CN111337931B - 一种auv目标搜索方法 - Google Patents
一种auv目标搜索方法 Download PDFInfo
- Publication number
- CN111337931B CN111337931B CN202010195589.0A CN202010195589A CN111337931B CN 111337931 B CN111337931 B CN 111337931B CN 202010195589 A CN202010195589 A CN 202010195589A CN 111337931 B CN111337931 B CN 111337931B
- Authority
- CN
- China
- Prior art keywords
- neuron
- target
- auv
- grid
- search
- 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
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Neurology (AREA)
- Acoustics & Sound (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种AUV目标搜索方法,包括:1.声呐探测模型的建立;2.基于改进神经激励网络的多目标搜索算法;3.基于神经激励网络与人工势场法相结合的目标搜索算法。本发明对待搜索目标的搜索顺序进行规划,再使用神经激励网络进行每个目标的搜索路径决策,减少了多目标搜索过程中的路程长度,提高了整体的搜索效率。而且针对障碍物较少的栅格提出了新的神经元分类,在使用神经激励网络算法做出全局的搜索决策的基础上使用人工势场法针对障碍物较少的栅格以及目标所在的栅格进行局部的路径规划以及避障,增加了AUV在障碍物较少的区域中的搜索效率,并且提高了算法的合理性。
Description
技术领域
本发明属于目标搜索领域,涉及一种AUV目标搜索方法,特别是一种基于改进神经激励网络和人工势场法相结合的方法,可应用于未知水下环境中的AUV目标搜索过程。
背景技术
海洋是孕育生物的摇篮、人类赖以生存的资源宝库、世界各地的交通要道。近年来,由于自主水下航行器(Autonomous Underwater Vehicles,AUV)具有良好的隐蔽性、水下移动的灵活性,经济的适用性等汇集高科技手段的技术特点,在各个领域,均已经受到了广泛关注。其中,很多科学家对水下目标搜索问题进行了深入研究。
曹翔、朱大奇等人针对有部分先验信息的水下环境中的目标搜索问题,提出了一种生物神经激励网络的算法。该算法将水下栅格地图与生物启发神经网络相联系,神经网络中每一个神经元与水下栅格地图中的位置单元一一对应,根据该神经网络中神经元的在线活性输出值分布情况制定AUV的搜索路径规划模型。
神经激励网络算法适用于环境信息未知,目标大致位置信息已知的AUV水下搜索任务。即目标具有特定的信号发射能力,搜索区域内AUV配备的传感器能够接收到目标发射的信号,从而确认目标大致位置的情况。针对这种类型的任务,神经激励网络算法的搜索效率较高,并且能够实时做出搜索位置决策,避开障碍物。但单个AUV无法使用神经激励网络实现多个目标的搜索任务,并且神经激励算法的计算时间会随着网格密度的增大而呈指数型的增大,而且网格体积过大会到导致算法中的神经元分类不合理。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种实现最短时间内多目标任务搜索的采用基于改进神经激励网络和人工势场法相结合的AUV目标搜索方法。
为解决上述技术问题,本发明的一种AUV目标搜索方法,包括以下步骤:
步骤1:初始化参数,包括神经激励网络算法中的神经元的衰减速率,神经元的上下限值,目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率;
步骤2:搜索区域栅格化,将每个栅格与神经元进行一一对应,每个神经元与周边相连的神经元相互连接,构成三维的神经网络结构;
步骤3:AUV通过声呐确定AUV探测范围内是否探测到待搜索目标,若探测到,则已搜索目标数加一,并根据声呐对周围环境的探测更新环境信息;
步骤4:AUV通过声呐判断待搜索目标的位置:将目标所在栅格中距离AUV最近的顶点作为目标所在位置,将待搜索目标所在栅格的搜索顺序看做一条染色体,将AUV离线规划的总距离的倒数作为适应度,使用遗传算法计算出待搜索目标的搜索顺序的最优排序;
步骤5:初始化各个栅格对应的神经元活性,将待搜索顺序中的首要目标视为目标栅格,其所在栅格对应的神经元活性值Ik初始化为1,障碍物所在栅格对应的神经元活性值Ik初始化为-1,其余栅格对应的神经元活性值Ik初始化为0;
步骤6:更新神经元活性图,神经网络中神经元活性变化规律满足:
其中,uk表示神经元k的神经元活性,A、B、D均为给定常数,A反映神经元k的活性值的衰减速度,B和D分别是神经元k的上下限,|kl|表示神经元k与l之间的距离,wkl表示神经元k与l之间的神经元连接权系数,当神经元k与神经元l之间有连接时,wkl=μ/|kl|;μ是一个给定常系数、在0到1之间;当神经元k与神经元l之间没有连接时,wkl=0;[ul]+表示神经元k周围的神经元给神经元k的正向输入,即,神经元k周围所有神经元的神经元活性之和;表示与神经元k位置距离不超过的周边神经元的正激励之和,[Ik]-表示从障碍物输入到I神经元的变量;
步骤7:制定AUV搜索路径决策模型并作出下一搜索位置决策,AUV前往周边相连的神经元中神经活性最大的栅格,然后更新当前位置,实现AUV的最优下一时刻位置的选取,AUV搜索路径决策模型满足:
其中,Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置;
步骤8:判断是否搜索到全部目标,若未搜索到所有目标,则跳转步骤3。若所有目标被搜索到,则任务结束,退出算法。
作为本发明的一种改进,本发明的另一种AUV目标搜索方法,包括以下步骤:
步骤1:初始化参数,包括神经激励网络算法中的神经元的衰减速率,神经元的上下限值,目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率;
步骤2:搜索区域栅格化,将每个栅格与神经元进行一一对应,每个神经元与周边相连的神经元相互连接,构成三维的神经网络结构;
步骤3:AUV通过声呐确定AUV探测范围内是否探测到待搜索目标,若探测到,则已搜索目标数加一,并根据声呐对周围环境的探测更新环境信息;
步骤4:AUV通过声呐判断待搜索目标的位置:将目标所在栅格中距离AUV最近的顶点作为目标所在位置,将待搜索目标所在栅格的搜索顺序看做一条染色体,将AUV离线规划的总距离的倒数作为适应度,使用遗传算法计算出待搜索目标的搜索顺序的最优排序;
步骤5:初始化各个栅格对应的神经元活性,将待搜索顺序中的首要目标视为目标栅格,其所在栅格对应的神经元活性值Ik初始化为1,障碍物所在栅格对应的神经元活性值Ik初始化具体为:当障碍物为定义的大型障碍物时,神经元活性值Ik初始化为-1:当障碍物为定义的小型障碍物时,神经元活性值Ik初始化为0;其余栅格对应的神经元活性值Ik初始化为0;
步骤6:更新神经元活性图,神经网络中神经元活性变化规律满足:
其中,uk表示神经元k的神经元活性,A、B、D均为给定常数,A反映神经元k的活性值的衰减速度,B和D分别是神经元k的上下限,|kl|表示神经元k与l之间的距离,wkl表示神经元k与l之间的神经元连接权系数,当神经元k与神经元l之间有连接时,wkl=μ/|kl|;μ是一个给定常系数、在0到1之间;当神经元k与神经元l之间没有连接时,wkl=0;[ul]+表示神经元k周围的神经元给神经元k的正向输入,即,神经元k周围所有神经元的神经元活性之和;表示与神经元k位置距离不超过的周边神经元的正激励之和,[Ik]-表示从障碍物输入到I神经元的变量;
步骤7:制定AUV搜索路径决策模型并作出下一搜索位置决策,AUV前往周边相连的神经元中神经活性最大的栅格,然后更新当前位置,实现AUV的最优下一时刻位置的选取,AUV搜索路径决策模型满足:
其中,Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置;
步骤8:设置人工势场法算法标志位flag,当flag=1时,使用人工势场法进行该神经元对应的栅格内的路径规划并避障,当flag=0时,直接进行直线路径规划;
步骤9:判断是否搜索到全部目标,若未搜索到所有目标,则跳转步骤3。若所有目标被搜索到,则任务结束,退出算法。
本发明的有益效果:本发明提出的基于改进神经激励网络和人工势场法相结合的AUV目标搜索方法通过使用遗传算法对待搜索目标的搜索顺序按搜索路径长度进行规划,再使用神经激励网络进行每个目标的搜索路径决策,减少了多目标搜索过程中的路径长度,提高了整体的搜索效率。而且针对障碍物较少的栅格提出了新的神经元分类,在使用神经激励网络算法做出全局的搜索决策的基础上,采用人工势场法在障碍物较少的栅格以及目标所在的栅格内进行局部的路径规划以及避障,增加了AUV在障碍物较少的区域中的搜索效率,并且提高了算法的合理性。
附图说明
图1是基于改进神经激励网络与人工势场法相结合的AUV目标搜索方法的流程图;
图2是声呐探测示意图;
图3是基于改进神经激励网络的多目标搜索方法流程图;
图4(a)是基础神经激励网络方法多目标搜索路径仿真图;
图4(b)是改进神经激励网络方法规划的多目标搜索路径仿真图;
图5(a)是改进神经激励网络方法规划的多目标搜索路径仿真图;
图5(b)是随机分配神经激励网络方法规划的多目标搜索路径仿真图;
图6是改进神经激励网络方法与随机分配神经激励网络算法的搜索路径长度折线图;
图7(a)是基于神经激励网络与人工势场法相结合的目标搜索方法规划的多目标搜索路径仿真图
图7(b)是神经激励网络规划的多目标搜索路径仿真图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
本发明在水下环境中,AUV搭载探测声呐,采用基于改进神经激励网络和人工势场法相结合的AUV目标搜索算法完成最短时间多目标搜索任务。其中,目标具有特定的信号发射能力,搜索区域内AUV配备的传感器能够接收到目标发射的信号,从而确认目标大致位置(误差不超过100m)的情况。并且AUV距离目标越近,判断的目标位置越准确。
本发明方法具体包括:
1.声呐探测模型的建立
由于搜索区域范围较大,本发明提出的算法将目标与AUV均看做质点。在无先验信息的水下未知环境中,AUV通过声呐传感器实时获取水下目标信息和周围环境信息,并根据声呐实时接受到的目标发射的信号,更新目标的位置。
2.基于改进神经激励网络的多目标搜索算法
在单个AUV执行多目标搜索任务时,使用改进神经激励网络算法对目标所在的栅格区域进行排序,规划出较短的搜索路径,并按搜索顺序依次对目标大致所在的区域进行搜索,减少了多目标搜索过程中的路程长度。
3.基于神经激励网络与人工势场法相结合的目标搜索算法
建立了新的神经元分类。在使用神经激励网络算法进行全局的大型栅格的搜索路径决策的基础上,采用人工势场法在障碍物较少的栅格以及目标所在的栅格内进行局部的路径规划以及避障。
本发明的目的按以下步骤实现:
1.声呐探测模型的建立
本发明设定AUV搭载的声呐能扫描周围的全360度扇形区域,其最大扫描范围是100m。在理论的情况下,假设AUV的坐标为(x0,y0,z0),目标的坐标为(x1,y1,z1)。满足坐标如下条件的目标可被AUV声呐探测到。
(x1-x0)2+(y1-y0)2+(z1-z0)2≤r2 (1)
其中,r为声呐最大探测半径。即理论情况下,在AUV视域范围内的目标全部能被检测到。具体判断情况如图2所示。
2.基于改进神经激励网络的多目标搜索算法
当单个AUV搜索多个目标时,本发明中改进的神经激励网络算法将神经激励网络算法与遗传算法相结合,通过遗传算法对AUV的目标所在栅格的搜索顺序进行排列,规划出相对较短的整体搜索路径,再采用神经激励网络按规划好的搜索顺序依次对目标进行搜索,减小了AUV搜索多个目标所用的航行路程,提高了整体的搜索效率。具体流程图如图3所示。
基于改进神经激励网络算法的AUV多目标搜索过程的主要步骤如下:
步骤1、初始化参数,其中包括神经激励网络算法中的神经元的衰减速率,神经元的上下限值,目标和障碍物的神经活性以及遗传算法中的最大迭代次数、交叉概率、变异概率等参数;
步骤2、搜索区域栅格化。将每个栅格与神经元进行一一对应。每个神经元与周边相连的神经元相互连接,构成三维的神经网络结构,
步骤3、AUV通过声呐确定AUV探测范围内是否探测到待搜索目标,若探测到,则已搜索目标数加一,并根据声呐对周围环境的探测更新环境信息。
步骤4、将多目标搜索问题看做一个选取最优的目标搜索顺序从而实现搜索路径长度相对较短的问题。由于AUV只能感知目标的大致位置,因此将目标所在栅格中距离AUV最近的顶点作为目标所在位置。将待搜索目标所在栅格的搜索顺序看做一条染色体,将AUV离线规划的总距离的倒数作为适应度,使用遗传算法计算出待搜索目标的搜索顺序的最优排序。
步骤5、初始化各个栅格对应的神经元活性。将待搜索顺序中的首要目标视为目标栅格,其所在栅格对应的神经元活性初始化为1,障碍物所在栅格对应的神经元活性初始化为-1,其余栅格对应的神经元活性初始化为0。
步骤6、更新神经元活性图。神经网络中神经元活性变化规律如下:
其中,uk表示神经元k的神经元活性。A、B、D都是常数,A反映了神经元k的活性值的衰减速度,B和D分别是神经元k的上下限。本发明中取A为0.3,B为1,D为1。|kl|表示神经元k与l之间的距离。wkl表示神经元k与l之间的神经元连接权系数,当神经元k与神经元l之间有连接时,wkl=μ/|kl|。μ是一个常系数,一般在0到1之间,本发明中取0.3。当神经元k与神经元l之间没有连接时,wkl=0。[ul]+表示神经元k周围的神经元给神经元k的正向输入,即,神经元k周围所有神经元的神经元活性之和。表示与神经元k位置距离不超过的周边神经元的正激励之和。[Ik]-表示从障碍物输入到I神经元的变量。
步骤7、制定AUV搜索路径决策模型并作出下一搜索位置决策。AUV前往周边相连的神经元(最多26个)中神经活性最大的栅格,然后更新当前位置,实现AUV的最优下一时刻位置的选取。路径决策模型如下:
其中,Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置,max函数是取最大值的函数。
步骤8、判断是否搜索到全部目标,若未搜索到所有目标,则跳转步骤3。若所有目标被搜索到,则任务结束,退出算法。
步骤4中的遗传算法的基本步骤如下:
Step1:初始化种群的大小,基因的编码方式以及交叉、变异的概率,设置迭代次数以及循环结束条件。
Step2:随机生成一个初始化种群
Step3:根据适应度函数计算种群中每一个个体的适应度
Step4:使用概率选择方法筛选淘汰种群中的个体
Step5:通过交叉概率选择两个父代个体进行交叉,再根据变异概率选择个体进行变异操作。重复Step3~Step5,直到迭代次数结束或是满足循环结束条件。
其中,Step1中的常用编码方式有:二进制编码、格雷码编码、实数编码等。二进制编码在其中较为常用。二进制编码是通过二级制符号集{0,1}构成一个个体的基因型。二进制编码符号串的长度与问题所要求的求解精度有关。本发明选用的是二进制编码方式。本发明将种群大小设置为300,为交叉概率设置为0.7,变异概率设置为0.001,最大迭代次数设置为3000。最大迭代次数视实际问题中染色体的基因复杂程度而定。。
Step3中的适应度函数为:
其中,dis(xi)为按顺序访问个体xi中目标的距离总和;
Step4中的概率选择方法一般使用轮盘赌法。轮盘赌法的本质是个体被选中的概率与其适应度的大小有关,具体操作为:
1、通过适应度函数计算出各个个体的适应度f(xi);
2、根据公式3.2计算出各个个体能够被遗传的概率;
3、根据公式3.3计算出各个个体的累计概率;
4、随机产生一个在[0,1]中的随机小数rand;
5、如果rand<q1,则选择个体1,如果qn<rand<qn+1,则选择个体n;
6、重复M次步骤4、步骤5。
Step5中的交叉和变异操作是基于编码的基础上进行的操作。在二进制编码中,按交叉概率,从种群中选择两个个体,然后随机选择一个片段,将两个个体该片段上的二进制编码进行互换,从而产生新的个体,更具有随机性。变异则是发生在一个个体上,随机将该个体的二进制编码中的某个位置进行变化,再进行反编码,从而实现了个体的变异。
在图4(a)、图4(b)、图5(a)和图5(b)的仿真实验中,实际大小为1000m*1000m*1000m的水下搜索区域等比收缩转换为20*20*20的水下工作空间,其中随机分布着障碍物和多个目标。因此,AUV搭载声呐的探测范围也变为2*2*2。
图4(a)和图4(b)为不使用任何目标分配算法的神经激励网络(左)与改进神经激励网络(右)规划的搜索路径对比图,从图中可以看出未使用任何任务分配算法的神经激励网络算法在多个目标神经元的作用下,搜索到一个目标后就陷入局部最优,从而无法进行其余目标的搜索任务,而本发明提出的改进神经激励网络能够以较高的效率完成多目标搜索任务。
图5(a)和图5(b)为改进神经激励网络(左)与融合随机目标分配策略的神经激励网络(右)规划的搜索路径对比图。图6为改进神经激励网络与融合随机目标分配策略的神经激励网络规划的搜索路径长度折线图。综合分析图4(a)、图4(b)、图5(a)、图5(b)和图6可得,本发明提出的改进神经激励网络算法不但解决了基础神经激励网络无法完成单AUV多目标搜索任务的问题,并且对比于随机的任务分配策略,该算法的搜索路径长度较短,搜索效率较高。
3.基于神经激励网络与人工势场法相结合的目标搜索算法
由于神经激励网络算法的计算时间会随着神经元数目的增加而上升。针对较大范围区域中的目标搜索任务,神经激励网络的合理性和高效性无法同时兼顾。若栅格划分较小,则神经激励网络算法的神经元活性图的更新时间会呈指数型上升,若栅格划分较大,则障碍物神经元的判定将会不合理。栅格划分过大,则可能出现由于只存在体积较小的障碍物而被判定为障碍物神经元的情况,神经激励网络算法在进行目标搜索时会因此避开这类栅格,进而降低了搜索效率,甚至AUV周围的神经元可能全部因此被判定为障碍物神经元,从而无法进行搜索路径的规划。
针对此类问题,本发明提出了一种神经激励网络与人工势场法相结合的目标搜索算法,对栅格对应的神经元类型进行新的划分,并根据神经元的类型设置不同的算法标志位,AUV能通过算法标志位判断是否使用人工势场法进行栅格内的路径规划以及避障。方法流程图如图1所示。
基础神经激励网络算法的神经元类型分为三种,具体分类如下:
其中,Ik表示初始化时神经元的活性值。若该神经元对应的栅格内含有目标,则该神经元活性初始化为1。其它两种类型同理。但当搜索区域较大时,为了减少算法计算时间,神经激励网络神经元对应的栅格划分较大,栅格内可能会出现既出现目标又出现障碍物的情况,并且可能会出现栅格内只含有极小体积的障碍物,却被视为障碍物神经元的情况,神经激励网络规划的搜索路径会避开该栅格,从而使搜索效率降低。
为了解决该情况,本发明提出了一种新的神经元分类,具体分类如下:
其中,Ik为初始化时神经元的活性值。flag表示人工势场法切换标志位。该算法先使用神经激励网络算法更新神经元活性图,再使用神经激励网络算法做出下一步最优位置决策,最后,当flag=1时,使用人工势场法进行该神经元对应的栅格内的路径规划并避障,当flag=0时,直接进行直线路径规划。
栅格性质的划分规则和处理方法细化如下:
(1)目标栅格。大型栅格中含有目标即被认定为目标栅格。该栅格对应的神经元活性为1,因此目标所在的神经元会向周围进行正向神经激励,由于AUV会向着周围神经活性最大的栅格进行移动搜索,因此会慢慢接近目标。但目标所在栅格中可能会存在障碍物,因此,将该栅格对应的算法标志位设置为1,当AUV的声呐探测范围内出现目标时,会使用人工势场法从当前位置到达目标,从而实现规划和避障;
(2)大型障碍物栅格。由于人工势场法可能在密集障碍物中陷入局部最优点,因此将栅格中的障碍物总体积占栅格体积的百分之二十五以上的栅格被视为大型障碍物栅格。此栅格对应的神经元活性值初始化为-1.使用神经激励算法在实时规划路径的过程中会直接绕过该栅格区域。
(3)小型障碍物栅格。将栅格中的障碍物总体积占栅格体积的百分之零以上百分之二十五以下的栅格被视为小型障碍物栅格。由于栅格内障碍物较小,可使用人工势场法进行局部的路径规划和避障,因此将小型障碍物栅格的算法标志位置1。由于AUV可以使用人工势场法无碰通过小型障碍物栅格,因此将其对应的神经元活性初始化为0。
(4)其他栅格。上述三种类型栅格之外的栅格统称为其他栅格。其他栅格为不包含障碍物的栅格和AUV暂未探测到的栅格。其对应的神经元活性初始化时为0,并且无需使用人工势场法进行避碰。
其中,人工势场法是在搜索区域中构造一个虚拟的势场,该势场由引力势场和斥力势场两种不同的势组成。待接近目标点通过引力势场对AUV产生引力,障碍物通过斥力势场对AUV产生斥力。引力的方向由AUV转向目标点,斥力的方向由障碍物指向AUV。最终AUV通过收到的各个力的合力移动,到达目标。人工势场法的优点在于计算量小,规划的路径较为安全平滑,但容易陷入局部最优点,无法解决障碍物在目标周围甚至目标被凹形障碍物包围的情况。
人工势场法的重点在于引力势函数与斥力势函数的构建。引力势函数的构建与目标与AUV的欧式距离有关。AUV距离目标越远,受到的引力越大。当AUV到达目标,AUV受到的引力为零。常用的引力势函数如公式5所示:
其中,katt为引力函数的尺度因子,|X-Xg|表示目标与AUV当前位置的欧氏距离。引力大小则是引力势场对距离的倒数,方向为由AUV指向目标,具体公式如下:
Fatt(q)=katt*|X-Xg| (6)
斥力势函数的构建与目标和AUV的距离以及障碍物的影响半径有关。在障碍物的影响范围内,AUV距离障碍物越近,受到的斥力越大。常见的斥力公式如下所示:
其中,krep为斥力势函数的尺度因子,ρ(q,q0)为AUV与障碍物的欧式距离,q表示AUV所在的位置信息,q0表示障碍物所在的位置信息,ρ0为障碍物的影响半径,当AUV在障碍物影响范围之外时,该障碍物对AUV不产生任何斥力。斥力的大小与引力大小的计算同理,方向为由障碍物指向AUV,斥力函数如公式8所示。
根据公式6与公式8计算出引力以及斥力后,可以计算出AUV受到的合力的大小和方向,通过虚拟合力进行运动,从而到达目标点.
传统的人工势场法在斥力势公式中只考虑了AUV与障碍物质心的距离,未考虑障碍物的形状以及AUV距离障碍物的安全距离等实际因素,因此本发明通过计算障碍物的各个边角与重心的距离,从中选出最大距离作为斥力函数的一个影响因素。障碍物体积越大,斥力系数越大。从而实现AUV的安全避碰。改进的斥力势函数如公式9所示。
其中,r为障碍物边角与重心的最大距离。
在仿真对比实验中,搜索区域大小为1000m*1000m*1000m,声呐探测范围为100m,神经元对应的栅格大小设置为50m*50m*50m,在声呐探测范围内的障碍物与目标均被视为已被探测。如图7(a)和图7(b)所示,图7(b)中基础的神经激励网络算法在搜索过程中将以(500,500,420)、(548,553,401),(503,552,606),(463,545,561)为中心坐标的小型障碍物所在的栅格视为障碍物栅格。图7(a)中本发明提出的基于神经激励网络与人工势场法相结合的目标搜索算法将这四个障碍物所在的栅格对应的神经元视为小型障碍物神经元,在使用神经激励网络进行最优位置决策之后,使用人工势场法进行栅格内的局部小规模路径规划和避障。减少了AUV的搜索路径的长度,提高了AUV在障碍物较少的搜索区域中的搜索效率。
本发明应用于水下环境中的AUV多目标搜索过程,适用于AUV搭载的传感器能够通过接受目标发射的特定信号来判断目标的大致位置的情况,如黑匣子搜索任务等,能够使AUV在较短时间内搜索到所有目标,并且能够提高AUV在障碍物较少的搜索区域中的搜索效率,计算量少,合理性高。在单个AUV执行多目标搜索任务时,使用改进神经激励网络算法对目标所在的栅格区域进行排序,规划出较短的搜索路径,并按搜索顺序依次对目标大致所在的区域进行搜索,减少了多目标搜索过程中的路程长度。在搜索过程中,建立了新的神经元分类,在障碍物较少的栅格以及目标所在的栅格内,使用人工势场法实现局部路径规划和避障,提高了AUV在障碍物较少的区域中的搜索效率,增加了算法的合理性。当单个AUV搜索多个目标点时,本发明提出的改进神经激励网络算法通过遗传算法对AUV的目标所在栅格的搜索顺序进行排列,规划出相对较短的整体搜索路径,再采用神经激励网络按规划好的搜索顺序依次对目标可能所在的区域进行搜索,减少了多目标搜索过程中的搜索路程,提高了整体的搜索效率。建立了新的神经元分类。在使用神经激励网络算法进行全局的大型栅格的搜索路径决策的基础上,采用人工势场法在障碍物较少的栅格以及目标所在的栅格内进行局部的路径规划以及避障,增加了AUV在障碍物较少的区域中的搜索效率,并且提高了算法的合理性。
Claims (1)
1.一种AUV目标搜索方法,其特征在于,包括以下步骤:
步骤1:初始化参数,包括神经激励网络算法中的神经元的衰减速率,神经元的上下限值,目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率;
步骤2:搜索区域栅格化,将每个栅格与神经元进行一一对应,每个神经元与周边相连的神经元相互连接,构成三维的神经网络结构;
步骤3:AUV通过声呐确定AUV探测范围内是否探测到待搜索目标,若探测到,则已搜索目标数加一,并根据声呐对周围环境的探测更新环境信息;
步骤4:AUV通过声呐判断待搜索目标的位置:将目标所在栅格中距离AUV最近的顶点作为目标所在位置,将待搜索目标所在栅格的搜索顺序看做一条染色体,将AUV离线规划的总距离的倒数作为适应度,使用遗传算法计算出待搜索目标的搜索顺序的最优排序;
步骤5:初始化各个栅格对应的神经元活性,将待搜索顺序中的首要目标视为目标栅格,其所在栅格对应的神经元活性值Ik初始化为1,障碍物所在栅格对应的神经元活性值Ik初始化具体为:当障碍物为定义的大型障碍物时,神经元活性值Ik初始化为-1:当障碍物为定义的小型障碍物时,神经元活性值Ik初始化为0;其余栅格对应的神经元活性值Ik初始化为0;
步骤6:更新神经元活性图,神经网络中神经元活性变化规律满足:
其中,uk表示神经元k的神经元活性,A、B、D均为给定常数,A反映神经元k的活性值的衰减速度,B和D分别是神经元k的上下限,|kl|表示神经元k与l之间的距离,wkl表示神经元k与l之间的神经元连接权系数,当神经元k与神经元l之间有连接时,wkl=μ/|kl|;μ是一个给定常系数、在0到1之间;当神经元k与神经元l之间没有连接时,wkl=0;[ul]+表示神经元k周围的神经元给神经元k的正向输入,即,神经元k周围所有神经元的神经元活性之和;表示与神经元k位置距离不超过的周边神经元的正激励之和,[Ik]-表示从障碍物输入到I神经元的变量;
步骤7:制定AUV搜索路径决策模型并作出下一搜索位置决策,AUV前往周边相连的神经元中神经活性最大的栅格,然后更新当前位置,实现AUV的最优下一时刻位置的选取,AUV搜索路径决策模型满足:
其中,Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置;
步骤8:设置人工势场法算法标志位flag,当flag=1时,使用人工势场法进行该神经元对应的栅格内的路径规划并避障,当flag=0时,直接进行直线路径规划;
步骤9:判断是否搜索到全部目标,若未搜索到所有目标,则跳转步骤3;若所有目标被搜索到,则任务结束,退出算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195589.0A CN111337931B (zh) | 2020-03-19 | 2020-03-19 | 一种auv目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195589.0A CN111337931B (zh) | 2020-03-19 | 2020-03-19 | 一种auv目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111337931A CN111337931A (zh) | 2020-06-26 |
CN111337931B true CN111337931B (zh) | 2022-11-15 |
Family
ID=71186604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010195589.0A Active CN111337931B (zh) | 2020-03-19 | 2020-03-19 | 一种auv目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111337931B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811532B (zh) * | 2020-07-02 | 2022-03-25 | 浙江大学 | 基于脉冲神经网络的路径规划方法和装置 |
CN112327862B (zh) * | 2020-11-16 | 2021-10-19 | 北京理工大学 | 一种不确定环境下多机器人协同搜索的路径规划方法 |
CN112666949B (zh) * | 2020-12-24 | 2023-03-17 | 武汉理工大学 | 船舶路径规划方法、系统和存储介质 |
CN113110528A (zh) * | 2021-04-14 | 2021-07-13 | 湖南国天电子科技有限公司 | 一种水下自主航行机器人自动返航方法及装置 |
CN113110517B (zh) * | 2021-05-24 | 2022-11-29 | 郑州大学 | 未知环境下基于生物启发的多机器人协作搜索方法 |
CN113283181B (zh) * | 2021-06-28 | 2024-02-27 | 上海海事大学 | 一种障碍物和海流环境中多auv快速围捕方法 |
CN114489037A (zh) * | 2021-12-07 | 2022-05-13 | 武汉理工大学 | 一种船舶避障航行方法、装置、设备及存储介质 |
CN115809609B (zh) * | 2023-02-06 | 2023-05-23 | 吉林大学 | 一种多水下自主航行器目标搜索方法及其系统 |
CN116520861B (zh) * | 2023-05-04 | 2024-04-12 | 哈尔滨工程大学 | 基于改进Glasius仿生神经网络的静态目标搜索方法与装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901403A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 一种自主水下机器人神经网络s面控制方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983817B2 (en) * | 1995-06-07 | 2011-07-19 | Automotive Technologies Internatinoal, Inc. | Method and arrangement for obtaining information about vehicle occupants |
AU2004240244A1 (en) * | 1995-10-31 | 2005-01-27 | Frederick S. M. Herz | System for Customized Electronic Identification of Desirable Objects |
EP0941515A1 (en) * | 1995-10-31 | 1999-09-15 | Frederick S.M. Herz | System for customized electronic identification of desirable objects |
US6842401B2 (en) * | 2000-04-06 | 2005-01-11 | Teratech Corporation | Sonar beamforming system |
CN101887271A (zh) * | 2010-07-19 | 2010-11-17 | 东莞职业技术学院 | 一种移动机器人的路径规划方法 |
CN105629974B (zh) * | 2016-02-04 | 2018-12-04 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
EP3301675B1 (en) * | 2016-09-28 | 2019-08-21 | Panasonic Intellectual Property Corporation of America | Parameter prediction device and parameter prediction method for acoustic signal processing |
CN108594834B (zh) * | 2018-03-23 | 2020-12-22 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
CN108762281A (zh) * | 2018-06-08 | 2018-11-06 | 哈尔滨工程大学 | 一种基于记忆关联强化学习的嵌入式实时水下机器人智能决策方法 |
CN109269507A (zh) * | 2018-11-26 | 2019-01-25 | 张家港江苏科技大学产业技术研究院 | 机器人路径规划方法及装置 |
CN109724592B (zh) * | 2019-03-03 | 2022-09-13 | 西北工业大学 | 一种基于进化梯度搜索的auv地磁仿生导航方法 |
CN109947098A (zh) * | 2019-03-06 | 2019-06-28 | 天津理工大学 | 一种基于机器学习策略的距离优先最佳路径选择方法 |
CN110887484B (zh) * | 2019-10-14 | 2022-12-27 | 重庆邮电大学 | 基于改进遗传算法的移动机器人路径规划方法及存储介质 |
-
2020
- 2020-03-19 CN CN202010195589.0A patent/CN111337931B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901403A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 一种自主水下机器人神经网络s面控制方法 |
Non-Patent Citations (5)
Title |
---|
Coordination mechanisms for a multi-agent robotic system applied to search and target location;M. Christian;《IX Latin American Robotics Symposium and IEEE Colombian Conference on Automatic Control, 2011 IEEE》;20111128;全文 * |
Trajectory Tracking Control of Multi-AUVs Formation based on Virtual Leader;Zhang Xu;《2019 IEEE International Conference on Mechatronics and Automation (ICMA)》;20190829;全文 * |
基于子目标搜索的机器人目标导向RRT路径规划算法;阮晓钢;《控制与决策》;20190909;第35卷(第10期);全文 * |
未知环境下基于感知自适应的多AUV目标搜索算法;李娟;《系统工程与电子技术》;20180411;第40卷(第8期);全文 * |
未知环境下多自主水下航行器目标搜索方法;李娟;《哈尔滨工程大学学报》;20190902;第40卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111337931A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337931B (zh) | 一种auv目标搜索方法 | |
Lamini et al. | Genetic algorithm based approach for autonomous mobile robot path planning | |
Liu et al. | Mapper: Multi-agent path planning with evolutionary reinforcement learning in mixed dynamic environments | |
Chen et al. | Mobile robot path planning using ant colony algorithm and improved potential field method | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
Nikolos et al. | Evolutionary algorithm based offline/online path planner for UAV navigation | |
KR101105325B1 (ko) | 실제 로봇의 다중 경로계획 방법 | |
CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
CN112686429B (zh) | 移动机器人及其基于自适应遗传算法的路径规划方法 | |
CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
Jimenez et al. | Optimal area covering using genetic algorithms | |
CN112099501B (zh) | 一种基于势场参数优化的无人艇路径规划方法 | |
Yang et al. | A knowledge based GA for path planning of multiple mobile robots in dynamic environments | |
Showalter et al. | Neuromodulated multiobjective evolutionary neurocontrollers without speciation | |
Abu et al. | Optimization of an Autonomous Mobile Robot Path Planning Based on Improved Genetic Algorithms | |
Abed et al. | Multi Objective Optimization Algorithms for Mobile Robot Path Planning: A Survey. | |
CN113344320A (zh) | 多目标下的物流机器人配送路径动态自动规划方法及系统 | |
Khelchandra et al. | Path planning of mobile robot with neuro-genetic-fuzzy technique in static environment | |
CN115826591A (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
Showalter et al. | Lamarckian inheritance in neuromodulated multiobjective evolutionary neurocontrollers | |
CN113645632A (zh) | 基于人工免疫优化和可视多边形算法的5g基站布局方法 | |
Chai et al. | Mobile robot path planning in 2d space: A survey | |
Zhou et al. | The route planning for AMR based on combined ant colony and genetic algorithm | |
Nikolos et al. | Evolutionary algorithm based off-line path planner for UAV navigation | |
Xiang | A comparison of genetic algorithm and reinforcement learning for autonomous driving |
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 |