CN111898285B - 一种水下无人自主航行器集群作业效能评估方法 - Google Patents

Abstract

本发明公开了一种水下无人自主航行器集群作业效能评估方法，包括以下步骤：步骤一：建立AUV集群作业效能数学模型；步骤二：建立ADC模型，得到AUV集群系统的总效能表达式；步骤三：对影响作业效能的主要因素进行优化。本方法针对工程应用中的AUV集群执行区域搜索任务，对该任务进行各方面参数的全域建模，并给出效能评估模型，综合考虑AUV的载荷情况与详细任务情况，对AUV集群执行区域搜索任务的系统效能进行计算。本模型引进了操作过程中的具体参数，用以得到全面且具体的评估系统效能模型，适用于对各种条件下AUV集群区域搜索任务，如海底考古、海底管道检测、搜救等实际场景。

Description

一种水下无人自主航行器集群作业效能评估方法

技术领域

本发明属于水下无人自主航行器协同应用研究技术领域，涉及一种水下无人自主航行器集群作业效能评估方法。

背景技术

无人系统近年来受到科技界、军事界与产业界的广泛关注，无人机和无人车已在军民市场获得广泛使用，海洋无人航行器也紧跟其后。海洋无人设备可分为海面无人艇(简称USV)和水下无人自主航行器(简称AUV)、水下滑翔机(Glider)，主要用于科学考察、海洋工程、海洋军事等领域。单个USV或AUV作业面积有限，抗风险能力不强，作业效率不高。为此，研究人员逐步开始了多USV之间、多AUV之间以及USV与AUV集群之间的任务规划与系统协同机制研究，以期达到优化效率、降低成本的目的，有助于提高目前无人海洋设备的工作效率和实用性。此后，集群组网的AUV的智能化和演进也将是十分有意义的发展方向。

现有的集群作业评估方法主要应用在无人机集群作战中，主要用到的方法有统计法、解析法、作战仿真法等，分别从数理统计方法、军事运筹学等多方面分析系统的作业能力。水下AUV系统效能评估目前有对单条AUV作业效能评估方法，对于多AUV系统尚无标准的评价体系。AUV集群从单体的设计研发、单体实验到集群系统的联调、协作、再实验，最终可以完成具体任务，需要经历漫长的过程，因此前期进行整体作业系统的效能评估非常有必要。效能评估可以从多角度分析、评估系统能力，还可也反向对系统研发起指导作用，对实际应用有重要意义。

基于以上背景，将AUV集群应用到区域搜索任务中，针对实际需求，综合考虑目标特性、搭载设备性能，对系统效能进行评估，得到系统执行任务成功的效能，并对实际应用中对影响任务的因素进行有针对性分析，对发展海洋化设备具有重要的理论研究意义和实用价值。

发明内容

本发明的目的是提供一种水下无人自主航行器集群作业效能评估方法，解决了现有技术中存在的无法全面评估AUV集群作业效能问题。

为了达到上述目的，本发明的技术解决方案是：

一种水下无人自主航行器集群作业效能评估方法，包括以下步骤：

步骤一：建立AUV集群作业效能数学模型；

步骤二：建立ADC模型，得到AUV集群系统的总效能表达式；

步骤三：对影响作业效能的主要因素进行优化。

与现有技术相比，本发明的有益效果：

本方法针对工程应用中的AUV集群执行区域搜索任务，对该任务进行各方面参数的全域建模，并给出效能评估模型，综合考虑AUV的载荷情况与详细任务情况，对AUV集群执行区域搜索任务的系统效能进行计算。本模型引进了操作过程中的具体参数，用以得到全面且具体的评估系统效能模型，适用于对各种条件下AUV集群区域搜索任务，如海底考古、海底管道检测、搜救等实际场景。

附图说明

图1是本发明全域模型示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

下面以水下搜救为例，例举本发明的详细实施步骤和计算方法：

步骤一：建立AUV集群作业效能数学模型；

步骤一中对AUV集群作业效能进行理论分析，建立AUV集群作业效能数学模型。其具体方法如下：

AUV集群执行水下区域搜索目标时，主要包括以下几方面效能：

航行控制：航行控制精度、避障能力。

探测识别：声呐扫宽能力、导航精度、识别目标能力。

决策规划：环境感知能力、通信可靠性、集群指挥决策能力、信息处理能力。

任务匹配：任务区域大小、任务复杂程度。

其中航行控制能力、探测识别能力和决策规划能力属于AUV集群系统作业系统自身能力，而任务匹配则属任务本身的属性，体现AUV集群完成此任务的难度。下面分别对航行控制能力系数C_R、探测识别能力系数C_D、决策规划能力系数C_P、任务匹配能力系数C_T建立效能评估的数学模型。

(1)航行控制能力系数C_R

航行控制能力体现了AUV执行任务过程中对自身航行轨迹的控制能力，包括航行控制精度C_R1和避障能力C_R2。

AUV的组合导航模块由姿态传感器、速度传感器、位置传感器组成，因此航行控制精度C_R1可以用如下公式表示：

C_R1＝A_p*A_v*A₁

式中A_p表示姿态传感器精度，A_v表示速度传感器精度，A_l表示位置传感器精度，各传感器精度越高，航行控制精度越高，越有利于航行器航行。

避障能力C_R2体现了AUV在执行任务过程中及时躲避障碍物，保障正常航行的能力，可用如下公式表示：

式中，T_r为探测到障碍物所用时间，R_t为AUV航行中的最大偏转角，用弧度制表示，理想状态下，AUV可以任意转弯，因此最大偏转角与π/2的比值表征AUV偏转角度的灵活程度。因此航行控制能力C_R可以表示为

C_R介于0～1之间，越接近1表示航行控制能力越好。

(2)探测识别能力系数C_D

探测的领域为每个AUV搭载的侧扫声呐扫过的面积，为保证区域的全覆盖，考虑到洋流、导航误差等对航行的影响，设置有效扫宽W_e来避免外力对于区域全覆盖结果的影响，通常有效扫宽为k倍最大探测量程，其中0<k≤1，即

W_e＝k×2×R_sonar×C_R1

式中C_R1为前面提到的AUV搭载导航模块的精度，每条AUV搜索的面积为S_AUV可以表示为：

S_AUV＝t×V_AUV×W_e

因此AUV集群系统的探测识别能力C_D可表示为

其中P_i为得到声呐图像后识别出目标的概率，N_AUV为集群中AUV条数，S为作业区域总面积，为给定值。

(3)决策规划能力系数C_P

决策规划能力是AUV集群完成任务的关键能力，包括环境感知能力C_P1、信息传输处理能力C_P2、指挥决策能力C_P3。

环境感知能力C_P1体现了每条AUV对于整体作业情况的把握程度，通过计算AUV感知的信息量与集群中总体客观信息量的比值得到，因此有

式中I表示集群中总体客观信息量，I_i表示每条AUV感知到的信息量。

信息传输处理能力C_P2体现了系统内部信息的准确传输、正确处理的能力，可用以下公式表述：

式中P_e表示通信系统中的误码率，N_i表示AUV_i能够处理的信息种类数，N_I表示全部信息种类数，P_I为信息被识别概率。

指挥决策能力C_P3体现了系统层面通过对整体作业情况的感知，为后续任务做出的分配控制决策的能力，假设指挥决策能力随时间t的延长而增长，可用以下公式表示：

决策规划能力C_P可以表示为

(4)任务匹配能力系数C_T

任务匹配能力C_T体现了AUV集群的作业能力与任务规模的匹配程度，当任务规模过大，需要从根本上增加AUV的数量已达到最佳匹配，计算方法可以用以下公式表示：

式中，ε为环境复杂系数，取ε≥1，可根据环境对通信距离产生的影响、洋流、风浪、障碍物等情况取值。

步骤二：建立ADC模型，得到AUV集群系统的总效能表达式；

其具体方法如下：

本发明通过对AUV集群作业系统建立ADC模型，其中A表示系统可用性，D表示系统可信性矩阵，C描述了系统作业能力，将系统效能E表示为E＝A·D·C。下面将给出ADC模型中可用性向量A、可信性矩阵D、能力向量C三类描述矩阵的具体内容。

(1)可用度A

对于AUV集群系统而言，开机、电量供应、定位、通信、水密、平衡等状态良好是任务执行最基本的保障，通常在系统开机时会进行自检。此时常用的有两种状态：正常、故障。即

A＝(α₁，α₂)

其中α₁表示正常工作时的概率，α₂表示待命状态下的概率。由于AUV集群系统在执行任务时不能进行实时维修，需将故障机器打捞上岸后进行维修，因此故障之后不存在状态转换，待命和工作之间可以随时切换。矩阵A中的元素可由设备各个状态下的时间与工作总时间比值确定。

(2)可信度D

可信度矩阵D表示系统从一个状态转移到另一状态的概率大小，因此只对影响任务成功的故障进行统计。AUV集群搜索系统的可信性矩阵D可表示为：

其中，d₁₁表示系统执行任务过程中一直保持正常工作状态平均概率，假设系统故障的概率符合指数分布，d₁₂表示从正常工作状态转移到故障状态的平均概率，d₂₁＝0表示任务执行过程中不进行故障修复，d₂₁＝1表示出现故障的AUV将会一直保持故障。其中，t为完成任务所需时间，

表示系统故障率。

(3)固有能力C

固有能力矩阵C的两个元素c₁，c₂对应α₁，α₂两种状态下的作业能力，可表示为

由于α₂状态时，系统处于故障状态，此时不具备任何固有能力，c₂＝0，因此仅需计算α₁状态下的固有能力c₁。c₁是由步骤一中的四个方面的能力决定的，由于四个方面的能力属于串联关系，因此系统总体可表示为如下表达式：

c₁＝C_B×C_D×C_P×C_T

根据当前建立的AUV集群系统中的A、D、C三个矩阵，系统效能E可以表示为

步骤三，对影响作业效果的因素进行优化。

其具体方法如下：

将AUV集群应用到海域搜索工作中，对其中涉及的主要参数进行全域建模，主要包括整体任务建模、水下目标特征建模、AUV运动学建模、AUV集群控制建模、AUV载荷建模和水下环境的建模，并给出其涉及的作业能力。下面详细介绍各个模型：

整体任务模型M_A，描述了集群系统要执行的搜索任务规模，实际参数包括搜索区域面积、扫描间距，涉及的系统效能评估指标为任务区域大小。

水下目标特征模型M_T，描述了搜索目标的主要特性，实际参数包括目标强度、被识别概率，涉及的系统效能评估指标为识别目标能力。

AUV运动学模型M_K，描述了AUV航行、探测过程的主要特性，实际参数包括姿态传感器精度、速度传感器精度、位置传感器精度、探测到障碍物所用时间、最大偏转角、速度，涉及的系统效能评估指标包括航行控制精度、避障能力。

AUV集群控制模型M_S，描述了AUV集群整体控制的相关特性，实际参数包括AUV条数、集群中总体客观信息量、每条AUV感知到的信息量、通信系统的误码率、每条AUV能够处理的信息种类数、全部信息种类数、信息被识别概率、指挥决策水平，涉及的系统效能评估指标包括通信可靠性、集群指挥决策能力、信息处理能力、环境感知能力。

AUV载荷模型M_L，描述了AUV集群中搭载的探测设备性能，实际参数包括侧扫声呐量程、有效扫宽，涉及的系统效能评估指标包括扫得侧扫声呐扫宽能力、导航精度、识别目标能力。

水下环境模型M_E，描述了任务环境的相关特性，实际参数中用环境复杂系数表征水下障碍物情况、水深、能见距离、洋流，涉及的系统效能评估指标为环境复杂程度。

通过能力与实际工程中可控制参数相对应，便于得到调整某一部分参数对于单项效能及总体作业效能的影响。

本发明的内容不限于所列举的实例，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。

Claims (3)

1.一种水下无人自主航行器集群作业效能评估方法，其特征在于，包括以下步骤：

步骤一：建立AUV集群作业效能数学模型；

步骤二：建立ADC模型，得到AUV集群系统的总效能表达式；

步骤三：对影响作业效能的主要因素进行优化；

所述步骤一中建立AUV集群作业效能数学模型，具体方法如下：

当前AUV集群的作业任务主要围绕大面积海域搜索展开，通过对AUV集群作业工程使用的实际与其自身设备的理论分析，从以下几方面来表述其特性：

航行控制：航行控制精度、避障能力；

探测识别：声呐扫宽能力、导航精度、识别目标能力；

决策规划：环境感知能力、通信可靠性、集群指挥决策能力、信息处理能力；

任务匹配：任务区域大小、任务复杂程度；

分别对航行控制能力系数C_R、探测识别能力系数C_D、决策规划能力系数C_P、任务匹配能力系数C_T建立效能评估的数学模型；各系数具体说明如下：

(1)航行控制能力系数C_R

航行控制能力体现了AUV执行任务过程中对自身航行轨迹的控制能力，包括航行控制精度C_R1和避障能力系数C_R2；

AUV的组合导航模块硬件部分由姿态传感器、速度传感器、位置传感器组成，因此航行控制精度C_R1可以用如下公式表示：

C_R1＝A_p×A_v×A_l

式中A_p表示姿态传感器精度，A_v表示速度传感器精度，A_l表示位置传感器精度；

避障能力系数C_R2体现了AUV在执行任务过程中及时躲避障碍物，保障正常航行的能力，可用如下公式表示：

式中，T_r为探测到障碍物所用时间，R_t为AUV航行中的最大偏转角，用弧度制表示；因此航行控制能力系数C_R可以表示为：

航行控制能力系数C_R通过对AUV集群姿态传感器精度、速度传感器精度、位置传感器精度、探测到障碍物所用时间、最大偏转角、速度实际参数建模，给出了航行控制精度、避障能力的数学模型，描述了AUV航行、探测过程的主要特性；

(2)探测识别能力系数C_D

常用的探测设备为侧扫声呐和多波束声呐，探测的领域为每个AUV搭载的声呐扫过的面积，为保证区域的全覆盖，考虑到洋流、导航误差对航行的影响，设置有效扫宽W_e来避免外力对于区域全覆盖效果的影响，有效扫宽为k倍最大探测量程，其中0<k≤1，即：

W_e＝k×2×R_sonar×C_R1

式中C_R1为航行控制精度，R_sonar为声呐设备的最大探测量程，每条AUV搜索的面积为S_AUV可以表示为：

S_AUV＝t×V_AUV×W_e

因此AUV集群系统的探测识别能力C_D可表示为：

其中P_i为得到声呐图像后识别出目标的概率，N_AUV为集群中AUV条数，S为作业区域总面积；

探测识别能力系数C_D通过对实际参数包括侧扫声呐量程、有效扫宽实际参数建模，给出了声呐扫宽能力、导航精度、识别目标能力的数学模型，描述了AUV集群中搭载的探测设备性能；

(3)决策规划能力系数C_P

决策规划能力是AUV集群完成任务的关键能力，包括环境感知能力C_P1、信息传输处理能力C_P2、指挥决策能力C_P3；

环境感知能力C_P1体现了每条AUV对于整体作业情况的把握程度，通过计算AUV感知的信息量与集群中总体客观信息量的比值得到，因此有：

式中I表示集群中总体客观信息量，I_i表示每条AUV感知到的信息量；

信息传输处理能力C_P2体现了系统内部信息的准确传输、正确处理的能力，可用以下公式表述：

式中P_e表示通信系统中的误码率，N_i表示AUV_i能够处理的信息种类数，N_I表示全部信息种类数，P_I为信息被识别概率；

指挥决策能力C_P3体现了系统层面通过对整体作业情况的感知，为后续任务做出的分配控制决策的能力，假设指挥决策能力随时间t的延长而增长，可用以下公式表示：

决策规划能力C_P可以表示为：

决策规划能力系数C_P通过对AUV条数、集群中总体客观信息量、每条AUV感知到的信息量、通信系统的误码率、每条AUV能够处理的信息种类数、全部信息种类数、信息被识别概率、指挥决策水平、目标被识别概率实际参数建模，给出了通信可靠性、集群指挥决策能力、信息处理能力、环境感知能力的数学模型，描述了AUV集群整体控制及目标探测的相关特性；

(4)任务匹配能力系数C_T

任务匹配能力C_T体现了AUV集群的作业能力与任务规模的匹配程度，当任务规模过大，需要从根本上增加AUV的数量已达到最佳匹配，计算方法可以用以下公式表示：

式中，ε为环境复杂系数，取ε≥1；

任务匹配能力系数C_T通过对作业面积、环境复杂系数的建模，给出了AUV集群作业范围与任务匹配之间的关系，同时兼顾水下的障碍物情况、水深、能见距离、洋流的影响。

2.根据权利要求1所述水下无人自主航行器集群作业效能评估方法，其特征在于，所述步骤二中建立完整的作业效能评估指标，其具体方法如下：

通过对AUV集群系统建立ADC模型，可将系统效能E表示为E＝A·D·C，其中A表示系统可用性，D表示系统可信性矩阵，C表示系统作业能力；下面将给出ADC模型中可用性向量A、可信性矩阵D、能力向量C三类描述矩阵的具体内容，

(1)可用度A

对于AUV集群系统而言，开机、电量供应、定位、通信、水密、平衡状态良好是任务执行最基本的保障，在系统开机时会进行自检；此时常用的有两种状态：正常、故障；即

A＝(α₁，α₂)

其中α₁表示正常工作时的概率，α₂表示待命状态下的概率；矩阵A中的元素可由设备各个状态下的时间与工作总时间比值确定；

(2)可信度D

可信度矩阵D表示系统从一个状态转移到另一状态的概率大小，因此只对影响任务成功的故障进行统计，AUV集群搜索系统的可信性矩阵D可表示为：

其中，d₁₁表示系统执行任务过程中一直保持正常工作状态平均概率，假设系统故障的概率符合指数分布，d₁₂表示从正常工作状态转移到故障状态的平均概率，d₂₁＝0表示任务执行过程中不进行故障修复，d₂₁＝1表示出现故障的AUV将会一直保持故障；其中，t为完成任务所需时间，

表示系统故障率；

(3)固有能力C

固有能力矩阵C的两个元素c₁，c₂对应α₁，α₂两种状态下的作业能力，可表示为

由于α₂状态时，系统处于故障状态，此时不具备任何固有能力，c₂＝0，因此仅需计算α₁状态下的固有能力c₁；c₁是由步骤一中的四个方面的能力决定的，由于四个方面的能力环环相扣，属于串联关系，因此系统总体可表示为如下表达式：

C₁＝C_RXC_DXC_PXC_T

其中C_R为航行控制能力系数，C_D为探测识别能力系数，C_P为决策规划能力系数，C_T为任务匹配能力系数

根据当前建立的AUV集群系统效能评估的A、D、C三个矩阵，系统效能E可以表示为：

3.根据权利要求1所述水下无人自主航行器集群作业效能评估方法，其特征在于，所述步骤三中对影响作业效能的主要因素进行优化，其具体方法如下：

结合当前载荷的航行器执行当前任务的效能值及各方面效能评估结果，通过调整AUV集群全域模型中的相应系数，对影响作业效果的因素进行调整，从而提高效能评估；当效能评估结果不理想时，可分析逐条能力，通过对作业系统短板能力的提升，进而提高整体作业效能。

Images