CN111982117B - 一种基于深度学习的auv光学引导与测向方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的AUV光学引导与测向方法，S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；S2、当AUV与回坞口之间的直线距离小于L且位于导流罩张角Φ内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角与方位角，并计算出AUV与回坞口的相对位置；S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。

Description

一种基于深度学习的AUV光学引导与测向方法

技术领域

本发明属于AUV定位导航的技术领域，具体涉及一种基于深度学习的AUV光学引导与测向方法。

背景技术

随着对海洋的探索与开发，水下机器人逐渐在深海资源探测、水下地形测量、海洋研究等领域起着重要作用。自主式水下潜器，即AUV是一种有较强环境适应能力的水下机器人，由于受资源限制，在长时间作业后需对AUV进行回收，因此AUV的水下定位及回坞成为研究的重要方向。

目前AUV的水下定位主要有惯性导航系统(INS)、全球定位系统(GPS)、水声导航系统、航位推算系统等技术。惯性导航系统(INS)指通过惯性参考系下的加速度进行导航，自主性较强，但容易发生误差累积现象；全球定位系统(GPS)通过卫星进行定位，精度较高，在水下时会受信号不稳定影响，不能进行深海导航；水声导航包括超短基线定位声呐(USBL)、短基线定位声呐(SBL)和长基线定位声呐(LBL)等，适用于浅海的场景下，由于工作量较大，多用于短距离导航；航位推算系统指根据上一时刻的速度、加速度等信息，推算当前的位置，对传感器的精度有着较高要求。

然而，传统的AUV水下定位如INS、GPS、水声导航等，导航精度受距离的制约，且成本较高。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于深度学习的AUV光学引导与测向方法，以解决传统的AUV水下定位如INS、GPS、水声导航等，导航精度受距离的制约，且成本较高的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于深度学习的AUV光学引导与测向方法，其包括：

S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；

S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；

S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角和方位角信息，并计算出AUV与回坞口的相对位置；

S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。

优选地，回坞口安装可在导流罩张角Φ范围内朝向任意方向发射激光束的激光发射装置，AUV前端紧贴设置接收装置；接收装置包括n个棱镜和用于获取棱镜光强的光强接收器；n个棱镜呈环形贴合分布于AUV前端。

优选地，S3中深度学习神经网络通过蒙特卡洛仿真模拟光子的水下传播，获取训练与测试数据。

优选地，基于蒙特卡洛仿真对单个光子的散射及传播过程进行模拟，并通过积分得到整个光束在某一位置的光强，包括：

S3.1、初始化单个光子的位置信息，定义激光源为坐标轴原点，定义光子的初始坐标、方向余弦、初始权重及初始步长；

S3.2、计算光子在传播过程中与其他粒子碰撞，发生散射现象时的散射角；

S3.3、将激光源与AUV的距离看作累积步长，根据棱镜的位置得到到达每个棱镜范围的光子数量，并计算棱镜对应的接收器所接收到的光强。

优选地，S3.2中计算光子在传播过程中与其他粒子碰撞，发生散射现象时的散射角β：

其中，g为散射因子，ξ是一个在[0,1]区间内均匀分布的随机变量。

优选地，基于蒙特卡洛仿真，构建AUV的光强-位置数据库，针对参数的不同取值，获得若干种组合，对每种组合进行若干次仿真，得到一个数据量几十万以上的训练集。

优选地，深度学习采用二阶学习，包括：

第一级深度学习用于判断方位角区域；

第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值。

优选地，第一级深度学习用于判断方位角区域，包括：

根据AUV前端的n个棱镜呈环状排列，当AUV与激光源呈现不同的方位角时，光强的大小具有对称性的特点，将方位角划分为n个区域，每个区域对应的夹角为360/n°，当方位角落入同一区域时看作一类；故采用DNN网络进行分类确定方位角所在的区域，DNN网络架构由输入层、隐藏层、输出层和softmax函数组成，输入维度为N即棱镜数目，隐藏层分为两层，每层的节点数s为：

s＝log2N

隐藏层后连结softmax函数用来指定N个类别，其中，类别即方位角所在的区域。

优选地，第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值，包括：

BP神经网络的输入为n个棱镜对应的接收器获取的光强大小，输出为激光源与AUV的斜角及相对方位角，并结合第一级深度学习判别的方位角区域共同确定方位角的具体数值。

优选地，引入四层BP神经网络结构，包括输入层、双隐含层及输出层；采用多次实验，根据训练结果获取BP神经网络的双隐含层最佳节点数目；

根据变学习率的改进BP算法是指在修正权值时，梯度方向为整体下降速度最快方向，故分别修正输入层与隐含层之间的学习率以及隐含层与输出层之间的学习率，包括：

初始化网络，为权值矩阵赋随机值，初始化各层间的学习率为0到1的随机数，根据给定的训练精度E_min，通过学习率调整权值矩阵w_ij：

得到权值变化矩阵如下，并对权值进行调整：

W(n+1)＝W(n)+ΔW(n)

判断调整后的权值矩阵W(n+1)性能是否优于上一个权值矩阵W(n)，根据新的权值矩阵计算神经网络的误差E(n+1)，若误差减小，即E(n+1)≤E(n)，则保留调整后的权值，并将学习率η修改为η＝2η，继续沿W(n)上负梯度方向搜索直到找不到使误差E(n+1)减小的点为止；

若误差增加，即E(n+1)>E(n)，则保留原有权值矩阵，将学习率η修改为η＝0.5η，并沿W(n)上负梯度方向搜索，并计算新的权值矩阵W(n+1)，直到新权值矩阵对应的网络误差E(n+1)≤E(n)为止；

保留此时的E(n+1)及权值W(n+1)、学习率η，沿负梯度方向将新权值矩阵通过梯度下降法进行搜索，直到新点的误差满足目标值或迭代次数超出限制为止。

本发明提供的基于深度学习的AUV光学引导与测向方法，具有以下有益效果：

本发明与传统方案相比，本方案采用激光定位的方式，具有低成本、高精度的特点，同时，n个紧贴在AUV前端的棱镜与激光源呈不同角度，可为神经网络的训练增加特征值的多样性，变学习率的双隐含层BP神经网络有更高的训练样本的输出精度和更强的泛化能力。

附图说明

图1为基于深度学习的AUV光学引导与测向方法的流程图。

图2为安装在导流罩上的激光源与AUV间的位置关系说明，θ为激光源与AUV间的倾斜角，α是激光源与AUV间的方位角，Φ为导流罩张角。

图3为一种棱镜在AUV上的安装方式，n个棱镜(本图中n＝8)j1...j8紧贴AUV前端，相互间有一定倾斜角度，呈带状排列；同时，AUV最前端装有m个(图中m＝3)在同一平面的棱镜i1...i3；其中图(a)为AUV前端的俯视图，图(b)为AUV前端的侧视图。

图4为用于判断方位角所在区域的DNN网络架构。

图5为可变学习速率的双隐含层BP神经网络结构。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

根据本申请的一个实施例，参考图1，本方案的基于深度学习的AUV光学引导与测向方法，包括：

S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；

S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；

S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的距离和方位角信息，并计算出AUV与回坞口的相对位置；

S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。

根据本申请的一个实施例，参考图1-图5，以下将对上述步骤进行详细说明。

在回坞口安装激光发射装置，在AUV前端安装接收装置。其中，激光发射装置可在导流罩张角Φ范围内朝向任意方向发射激光束，在AUV进入激光扫射范围前，激光以固定规律旋转扫射。接收装置由贴合在AUV前端的n个棱镜及光强接收器组成，其中光强接收器可获取透过棱镜的光强大小。

步骤S1、当AUV与回坞口之间的直线距离较远(>L)时，采用超短基线定位系统(USBL)定位并导航，引导AUV朝回坞口方向靠近。

步骤S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，激光旋转扫描，当激光可较大范围的覆盖AUV前端，即接收器可检测到明显光强时，开始读取n个接收器上的光强数值。

步骤S3、将n个光强数值通过深度学习进行预测，判断当前接收器与激光源之间的斜角及方位角信息，从而计算出AUV与回坞口的相对位置，其具体包括：

神经网络的输入定义为AUV上n个接收器接收的光强数值，最终输出为激光源与AUV的倾斜角及方位角。训练与测试数据的获取通过蒙特卡洛仿真模拟光子的水下传播，蒙特卡洛仿真对单个光子的散射及传播过程进行模拟，通过积分得到整个光束在某一位置的光强大小，包括：

步骤S3.1、初始化单个光子的位置信息，激光源为坐标轴原点，定义光子的初始坐标、方向余弦、初始权重及初始步长。

步骤S3.2、光子在传播过程中由于与其他粒子碰撞，发生散射现象。

碰撞后的步长：光子两次散射之间的步长可通过自由步长与剩余步长计算，其中自由步长是通过抽样得到的光子自由程，剩余步长指光子上一次碰撞遇到边界后仍未走完的步长。通过光子当前的方向余弦与步长可计算光子的当前坐标。

碰撞后的权重：光子每次碰撞后，权重根据海水的散射比不断减小。

碰撞后的方向：光子的方向可通过散射角与方位角进行描述，其中方位角满足在(0,2π)范围内的均匀分布，散射角β为：

其中，g为散射因子，ξ是一个在[0,1]区间内均匀分布的随机变量。

步骤S3.3、激光源与AUV的距离可看作累积步长，根据棱镜的位置得到到达每个棱镜范围的光子数量，从而计算该棱镜对应的接收器所接收到的光强。

通过以上蒙特卡洛仿真的方法，建立一个AUV的光强-位置数据库，针对参数的不同取值，可获得多种组合，对每种组合进行多次仿真，可得到一个数据量几十万以上的训练集。

深度学习部分采用二阶学习的方式，包括：

第一级深度学习目的为判断方位角的区域；

第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值。

其中，第一级深度学习目的为判断方位角的区域，具体包括：

由于AUV前端的n个棱镜呈环状排列，当AUV与激光源呈现不同的方位角时，光强的大小具有对称性的特点。根据这一特点，首先将方位角划分为n个区域，每个区域对应的夹角为360/n°，当方位角落入同一区域时看作一类，因此可看作分类问题。故选用DNN网络进行分类确定方位角所在的区域，DNN网络架构由输入层、隐藏层、输出层和softmax函数组成，输入维度为n(即棱镜数目)，隐藏层分为两层，每层的节点数s与输入维度n有关，即：

s＝log2N

隐藏层后连结softmax函数用来指定n个类别，其中，类别即方位角所在的区域。

由于AUV与激光源的相对位置信息通过斜角与方位角二者共同确定，若不划分区块，则数据量过大，影响神经网络的预测精度。经过DNN网络分类后，第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值，其中BP神经网络的输入为n个棱镜对应的接收器获取的光强大小，输出为激光源与AUV的斜角及相对方位角，相对方位角的取值范围为360/n°，最后结合DNN判别的方位角区域共同确定方位角的具体数值。

BP神经网络是一种前向多层网络，通常由输入层、隐含层、输出层三层结构组成，BP神经网络的工作过程主要分为正向传播工作信号与反向传播误差信号两个部分，两个过程不断交替并修正权值，当输出的预测值与真实值满足期望误差时，停止计算。然而，传统的三层BP神经网络由于结构的单一以及固定的学习率，无法满足高精度的需求，因此引入了一个四层BP神经网络结构，包括输入层、双隐含层及输出层。对于BP神经网络的双隐含层节点数的确定目前仍未有统一的方法，故采用多次实验的方式，根据训练结果找到最佳节点数目。

同时，如果BP神经网络采用固定的学习率，会产生明显的收敛速度变慢的问题，变学习率的改进BP算法是指在修正权值时，由于梯度方向为整体下降速度最快方向，分别修正输入层与隐含层之间的学习率以及隐含层与输出层之间的学习率，过程如下：

初始化网络，为权值矩阵赋较小的随机值，初始化各层间的学习率为0到1的随机数，根据给定的训练精度E_min，通过学习率调整权值矩阵。

得到权值变化矩阵如下，并对权值进行调整

W(n+1)＝W(n)+ΔW(n)

判断调整后的权值矩阵性能是否优于上一个权值矩阵，根据新的权值矩阵计算神经网络的误差E(n+1)，若误差减小，即E(n+1)≤E(n)，则保留调整后的权值，并将学习率η修改为η＝2η，继续沿W(n)上负梯度方向搜索直到找不到使误差E(n+1)减小的点为止。

若误差增加，即E(n+1)>E(n)，则保留原有权值矩阵，将学习率η修改为η＝0.5η，并沿W(n)上负梯度方向搜索，并计算新的权值矩阵W(n+1)，直到新权值矩阵对应的网络误差E(n+1)≤E(n)为止。

保留此时的E(n+1)及权值W(n+1)、学习率η，沿负梯度方向将新权值矩阵通过梯度下降法进行搜索，直到新点的误差满足目标值或迭代次数超出限制为止。

步骤S4、根据相对位置信息引导AUV朝回坞口靠近，重复步骤S2和S3，直至AUV成功回坞。

本发明与传统方案相比，本方案采用激光定位的方式，具有低成本、高精度的特点，同时，n个紧贴在AUV前端的棱镜与激光源呈不同角度，可为神经网络的训练增加特征值的多样性，变学习率的双隐含层BP神经网络有更高的训练样本的输出精度和更强的泛化能力。

虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (7)

1.一种基于深度学习的AUV光学引导与测向方法，其特征在于，包括：

S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；

S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；

S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角和方位角信息，并计算出AUV与回坞口的相对位置其具体包括：

将n个光强数值通过深度学习进行预测，判断当前接收器与激光源之间的斜角及方位角信息，从而计算出AUV与回坞口的相对位置，包括：

神经网络的输入定义为AUV上n个接收器接收的光强数值，最终输出为激光源与AUV的倾斜角及方位角；训练与测试数据的获取通过蒙特卡洛仿真模拟光子的水下传播，蒙特卡洛仿真对单个光子的散射及传播过程进行模拟，通过积分得到整个光束在某一位置的光强大小，包括：

步骤S3.1、初始化单个光子的位置信息，激光源为坐标轴原点，定义光子的初始坐标、方向余弦、初始权重及初始步长；

步骤S3.2、光子在传播过程中由于与其他粒子碰撞，发生散射现象；

碰撞后的步长：光子两次散射之间的步长可通过自由步长与剩余步长计算，其中自由步长是通过抽样得到的光子自由程，剩余步长指光子上一次碰撞遇到边界后仍未走完的步长；通过光子当前的方向余弦与步长可计算光子的当前坐标；

碰撞后的权重：光子每次碰撞后，权重根据海水的散射比不断减小；

碰撞后的方向：光子的方向可通过散射角与方位角进行描述，其中方位角满足在(0,2π)范围内的均匀分布，散射角β为：

其中，g为散射因子，ξ是一个在[0,1]区间内均匀分布的随机变量；

步骤S3.3、激光源与AUV的距离可看作累积步长，根据棱镜的位置得到到达每个棱镜范围的光子数量，从而计算该棱镜对应的接收器所接收到的光强；

S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。

2.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于：所述回坞口安装可在导流罩张角Φ范围内朝向任意方向发射激光束的激光发射装置，AUV前端紧贴设置接收装置；所述接收装置包括n个棱镜和用于获取棱镜光强的光强接收器；n个所述棱镜呈环形贴合分布于AUV前端。

3.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于，基于蒙特卡洛仿真，构建AUV的光强-位置数据库，针对参数的不同取值，获得若干种组合，对每种组合进行若干次仿真，得到一个数据量几十万以上的训练集。

4.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于，所述深度学习采用二阶学习，包括：

第一级深度学习用于判断方位角区域；

第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值。

5.根据权利要求4所述的基于深度学习的AUV光学引导与测向方法，其特征在于，第一级深度学习用于判断方位角区域，包括：

根据AUV前端的n个棱镜呈环状排列，当AUV与激光源呈现不同的方位角时，光强的大小具有对称性的特点，将方位角划分为n个区域，每个区域对应的夹角为360/n°，当方位角落入同一区域时看作一类；故采用DNN网络进行分类确定方位角所在的区域，DNN网络架构由输入层、隐藏层、输出层和softmax函数组成，输入维度为N即棱镜数目，隐藏层分为两层，每层的节点数s为：

s＝log2N

隐藏层后连结softmax函数用来指定N个类别，其中，类别即方位角所在的区域。

6.根据权利要求5所述的基于深度学习的AUV光学引导与测向方法，其特征在于，第二级深度学习通过改良的BP神经网络确定相对方位角的具体数值，包括：

BP神经网络的输入为n个棱镜对应的接收器获取的光强大小，输出为激光源与AUV的斜角及相对方位角，并结合第一级深度学习判别的方位角区域共同确定方位角的具体数值。

7.根据权利要求6所述的基于深度学习的AUV光学引导与测向方法，其特征在于，引入四层BP神经网络结构，包括输入层、双隐含层及输出层；采用多次实验，根据训练结果获取BP神经网络的双隐含层最佳节点数目；

根据变学习率的改进BP算法是指在修正权值时，梯度方向为整体下降速度最快方向，故分别修正输入层与隐含层之间的学习率以及隐含层与输出层之间的学习率，包括：

初始化网络，为权值矩阵赋随机值，初始化各层间的学习率为0到1的随机数，根据给定的训练精度E_min，通过学习率调整权值矩阵w_ij：

得到权值变化矩阵如下，并对权值进行调整：

W(n+1)＝W(n)+ΔW(n)

判断调整后的权值矩阵W(n+1)性能是否优于上一个权值矩阵W(n)，根据新的权值矩阵计算神经网络的误差E(n+1)，若误差减小，即E(n+1)≤E(n)，则保留调整后的权值，并将学习率η修改为η＝2η，继续沿W(n)上负梯度方向搜索直到找不到使误差E(n+1)减小的点为止；

若误差增加，即E(n+1)>E(n)，则保留原有权值矩阵，将学习率η修改为η＝0.5η，并沿W(n)上负梯度方向搜索，并计算新的权值矩阵W(n+1)，直到新权值矩阵对应的网络误差E(n+1)≤E(n)为止；

保留此时的E(n+1)及权值W(n+1)、学习率η，沿负梯度方向将新权值矩阵通过梯度下降法进行搜索，直到新点的误差满足目标值或迭代次数超出限制为止。

Images