs
cluster
path planning
objective function
usv
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
Application number
CN202010025759.0A
Other languages
English (en)
Other versions
CN111259526A (zh
Inventor
李胜全
张爱东
黄裘俊
常亮
朱华
陆海博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202010025759.0A priority Critical patent/CN111259526B/zh
Publication of CN111259526A publication Critical patent/CN111259526A/zh
Application granted granted Critical
Publication of CN111259526B publication Critical patent/CN111259526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种集群回收路径规划方法、装置、设备及可读存储介质，所述集群回收路径规划方法通过B样条参数化运动轨迹，将AUV集群回收运动规划问题转化为适合于实时优化的低维优化问题，将路径根据AUV的实际运动能力进行适应性调整，较之现有方式所规划的折线轨迹，最终优化得到的曲线轨迹更易实现；通过利用B样条曲线的性质，减少原有多种预设约束的数量；通过优化算法求解非线性整数规划问题，能够得到相对全局最优解，最终得到适应于AUV实际运动能力的时间最短的高效AUV集群回收路径。

Description

集群回收路径规划方法、装置、设备及可读存储介质
技术领域
本发明涉及机器人技术领域，尤其涉及一种集群回收路径规划方法、装置、设备及可读存储介质。
背景技术
自主式水下潜器(AUV，Autonomous Underwater Vehicle)是一种执行水下任务而不需要通过操作者控制的自主式无人水下设备。AUV的回收技术是确保AUV执行完规定的任务返航后快速的收回，是海洋应用领域的一项前沿技术。AUV由于只有一个推进器，机动能力差，难以完全按照现有的路径规划方法所规划出的路径进行运动，从而导致了通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种集群回收路径规划方法，旨在解决通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。
为实现上述目的，本发明提供一种集群回收路径规划方法，所述集群回收路径规划方法应用于集群回收路径规划设备，所述集群回收路径规划方法包括以下步骤：
获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。
可选地，所述获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型的步骤之前，还包括：
获取所述多个AUV的初始约束条件，将所述初始约束条件转化为B样条曲线的特性约束条件。
可选地，所述预设优化算法为遗传算法，所述根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径的步骤包括：
将所述非线性整数规划问题转化为旅行商问题，利用遗传算法对所述旅行商问题进行求解；
获取基于所述遗传算法与目标函数确定的目标精英种群，并根据所述目标精英种群确定所述USV及多个AUV的最优回收顺序与最优回收路径。
可选地，所述利用遗传算法对所述旅行商问题进行求解的步骤包括：
根据预设编码规则对所述多个AUV进行编码，确定遗传算法所需的初始种群；
根据所述目标函数确定用于评价所述初始种群中个体优劣的适应度函数；
根据预设选择算子、交叉算子、变异算子，以及基于所述适应度函数计算出的种群适应度评分，对所述初始种群进行迭代计算；
直至检测到满足预设最大迭代次数时，将当前的最高种群适应度评分所对应的种群作为所述目标精英种群。
可选地，所述获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数的步骤之前，还包括：
将每一AUV对应的路径离散成B样条曲线中的若干节点，并基于所述若干节点拟合出所述USV的回收路径。
可选地，所述根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径的步骤之后，还包括：
获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新。
可选地，所述获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新的步骤包括：
在当前时间点为预设采样时间点时，基于预设轨迹跟踪设备获取所述多个AUV的位置测量值与角度测量值；
根据所述位置测量值与角度测量值更新所述最优回收路径。
此外，为实现上述目的，本发明还提供一种集群回收路径规划装置，所述集群回收路径规划装置包括：
目标模型获取模块，用于获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
目标函数确定模块，用于获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
目标路径获取模块，用于根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。
此外，为实现上述目的，本发明还提供一种集群回收路径规划设备，所述集群回收路径规划设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的集群回收路径规划程序，所述集群回收路径规划程序被所述处理器执行时实现如上述的集群回收路径规划方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有集群回收路径规划程序，所述集群回收路径规划程序被处理器执行时实现如上述的集群回收路径规划方法的步骤。
本发明提供一种集群回收路径规划方法、装置、设备及计算机可读存储介质。所述集群回收路径规划方法通过获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。通过上述方式，本发明通过B样条参数化运动轨迹，将AUV集群回收运动规划问题转化为适合于实时优化的低维优化问题，将路径根据AUV的实际运动能力进行适应性调整，较之现有方式所规划的折线轨迹，最终优化得到的曲线轨迹更易实现；通过利用B样条曲线的性质，减少原有多种预设约束的数量；通过优化算法求解非线性整数规划问题，能够得到相对全局最优解，最终得到适应于AUV实际运动能力的时间最短的高效AUV集群回收路径，从而解决了通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明集群回收路径规划方法第一实施例的流程示意图；
图3为USV回收集群AUV的最优回收顺序与路径示意图；
图4为B样条参数化路径示意图；
图5为本发明装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及集群回收路径规划程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的集群回收路径规划程序，并执行以下操作：
获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
获取所述多个AUV的初始约束条件，将所述初始约束条件转化为B样条曲线的特性约束条件。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
将所述非线性整数规划问题转化为旅行商问题，利用遗传算法对所述旅行商问题进行求解；
获取基于所述遗传算法与目标函数确定的目标精英种群，并根据所述目标精英种群确定所述USV及多个AUV的最优回收顺序与最优回收路径。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
根据预设编码规则对所述多个AUV进行编码，确定遗传算法所需的初始种群；
根据所述目标函数确定用于评价所述初始种群中个体优劣的适应度函数；
根据预设选择算子、交叉算子、变异算子，以及基于所述适应度函数计算出的种群适应度评分，对所述初始种群进行迭代计算；
直至检测到满足预设最大迭代次数时，将当前的最高种群适应度评分所对应的种群作为所述目标精英种群。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
将每一AUV对应的路径离散成B样条曲线中的若干节点，并基于所述若干节点拟合出所述USV的回收路径。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新。
进一步地，处理器1001可以调用存储器1005中存储的集群回收路径规划程序，还执行以下操作：
在当前时间点为预设采样时间点时，基于预设轨迹跟踪设备获取所述多个AUV的位置测量值与角度测量值；
根据所述位置测量值与角度测量值更新所述最优回收路径。
基于上述硬件结构，提出本发明集群回收路径规划方法的各个实施例。
参照图2，图2为集群回收路径规划方法第一实施例的流程示意图。
自主式水下潜器(AUV，Autonomous Underwater Vehicle)是一种执行水下任务而不需要通过操作者控制的自主式无人水下设备。AUV的回收技术是确保AUV执行完规定的任务返航后快速的收回，是海洋应用领域的一项前沿技术。AUV由于只有一个推进器，机动能力差，难以完全按照现有的路径规划方法所规划出的路径进行运动，从而导致了通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。AUV集群回收需要机动性能更高的无人水面艇(USV，unmanned surface vessel)来辅助回收。未来的海洋开发需要更多的AUV协同出海作业，AUV集群回收十分必要。
在本实施例中，为解决上述问题，本发明提供一种集群回收路径规划方法，即通过B样条参数化运动轨迹，将AUV集群回收运动规划问题转化为适合于实时优化的低维优化问题，将路径根据AUV的实际运动能力进行适应性调整，较之现有方式所规划的折线轨迹，最终优化得到的曲线轨迹更易实现；通过利用B样条曲线的性质，减少原有多种预设约束的数量；通过优化算法求解非线性整数规划问题，能够得到相对全局最优解，最终得到适应于AUV实际运动能力的时间最短的高效AUV集群回收路径，从而解决了通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。所述集群回收路径规划方法应用于装有集群回收路径规划程序的终端。
本发明第一实施例提供一种集群回收路径规划方法，所述集群回收路径规划方法包括以下步骤：
步骤S10，获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
在本实施例中，可以理解的是，在步骤S10之前，需先通过为多AUV以及回收多AUV所需的USV建立对应的运动学模型。实际场景中，回收控制人员在对多AUV的回收路径进行规划时，可点击已装有集群回收路径规划程序的终端中的预设回收路径规划任务创建按键。终端接收到回收控制人员当前发送的这一回收路径规划任务创建指令，获取待回收的多个AUV与对应的USV的运动学模型，并通过B样条曲线参数化运动轨迹。其中，B样条曲线是贝兹曲线(又称贝塞尔曲线)的一种一般化，其一般表达为：有n+1个控制点Pi(i＝0,1,...,n)和一个节点向量U＝{u0，u1，...，um}，依次连接这些控制点可以构成一个特征多边形，k+1阶(k次)B样条曲线的表达式为
其中Ni,k(u)是k次B样条基函数，也叫调和函数，或者k次规范B样条基函数。k满足条件(2<＝k<＝n+1)，且必须满足m＝n+k+1。另外，用于打捞AUV的USV的数目可以是一个，也可以是多个，本实施例对此不做具体限制。
步骤S20，获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
在本实施例中，终端中将预置的初始的角度、位置、速度、加速度、障碍物、回收顺序约束，变换为B样条曲线的特性约束，并在接收到回收控制人员当前发送的回收任务创建指令时，结合B样条曲线的特性约束条件，以多AUV的最优回收顺序与时间最优运动轨迹为目标函数，构建混合整数非线性规划问题(MINLP，Mixed-Integer NonlinearProgramming)。其中，整数规划问题是指在一些等式约束、不等式约束和整数变量的限制下，最小化或最大化一个目标函数的优化问题。如果问题中的所有函数都是线性的，那就是线性整数规划问题；否则，就称之为非线性整数规划问题。
步骤S30，根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。
其中，预设优化算法可为遗传算法、蚁群算法、神经网络算法等。
在本实施例中，终端根据预设的用于解决上述非线性整数规划问题的智能优化算法，对基于上述运动学模型所构建的非线性整数规划问题进行求解，并将求解结果转化为回收多个AUV所对应的最优回收顺序与USV的最优回收路径。图3即为USV回收集群AUV的最优回收顺序与路径示意图。横坐标与纵坐标分别表示USV与AUV对应位置的X轴与Y轴坐标，图中虚线表示USV进行回收任务的最优回收路径，三个黑点用于标识USV先回收AUV1，再回收AUV2，最后回收AUV3这一回收过程中的行驶顺序。
本发明提供一种集群回收路径规划方法。所述集群回收路径规划方法通过获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。通过上述方式，本发明通过B样条参数化运动轨迹，将AUV集群回收运动规划问题转化为适合于实时优化的低维优化问题，将路径根据AUV的实际运动能力进行适应性调整，较之现有方式所规划的折线轨迹，最终优化得到的曲线轨迹更易实现；通过利用B样条曲线的性质，减少原有多种预设约束的数量；通过优化算法求解非线性整数规划问题，能够得到相对全局最优解，最终得到适应于AUV实际运动能力的时间最短的高效AUV集群回收路径，从而解决了通过现有方式得到的AUV回收路径与AUV的实际运动能力不匹配的技术问题。
图中未示的，基于上述图2所示的第一实施例，提出本发明集群回收路径规划方法第二实施例。在本实施例中，步骤S10之前，还包括：
步骤a，获取所述多个AUV的初始约束条件，将所述初始约束条件转化为B样条曲线的特性约束条件。
在本实施例中，可以理解的是，在步骤a之前，终端中将预置的初始的角度、位置、速度、加速度、障碍物、回收顺序约束，变换为B样条曲线的特性约束。具体地，对于回收顺序，假设USV的路径被分割为m段D1，D2，...，Dm，有n个AUV，则有
其中，开关数αij＝0 or 1,i＝1,…,m，j＝1,…,n1，在同一时刻，回收过程每一段路径的USV只能回收一个AUV，因此，回收顺序需要满足约束条件：
进一步地，在本实施例中，步骤S30包括：
步骤b，将所述非线性整数规划问题转化为旅行商问题，利用遗传算法对所述旅行商问题进行求解；
其中，旅行商问题为给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路的问题。
在本实施例中，设定USV的个数为一个，故可将上述非线性整数规划问题转化旅行商问题，将待回收的AUV看作目标城市，将执行回收任务的USV看作旅行商。
步骤c，获取基于所述遗传算法与目标函数确定的目标精英种群，并根据所述目标精英种群确定所述USV及多个AUV的最优回收顺序与最优回收路径。
在本实施例中，遗传算法(GA，Genetic Algorithm)的基本原理是模拟达尔文进化论“物竞天择，适者生存”的自然法则，其核心思想为：将原始问题的参数，抽象为基因编码；将原始问题的可行解，抽象为基因排列的染色体组合；将原始问题的解集规模，抽象为一定数量染色体组成的种群；寻找可行解的过程，抽象为种群的进化过程(染色体选择、交叉、变异等)；比较可行解的优劣，抽象为量化比较不同种群对当前环境的适应程度；逼近最优解的过程，抽象为淘汰适应度差的种群，保留适应度高的种群进行下一次进化；问题的最优解，抽象为经过多次进化后，最终生存下来的精英种群。终端可使用遗传算法，得到最终的目标精英种群。该精英种群中包含有多个待回收AUV的最优回收顺序与最优回收路径信息。
进一步地，在本实施例中，步骤b包括：
步骤d，根据预设编码规则对所述多个AUV进行编码，确定遗传算法所需的初始种群；
其中，预设编码规则可为二进制编码法、浮点编码法、符号编码法等。
在本实施例中，可将一个待回收的AUV抽象为一个基因，而AUV的回收顺序，可以看做一个离散型问题，因此可以采用1～N的整数，对这N个待回收的AUV进行一一编码。对编码好的AUV，进行任意的排列，即让一组基因组成一个染色体。其中，染色体的意义为染色体包含了所有的基因(AUV)；染色体的长度即为所有待回收AUV的数量；一个染色体描述了一次TSP的旅行路线，并代表了一个TSP的可行解。终端选择初始化M个染色体来组成初始种群(M<N)。
步骤e，根据所述目标函数确定用于评价所述初始种群中个体优劣的适应度函数；
在本实施例中，适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准。由于适应度函数总是非负的，而目标函数可能有正有负，故需要在目标函数与适应度函数之间进行变换。终端将上述目标函数转换为用于遗传算法的适应度函数。
步骤f，根据预设选择算子、交叉算子、变异算子，以及基于所述适应度函数计算出的种群适应度评分，对所述初始种群进行迭代计算；
在本实施例中，选择算子可为轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、确定式选择等。交叉算子可为单点交叉、两点交叉与多点交叉、均匀交叉、算数交叉等。变异算子可为基本位变异、均匀变异、边界变异、非均匀变异、高斯近似变异等。上述初始种群产生之后，终端基于遗传算法，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小与选择算子选择个体，并借助于交叉算子与变异算子进行组合交叉和变异，产生出代表新的解集的种群。
步骤g，直至检测到满足预设最大迭代次数时，将当前的最高种群适应度评分所对应的种群作为所述目标精英种群。
其中，预设最大迭代次数可根据实际情况灵活设定，本实施例对此不做具体限定。
在本实施例中，终端根据遗传算法对上述初始种群进行迭代计算，直至检测到当前迭代次数达到预设最大迭代次数时，结束迭代计算，并将本轮迭代中最高种群适应度评分所对应的种群作为目标精英种群。
本发明提供一种集群回收路径规划方法。所述集群回收路径规划方法进一步利用样条性质来减少约束的数量，简化了求解非线性整数规划问题的复杂程度；通过利用遗传算法对目标函数进行求解，使得最终得到的回收顺序与路径为相对全局最优解，进一步提升了回收效率，实现了高效、快速、地集群回收多个AUV。
图中未示的，基于上述图2所示的第一实施例，提出本发明集群回收路径规划方法第三实施例。在本实施例中，步骤S20之前，还包括：
步骤h，将每一AUV对应的路径离散成B样条曲线中的若干节点，并基于所述若干节点拟合出所述USV的回收路径。
在本实施例中，终端获取到m个AUV和USV的运动学模型，路径采用b样条参数化，如图4所示，把m个AUV的每个AUV的路径都离散成B样条中的n1节点，USV的路径离散成m段*n2个节点。终端可基于多个节点拟合出USV的回收行驶路径。
进一步地，在本实施例中，步骤S30之后，还包括：
步骤i，获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新。
在本实施例中，可以理解的是，在步骤S30之前，回收控制人员可在终端上设置特定采样时间间隔。终端获取每一采样时间点上基于轨迹跟踪设备获取待回收的多个AUV的实际位置、角度等信息，并根据这些信息更新上述最优回收路径，以适应实际操作过程中的种种变化。
具体地，终端可设置模型预测控制(MPC，Model Predictive Control)模块，通过在每一采样时间点获取当前的测量信息，在线求解上述MINLP也即是一个优先时间开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时间点，用新的测量信息作为预测系统未来动态的初始条件，更新这一优化问题并重新求解，以不断优化每一AUV的最优回收路径。
进一步地，在本实施例中，步骤i包括：
步骤j，在当前时间点为预设采样时间点时，基于预设轨迹跟踪设备获取所述多个AUV的位置测量值与角度测量值；
在本实施例中，终端可采用MPC这一反馈控制策略。终端根据预设的采样时间间隔，在每一采样时间点上，获取预设的轨迹跟踪设备采集的待回收的多个AUV的位置测量值与角度测量值。
步骤k，根据所述位置测量值与角度测量值更新所述最优回收路径。
在本实施例中，终端根据MPC算法，通过在每一采样时间点获取到的位置测量值与角度测量值，在线求解上述MINLP问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时间点，用新的测量信息作为预测未来动态的初始条件，更新这一问题，并重新对上述目标顺序轨迹函数进行求解，以不断优化每一AUV的最优回收路径。
本发明提供一种集群回收路径规划方法。所述集群回收路径规划方法进一步通过将路径根据AUV的实际运动能力进行适应性调整，提高了最终所得的优化轨迹的实用性；通过获取实际测量值不断优化最优回收轨迹，进一步提升了回收效率，实现了高效、快速、安全、自动化地集群回收多个AUV；通过对待回收的多个AUV进行轨迹跟踪，获取其实际的位置角度等信息以不断对回收轨迹进行优化，进一步完善最初所得的回收轨迹，使本发明的实用性与回收效率得到进一步提升。
本发明还提供一种集群回收路径规划装置。
所述集群回收路径规划装置包括：
目标模型获取模块，用于获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
目标函数确定模块，用于获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
目标路径获取模块，用于根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径。
本发明还提供一种集群回收路径规划设备。
所述集群回收路径规划设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的集群回收路径规划程序，其中所述集群回收路径规划程序被所述处理器执行时，实现如上所述的集群回收路径规划方法的步骤。
其中，所述集群回收路径规划程序被执行时所实现的方法可参照本发明集群回收路径规划方法的各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有集群回收路径规划程序，所述集群回收路径规划程序被处理器执行时实现如上所述的集群回收路径规划方法的步骤。
其中，所述集群回收路径规划程序被执行时所实现的方法可参照本发明集群回收路径规划方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种集群回收路径规划方法，其特征在于，所述集群回收路径规划方法包括：
获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径；
所述预设优化算法为遗传算法，所述根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径的步骤包括：
将所述非线性整数规划问题转化为旅行商问题，利用遗传算法对所述旅行商问题进行求解；
获取基于所述遗传算法与目标函数确定的目标精英种群，并根据所述目标精英种群确定所述USV及多个AUV的最优回收顺序与最优回收路径。
2.如权利要求1所述的集群回收路径规划方法，其特征在于，所述获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型的步骤之前，还包括：
获取所述多个AUV的初始约束条件，将所述初始约束条件转化为B样条曲线的特性约束条件。
3.如权利要求1所述的集群回收路径规划方法，其特征在于，所述利用遗传算法对所述旅行商问题进行求解的步骤包括：
根据预设编码规则对所述多个AUV进行编码，确定遗传算法所需的初始种群；
根据所述目标函数确定用于评价所述初始种群中个体优劣的适应度函数；
根据预设选择算子、交叉算子、变异算子，以及基于所述适应度函数计算出的种群适应度评分，对所述初始种群进行迭代计算；
直至检测到满足预设最大迭代次数时，将当前的最高种群适应度评分所对应的种群作为所述目标精英种群。
4.如权利要求1所述的集群回收路径规划方法，其特征在于，所述获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数的步骤之前，还包括：
将每一AUV对应的路径离散成B样条曲线中的若干节点，并基于所述若干节点拟合出所述USV的回收路径。
5.如权利要求1所述的集群回收路径规划方法，其特征在于，所述根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径的步骤之后，还包括：
获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新。
6.如权利要求5所述的集群回收路径规划方法，其特征在于，所述获取预设采样时间点上采集的目标测量值，基于所述目标测量值对所述最优回收路径进行更新的步骤包括：
在当前时间点为预设采样时间点时，基于预设轨迹跟踪设备获取所述多个AUV的位置测量值与角度测量值；
根据所述位置测量值与角度测量值更新所述最优回收路径。
7.一种集群回收路径规划装置，其特征在于，所述集群回收路径规划装置包括：
目标模型获取模块，用于获取无人水面艇USV及多个自主式水下潜器AUV的运动学模型，其中，所述运动学模型中的运动轨迹采用B样条曲线进行拟合；
目标函数确定模块，用于获取B样条曲线的特性约束条件，根据所述特性约束条件确定目标函数，其中，所述目标函数用于求解回收所述多个AUV的最优顺序和路径；
目标路径获取模块，用于根据预设优化算法，对基于所述运动学模型构建的非线性整数规划问题进行求解，获取与所述目标函数对应的所述USV及多个AUV的最优回收顺序与最优回收路径；
所述预设优化算法为遗传算法，所述目标路径获取模块，还用于：
将所述非线性整数规划问题转化为旅行商问题，利用遗传算法对所述旅行商问题进行求解；
获取基于所述遗传算法与目标函数确定的目标精英种群，并根据所述目标精英种群确定所述USV及多个AUV的最优回收顺序与最优回收路径。
8.一种集群回收路径规划设备，其特征在于，所述集群回收路径规划设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的集群回收路径规划程序，所述集群回收路径规划程序被所述处理器执行时实现如权利要求1至6中任一项所述的集群回收路径规划方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有集群回收路径规划程序，所述集群回收路径规划程序被处理器执行时实现如权利要求1至6中任一项所述的集群回收路径规划方法的步骤。
CN202010025759.0A 2020-01-09 2020-01-09 集群回收路径规划方法、装置、设备及可读存储介质 Active CN111259526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010025759.0A CN111259526B (zh) 2020-01-09 2020-01-09 集群回收路径规划方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010025759.0A CN111259526B (zh) 2020-01-09 2020-01-09 集群回收路径规划方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111259526A CN111259526A (zh) 2020-06-09
CN111259526B true CN111259526B (zh) 2023-08-18

Family

ID=70952847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010025759.0A Active CN111259526B (zh) 2020-01-09 2020-01-09 集群回收路径规划方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111259526B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967179B (zh) * 2020-07-02 2024-02-09 江苏能来能源互联网研究院有限公司 一种能源互联网能量单元动态优化匹配方法
CN114418247B (zh) * 2022-03-30 2022-07-26 支付宝(杭州)信息技术有限公司 数据处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105739509A (zh) * 2016-03-16 2016-07-06 哈尔滨工程大学 多uuv坞舱式快速布放回收系统
CN107065882A (zh) * 2017-05-17 2017-08-18 哈尔滨工程大学 一种usv水面动态自主回收uuv的方法
CN107122843A (zh) * 2017-03-13 2017-09-01 华南理工大学 一种基于改进遗传算法的旅行商问题求解方法
CN109131801A (zh) * 2018-10-12 2019-01-04 上海工业自动化仪表研究院有限公司 全海深无人潜水器的自主回收装置及控制方法
CN109238291A (zh) * 2018-10-26 2019-01-18 河海大学 一种水面无人船导引缆回收自主水下航行器的规划方法
CN109782779A (zh) * 2019-03-19 2019-05-21 电子科技大学 基于种群超启发式算法的洋流环境下auv路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9873496B2 (en) * 2014-10-29 2018-01-23 Seabed Geosolutions B.V. Deployment and retrieval of seismic autonomous underwater vehicles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105739509A (zh) * 2016-03-16 2016-07-06 哈尔滨工程大学 多uuv坞舱式快速布放回收系统
CN107122843A (zh) * 2017-03-13 2017-09-01 华南理工大学 一种基于改进遗传算法的旅行商问题求解方法
CN107065882A (zh) * 2017-05-17 2017-08-18 哈尔滨工程大学 一种usv水面动态自主回收uuv的方法
CN109131801A (zh) * 2018-10-12 2019-01-04 上海工业自动化仪表研究院有限公司 全海深无人潜水器的自主回收装置及控制方法
CN109238291A (zh) * 2018-10-26 2019-01-18 河海大学 一种水面无人船导引缆回收自主水下航行器的规划方法
CN109782779A (zh) * 2019-03-19 2019-05-21 电子科技大学 基于种群超启发式算法的洋流环境下auv路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
James McMahon et al..Autonomous underwater vehicle Mine Countermeasures mission planning via the Physical Travelling Salesman Problem.OCEANS 2015 - MTS/IEEE Washington.2015,全文. *

Also Published As

Publication number Publication date
CN111259526A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
Singla et al. Memory-based deep reinforcement learning for obstacle avoidance in UAV with limited environment knowledge
Zamuda et al. Differential evolution and underwater glider path planning applied to the short-term opportunistic sampling of dynamic mesoscale ocean structures
CN111578940B (zh) 一种基于跨传感器迁移学习的室内单目导航方法及系统
Wang et al. A survey of learning‐based robot motion planning
Luis et al. A deep reinforcement learning approach for the patrolling problem of water resources through autonomous surface vehicles: The ypacarai lake case
CN111259526B (zh) 集群回收路径规划方法、装置、设备及可读存储介质
CN110376605B (zh) 地图构建方法、导航方法和装置
Xiao et al. Vehicle trajectory interpolation based on ensemble transfer regression
Zhou et al. Route planning algorithm for autonomous underwater vehicles based on the hybrid of particle swarm optimization algorithm and radial basis function
Parhi et al. Navigational strategy for underwater mobile robot based on adaptive neuro-fuzzy inference system model embedded with shuffled frog leaping algorithm–based hybrid learning approach
CN115218903A (zh) 一种面向视障人士的物体寻找方法及系统
Rückin et al. Semi-supervised active learning for semantic segmentation in unknown environments using informative path planning
Xu et al. Automated labeling for robotic autonomous navigation through multi-sensory semi-supervised learning on big data
Xu et al. Avoidance of manual labeling in robotic autonomous navigation through multi-sensory semi-supervised learning
CN110779526B (zh) 一种路径规划方法、装置及存储介质
Morelli et al. Integrated mapping and path planning for very large-scale robotic (vlsr) systems
US20230342614A1 (en) Model generation apparatus, pathfinding apparatus, model generation method, and computer-readable storage medium storing a model generation program
CN115034459A (zh) 一种行人轨迹时间序列预测方法
Agishev et al. Trajectory optimization using learned robot-terrain interaction model in exploration of large subterranean environments
Hu et al. Path Planning for Autonomous Systems Design: A Focus Genetic Algorithm for Complex Environments
Hong et al. Dynamics-aware metric embedding: Metric learning in a latent space for visual planning
Wang et al. An Efficient Hybrid Graph Network Model for Traveling Salesman Problem with Drone
CN111260123B (zh) 集群回收控制方法、装置、设备及可读存储介质
Yang et al. An algorithm of complete coverage path planning based on improved DQN
Wu et al. A Review of Path Planning Methods for Marine Autonomous Surface Vehicles

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