CN113124873B - 基于海洋环境信息的uuv多指标约束三维航路规划方法 - Google Patents

基于海洋环境信息的uuv多指标约束三维航路规划方法 Download PDF

Info

Publication number
CN113124873B
CN113124873B CN202110387253.9A CN202110387253A CN113124873B CN 113124873 B CN113124873 B CN 113124873B CN 202110387253 A CN202110387253 A CN 202110387253A CN 113124873 B CN113124873 B CN 113124873B
Authority
CN
China
Prior art keywords
particle
path
uuv
constraint
initialization
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
Application number
CN202110387253.9A
Other languages
English (en)
Other versions
CN113124873A (zh
Inventor
刘厂
靳光强
董静
侯振寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Hachuan Haizhi Technology Co ltd
Original Assignee
Qingdao Hachuan Haizhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Hachuan Haizhi Technology Co ltd filed Critical Qingdao Hachuan Haizhi Technology Co ltd
Priority to CN202110387253.9A priority Critical patent/CN113124873B/zh
Publication of CN113124873A publication Critical patent/CN113124873A/zh
Application granted granted Critical
Publication of CN113124873B publication Critical patent/CN113124873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及水下无人潜行器三维航路规划领域，具体涉及基于海洋环境信息的UUV多指标约束三维航路规划方法。包括导入数据；路径起始、终止点约束判断；确定适应度函数；路径起始、终止点透明度判断；粒子群初始化；计算适应度值；设置pbest、gbest初始值；运行粒子群优化算法；重复运行粒子群优化算法，直至满足粒子优化终止条件；输出规划结果。本发明采用粒子群优化算法，根据不同的优化评价指标(安全性、隐蔽性、经济性)，结合水深、海流或透明度数据，通过在适应度函数中增加惩罚的方式，满足UUV航行约束，自动躲避岛屿与人工障碍物，实现多种评价指标航路规划。本方法适用于多约束多指标场景下的UUV三维航路规划，可用度高，实用性强。

Description

基于海洋环境信息的UUV多指标约束三维航路规划方法
技术领域
本发明涉及水下无人潜行器三维航路规划领域，具体涉及一种基于海洋环境信息的UUV多指标约束三维航路规划方法。
背景技术
探索认知海洋是开发利用、保护海洋的先决条件，水下无人航行器(UnmannedUnderwater Vehicle，UUV)为海洋环境探索、军事侦察等提供了重要支持。根据航行要求，从选定海域内规划一条三维航行路线，既能智能躲避航行区域存在岛屿、人工设置的障碍物，又能适应海底地形的崎岖，满足航行器的垂向安全距离，这些是UUV能否安全完成任务需要重点考虑的。此外，根据UUV工作内容，规划航行还需要将隐蔽性、经济性(节约耗能)纳入优化评价指标。
专利CN202010196626.X公开一种AUV三维航路规划方法，设置进入障碍物惩罚，考虑海流因素影响，但是没有考虑具体的障碍物建模以及海水透明度对路径规划的影响。文献“水下平台三维航路多约束多指标规划的蚁群策略研究”中，建立了路径最短、安全性、隐蔽性指标函数，但是没有具体考虑海流等因素。
为了解决现有技术存在的问题，本发明公开了一种采用了粒子群优化算法，可根据不同的优化评价指标，结合水深、海流或透明度数据，通过在适应度函数中增加惩罚的方式，满足UUV航行约束，自动躲避岛屿与人工障碍物的UUV多指标约束三维航路规划方法。
发明内容
为解决现有技术存在的不足，本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法。
本发明的技术方案为：
本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法，包括以下步骤：
S1.导入数据，导入规划航行区间内的网格数据、导入航路规划起始、终止点坐标及水深、导入人工障碍物数据，并获取约束参数；
S2.路径起始、终止点约束判断，判断起始、终止点处的水深是否满足UUV垂向安全距离、极限深度的要求；判断起始点处的海流流速是否小于UUV可承受最大抗流速度；判断起始、终止点是否陷入人工障碍物、岛屿；
S3.确定适应度函数，根据不同的优化评价指标，确定适应度函数，所述优化评价指标包括安全性、隐蔽性、经济性；
S4.路径起始、终止点透明度判断，当优化评价指标包含隐蔽性时，还需要判断起始、终止点处的水深是否大于网格内的水深透明度数据；
S5.粒子群初始化，设粒子群算法的解空间为L＝[l1,l2,l3,...,lm]，其中m为粒子群的种群个数，每个粒子代表一条规划路径，每条路径包括若干个路径节点，每个路径节点包括三个维度：经度、纬度、水深；粒子群初始化是指路径节点的经度、纬度、水深的初始化，所述粒子群初始化的方法包括完全随机初始化、非完全随机初始化，首先使用非完全随机初始化进行粒子群初始化；
S6.计算适应度值，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；确定各粒子的惩罚系数，进而计算每个粒子的适应度值；
S7.设置pbest、gbest初始值，将适应度值最小的粒子位置作为pbest、gbest的初始化值，其中pbest、gbest分别为粒子局部、全局最优解；
S8.运行粒子群优化算法，更新粒子局部、全局最优解；
S9.输出规划结果，取得上述步骤最终求解的gbest，再次进行是否穿越岛屿、人工障碍物判断及是否满足约束参数判断，若无异常，则将此gbest作为最终结果输出；反之，首先使用完全随机初始化的方法进行粒子群初始化，然后进行S6～S9。
进一步，所述网格数据包括水深、海流、透明度；所述人工障碍物包括圆柱体、五角柱；所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
进一步，所述适应度函数包括以下两种：
(1)当优化评价指标为安全性、安全性与隐蔽性时，适应度函数为：
S＝min(C*D)
S为适应度值；
C为路径经过岛、人工障碍物、不满足约束参数的惩罚，C＝δk；
D为规划路径欧式距离，
Figure BDA0003013723180000031
其中，k为不满足约束的计数，惩罚系数
Figure BDA0003013723180000032
n为路径节点的个数，xi,yi,zi为路径中节点i的坐标；
(2)当优化评价指标为安全性与经济性时，适应度函数为：
S＝min(C*T)
T为UUV走完规划航行路径所花费的时间，
Figure BDA0003013723180000033
其中，
Figure BDA0003013723180000034
为UUV航行速度，
Figure BDA0003013723180000035
为节点i处的海流速度。
进一步，所述粒子群的种群个数为300个，所述路径包含7个路径节点。
进一步，所述完全随机初始化的初始化公式为：
Figure BDA0003013723180000041
其中，xi,yi,zi表示第i个路径节点的经度、纬度、水深坐标，xs,ys,zs为路径起始点坐标，rand()为随机数，Xmin,Xmax为规划范围最小、最大经度值，Ymin,Ymax为规划范围最小、最大纬度值，Zmin,Zmax为x,y坐标点处可选最小、最大水深；此外，粒子速度在三个方向上进行随机初始化。
进一步，所述非完全随机初始化的方法包括以下步骤：
S1.获取跨度大的维度，将一个粒子的起始点的经度与终止点的经度相减，再将起始点的纬度与终止点的纬度相减，比较两个差值的绝对值大小，获取差值大的维度；
S2.跨度大的维度初始化，粒子位置在差值大的维度上进行等分初始化；
S3.其余方向初始化，粒子位置在剩余的维度上进行随机初始化；
S4.粒子速度初始化，将节点速度在跨度大的维度上的分速度设置为0，其余方向上的分速度随机初始化。
进一步，所述粒子群优化算法具体包括以下步骤：
S1.更新粒子速度，即更新粒子的每个路径节点的速度，更新公式为：
Figure BDA0003013723180000042
其中，惯性系数
Figure BDA0003013723180000043
vi表示第i个路径节点的速度，学习因子c1＝c2＝2.05，r1、r2为介于[0,1]的随机数；
S2.更新粒子位置，即更新粒子的每个路径节点的位置，更新公式为：
Figure BDA0003013723180000051
其中，vx,i，vy,i，vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度；
S3.计算适应度值，所有粒子的速度、位置均更新完毕后，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；确定各粒子的惩罚系数，进而计算各粒子的适应度值；
S4.更新粒子局部、全局最优解，将适应度值最小的粒子位置设为局部最优值，比较当前pbest与gbest的大小，若pbest小于gbest，则将pbest赋值给gbest，反之，不更新gbest；
S5.重复运行S1～S4，直至满足粒子优化终止条件后，准备输出规划结果。
进一步，所述粒子优化终止条件包括以下三种：
(1)迭代超过300代后，全局最优粒子未更新；
(2)粒子适应度值改善程度小于某值；
(3)达到设置迭代次数最大值。
本发明所达到的有益效果为：
本发明采用了粒子群优化算法，根据不同的优化评价指标，包括安全性、经济性、隐蔽性，结合水深、海流或透明度数据，通过在适应度函数中增加惩罚的方式，满足UUV航行约束，自动躲避岛屿与人工障碍物，实现目标航路规划。本发明适用于多约束多指标场景下的UUV三维航路规划，可用度高，实用性强。
附图说明
图1是本方法流程图。
图2是粒子群优化算法流程图。
具体实施方式
为便于本领域的技术人员理解本发明，下面结合附图说明本发明的具体实施方式。
如图1～2所示，本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法，包括以下步骤：
S1.导入数据，导入规划航行区间内的网格数据、导入航路规划起始点、终止点坐标及水深、导入人工障碍物数据，并获取约束参数；其中，所述网格数据包括水深、海流、透明度数据，所述网格数据是从以往绘制的海图中获取的；所述人工障碍物包括圆柱体、五角柱；所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
S2.路径起始、终止点约束判断，判断起始、终止点处的水深是否满足UUV垂向安全距离、极限深度的要求；判断起始点处的海流流速是否小于UUV可承受最大抗流速度；判断起始、终止点是否陷入人工障碍物、岛屿；
S3.确定适应度函数，根据不同的优化评价指标(安全性、隐蔽性、经济性)，确定适应度函数，所述适应度函数包括以下两种：
(1)当优化评价指标为安全性、安全性与隐蔽性时，适应度函数为：
S＝min(C*D)
S为适应度值；
C为路径经过岛、人工障碍物、不满足约束参数的惩罚，C＝δk；
D为规划路径欧式距离，
Figure BDA0003013723180000061
其中，k为不满足约束的计数，惩罚系数
Figure BDA0003013723180000062
n为路径节点的个数，xi,yi,zi为路径中节点i的坐标；
(2)当优化评价指标为安全性与经济性时，适应度函数为：
S＝min(C*T)
T为UUV走完规划航行路径所花费的时间，
Figure BDA0003013723180000071
其中，
Figure BDA0003013723180000072
为UUV航行速度，
Figure BDA0003013723180000073
为节点i处的海流速度。
S4.路径起始、终止点透明度判断，当优化评价指标包含隐蔽性时，还需要判断起始、终止点处的水深是否大于网格内的水深透明度数据，只有水深达到一定程度时，才能保证UUV全程隐蔽航行，才能保证UUV不被发现；
S5.粒子群初始化，设粒子群算法的解空间为L＝[l1,l2,l3,...,lm](L表示粒子群的解空间，l1、l2…lm表示第一、第二…第m个粒子的解)，其中m为粒子群的种群个数，每个粒子代表一条规划路径，每条路径包括若干个路径节点。种群个数及路径节点数量的选择将极大的影响算法的执行效率，因此经过多次实验择优选取，所述粒子群的种群个数为300个，所述路径包含7个路径节点，起始点与终止点包括在7个路径节点内。
其中每个路径节点包括三个维度：经度、纬度、水深，粒子群初始化是指路径节点的经度、纬度、水深的初始化，当一个粒子的7个路径节点全部初始化后，这个粒子也就被初始化了。所述粒子群初始化的方法包括：
(1)完全随机初始化的初始化公式为：
Figure BDA0003013723180000074
其中，xi,yi,zi表示第i个路径节点的经度、纬度、水深坐标，xs,ys,zs为路径起始点坐标，rand()为随机数，Xmin,Xmax为规划范围最小、最大经度值，Ymin,Ymax为规划范围最小、最大纬度值，Zmin,Zmax为x,y坐标点处可选最小、最大水深；此外，粒子速度在三个方向上进行随机初始化。
粒子初始化时，首先要初始化粒子的位置，然后要初始化粒子的速度。所述粒子位置的初始化就是将一个路径中除初始、终止点外的5个路径节点采用上述公式逐一随机初始化，这样便完成了一个粒子位置初始化，之后不断循环这个过程，直至所有粒子位置均完成初始化。所述粒子速度初始化就是为一个粒子的每个路径节点在经度、纬度、水深三个方向上赋值一个极小值，不断重复这个过程，直至完成所有粒子速度的初始化。
(2)非完全随机初始化的方法包括以下步骤：
1)获取跨度大的维度，将一个粒子的起始点的经度与终止点的经度相减，再将起始点的纬度与终止点的纬度相减，比较两个差值的绝对值大小，获取差值大的维度；
2)跨度大的维度初始化，粒子位置在差值大的维度上进行等分初始化，即将一个粒子的7个路径节点按顺序在这个维度上进行排列，使相邻两个路径节点投影在跨度大的维度上的距离相等；
3)其余方向初始化，粒子位置在剩余的维度上进行随机初始化；
4)粒子速度初始化，将节点速度在跨度大的维度上的分速度设置为0，其余方向上的分速度随机初始化。
以上两种初始方法各有优缺点，完全随机初始化的解不均匀，粒子寻优速度慢，但是在路径中存在较大障碍物时，粒子群能寻到比较好的解。非完全随机初始化的解比较均匀，在中间无障碍物或障碍物比较容易绕开时，得到的解很好，但是在路径间存在较大的障碍物，会寻不到可行解。因此，本方法首先选用非完全随机初始化的方式进行初始化。
S6.计算适应度值，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；从而根据不满足条件的数量确定k值，确定各粒子的惩罚系数，进而计算每个粒子的适应度值；
(1)检查是否穿越岛屿
检查路径节点间的线段是否穿越水深数据为0的网格，若存在，则路径穿越岛屿；反之，路径未穿越岛屿。
(2)检查是否穿越人工障碍物
检查穿越圆柱障碍物：
首先将圆柱体与路径节点线段投影在XY平面上，判断圆心到线段的距离，若大于圆柱体的半径，则未穿越障碍物。小于则进行下步判断：若圆柱体高度不小于圆心所在网格内水深，则穿越障碍物；反之，将圆柱体与路径节点线段投影在XZ平面上，检查线段与长方形是否相交，进而判断是否穿越障碍物。
检查是否穿越五边形障碍物：
首先将五角柱与路径节点线段投影在XY平面上，进行快速排斥实验和跨立实验确定线段和五边形是否有交点，若五条边均没有交点，则判为没有穿越障碍；反之，计算交点的Z轴坐标，并计算其与五角体上表面的竖直距离，判断是否穿越障碍物。
S7.设置pbest、gbest初始值，将适应度值最小的粒子位置作为pbest、gbest的初始化值，其中pbest、gbest分别为粒子局部、全局最优解；
S8.运行粒子群优化算法，更新粒子局部、全局最优解；所述粒子群优化算法具体包括以下步骤：
(1)更新粒子速度，即更新粒子的每个路径节点的速度，更新公式为：
Figure BDA0003013723180000091
其中，惯性系数
Figure BDA0003013723180000101
vi表示第i个路径节点的速度，学习因子c1＝c2＝2.05，r1、r2为介于[0,1]的随机数；
(2)更新粒子位置，即更新粒子的每个路径节点的位置，更新公式为：
Figure BDA0003013723180000102
其中，vx,i，vy,i，vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度；
(3)计算适应度值，所有粒子的速度、位置均更新完毕后，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；确定各粒子的惩罚系数，进而计算各粒子的适应度值；
(4)更新粒子局部、全局最优解，计算各粒子的适应度值，将适应度值最小的粒子位置设为局部最优值，比较当前pbest与gbest的大小，若pbest小于gbest，则将pbest赋值给gbest，反之，不更新gbest。
(5)重复运行步骤1～步骤4，直至满足粒子优化终止条件后，准备输出规划结果。其中，所述粒子优化终止条件包括以下三种：
1)迭代超过300代后，全局最优粒子未更新；
2)粒子适应度值改善程度小于某值；
3)达到设置迭代次数最大值。
S9.输出规划结果，取得上述步骤最终求解的gbest，再次进行是否穿越岛屿、人工障碍物判断及约束参数判断，若无异常，则将此gbest作为最终结果输出；若有异常，首先判断是否达到最大运行次数，达到便直接输出结果，结束本次流程，以便于节省时间；如果没达到最大运行次数，那么首先使用完全随机初始化的方法进行粒子群初始化，然后进行S6～S9。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (7)

1.基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：包括以下步骤：
S1.导入数据，导入规划航行区间内的网格数据、导入航路规划起始点及终止点的三维坐标、导入人工障碍物数据，并获取约束参数；
S2.路径起始、终止点约束判断，判断起始点及终止点处的深度是否均满足UUV垂向安全距离和极限深度的要求；判断起始点处的海流流速是否小于UUV可承受最大抗流速度；判断起始、终止点是否陷入人工障碍物、岛屿；
S3.确定适应度函数，根据不同的优化评价指标，确定适应度函数，所述优化评价指标包括安全性、隐蔽性、经济性；所述适应度函数包括以下两种：
(1)当优化评价指标为安全性、安全性与隐蔽性时，适应度函数为：
S＝min(C*D)
S为适应度值；
C为路径经过岛、人工障碍物、不满足约束参数的惩罚，C＝δk；
D为规划路径欧式距离，
Figure FDA0003683174080000011
其中，k为不满足约束的计数，惩罚系数
Figure FDA0003683174080000012
n为路径节点的个数，xi,yi,zi为路径中节点i的坐标；
(2)当优化评价指标为安全性与经济性时，适应度函数为：
S＝min(C*T)
T为UUV走完规划航行路径所花费的时间，
Figure FDA0003683174080000013
其中，
Figure FDA0003683174080000014
为UUV航行速度，
Figure FDA0003683174080000015
为节点i处的海流速度；
S4.路径起始、终止点透明度判断，当优化评价指标包含隐蔽性时，还需要判断起始、终止点处的深度是否大于网格内的水深透明度数据；
S5.粒子群初始化，设粒子群算法的解空间为L＝[l1,l2,l3,...,lm]，其中m为粒子群的种群个数，每个粒子代表一条规划路径，每条路径包括若干个路径节点，每个路径节点包括三个维度：经度、纬度和深度；粒子群初始化是指路径节点的经度、纬度、深度的初始化，所述粒子群初始化的方法包括完全随机初始化、非完全随机初始化，首先使用非完全随机初始化进行粒子群初始化；
S6.计算适应度值，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；确定各粒子的惩罚系数，进而计算每个粒子的适应度值；
S7.设置pbest、gbest初始值，将适应度值最小的粒子位置作为pbest、gbest的初始化值，其中pbest、gbest分别为粒子局部、全局最优解；
S8.运行粒子群优化算法，更新粒子局部、全局最优解；
S9.输出规划结果，取得上述步骤最终求解的gbest，再次进行是否穿越岛屿、人工障碍物判断及是否满足约束参数判断，若无异常，则将此gbest作为最终结果输出；反之，首先使用完全随机初始化的方法进行粒子群初始化，然后进行S6～S9。
2.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述网格数据包括水深、海流、透明度；所述人工障碍物包括圆柱体、五角柱；所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
3.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述粒子群的种群个数为300个，所述路径包含7个路径节点。
4.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述完全随机初始化的初始化公式为：
Figure FDA0003683174080000031
其中，xi,yi,zi表示第i个路径节点的经度、纬度、深度坐标，xs,ys,zs为路径起始点坐标，rand()为随机数，Xmin,Xmax为规划范围最小、最大经度值，Ymin,Ymax为规划范围最小、最大纬度值，Zmin,Zmax为x,y坐标点处可选最小、最大深度；此外，粒子速度在三个方向上进行随机初始化。
5.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述非完全随机初始化的方法包括以下步骤：
S1.获取跨度大的维度，将一个粒子的起始点的经度与终止点的经度相减，再将起始点的纬度与终止点的纬度相减，比较两个差值的绝对值大小，获取差值大的维度；
S2.跨度大的维度初始化，粒子位置在差值大的维度上进行等分初始化；
S3.其余方向初始化，粒子位置在剩余的维度上进行随机初始化；
S4.粒子速度初始化，将节点速度在跨度大的维度上的分速度设置为0，其余方向上的分速度随机初始化。
6.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述粒子群优化算法具体包括以下步骤：
S1.更新粒子速度，即更新粒子的每个路径节点的速度，更新公式为：
Figure FDA0003683174080000032
|vi|≤0.1*边界最大值其中，惯性系数
Figure FDA0003683174080000033
vi表示第i个路径节点的速度，学习因子c1＝c2＝2.05，r1、r2为介于[0,1]的随机数；
S2.更新粒子位置，即更新粒子的每个路径节点的位置，更新公式为：
Figure FDA0003683174080000041
其中，vx,i，vy,i，vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度；
S3.计算适应度值，所有粒子的速度、位置均更新完毕后，检查各路径是否穿越岛屿、人工障碍物，是否满足约束参数；确定各粒子的惩罚系数，进而计算各粒子的适应度值；
S4.更新粒子局部、全局最优解，将适应度值最小的粒子位置设为局部最优值，比较当前pbest与gbest的大小，若pbest小于gbest，则将pbest赋值给gbest，反之，不更新gbest；
S5.重复运行S1～S4，直至满足粒子优化终止条件后，准备输出规划结果。
7.根据权利要求6所述的基于海洋环境信息的UUV多指标约束三维航路规划方法，其特征在于：所述粒子优化终止条件包括以下三种：
(1)迭代超过300代后，全局最优粒子未更新；
(2)粒子适应度值改善程度小于某值；
(3)达到设置迭代次数最大值。
CN202110387253.9A 2021-04-09 2021-04-09 基于海洋环境信息的uuv多指标约束三维航路规划方法 Active CN113124873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110387253.9A CN113124873B (zh) 2021-04-09 2021-04-09 基于海洋环境信息的uuv多指标约束三维航路规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110387253.9A CN113124873B (zh) 2021-04-09 2021-04-09 基于海洋环境信息的uuv多指标约束三维航路规划方法

Publications (2)

Publication Number Publication Date
CN113124873A CN113124873A (zh) 2021-07-16
CN113124873B true CN113124873B (zh) 2022-08-16

Family

ID=76775875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110387253.9A Active CN113124873B (zh) 2021-04-09 2021-04-09 基于海洋环境信息的uuv多指标约束三维航路规划方法

Country Status (1)

Country Link
CN (1) CN113124873B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117608200B (zh) * 2024-01-23 2024-05-10 山东科技大学 一种海洋航行器路径规划方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN107356254A (zh) * 2017-06-07 2017-11-17 东南大学 适用于地磁辅助导航航迹规划的粒子群优化方法
CN109141438A (zh) * 2018-10-18 2019-01-04 合肥工业大学 一种叉车全局路径规划方法
CN110181508A (zh) * 2019-05-09 2019-08-30 中国农业大学 水下机器人三维航路规划方法及系统
CN111174794A (zh) * 2020-03-12 2020-05-19 青岛蓝海未来海洋科技有限责任公司 基于改进粒子群算法的无人艇路径规划方法及系统
CN111307158A (zh) * 2020-03-19 2020-06-19 哈尔滨工程大学 一种auv三维航路规划方法
CN111857140A (zh) * 2020-07-07 2020-10-30 智慧航海（青岛）科技有限公司 一种基于航道信息的全局路径规划方法
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970648B (zh) * 2017-04-19 2019-05-14 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN107356254A (zh) * 2017-06-07 2017-11-17 东南大学 适用于地磁辅助导航航迹规划的粒子群优化方法
CN109141438A (zh) * 2018-10-18 2019-01-04 合肥工业大学 一种叉车全局路径规划方法
CN110181508A (zh) * 2019-05-09 2019-08-30 中国农业大学 水下机器人三维航路规划方法及系统
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统
CN111174794A (zh) * 2020-03-12 2020-05-19 青岛蓝海未来海洋科技有限责任公司 基于改进粒子群算法的无人艇路径规划方法及系统
CN111307158A (zh) * 2020-03-19 2020-06-19 哈尔滨工程大学 一种auv三维航路规划方法
CN111857140A (zh) * 2020-07-07 2020-10-30 智慧航海（青岛）科技有限公司 一种基于航道信息的全局路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
UUV Dynamic Path Planning and Trap Escape Strategies in Unknown Environment;ZHANG Xuelian;《Proceedings of the 35th Chinese Control Conference》;20160829;全文 *
水下无人潜航器集群发展现状及关键技术综述;张伟，等;《哈尔滨工程大学学报》;20200228;第41卷(第02期);全文 *

Also Published As

Publication number Publication date
CN113124873A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN109375625B (zh) 一种基于快速搜索遗传算法的智能船舶路径规划方法
CN108564202B (zh) 一种基于环境预报信息的无人艇航线优化方法
CN108871351B (zh) 一种auv海底地形匹配的动态路径规划方法
CN112747736B (zh) 一种基于视觉的室内无人机路径规划方法
CN108334677B (zh) 一种基于gru网络的uuv实时避碰规划方法
CN111307158B (zh) 一种auv三维航路规划方法
CN111338350A (zh) 基于贪婪机制粒子群算法的无人船路径规划方法及系统
CN105913469B (zh) 基于骨架图的tf/ta2航迹规划方法
CN108489491A (zh) 一种水下自主航行器的三维航迹智能规划方法
CN110095120A (zh) 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法
CN113342008B (zh) 一种海空协同水下目标追踪的路径规划系统及方法
CN111338356A (zh) 改进分布式遗传算法的多目标无人船避碰路径规划方法
CN109765890B (zh) 一种基于遗传算法的多usv群体协同避碰规划方法
CN111665846B (zh) 一种基于快速扫描法的水面无人艇路径规划方法
CN108762280A (zh) 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法
CN113124873B (zh) 基于海洋环境信息的uuv多指标约束三维航路规划方法
CN113610312A (zh) 基于改进遗传算法的船舶航行实时最优航线规划方法
CN113032896B (zh) 一种基于船舶驾驶员偏好的避碰辅助决策方法
CN112859864A (zh) 一种面向无人船的几何路径规划方法
KR20200094644A (ko) V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN115248591B (zh) 基于混合初始化灰狼粒子群算法的uuv路径规划方法
JP6810432B2 (ja) 物体の条件に応じてモードを切り換えることができるｃｎｎ基盤で軍事目的、スマートフォン又は仮想走行に使用される疑似３ｄバウンディングボックスを検出する方法及びこれを利用した装置
CN111412918B (zh) 无人艇全局安全路径规划方法
Shan Study on submarine path planning based on modified ant colony optimization algorithm
CN115342821A (zh) 一种复杂未知环境下的无人车导航代价地图构建方法

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