CN111381605A - 一种应用于多无人机大范围海域水下多目标协同搜索方法 - Google Patents
一种应用于多无人机大范围海域水下多目标协同搜索方法 Download PDFInfo
- Publication number
- CN111381605A CN111381605A CN202010392994.1A CN202010392994A CN111381605A CN 111381605 A CN111381605 A CN 111381605A CN 202010392994 A CN202010392994 A CN 202010392994A CN 111381605 A CN111381605 A CN 111381605A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- target
- aerial vehicle
- nodes
- aerial vehicles
- 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 26
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/12—Target-seeking control
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种应用于多无人机大范围海域水下多目标协同搜索方法。针对现有路径规划算法难以解决大范围海域水下的多目标搜索问题。本发明利用自组织映射网络(SOM)算法,将水下多目标搜索问题,分为两阶段实现,首先在环境中随机播撒虚拟地标,利用SOM算法解决多无人机协同路径规划问题,无人机执行路径时发现目标后会记录当前位置,形成目标热力分布,每架无人机共享目标信息,然后结合演进学习思想,对虚拟地标进行演进,使其分布于目标热力图高亮的位置,然后再次利用SOM算法进行多无人机路径的规划,直到得到目标分布的准确热力图。本发明可以有效提升大范围海域下的水下目标搜索的效率,掌握未知海域下水下目标分布特性。
Description
技术领域
本发明属于无人机控制领域,涉及一种应用于多无人机大范围海域水下多目标协同搜索方法。
背景技术
无人机(UAV)具有隐蔽性好、机动性强、成本较低等特点,近年来在军事领域有着较为广泛的应用。但是其存在续航能力差,单个无人机目标搜索效率低的问题。海域下水下目标例如潜艇、蛙人等对舰船、民船等威胁巨大,因此无人机作为一种低成本、可重复使用的工具,广泛应用于用于大范围未知海域环境的目标搜索。在面向未知海域下的大范围水下目标搜索过程中,往往需要合适的路径规划方法才可以在无人机有限的续航下进行以大范围的水下目标搜索。多无人机系统在探索能力、鲁棒性、容错性等方面比单无人机更具优势,多无人机系统通过通信网络进行信息传递与共享,相互协调工作,共享环境信息,极大扩展了多无人机系统对环境的感知能力。
现有路径规划方法主要有人工势场法、A*与D*算法、遗传算法等,但是难以解决未知海域的大范围水下多目标搜索问题。基于演进学习的自组织映射网络 (SOM)算法,是在SOM算法上进行的多重改进,采用演进学习思想,并结合SOM 自身特性,发展而来的一种应用于大范围海域水下目标搜索的方法,目前尚无专利应用于海域水下目标搜索。
发明内容
本发明的目的是针对未知海域下水下多目标搜索效率低、算法复杂度高等缺点,提出一种应用于多无人机大范围海域水下多目标协同搜索方法,该方法利用演进学习思想的基于SOM算法动态实现,应用于大范围海域水下多目标搜索。
本发明解决技术问题所采取的技术方案为:
一种应用于多无人机大范围海域水下多目标协同搜索方法,应包括以下步骤:
步骤一:首先对大范围海域内建立环境模型并在环境中假定随机分布一定数量的虚拟地标,虚拟地标随机分布于环境中,为了最快的掌握环境信息需要无人机遍历完毕所有的虚拟地标,每架无人机携带有相同的磁探测仪和光电传感器。
步骤二:在环境中进行随机产生与无人机数目一样类簇,每架无人机对应一个类簇。
步骤三:设定多无人机起始点,将步骤二的每一组类簇和无人机初始位置作为SOM算法的输入,并设置SOM算法的参数值。
步骤四:根据SOM算法每次只有一个神经元兴奋,按照类簇中所有点到多无人机起始位置的欧式距离,每次只比较一组节点到所有组比较完毕。寻找每一组的距离无人机起始位置最近的类簇节点作为获胜节点,定义优胜邻域,然后将该组的获胜节点邻域内的节点调整权重值。
步骤五:将步骤四中所有组的节点作为SOM算法的输入,按照所有节点到所有虚拟地标的欧式距离,每次只比较所有节点到其中一个虚拟地标的欧式距离,直到虚拟地标点比较完毕。根据欧式距离找到获胜节点所在的组,然后将该组的获胜节点邻域内的节点调整权重值。
步骤六:一直重复步步骤三、步骤四和步骤五,直到学习率小于最小学习率时,则迭代完毕,至此无人机路径规划完毕。
步骤七:多无人机按照规划的路径进行大范围海域的水下多目标搜索,当磁探测仪或者光电传感器发现水下目标后,会记录目标位置,形成目标分布的热力图,并且多无人机团队共享环境信息。当无人机团队执行任务结束后,会得到目标分布的热力图。基于演进学习思想将虚拟地标按照得到的目标分布热力图进行分配,热力图高的地方虚拟地标会集中分布于此。然后重复步骤一到步骤七,这样经过多次的迭代与路径规划,直到得到目标分布的准确的热力图,通过热力图可以看出目标的分布特性。
本发明的有益效果:一种应用于多无人机水下多目标协同搜索方法,该方法利用SOM算法进行多无人机协同路径规划,避免多无人机团队路径规划陷入局部最优解,并结合演进学习思想对无人机规划后生成的热力图,进行虚拟地标的演化,使虚拟地标分布于热力图中的重点区域,用于指导多无人机的下一次飞行,不断迭代和路径规划可以得到准确的目标热力图,可以得到目标的分布特性,能够解决多无人机对未知环境下水下目标搜索问题,为多无人机团队调度协同搜索提供一种新思路。
附图说明
图1.本发明流程图;
图2.基于SOM算法的多无人机路径规划图;
图3.目标分布热力图。
具体实施方式
下面结合附图对本发明作进一步说明,如图所示,本发明方法具体实施方式是:
步骤一:首先对大范围海域内建立环境模型([x x1],[y y1]),其中[x、x1] 是表示环境横坐标轴所表示的范围,[y y1],是表示环境纵坐标轴所表示的范围,并在环境中假定随机分布M个虚拟地标其中表示第i个虚拟地标的在环境中的位置,虚拟地标随机分布于环境中,为了最快的掌握环境信息需要N架无人机遍历完毕所有的虚拟地标,每架无人机携带有相同的磁探测仪和光电传感器。
步骤三:设定多无人机起始点start=[xs,ys],其中[xs,ys]为环境中的一点,将步骤二的类簇clusteri和无人机初始位置[xs,ys],作为SOM算法的输入,并设置SOM算法的初始学习率lr(0)学习率lr(t)为关于迭代次数的减函数和初始的优胜邻域Nj*(0),和迭代最大步数T,初始迭代步数t=0。
步骤四:根据SOM算法每次只有一个神经元兴奋,按照类簇中所有点到多无人机起始位置的欧式距离ρ其计算公式为:
每次只比较一组类簇节点直到到所有组比较完毕。寻找每一组的距离无人机起始位置[xs,ys]最近的类簇clusteri中节点作为获胜节点,优胜邻域Nj*(0)以获胜神经元为中心确认的半径范围,一般初始值比较大,随着训练过程其优胜邻域 Nj*(t)慢慢变小。然后调整获胜节点邻域内的节点权重值,权重更新公式为: wi(t+1)=wi(t)+lr(t)[start-wi(t)]
步骤五:将步骤四中所有的节点作为SOM算法的输入,按照所有节点到所有虚拟地标的欧式距离,每次只比较所有节点到其中一个虚拟地标的欧式距离,直到虚拟地标点比较完毕。同步骤四一样找到获胜节点所在的clusteri,然后将调整该类簇的获胜节点邻域内的节点权重值。
步骤六:重复步步骤三、步骤四和步骤五,每迭代一次t=t+1。直到t=T,则迭代完毕,至此无人机路径规划完毕。
步骤七:多无人机按照规划的路径进行大范围海域的水下多目标搜索,当磁探测仪或者光电传感器发现水下目标后,会记录目标位置,形成目标分布的热力图,并且多无人机团队共享环境信息。当无人机团队执行任务结束后,会得到目标分布的热力图。基于演进学习思想将虚拟地标按照得到的目标分布热力图进行分配,热力图高的地方虚拟地标会集中分布于此。然后重复步骤一到步骤七,这样经过多次的迭代与路径规划,直到得到目标分布的准确的热力图,通过热力图可以看出目标的分布特性。
综上,一种应用于多无人机大范围海域水下多目标协同搜索方法,可以有效的解决未知海况下水下多目标的搜索问题,能够有效提升在未知海域下水下目标搜索的效率,以较低的成本完成对海况的辨识寻找水下目标的分布规律。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种应用于多无人机大范围海域水下多目标协同搜索方法,其特征在于,包括以下步骤:
步骤一:首先对大范围海域内建立环境模型并在环境中假定随机分布一定数量的虚拟地标,虚拟地标随机分布于环境中;
步骤二:在环境中进行随机产生与无人机数目一样类簇,每架无人机对应一个类簇;
步骤三:设定多无人机起始点,将步骤二的每一组类簇和无人机初始位置作为SOM算法的输入;
步骤四:根据SOM算法每次只有一个神经元兴奋,按照类簇中所有点到多无人机起始位置的欧式距离,每次只比较一组节点到所有组比较完毕;
步骤五:将步骤四中所有组的节点作为SOM算法的输入,按照所有节点到所有虚拟地标的欧式距离,每次只比较所有节点到其中一个虚拟地标的欧式距离,直到虚拟地标点比较完毕;根据欧式距离找到获胜节点所在的组,然后将该组的获胜节点邻域内的节点调整权重值;
步骤六:一直重复步步骤三、步骤四和步骤五,直到学习率小于最小学习率时,则迭代完毕,至此无人机路径规划完毕;
步骤七:多无人机按照规划的路径进行大范围海域的水下多目标搜索,当磁探测仪或者光电传感器发现水下目标后,会记录目标位置,形成目标分布的热力图,并且多无人机团队共享环境信息;当无人机团队执行任务结束后,会得到目标分布的热力图;基于演进学习思想将虚拟地标按照得到的目标分布热力图进行分配,热力图高的地方虚拟地标会集中分布于此;然后重复步骤一到步骤七,这样经过多次的迭代与路径规划,直到得到目标分布的准确的热力图,通过热力图可以看出目标的分布特性。
2.根据权利要求1所述的一种应用于多无人机大范围海域水下多目标协同搜索方法,其特征在于,所述每架无人机携带有相同的磁探测仪和光电传感器。
3.根据权利要求1所述的一种应用于多无人机大范围海域水下多目标协同搜索方法,其特征在于,所述设置SOM算法的参数值。
4.根据权利要求1所述的一种应用于多无人机大范围海域水下多目标协同搜索方法,其特征在于,所述根据所有节点,寻找每一组的距离无人机起始位置最近的类簇节点作为获胜节点,定义优胜邻域,然后将该组的获胜节点邻域内的节点调整权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392994.1A CN111381605A (zh) | 2020-05-11 | 2020-05-11 | 一种应用于多无人机大范围海域水下多目标协同搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392994.1A CN111381605A (zh) | 2020-05-11 | 2020-05-11 | 一种应用于多无人机大范围海域水下多目标协同搜索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111381605A true CN111381605A (zh) | 2020-07-07 |
Family
ID=71217708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392994.1A Pending CN111381605A (zh) | 2020-05-11 | 2020-05-11 | 一种应用于多无人机大范围海域水下多目标协同搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381605A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
CN112859807A (zh) * | 2021-01-10 | 2021-05-28 | 西北工业大学 | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 |
WO2022241944A1 (zh) * | 2021-05-21 | 2022-11-24 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
-
2020
- 2020-05-11 CN CN202010392994.1A patent/CN111381605A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
CN112859807A (zh) * | 2021-01-10 | 2021-05-28 | 西北工业大学 | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 |
CN112859807B (zh) * | 2021-01-10 | 2022-03-22 | 西北工业大学 | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 |
WO2022241944A1 (zh) * | 2021-05-21 | 2022-11-24 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
CN111381605A (zh) | 一种应用于多无人机大范围海域水下多目标协同搜索方法 | |
CN110244733B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN111024092B (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
Huang | A novel three-dimensional path planning method for fixed-wing UAV using improved particle swarm optimization algorithm | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN113985893B (zh) | 面向复杂海洋环境的多无人艇系统协同路径规划方法 | |
Shao et al. | Cooperative path planning for multiple robots with motion constraints in obstacle-strewn environment | |
CN113625767A (zh) | 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法 | |
Wang et al. | Autonomous path planning method of uuv in complex environment based on improved ant colony optimization algorithm | |
CN116128095B (zh) | 一种地空无人平台作战效能评估方法 | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region | |
CN114237282A (zh) | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 | |
Wang et al. | Cooperative search approach for UAVs via Pigeon-inspired Optimization and Markov moving targets | |
CN112925317A (zh) | 一种基于改进型头脑风暴优化算法的auv路径规划方法 | |
CN112215414B (zh) | 一种基于相似度模型的多机协同航路规划方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200707 |