CN112527017A - 一种基于多auv的海洋观测方法 - Google Patents
一种基于多auv的海洋观测方法 Download PDFInfo
- Publication number
- CN112527017A CN112527017A CN202011460917.1A CN202011460917A CN112527017A CN 112527017 A CN112527017 A CN 112527017A CN 202011460917 A CN202011460917 A CN 202011460917A CN 112527017 A CN112527017 A CN 112527017A
- Authority
- CN
- China
- Prior art keywords
- auv
- information
- state
- global
- auvs
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 55
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000008901 benefit Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 206010068829 Overconfidence Diseases 0.000 abstract 1
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002123 temporal effect Effects 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本专利涉及一种基于多AUV的海洋观测方法,对局部区域的海洋特征进行自适应观测。其中包括,被观测海洋特征的环境模型用多个基函数线性表示;执行任务前,利用先验知识初始化模型参数;执行任务时,每台AUV包括一个局部滤波器、全局滤波器和规划器,局部滤波器根据在线采集的数据递归估计海洋特征环境模型的参数以实现环境状态的局部估计;全局滤波器负责将AUV局部滤波器得到的局部信息和其它AUV发送过来的信息进行融合实现环境状态的全局估计;每台AUV的规划器依据融合后的全局信息,构建本地目标函数进行自适应路径规划。本方法能够充分发挥多AUV的优势,提高海洋观测的可观性,减少AUV间的通信量,有效克服AUV间信息重复使用导致的过自信问题。
Description
技术领域
本发明涉及水下工程、多机器人协同领域和海洋观测领域,具体说是一种基于多AUV的海洋观测方法。
应用背景
从海洋生态系统到全球气候,海洋的物理动态特性对环境有着重大影响。为了理解、建模和预测这些动态特性,海洋科学家在不同空间和时间尺度上对温度、盐度、海流和生物变量-叶绿素等参数进行测量。相比大尺度海洋现象,现阶段对中小尺度的海洋过程认识有限,针对较小海域,尤其是海洋特征存在热点区域,例如在温度场或者叶绿素浓度在空间分布并不平滑的区域,为更精确的对该区域的环境参数进行感知和分析,具有机动能力、可自主航行的AUV为此提供了有效的手段。但传统利用AUV进行预编程采样的方法即非自适应的方法,缺乏灵活性和在线适应能力,进行的密集采样成本太高;因此在利用卫星数据等先验信息进行统计预测的基础上,利用AUV的移动能力,对在线获取的测量值实时处理,并采取数据驱动的自适应采样方法来尽可能提供好的观测效果。但随着任务的复杂化、多样化和对某些动态海洋特征观测的时效性越来越强,单个AUV往往不能满足任务需求,这就需要采用多AUV进行协同观测,但在水下通信受限的情况下,需要寻求一种鲁棒性高的信息融合方式和路径规划方法。
发明内容
针对现有技术的上述弊端,研究多AUV协同自适应采样的海洋观测方法,结合先验的数据知识,建立有效的环境模型,提供鲁棒性强和有效的信息融合方法,在线实时的对海洋环境进行感知,充分发挥多AUV的优势,减少AUV间的通信量,利用多AUV的协作能力提高海洋观测的可观性和时效性,本发明提供一种可靠高效的海洋观测方法,提高对海洋环境的观测能力,本发明专利提供一种基于多AUV自适应采样方法。
本发明采用的技术方案是,一种基于多AUV的海洋观测方法,包括以下步骤:
海洋观测的先验步骤:建立被观测海洋特征的环境模型,利用先验信息初始化环境模型的参数值,得到海洋环境模型的初始状态值和其协方差矩阵;
局部滤波器状态估计的步骤:对于每台AUV,建立线性状态方程和观测方程,根据在线采集的数据,利用局部卡尔曼滤波在本地进行环境状态局部估计,得到局部环境状态的均值和协方差矩阵;
AUV按时间差分判断是否发送信息向量和信息矩阵;
全局滤波器状态估计的步骤:AUV按照其是否收到其它AUV发送的消息,将自身和其它AUV发送的信息向量和信息矩阵进行融合处理,获取全局环境状态的均值和协方差矩阵;
规划器自适应路径规划步骤:AUV根据获得的全局信息和其它AUV间的相对位置,构建采样位置效益函数和通信约束评估函数,利用梯度下降法计算下一时刻的期望航向;
返回局部状态估计的步骤继续迭代计算,直到航行使命结束。
所述海洋特征的环境模型采用多基函数线性张成的空间来表示:
其中,{ψj(x)}为关于空间位置x的同族类基函数的有限子集,yj为对应基函数的权重因子,nψ为基函数的个数,g为海洋环境特征关于空间位置x的参数化模型函数;
所述利用先验信息初始化的环境模型的参数值为:
所述第i台AUV的标准线性状态方程和观测方程为:
所述局部环境状态的均值和协方差矩阵的获取包括:
所述融合处理具体为:
全局滤波器将环境的状态信息π由信息向量η和信息矩阵Λ表示,其值由环境状态的均值和方差转换得到;
每台AUV进行信息融合实现环境状态的全局估计,包括收到其它AUV消息和未收到其它AUV消息两种情况:
1)如果第i台AUV在k时刻收到其它AUV发送过来的消息,执行融合规则一:
2)如果当第i台AUV在k时刻没有收到其它AUV发送的信息时,执行融合规则二:
其中,k和k-1分别表示当前执行全局滤波器和上一次执行全局滤波器的时刻,为第i台AUV融合后得到全局信息,Ni,k表示第i台AUV在k时刻收到其它AUV消息的AUV编号集合,和分别为第i台AUV在k时刻和上一次收到编号为j的AUV发送过来的信息;
3)第i台AUV通过全局滤波得到全局信息πg i,k后,将其按照Λ=P-1
所述采样位置效益函数在于建立AUV采样位置与所建环境模型参数的不确定性关系,用函数f1(x,Pg)表示,其参数为AUV采样位置x、环境全局状态的协方差矩阵Pg。
所述通信约束评估函数在于建立AUV的空间分布与保持通信强弱的程度,用函数f2(x,X-x)表示,其参数为AUV自身位置x和其它AUV的位置X-x。
所述构建本地目标函数进行自适应路径规划,计算AUV下一时刻期望的航行方向,包括:
标号为i的AUV下一时刻期望航向ui通过加权目标函数的梯度下降法求得:
本发明具有以下优点及效益:
1)多AUV自适应采样方法借助多AUV的空间分布特性,增强了感知能力,提高了对环境感知的可观测性。
2)该方法为基于数据驱动的路径规划方法,能够提高AUV智能性和自主性以及在动态环境中的适应能力。
3)各AUV通过有效的信息融合,使得个体AUV间的所有信息构成一个全面、健康、更为强大的数据知识库,促进资源的高效利用,具有较强的信息交互能力,能够有效克服水下通信存在丢包和长延时的缺点。
4)该方法为分布式决策方法,有效克服集中式决策计算量和通信量大的缺点,提高了系统的可靠性和在线解决问题的能力。
5该方法在信息融合时将全局信息和局部信息隔离,有效克服信息被重复使用的情况,防止AUV对环境认知的过度自信。
6)同时该方法具有较强的实时性和较高的采样效率。
附图说明
图1本发明系统示意图;
图2本发明AUV的工作流程图;
其中,1多AUV系统;2局部滤波器;3全局滤波器;4规划器。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明提供一种多AUV自适应采样方法,包括:被观测海洋特征的环境模型用多个基函数线性张成的空间来表示,实现对具有随机性和非线性的海洋特征环境模型的近似表示;在AUV下水之前,利用先验知识进行模型参数的初始化;执行任务时,每台AUV对环境的状态估计包括一个局部滤波器、全局滤波器和规划器;局部滤波器根据在线采集的数据递归估计环境模型的参数,对环境模型的在线估计以实现环境状态的局部估计;全局滤波器负责将AUV局部滤波器得到的局部信息和其它AUV发送过来的信息进行融合实现环境状态的全局估计,以获得关于被观测海洋特征更加准确的信息;每台AUV的规划器依据融合后的全局信息,构建本地目标函数进行自适应路径规划,以实现规划的路径在获取采样信息最大化的同时尽量使得多AUV间的空间分布保持在通信范围内。
具体实施方法如下:
(1)被观测海洋特征可以为温度、盐度、叶绿素浓度等特征,其环境模型用多基函数线性张成的空间来表示,实现对具有随机性和非线性的海洋特征环境模型的近似表示,通过下式实现:
其中{ψj(x)}为关于空间位置x的同族类基函数的有限子集,并且选取为关于空间位置x的高斯函数,g为海洋特征关于空间位置x的参数化模型函数f(x)的近似表示。
先验数据可利用卫星遥感数据、AUV前期采样的数据或者海洋模式生成的数据等,M=[m(1),...,m(N)]T∈R(n+m)*N为先验环境数据集合,N为数据集中数据的个数,m(i)=[rizi]为第i个数据对应空间位置ri和海洋要素值zi的增广向量,n为空间位置的维度,m为海洋特征值的维度。
(2)第i台AUV的局部滤波器构建标准线性状态方程和观测方程,如下式所示:
其中和zi,k分别为第i台AUV在k-1、k时刻局部环境状态、预测值和在k时刻位置x处的采样值,Fk,k-1为海洋状态从k-1时刻到k时刻的状态转移矩阵,由于海洋特征的变化小于AUV的机动能力,因此Fk,k-1取单位矩阵定义H(x)=ψ(x)为观测矩阵。
第i台AUV的局部滤波器根据建立的状态方程、观测方程,和在线实时采集的数据zk采用卡尔曼滤波对环境状态进行局部估计,更新后的局部环境状态协方差矩阵和矩阵分别为Pi,k=(Pi,k/k-1 -1+HHT)和其中下标i为AUV的编号,k-1,k为时间序号,Pi,k/k-1=Pi,k-1/k-1。
(3)全局滤波器负责将AUV本地局部滤波器得到的局部信息和其它AUV发送过来的信息进行融合实现环境状态的全局估计,以获得关于被观测海洋特征更加准确的信息。
全局滤波器将环境的状态信息π由信息向量η和信息矩阵Λ表示,其值与环境状态均值协方差矩阵P的关系为Λ=P-1,第i台AUV在k时刻由局部滤波器估计的环境状态信息表示为由全局滤波器估计的环境状态信息表示在m时刻向其它AUV发送的环境状态信息为在t时刻收到第j台AUV发送的信息为
每台AUV进行信息融合实现环境状态的全局估计时,包括收到其它AUV的消息和未收到其它AUV的消息两种情况:
如果第i台AUV在k时刻收到其它AUV发送过来的消息,执行融合规则一:
其中k和k-1分别表示当前执行全局滤波器和上一次执行全局滤波器的时刻,为第i台AUV融合后得到的全局信息,Ni,k表示第i台AUV在k时刻收到其它AUV消息的AUV编号集合,和分别为第i台AUV在k时刻和上一次收到编号为j的AUV发送过来的信息。
如果当第i台AUV在k时刻没有收到其它AUV的信息时,执行融合规则二:
构建本地目标函数包括构建AUV采样位置效益函数和通信约束评估函数。
采样位置效益函数在于建立AUV采样位置与所建环境模型参数的不确定性关系,用如下函数f1(x,Pg)表示:
f1(x,Pg)=∫SHT(x)PgH(x)dS (7)
其中函数参数为AUV采样位置x、环境全局状态的协方差矩阵Pg,S表示未采样区域的空间。
通信约束评估函数在于建立AUV的空间分布与保持通信强弱的程度,用函数f2(x,X-x)表示:
其中函数参数为AUV自身位置x和其它AUV的位置X-x,根据AUV的实际距离和通信范围构建连通图G,L为连通图G的拉普拉斯矩阵,v为矩阵L的第二大特征所对应的特征向量。
自适应路径规划化输出的是AUV下一时刻期望的航行方向,每台AUV下一时刻期望的航行方向u采用加权目标函数的梯度下降法得到,其中标号为i的AUV下一时刻期望航向ui通过下式所得:
一种多AUV自适应采样方法中,每台AUV并行执行如图2所示流程图中的几个步骤:
第一步,建立被观测海洋特征的环境模型
第二步,利用先验信息初始化环境模型的参数值,得到海洋环境模型的状态值和其协方差矩阵。
第三步,每台AUV根据在线采集的数据,利用局部卡尔曼滤波器在本地进行环境状态局部估计,得到局部环境状态的均值和协方差矩阵。
第四步,AUV按时间差分判断是否发送局部滤波器得到的信息向量和信息矩阵。
第五步,如果AUV收到其它AUV发送过来的消息,执行融合规则一,如果没有收到其它AUV发送过来的消息,执行融合规则二。
第六步,每台AUV根据获得的全局信息和其它AUV间的相对位置,构建采样位置效益函数和通信约束评估函数,利用梯度下降法求得下一时刻的期望航向。
第七步,返回到第三步,直到AUV航行使命结束。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多AUV的海洋观测方法,其特征在于,包括以下步骤:
海洋观测的先验步骤:建立被观测海洋特征的环境模型,利用先验信息初始化环境模型的参数值,得到海洋环境模型的初始状态值和其协方差矩阵;
局部滤波器状态估计的步骤:对于每台AUV,建立线性状态方程和观测方程,根据在线采集的数据,利用局部卡尔曼滤波在本地进行环境状态局部估计,得到局部环境状态的均值和协方差矩阵;
AUV按时间差分判断是否发送信息向量和信息矩阵;
全局滤波器状态估计的步骤:AUV按照其是否收到其它AUV发送的消息,将自身和其它AUV发送的信息向量和信息矩阵进行融合处理,获取全局环境状态的均值和协方差矩阵;
规划器自适应路径规划步骤:AUV根据获得的全局信息和其它AUV间的相对位置,构建采样位置效益函数和通信约束评估函数,利用梯度下降法计算下一时刻的期望航向;
返回局部状态估计的步骤继续迭代计算,直到航行使命结束。
5.根据权利要求1所述的一种基于多AUV的海洋观测方法,其特征在于,所述融合处理具体为:
全局滤波器将环境的状态信息π由信息向量η和信息矩阵Λ表示,其值由环境状态的均值和方差转换得到;
每台AUV进行信息融合实现环境状态的全局估计,包括收到其它AUV消息和未收到其它AUV消息两种情况:
1)如果第i台AUV在k时刻收到其它AUV发送过来的消息,执行融合规则一:
2)如果当第i台AUV在k时刻没有收到其它AUV发送的信息时,执行融合规则二:
其中,k和k-1分别表示当前执行全局滤波器和上一次执行全局滤波器的时刻,πg i,k为第i台AUV融合后得到全局信息,Ni,k表示第i台AUV在k时刻收到其它AUV消息的AUV编号集合,和分别为第i台AUV在k时刻和上一次收到编号为j的AUV发送过来的信息;
6.根据权利要求1所述的一种基于多AUV的海洋观测方法,其特征在于,所述采样位置效益函数在于建立AUV采样位置与所建环境模型参数的不确定性关系,用函数f1(x,Pg)表示,其参数为AUV采样位置x、环境全局状态的协方差矩阵Pg。
7.根据权利要求1所述的一种基于多AUV的海洋观测方法,其特征在于,所述通信约束评估函数在于建立AUV的空间分布与保持通信强弱的程度,用函数f2(x,X-x)表示,其参数为AUV自身位置x和其它AUV的位置X-x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460917.1A CN112527017B (zh) | 2020-12-11 | 2020-12-11 | 一种基于多auv的海洋观测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460917.1A CN112527017B (zh) | 2020-12-11 | 2020-12-11 | 一种基于多auv的海洋观测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527017A true CN112527017A (zh) | 2021-03-19 |
CN112527017B CN112527017B (zh) | 2022-02-11 |
Family
ID=74999176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011460917.1A Active CN112527017B (zh) | 2020-12-11 | 2020-12-11 | 一种基于多auv的海洋观测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527017B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048984A (zh) * | 2021-04-01 | 2021-06-29 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
CN113381824A (zh) * | 2021-06-08 | 2021-09-10 | 清华大学 | 水声信道测量方法、装置、无人潜航器和存储介质 |
CN113419426A (zh) * | 2021-07-13 | 2021-09-21 | 大连海事大学 | 基于数据驱动状态预估器的auv通信延时主动补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 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 |
CN109540151A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种基于强化学习的auv三维路径规划方法 |
CN110837854A (zh) * | 2019-10-30 | 2020-02-25 | 东南大学 | 一种基于因子图的auv多源信息融合方法和设备 |
CN110908404A (zh) * | 2019-12-09 | 2020-03-24 | 自然资源部第二海洋研究所 | 一种基于数据驱动的auv智能观测运动方法 |
CN112034735A (zh) * | 2020-08-31 | 2020-12-04 | 浙江大学 | 一种多auv水下协同作业的模拟实验平台 |
-
2020
- 2020-12-11 CN CN202011460917.1A patent/CN112527017B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 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 |
CN109540151A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种基于强化学习的auv三维路径规划方法 |
CN110837854A (zh) * | 2019-10-30 | 2020-02-25 | 东南大学 | 一种基于因子图的auv多源信息融合方法和设备 |
CN110908404A (zh) * | 2019-12-09 | 2020-03-24 | 自然资源部第二海洋研究所 | 一种基于数据驱动的auv智能观测运动方法 |
CN112034735A (zh) * | 2020-08-31 | 2020-12-04 | 浙江大学 | 一种多auv水下协同作业的模拟实验平台 |
Non-Patent Citations (2)
Title |
---|
RIDHA FEZZANI等: "Fusion of Swath Bathymetric Data: Application to AUV Rapid Environment Assessment", 《 IEEE JOURNAL OF OCEANIC ENGINEERING》 * |
YAN SHUYUE等: "Formation control using finite state automaton based on multi-AUVs state feedback", 《2014 OCEANS - ST. JOHN"S》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048984A (zh) * | 2021-04-01 | 2021-06-29 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
CN113048984B (zh) * | 2021-04-01 | 2023-10-03 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
CN113381824A (zh) * | 2021-06-08 | 2021-09-10 | 清华大学 | 水声信道测量方法、装置、无人潜航器和存储介质 |
CN113419426A (zh) * | 2021-07-13 | 2021-09-21 | 大连海事大学 | 基于数据驱动状态预估器的auv通信延时主动补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112527017B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527017B (zh) | 一种基于多auv的海洋观测方法 | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
CN107255923B (zh) | 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
Herrero et al. | Two-step identification of non-linear manoeuvring models of marine vessels | |
Mu et al. | End-to-end navigation for autonomous underwater vehicle with hybrid recurrent neural networks | |
Ekinci et al. | Predictions of oil/chemical tanker main design parameters using computational intelligence techniques | |
Ribas et al. | Delayed state information filter for USBL-aided AUV navigation | |
CN110161853A (zh) | 一种新型具有实时性的船舶综合自动驾驶系统 | |
Kharkovskii et al. | Nonmyopic Gaussian process optimization with macro-actions | |
Zeng et al. | Information-driven path planning for hybrid aerial underwater vehicles | |
Yang et al. | Energy-optimal path planning with active flow perception for autonomous underwater vehicles | |
CN111931368A (zh) | 一种基于gru粒子滤波的uuv目标状态估计方法 | |
Kayacan et al. | Online system identification algorithm without persistent excitation for robotic systems: Application to reconfigurable autonomous vessels | |
CN114186483B (zh) | 一种融合浮标数据和海洋卫星遥感图像的反演方法 | |
Euler et al. | Cooperative n-boundary tracking in large scale environments | |
CN113989327B (zh) | 一种基于卷积神经网络粒子滤波算法的单uuv目标状态估计方法 | |
CN107330468B (zh) | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 | |
Padrao et al. | Towards learning ocean models for long-term navigation in dynamic environments | |
CN114741659A (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
Saeedi et al. | Fast Monte Carlo localization of AUV using acoustic range measurement | |
Kong et al. | 3D ensemble-based online oceanic flow field estimation for underwater glider path planning | |
Jiang et al. | Linear-complexity stochastic variational Bayes inference for SLAM | |
Albert et al. | Mobile sensor path planning for iceberg monitoring using a MILP framework | |
Hollinger et al. | Towards improved prediction of ocean processes using statistical machine learning | |
MahmoudZadeh | Efficient deployment and mission timing of autonomous underwater vehicles in large-scale operations |
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 |