CN112578389B - 一种多源融合的rov实时路径规划方法 - Google Patents
一种多源融合的rov实时路径规划方法 Download PDFInfo
- Publication number
- CN112578389B CN112578389B CN202011442251.7A CN202011442251A CN112578389B CN 112578389 B CN112578389 B CN 112578389B CN 202011442251 A CN202011442251 A CN 202011442251A CN 112578389 B CN112578389 B CN 112578389B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- real
- dynamic
- function
- rov
- 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
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
Abstract
本发明提出了一种多源融合的ROV实时路径规划方法,基于水下定位系统和环扫声呐信息,包括以下步骤:S1.针对水下运动目标的运动特征,建立目标运动状态模型,通过该模型描述动态障碍物的动态变化,探测动态障碍物实时的绝对位置;S2.利用扩展卡尔曼滤波对动态障碍物的绝对位置进行估计,预测动态障碍物的位置信息;S3.建立模糊神经网络控制器,实现ROV的实时路径规划,对动态障碍物的精准避障。本发明融合了水下定位系统和环扫声呐的信息,能探测到动态障碍物实时的绝对位置,通过扩展卡尔曼滤波进行位置估计,可精准预测动态障碍物的位置信息,再通过模糊神经网络的避障算法,实现对动态障碍物的精准避障。
Description
【技术领域】
本发明涉及水下机器人控制的技术领域,特别是一种基于水下定位系统和环扫声呐信息融合的实时路径规划方法。
【背景技术】
21世纪是一个人类探测、开发以及可持续发展海洋资源的世纪,海洋资源中包涵了丰富的石油资源、天然气资源、生物资源、化学资源等。随着开发海洋资源的力度不断加大,人类越来越意识到智能水下设备的重要性,能够精准探测水下复杂环境以及自主完成水下作业的水下机器人成为世界各国企业及教育机构重点研究的课题。
ROV(Remote Operated Vehicle遥控无人潜水器)的实时路径规划是安全、高效完成水下作业的重要保证。在ROV航行的过程中,可能会遇到动态的障碍物,这就要求ROV能够迅速的对障碍物的精确位置以及未来状态做出准确判断,并且实时规划好安全合理路径,做出有效的避障反应。国内外众多学者对水下机器人实时路径规划方法展开了研究,提出了很多有效的方法,例如人工势场法、A*算法、神经网络、模糊逻辑等。它们对局部的环境有较强的的感知能力,但是对于动态障碍物而言,分析其绝对位置信息和潜在碰撞风险区能力较差,不能保证避开动态障碍物的准确性。
【发明内容】
本发明的目的就是解决现有技术中的问题,提出一种多源融合的ROV实时路径规划方法,可精准预测动态障碍物的位置信息,实现对动态障碍物的精准避障。
为实现上述目的,本发明提出了一种多源融合的ROV实时路径规划方法,基于水下定位系统和环扫声呐信息,包括以下步骤:
S1.针对水下运动目标的运动特征,建立目标运动状态模型,通过该模型描述动态障碍物的动态变化,探测动态障碍物实时的绝对位置;
S2.利用扩展卡尔曼滤波对动态障碍物的绝对位置进行估计,预测动态障碍物的位置信息;
S3.建立模糊神经网络控制器,实现ROV的实时路径规划,对动态障碍物的精准避障。
作为优选,S1具体包括以下步骤:
S1.1:采用随机运动模型描述障碍物的动态变化,用概率分布函数来估算:
a(t)=β*w(t) (1)
其中w(t)是一个随机向量,a(t)为加速度;
S1.2:把概率分布函数假设为高斯分布函数或者联合分布函数,则分布函数可以表示为:
prob(w(t))=fp(μ(w(t)),σ2(w(t))) (2)
其中μ(w(t)),σ2(w(t))分别为均值和方差向量;
S1.3:障碍物的速度计算公式:
v(t)=v(t-Δt)+∫-Δtw(τ)dτ (3)
S1.4:随机运动模型可描述为:
a(t)=α*a(t-Δt)+β*w(t) (4)
其中α为保障原有加速度的权值,β为随机向量w(t)的权值;
S1.5:由此,速度公式可表示为:
v(t)=v(t-Δt)+∫-Δt(α*a(τ-Δt)+β*w(τ))d(τ) (5)
S1.6:建立直角坐标系,将速度分解为x方向和y方向:
vx(t)=v(t)*cosθ (6)
vy(t)=v(t)*sinθ (7)
其中θ为运动方向与x方向的夹角;
S1.7:将速度在x方向和y方向上积分,可分别求出x方向和y方向上的位移:
作为优选,S2具体包括以下步骤:
S2.1:将系统的状态转移方程表示为:
θ(k)=f(θk-1)+Sk (10)
S2.2:量测方程表示为:
Z(k)=h(θk)+Vk (11)
S2.3:用泰勒展开式对(10)式在上一次的估值<θk-1>处展开得:
θk=f(θk-1)+Sk=f(<θk-1>)+Fk-1(θk-1-<θk-1>)+Sk (12)
其中Fk-1表示函数θk在<θk-1>处的雅克比矩阵;
S2.4:用泰勒展开式对(11)式在本轮的状态预测值θk'处展开得:
Zk=h(θk)+Vk=h(θk')+Hk(θk-θk')+Vk (13)
其中Hk表示函数h(θ)在θk'处的雅克比矩阵;
S2.5:给出扩展卡尔曼滤波的预测方程:
θk'=f(<θk-1>) (14)
S2.6:给出扩展卡尔曼滤波的更新方程:
<θk>=θ'k+K'k(Zk-h(θ'k)) (18)
∑k=(I-K'kHk)∑'k (19)
S2.7:通过扩展卡尔曼滤波分别预测出x方向和y方向上的位移Sx和Sy。
作为优选,S3具体包括以下步骤:
S3.2:模糊化输入输出变量,并选取对应的隶属度函数;
S3.3:根据环境分类,建立完整的模糊推理规则;
S3.4:按照“if-then”的形式进行模糊推理:
S3.5:计算各输入变量的隶属度:
S3.6:将各隶属度进行模糊计算,采用模糊算子为连乘算子:
其中n为模糊子集数;
S3.7:根据模糊计算结果计算模糊型的输出值:
S3.8:采用重心法进行反模糊化:
S3.9:设计一个三输入、两输出的网络结构形式,共有五层,分别为输入层、前提层、规则层、结论层、输出层;
S3.11:系数和参数修正:
作为优选,S3.2具体包括:Sx和Sy按论域被划分为很近、近、中等、远、很远,隶属度函数为高斯函数;按论域被划分为负大、负小、零、正小、正大,隶属度函数为高斯函数;V按论域被划分为慢、中、快,隶属度函数为高斯函数;Δθ按论域被划分为负大、负小、零、正小、正大,隶属度函数为高斯函数。
本发明融合了水下定位系统和环扫声呐的信息,能探测到动态障碍物实时的绝对位置,通过扩展卡尔曼滤波进行位置估计,可精准预测动态障碍物的位置信息,再通过模糊神经网络的避障算法,实现对动态障碍物的精准避障。
本发明的有益效果:
1.利用动态障碍物的绝对位置信息做估测,可提高对障碍物位置描述的精度;
2.模糊神经网络输入和输出参数选择更优化,提高了实时路径规划的有效性。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1为水下机器人在某一时刻的状态图;
图2为模糊神经网络的结构图;
图3是实施例1中X,Y方向轨迹预测结果的仿真图;
图4是实施例1中X,Y方向轨迹预测误差的仿真图;
图5是实施例1中真实轨迹和预测轨迹对比仿真图;
图6是实施例2中X,Y方向轨迹预测结果的仿真图;
图7是实施例2中X,Y方向轨迹预测误差的仿真图;
图8是实施例2中轨迹预测真实轨迹和预测轨迹对比仿真图;
图9为障碍物水平向右移动状态的避障仿真图,其中,1为本算法,2为传统算法;
图10为障碍物水平向左移动状态的避障仿真图,其中,1为本算法,2为传统算法。
【具体实施方式】
参阅图1至图2,本实施例的方法针对某一深度水面内的ROV实时路径规划问题做出解答。
步骤1:针对水下运动目标的运动特征,建立适用的目标运动状态模型。本方法采用随机运动模型来描述障碍物的动态变化,可用一些概率分布的函数来估算:
a(t)=β*w(t) (1)
其中w(t)是一个随机向量,a(t)为加速度;
步骤2:把概率分布函数假设为高斯分布函数或者联合分布函数,则分布函数可以表示为:
prob(w(t))=fp(μ(w(t)),σ2(w(t))) (2)
其中μ(w(t)),σ2(w(t))分别为均值和方差向量;
步骤3:障碍物的速度计算公式:
v(t)=v(t-Δt)+∫-Δtw(τ)dτ (3)
步骤4:随机运动模型可描述为:
a(t)=α*a(t-Δt)+β*w(t) (4)
其中α为保障原有加速度的权值,β为随机向量w(t)的权值;
步骤5:由此,速度公式可表示为:
v(t)=v(t-Δt)+∫-Δt(α*a(τ-Δt)+β*w(τ))d(τ) (5)
步骤6:建立直角坐标系,将速度分解为x方向和y方向:
vx(t)=v(t)*cosθ (6)
vy(t)=v(t)*sinθ (7)
其中θ为运动方向与x方向的夹角;
步骤7:将速度在x方向和y方向上积分,可分别求出x方向和y方向上的位移:
步骤8:利用扩展卡尔曼滤波(EKF)对动态障碍物的绝对位置进行估计,将系统的状态转移方程表示为:
θ(k)=f(θk-1)+Sk (10)
步骤9:量测方程表示为:
Z(k)=h(θk)+Vk (11)
步骤10:用泰勒展开式对(10)式在上一次的估值<θk-1>处展开得:
θk=f(θk-1)+Sk=f(<θk-1>)+Fk-1(θk-1-<θk-1>)+Sk (12)
其中Fk-1表示函数θk在<θk-1>处的雅克比矩阵;
步骤11:用泰勒展开式对(11)式在本轮的状态预测值θk'处展开得:
Zk=h(θk)+Vk=h(θk')+Hk(θk-θk')+Vk (13)
其中Hk表示函数h(θ)在θk'处的雅克比矩阵;
步骤12:给出EKF的预测方程:
θk'=f(<θk-1>) (14)
步骤13:给出EKF的更新方程:
<θk>=θ'k+K'k(Zk-h(θ'k)) (18)
∑k=(I-K'kHk)∑'k (19)
步骤14:通过EKF分别预测出x方向和y方向上的位移Sx和Sy;
步骤16:模糊化输入输出变量,并选取对应的隶属度函数:Sx和Sy按论域被划分为很近、近、中等、远、很远,隶属度函数为高斯函数;按论域被划分为负大、负小、零、正小、正大,隶属度函数为高斯函数;V按论域被划分为慢、中、快,隶属度函数为高斯函数;Δθ按论域被划分为负大、负小、零、正小、正大,隶属度函数为高斯函数;
步骤17:根据环境分类,建立完整的模糊推理规则;
步骤18:按照“if-then”的形式进行模糊推理:
步骤19:计算各输入变量的隶属度:
步骤20:将各隶属度进行模糊计算,采用模糊算子为连乘算子:
其中n为模糊子集数;
步骤21:根据模糊计算结果计算模糊型的输出值:
步骤22:采用重心法进行反模糊化:
步骤23:设计一个三输入、两输出的网络结构形式,共有五层,分别为输入层、前提层、规则层、结论层、输出层;
步骤25:系数和参数修正:
实施例1
参阅图3-图5,目标初始坐标为(0,0),0-20个节拍上在x方向上速度为0m/s,y方向上速度为0.1m/s做匀速运动,20-40个节拍上在x方向上以0.01m/s^2做匀加速运动。
在y方向上以0.01m/s^2做匀加速运动,40-60个节拍上在x方向上以0.015m/s^2做匀加速运动,在y方向上以-0.01m/s^2做匀加速运动,其余时间做匀速直线运动。
采样时间为2S,使用多次仿真(如N取为10)时,横、纵轴的估计方差分别为0.0054、0.0050。
实施例2
参阅图6-图8,目标初始坐标为(0,0),在x方向上做速度为Vx=0.2sin(pi*t/60)的正弦运动,在y方向上做速度为Vy=0.2cos(pi*t/60)的余弦运动。
采样周期为2S,使用多次仿真(如N取为10)时,横、纵轴的估计方差分别为0.0053、0.0047。
传统算法采用模糊神经网络避障算法,是通过将声呐前方180°范围分成5个方向,左,左前,中,右前,右5个方向,分别将5个方向的测得障碍物的距离做为模糊神经网络的输入,还有一个输入参数即为障碍物的运动方向分为向左和向右,一共6输入,2输出参数和本方法一样。参阅图9和图10,可以看出采用本发明的方法避障的精准度明显高于传统算法的精准度。
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (3)
1.一种多源融合的ROV实时路径规划方法,基于水下定位系统和环扫声呐信息,其特征在于:包括以下步骤:
S1.针对水下运动目标的运动特征,建立目标运动状态模型,通过该模型描述动态障碍物的动态变化,探测动态障碍物实时的绝对位置;
S2.利用扩展卡尔曼滤波对动态障碍物的绝对位置进行估计,预测动态障碍物的位置信息;
S3.建立模糊神经网络控制器,实现ROV的实时路径规划,对动态障碍物的精准避障;
S1具体包括以下步骤:
S1.1:采用随机运动模型描述障碍物的动态变化,用概率分布函数来估算:
a(t)=β*w(t) (1)
其中w(t)是一个随机向量,a(t)为加速度;
S1.2:把概率分布函数假设为高斯分布函数或者联合分布函数,则分布函数可以表示为:
prob(w(t))=fp(μ(w(t)),σ2(w(t))) (2)
其中μ(w(t)),σ2(w(t))分别为均值和方差向量;
S1.3:障碍物的速度计算公式:
v(t)=v(t-Δt)+∫-Δtw(τ)dτ (3)
S1.4:随机运动模型可描述为:
a(t)=α*a(t-Δt)+β*w(t) (4)
其中α为保障原有加速度的权值,β为随机向量w(t)的权值;
S1.5:由此,速度公式可表示为:
v(t)=v(t-Δt)+∫-Δt(α*a(τ-Δt)+β*w(τ))d(τ) (5)
S1.6:建立直角坐标系,将速度分解为x方向和y方向:
vx(t)=v(t)*cosθ (6)
vy(t)=v(t)*sinθ (7)
其中θ为运动方向与x方向的夹角;
S1.7:将速度在x方向和y方向上积分,可分别求出x方向和y方向上的位移:
S2具体包括以下步骤:
S2.1:将系统的状态转移方程表示为:
θ(k)=f(θk-1)+Sk (10)
S2.2:量测方程表示为:
Z(k)=h(θk)+Vk (11)
S2.3:用泰勒展开式对(10)式在上一次的估值<θk-1>处展开得:
θk=f(θk-1)+Sk=f(<θk-1>)+Fk-1(θk-1-<θk-1>)+Sk (12)
其中Fk-1表示函数θk在<θk-1>处的雅克比矩阵;
S2.4:用泰勒展开式对(11)式在本轮的状态预测值θk'处展开得:
Zk=h(θk)+Vk=h(θk')+Hk(θk-θk')+Vk (13)
其中Hk表示函数h(θ)在θk'处的雅克比矩阵;
S2.5:给出扩展卡尔曼滤波的预测方程:
θk'=f(<θk-1>) (14)
S2.6:给出扩展卡尔曼滤波的更新方程:
<θk〉=θ′k+K′k(Zk-h(θ′k)) (18)
Σk=(I-K′kHk)Σ′k (19)
S2.7:通过扩展卡尔曼滤波分别预测出x方向和y方向上的位移Sx和Sy。
2.如权利要求1所述的一种多源融合的ROV实时路径规划方法,其特征在于:
S3具体包括以下步骤:
S3.2:模糊化输入输出变量,并选取对应的隶属度函数;
S3.3:根据环境分类,建立完整的模糊推理规则;
S3.4:按照“if-then”的形式进行模糊推理:
S3.5:计算各输入变量的隶属度:
S3.6:将各隶属度进行模糊计算,采用模糊算子为连乘算子:
其中n为模糊子集数;
S3.7:根据模糊计算结果计算模糊型的输出值:
S3.8:采用重心法进行反模糊化:
S3.9:设计一个三输入、两输出的网络结构形式,共有五层,分别为输入层、前提层、规则层、结论层、输出层;
S3.11:系数和参数修正:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442251.7A CN112578389B (zh) | 2020-12-08 | 2020-12-08 | 一种多源融合的rov实时路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011442251.7A CN112578389B (zh) | 2020-12-08 | 2020-12-08 | 一种多源融合的rov实时路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112578389A CN112578389A (zh) | 2021-03-30 |
CN112578389B true CN112578389B (zh) | 2021-09-24 |
Family
ID=75130716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011442251.7A Active CN112578389B (zh) | 2020-12-08 | 2020-12-08 | 一种多源融合的rov实时路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578389B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825903A (zh) * | 2010-04-29 | 2010-09-08 | 哈尔滨工程大学 | 一种遥控水下机器人水面控制方法 |
CN103699124A (zh) * | 2013-12-04 | 2014-04-02 | 北京工业大学 | 一种用于全向智能轮椅避障的模糊神经网络控制方法 |
CN104597910A (zh) * | 2014-11-27 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于瞬时碰撞点的无人机非协作式实时避障方法 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
KR20180094286A (ko) * | 2017-02-15 | 2018-08-23 | 국방과학연구소 | 수중음향 자율추적용 무인수상정의 운항경로생성시스템 |
CN110702091A (zh) * | 2019-07-24 | 2020-01-17 | 武汉大学 | 一种沿地铁轨道移动机器人的高精度定位方法 |
CN111443603A (zh) * | 2020-03-31 | 2020-07-24 | 东华大学 | 基于自适应模糊神经网络系统的机器人共享控制方法 |
CN111913484A (zh) * | 2020-07-30 | 2020-11-10 | 杭州电子科技大学 | 一种变电站巡检机器人在未知环境下的路径规划方法 |
CN111964675A (zh) * | 2020-06-30 | 2020-11-20 | 南京航空航天大学 | 一种黑障区的飞行器智能导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11340610B2 (en) * | 2018-07-24 | 2022-05-24 | Huili Yu | Autonomous target following method and device |
-
2020
- 2020-12-08 CN CN202011442251.7A patent/CN112578389B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825903A (zh) * | 2010-04-29 | 2010-09-08 | 哈尔滨工程大学 | 一种遥控水下机器人水面控制方法 |
CN103699124A (zh) * | 2013-12-04 | 2014-04-02 | 北京工业大学 | 一种用于全向智能轮椅避障的模糊神经网络控制方法 |
CN104597910A (zh) * | 2014-11-27 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于瞬时碰撞点的无人机非协作式实时避障方法 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
KR20180094286A (ko) * | 2017-02-15 | 2018-08-23 | 국방과학연구소 | 수중음향 자율추적용 무인수상정의 운항경로생성시스템 |
CN110702091A (zh) * | 2019-07-24 | 2020-01-17 | 武汉大学 | 一种沿地铁轨道移动机器人的高精度定位方法 |
CN111443603A (zh) * | 2020-03-31 | 2020-07-24 | 东华大学 | 基于自适应模糊神经网络系统的机器人共享控制方法 |
CN111964675A (zh) * | 2020-06-30 | 2020-11-20 | 南京航空航天大学 | 一种黑障区的飞行器智能导航方法 |
CN111913484A (zh) * | 2020-07-30 | 2020-11-10 | 杭州电子科技大学 | 一种变电站巡检机器人在未知环境下的路径规划方法 |
Non-Patent Citations (2)
Title |
---|
水下机器人实时路径规划方法研究;段群杰;《中国博士学位论文全文数据库 信息科技辑》;20100415;第37页 * |
水下机器人系统体系结构及避障控制技术研究;毛宇峰;《中国博士学位论文全文数据库 信息科技辑》;20110815;摘要、第18-20页、第27-46页、第83-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112578389A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Path planning and obstacle avoiding of the USV based on improved ACO-APF hybrid algorithm with adaptive early-warning | |
Zhu et al. | Deep reinforcement learning based mobile robot navigation: A review | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
Lin et al. | An improved recurrent neural network for unmanned underwater vehicle online obstacle avoidance | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN110362089A (zh) | 一种基于深度强化学习和遗传算法的无人船自主导航的方法 | |
CN107065890A (zh) | 一种无人车智能避障方法及系统 | |
An et al. | Uncertain moving obstacles avoiding method in 3D arbitrary path planning for a spherical underwater robot | |
CN110750096A (zh) | 静态环境下基于深度强化学习的移动机器人避碰规划方法 | |
Mbede et al. | Robust neuro-fuzzy sensor-based motion control among dynamic obstacles for robot manipulators | |
Kazem et al. | Modified vector field histogram with a neural network learning model for mobile robot path planning and obstacle avoidance. | |
Cao et al. | Dynamic target tracking control of autonomous underwater vehicle based on trajectory prediction | |
Sun et al. | A novel fuzzy control algorithm for three-dimensional AUV path planning based on sonar model | |
Zong et al. | Research on obstacle avoidance method for mobile robot based on multisensor information fusion | |
CN109765914A (zh) | 一种基于滑窗粒子群的水面无人艇避碰方法 | |
Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
Lin et al. | Research on UUV obstacle avoiding method based on recurrent neural networks | |
Hamad et al. | Path Planning of Mobile Robot Based on Modification of Vector Field Histogram using Neuro-Fuzzy Algorithm. | |
Newaz et al. | Long-term autonomy for AUVs operating under uncertainties in dynamic marine environments | |
CN112578389B (zh) | 一种多源融合的rov实时路径规划方法 | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
Qiu et al. | Development of hybrid neural network and current forecasting model based dead reckoning method for accurate prediction of underwater glider position | |
Song et al. | Cooperative mid-depth navigation aided by ocean current prediction | |
Van Dam et al. | Neural network applications in sensor fusion for an autonomous mobile robot | |
El-Fakdi et al. | Autonomous underwater vehicle control using reinforcement learning policy search methods |
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 |