CN113283181B - 一种障碍物和海流环境中多auv快速围捕方法 - Google Patents
一种障碍物和海流环境中多auv快速围捕方法 Download PDFInfo
- Publication number
- CN113283181B CN113283181B CN202110720591.XA CN202110720591A CN113283181B CN 113283181 B CN113283181 B CN 113283181B CN 202110720591 A CN202110720591 A CN 202110720591A CN 113283181 B CN113283181 B CN 113283181B
- Authority
- CN
- China
- Prior art keywords
- trapping
- auv
- output value
- neuron
- ocean current
- 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
- 238000001926 trapping method Methods 0.000 title claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明公开了一种障碍物和海流环境中多AUV快速围捕方法,包括步骤:获取障碍物、海流和AUV航速的信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值;基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟;利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕占位点;综合海流速度和AUV航行速度,以栅格间AUV最短航行时间计算神经网络模型的输出值,形成海流环境下围捕路径的规划。本发明的方法在多AUV进行围捕作业时考虑了水下海流影响,提高了规划路径效率,减少了围捕所需时间。
Description
技术领域
本发明涉及机器人技术领域,特别是涉及一种障碍物和海流环境中多AUV快速围捕方法。
背景技术
我国海岸线漫长,领海的安全管控至关重要。建立快速、可靠的水下目标围捕方法,加强水下防御体系。自主水下机器人(AUV:Autonomous Underwater Vehicle)具有强自主作业的能力,活动范围广,灵活、轻便,是围捕水下智能入侵设备的首要乃至唯一选择。多AUV快速围捕包含了多AUV多任务分配构建障碍物、海流环境下高效率的围捕联盟,而后规划快速追捕路径两个阶段。
在围捕联盟生成阶段,主要开展多AUV多任务分配,将多个围捕任务分配给多个水下机器人。传统的集中式分配算法仅适用于静态环境、少量机器人的离线任务分配,而分布式围捕联盟生成方法主要集中在基于市场机制和基于优化的算法。其中,基于市场机制的组合拍卖算法可以实现多目标围捕任务的竞标拍卖,形成围捕联盟;基于优化的算法通过迭代优化建立目标函数从而接近全局最优。然而,这些方法均未在围捕联盟生成过程中考虑水下障碍物和海流的特殊性,并不能形成高效率的围捕联盟。一些研究中,使用快速行进算法预测围捕时间,而后通过竞争分配围捕任务的算法考虑了障碍物对围捕进程影响,但该算法仍未在围捕联盟生成过程中考虑水下海流的特殊性。
追捕路径规划算法主要分为环境信息已知的离线全局规划以及基于传感器的部分环境信息的在线局部规划。其中,全局规划包含随机树算法、图搜索算法、遗传算法、粒子群优化和人工势场等,由于需要完整的全局环境信息,一般用于离线规划,很难用于动态未知环境中实时在线规划;局部规划包括基于障碍物距离的反应式导航、基于速度障碍物的避碰方法等,其规划的结果往往不是最优的,甚至可能陷入局部极小点,并且这些算法采用距离为路径规划的优化目标,没有考虑到海流的影响。
发明内容
本发明的目的是提供一种障碍物和海流环境中多AUV快速围捕方法,在多AUV进行围捕作业时考虑了水下海流影响,提高了规划路径效率,减少了围捕所需时间。
为实现上述目的,本发明提供了如下方案:
一种障碍物和海流环境中多AUV快速围捕方法,包括步骤:
S1)获取障碍物和海流信息以及AUV航速信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值;
S2)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟;
S3)围捕联盟生成后,利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕占位点;所述围捕占位点处在可变包围圈上;
S4)围捕占位点分配完成后,综合海流速度和AUV航行速度,以栅格间AUV最短航行时间计算神经网络模型的输出值,形成海流环境下围捕路径的规划。
可选的,步骤S1)所述获取障碍物和海流信息以及AUV航速信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值,具体步骤包括:
S101)通过卫星、高频表面波雷达、声呐获取障碍物和海流信息以及AUV航速信息;
S102)利用神经网络的神经元输出值计算公式计算多AUV分别所在神经元到达各目标神经元的输出值,所述神经元输出值计算公式为:
式中:yj(t)为神经元输出值;
wji为神经元相互作用的权重值,其中,γ为权重大小的调节参数,γ>0;r0为神经元的交互半径;/>而/> 为海流速度,/>为AUV相对海流的额定速度,tj为在海流影响下从栅格j到栅格i所需的时间;
Ej为栅格j的本地激励,v为正激励,-v为负激励,0为无激励;
f(x)为分段函数,f(x)的输入变量为周边最大神经元输出值与本地激励Ej的和。
可选的,步骤S2)所述基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟,具体包括步骤:
S201)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,模型的表达式为
模型中:tn为围捕目标的个数,yij为第j个AUV到第i个围捕目标的神经元输出值,其值越大表明所需围捕时间越少;模型中的限制条件为
限制条件中:AUVn为AUV的个数,teamNum为一个围捕团队需要的AUV个数,tn为所需围捕目标的个数;
S202)使用贪婪算法分配围捕任务,形成初始任务分配矩阵CDistribute,所述任务分配矩阵CDistribute=zeros(tn,AUVn),CDistribute为tn行、AUVn列的矩阵;获取每个AUV到达目标i的神经元输出值,填入向量trow中,并降序排序;对trow的前teamNum数求和;寻找trow的前teamNum数求和的最大值,并确定所对应的需要围捕的目标;为该目标分配teamNum个神经元输出值最大的AUV;
S203)对贪婪算法生成的任务分配矩阵CDistribute进行随机的列交换,生成n个遗传算法的初始种群;对初始种群的每个个体根据对目标函数的适应度进行选择、交叉、变异操作,生成新的个体,并考察新个体对目标函数的适应性;以一定的概率让优化的子代个体代替父代个体,形成更优种群,最终生成围捕联盟。
可选的,步骤S3)所述围捕联盟生成后,利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕任务,所述围捕占位点处在可变包围圈上,具体步骤包括:
S301)在围捕联盟中的AUV未形成可变包围圈时,将可变包围圈的半径设置为2个栅格;在围捕联盟中所有AUV均在2个栅格的可变包围圈上时,将可变包围圈的半径设置缩小为1个栅格,对围捕占位点位置进行选定;
S302)根据海流和AUV位置信息,选取最难到达的围捕占位点,假设其索引为i,对围捕占位点i分配能最快到达的AUV,假设索引为j,wAUVsIndexes(i,j)=1,重复该步骤,直到所有围捕占位点均完成分配。
可选的,步骤S3)中所述围捕占位点指定的是近邻的顺流AUV。
可选的,步骤S4)中所述海流环境下围捕路径是AUV找寻其周边最大神经元输出值所形成的路径。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明克服现有围捕联盟生成算法对水下环境特殊性考虑不充分的问题,提出一种新颖的神经网络结构,对地图栅格化,每个栅格均有一个神经元,并计算神经元输出值,利用神经元输出值预计机器人到达目标的时间,在输出值中考虑障碍物和海流对围捕进程的影响;而后基于神经元输出值,提出一种将贪婪算法与遗传算法相结合的多AUV多任务分配方法,解决多障碍物和海流环境下的围捕联盟生成问题;最后再次利用神经元输出值,寻找AUV的前进方向,完成最短时间的路径规划,可让AUV有效利用海流缩短追捕时间,克服了传统的基于距离路径规划算法不适用于海流和多障碍物环境的问题。总之,本方法不仅可以有效解决围捕联盟生成过程中水下环境特殊性考虑不充分的问题,而且可以提高规划路径的效率,减少围捕所需的时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例障碍物和海流环境中多AUV快速围捕方法的流程图;
图2为本发明实施例围捕联盟生成算法的总体框架图;
图3为本发明实施例围捕占位点选择和分配的示意图;
图4为本发明实施例采用的神经网络结构图;
图5a为本发明实施例环形海流环境下所提算法完成快速围捕的结果图;
图5b为本发明实施例环形海流环境下基于快速行进算法任务分配与GBNN神经动力学模型路径规划完成的围捕结果图;
图5c为本发明实施例环形海流环境下基于距离的任务分配与GBNN神经动力学模型路径规划完成的围捕结果图;
图6a为本发明实施例非环形海流环境下所提算法完成快速围捕的结果图;
图6b为本发明实施例非环形海流环境下基于快速行进算法任务分配与GBNN神经动力学模型路径规划完成的围捕结果图;
图6c为本发明实施例非环形海流环境下基于距离的任务分配与GBNN神经动力学模型路径规划完成的围捕结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种障碍物和海流环境中多AUV快速围捕方法,在多AUV进行围捕作业时考虑了水下海流影响,提高了规划路径效率,减少了围捕所需时间。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明包含了构建障碍物、海流环境下高效率的围捕联盟和规划海流环境下快速追捕路径两个阶段。
如图1所示,本发明实施例提供的障碍物和海流环境中多AUV快速围捕方法,包括步骤:
S1)获取障碍物和海流信息以及AUV航速信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值,以反映障碍物和海流的环境中围捕所需时间,如图2所示;
S2)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,为满足模型约束性要求,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟;神经元输出值考虑了海流对围捕进程的影响,而贪婪算法和遗产算法不仅满足任务分配问题的约束条件,也可获得优化目标函数的任务分配;
S3)围捕联盟生成后,如图3所示,利用地图栅格选定围捕占位点位置,如图4所示,并采用围捕占位点分配算法为团队中的多AUV分配围捕占位点,围捕占位点分配算法首先分配AUV到达最难达到的位置,该位置通常处在AUV前进方向处,恰好可以起到拦截作用;所述围捕占位点处在可变包围圈上;
S4)围捕占位点分配完成后,综合海流速度和AUV航行速度,以栅格间AUV最短航行时间计算神经网络模型的输出值,形成海流环境下围捕路径的规划;神经网络模型寻找AUV周边最大的神经元输出值作为其运动方向,最终形成海流环境下的最短时间路径,在最短时间路径的指引下,AUV快速追捕目标,并实现最后的合围、捕获作业。
步骤S1)所述获取障碍物和海流信息以及AUV航速信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值,具体步骤包括:
S101)通过卫星、高频表面波雷达、声呐获取障碍物和海流信息以及AUV航速信息;
S102)利用神经网络的神经元输出值计算公式计算多AUV分别所在神经元到达各目标神经元的输出值,所述神经元输出值计算公式为:
式中:yj(t)为神经元输出值;
wji为神经元相互作用的权重值,其中:γ为权重大小的调节参数,γ>0;r0为神经元的交互半径;/>而/> 为海流速度,/>为AUV相对海流的额定速度,tj为在海流影响下从栅格j到栅格i所需的时间;
Ej为栅格j本地激励,v为正激励,-v为负激励,0为无激励;
f(x)为分段函数,f(x)的输入变量为周边最大神经元输出值与本地激励Ej的和。
在栅格地图中,每个栅格均含有一个独立的神经元,每个神经元输出值与神经单元交互作用,结合本地激励,由分段函数计算给出,目标栅格的本地激励为正激励,障碍物栅格的本地激励则为负激励,而空闲栅格栅格则无激励。
步骤S2)所述基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟,具体包括步骤:
S201)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,模型的表达式为
模型中:tn为围捕目标的个数,yij为第j个AUV到第i个围捕目标的神经元输出值,其值越大表明所需围捕时间越少;因此,优化目标函数式(多AUV围捕任务分配的数学模型)表示从总共AUVn个AUV中选取AUV组成联盟,围捕tn个目标,使得追捕路径消耗的总时间最小;模型中问题的限制条件为
限制条件中:AUVn为AUV的个数,teamNum为一个围捕团队需要的AUV个数,tn为所需围捕目标的个数;第一个限制条件表示对于第j个AUV在一次时间步循环中最多仅能分配一个围捕任务;第二个限制条件表示对于第i个围捕目标最多仅需teamNum个AUV组成团队进行围捕,Z表示整数;
根据上述围捕任务分配问题的模型,其属于多机器人多任务调度问题,虽已有一些类似的研究,但通常是分配单个AUV单独完成一项任务,而在围捕任务分配中一项任务可能需要4个或者6个AUV同时进行,因此本发明提出将贪婪算法和遗传算法相结合的方式进行围捕任务分配;
S202)使用贪婪算法分配围捕任务,形成初始任务分配矩阵CDistribute,所述任务分配矩阵CDistribute=zeros(tn,AUVn),CDistribute为tn行、AUVn列的矩阵;获取每个AUV到达目标i的神经元输出值,填入向量trow中,并降序排序;对trow的前teamNum数求和;寻找trow的前teamNum数求和的最大值,并确定所对应的需要围捕的目标;为该目标分配teamNum个神经元输出值最大的AUV;
S203)对贪婪算法生成的任务分配矩阵CDistribute进行随机的列交换,生成n个遗传算法的初始种群;对初始种群的每个个体根据对目标函数的适应度进行选择、交叉、变异操作,生成新的个体,并考察新个体对目标函数的适应性;以一定的概率让优化的子代个体代替父代个体,形成更优种群,最终生成围捕联盟。
步骤S2)中基于神经元输出值的综合贪婪算法与遗传算法的围捕联盟生成算法的流程见表1:
表1围捕联盟生成算法的流程
步骤S3)所述围捕联盟生成后,利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕任务,所述围捕占位点处在可变包围圈上,具体步骤包括:
S301)在围捕联盟中的AUV未形成可变包围圈时,将可变包围圈的半径设置为2个栅格;在围捕联盟中所有AUV均在2个栅格的可变包围圈上时,将可变包围圈的半径设置缩小为1个栅格,对围捕占位点位置进行选定;在围捕占位点的指定问题上,指定近邻的顺流AUV拦截围捕目标,防止其逃逸;其他AUV快速选择合适的围捕占位点落位完成最终的围捕作业,提高围捕的成功率;
S302)根据海流和AUV位置信息,选取最难到达的围捕占位点,假设其索引为i,对围捕占位点i分配能最快到达的AUV,假设索引为j,wAUVsIndexes(i,j)=1,重复该步骤,直到所有围捕占位点均完成分配。
步骤S3)中围捕占位点分配算法的流程见表2:
表2围捕占位点分配算法的流程
步骤S4)中所述海流环境下围捕路径是AUV找寻其周边最大神经元输出值所形成的路径。
图5a至图6c为围捕仿真的结果图,其中箭头表示海流大小和方向,黑色区域表示障碍物,障碍物外围的区域是为更好地防撞而设置的虚拟障碍物扩大栅格,圆圈表示围捕目标,加粗的圆圈处表示目标被成功围捕的地方,各种不同形状的符号表示AUV1-AUV8;仿真中,假设每个栅格的边长为1m,围捕目标速度1m/s,AUV速度2m/s,海流最大流速为0.8m/s情况下的围捕仿真结果图。其中:
1、环形海流作用下的围捕对比
图5a在25.94秒时成功围捕1号逃逸机器人(Ev1),在32.71秒时成功围捕2号逃逸机器人(Ev2);图5b在34.14秒时成功围捕1号逃逸机器人(Ev1),在41.24秒时成功围捕2号逃逸机器人(Ev2);图5c在48.95秒时成功围捕1号逃逸机器人(Ev1),在56.39秒时成功围捕2号逃逸机器人(Ev2)。
2、非环形海流作用下的围捕对比
图6a在37.08秒时成功围捕1号逃逸机器人(Ev1),在31.01秒时成功围捕2号逃逸机器人(Ev2);图6b在39.10秒时成功围捕1号逃逸机器人(Ev1),在31.60秒时成功围捕2号逃逸机器人(Ev2);图6c在46.78秒时成功围捕1号逃逸机器人(Ev1),在39.90秒时成功围捕2号逃逸机器人(Ev2)。
通过上述对比可以看出,不论是环形海流作用下的围捕对比,还是非环形海流作用下的围捕对比,本发明所设计的算法均比快速行进算法和基于距离的任务分配算法结合GBNN神经网络路径规划的结果好,能快速完成围捕任务。
本发明克服现有围捕联盟生成算法对水下环境特殊性考虑不充分的问题,提出一种新颖的神经网络结构,对地图栅格化,每个栅格均有一个神经元,并计算神经元输出值,利用神经元输出值预计机器人到达目标的时间,在输出值中考虑障碍物和海流对围捕进程的影响;而后基于神经元输出值,提出一种将贪婪算法与遗传算法相结合的多AUV多任务分配方法,解决多障碍物和海流环境下的围捕联盟生成问题;最后再次利用神经元输出值,寻找AUV的前进方向,完成最短时间的路径规划,可让AUV有效利用海流缩短追捕时间,克服了传统的基于距离路径规划算法不适用于海流和多障碍物环境的问题。总之,本方法不仅可以有效解决围捕联盟生成过程中水下环境特殊性考虑不充分的问题,而且可以提高规划路径的效率,减少围捕所需的时间。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种障碍物和海流环境中多AUV快速围捕方法,其特征在于,包括步骤:
S1)获取障碍物和海流信息以及AUV航速信息,利用神经网络计算多AUV分别所在神经元到达各目标神经元的输出值;具体步骤包括:
S101)通过卫星、高频表面波雷达、声呐获取障碍物和海流信息以及AUV航速信息;
S102)利用神经网络的神经元输出值计算公式计算多AUV分别所在神经元到达各目标神经元的输出值,所述神经元输出值计算公式为:
式中:yj(t)为神经元输出值;
wji为神经元相互作用的权重值,其中:γ为权重大小的调节参数,γ>0;r0为神经元的交互半径;/>而/> 为海流速度,/>为AUV相对海流的额定速度,tj为在海流影响下从栅格j到栅格i所需的时间;
Ej为栅格j的本地激励,v为正激励,-v为负激励,0为无激励;
f(x)为分段函数,f(x)={α·x,0<x<1,α>0,f(x)的输入变量为周边最大神经元输出值与本地激励Ej的和;
S2)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,并利用贪婪算法初始化围捕任务分配,之后利用遗传算法优化围捕任务分配的目标函数,生成围捕联盟;具体包括步骤:
S201)基于各目标神经元的输出值,建立多AUV围捕任务分配的数学模型,模型的表达式为
模型中:tn为围捕目标的个数,yij为第j个AUV到第i个围捕目标的神经元输出值,其值越大表明所需围捕时间越少;模型中的限制条件为
限制条件中:AUVn为AUV的个数,teamNum为一个围捕团队需要的AUV个数,tn为所需围捕目标的个数;
S202)使用贪婪算法分配围捕任务,形成初始任务分配矩阵CDistribute,所述任务分配矩阵CDistribute=zeros(tn,AUVn),CDistribute为tn行、AUVn列的矩阵;获取每个AUV到达目标i的神经元输出值,填入向量trow中,并降序排序;对trow的前teamNum数求和;寻找trow的前teamNum数求和的最大值,并确定所对应的需要围捕的目标;为该目标分配teamNum个神经元输出值最大的AUV;
S203)对贪婪算法生成的任务分配矩阵CDistribute进行随机的列交换,生成n个遗传算法的初始种群;对初始种群的每个个体根据对目标函数的适应度进行选择、交叉、变异操作,生成新的个体,并考察新个体对目标函数的适应性;以一定的概率让优化的子代个体代替父代个体,形成更优种群,最终生成围捕联盟;
S3)围捕联盟生成后,利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕占位点;所述围捕占位点处在可变包围圈上;
S4)围捕占位点分配完成后,综合海流速度和AUV航行速度,以栅格间AUV最短航行时间计算神经网络模型的输出值,形成海流环境下围捕路径的规划。
2.根据权利要求1所述的障碍物和海流环境中多AUV快速围捕方法,其特征在于,步骤S3)所述围捕联盟生成后,利用地图栅格选定围捕占位点位置,并采用围捕占位点分配算法为团队中的多AUV分配围捕任务,所述围捕占位点处在可变包围圈上,具体步骤包括:
S301)在围捕联盟中的AUV未形成可变包围圈时,将可变包围圈的半径设置为2个栅格;在围捕联盟中所有AUV均在2个栅格的可变包围圈上时,将可变包围圈的半径设置缩小为1个栅格,对围捕占位点位置进行选定;
S302)根据海流和AUV位置信息,选取最难到达的围捕占位点,假设其索引为i,对围捕占位点i分配能最快到达的AUV,假设索引为j,wAUVsIndexes(i,j)=1,重复该步骤,直到所有围捕占位点均完成分配。
3.根据权利要求1所述的障碍物和海流环境中多AUV快速围捕方法,其特征在于,步骤S3)中所述围捕占位点指定的是近邻的顺流AUV。
4.根据权利要求1所述的障碍物和海流环境中多AUV快速围捕方法,其特征在于,步骤S4)中所述海流环境下围捕路径是AUV找寻其周边最大神经元输出值所形成的路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720591.XA CN113283181B (zh) | 2021-06-28 | 2021-06-28 | 一种障碍物和海流环境中多auv快速围捕方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720591.XA CN113283181B (zh) | 2021-06-28 | 2021-06-28 | 一种障碍物和海流环境中多auv快速围捕方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283181A CN113283181A (zh) | 2021-08-20 |
CN113283181B true CN113283181B (zh) | 2024-02-27 |
Family
ID=77285777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720591.XA Active CN113283181B (zh) | 2021-06-28 | 2021-06-28 | 一种障碍物和海流环境中多auv快速围捕方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283181B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
CN116205464B (zh) * | 2023-03-21 | 2023-11-24 | 哈尔滨工程大学 | 一种基于扩展一致性束算法的多障碍物环境下水面多无人艇任务分配方法 |
CN116520851B (zh) * | 2023-06-01 | 2023-09-22 | 清华大学 | 物体围捕方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337931A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
JP2021034050A (ja) * | 2019-08-21 | 2021-03-01 | 哈爾浜工程大学 | 強化学習に基づくauv行動計画及び動作制御方法 |
-
2021
- 2021-06-28 CN CN202110720591.XA patent/CN113283181B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021034050A (ja) * | 2019-08-21 | 2021-03-01 | 哈爾浜工程大学 | 強化学習に基づくauv行動計画及び動作制御方法 |
CN111337931A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
Non-Patent Citations (1)
Title |
---|
王宏健 ; 熊伟 ; 陈子印 ; 王晶 ; .多自主水下航行器区域搜索与协同围捕方法研究.中国造船.2010,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113283181A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283181B (zh) | 一种障碍物和海流环境中多auv快速围捕方法 | |
Zhao et al. | Survey on computational-intelligence-based UAV path planning | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
Xia et al. | Cooperative task assignment and track planning for multi-UAV attack mobile targets | |
Chen et al. | Self-learning exploration and mapping for mobile robots via deep reinforcement learning | |
CN110544296A (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
Chen et al. | Multi-AUV cooperative hunting control with improved Glasius bio-inspired neural network | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN115143970A (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
Li et al. | UAV path planning for target coverage task in dynamic environment | |
CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
Liu et al. | Research on multi-AGVs path planning and coordination mechanism | |
Liu et al. | Multi-uavs cooperative coverage reconnaissance with neural network and genetic algorithm | |
Korablev et al. | Immune approach for neuro-fuzzy systems learning using multiantibody model | |
Yao et al. | Autonomous control method of rotor UAVs for power inspection with renewable energy based on swarm intelligence | |
Li et al. | Vision-based obstacle avoidance algorithm for mobile robot | |
Zhi-Wen et al. | Path planning for UUV in dynamic environment | |
CN112987742B (zh) | 一种机器人路径规划方法和规划系统 | |
Mou et al. | Three-dimensional area coverage with uav swarm based on deep reinforcement learning | |
CN114740849A (zh) | 基于行人步行决策规则的移动机器人自主导航方法及装置 | |
Zhang et al. | Multi-AUV cooperative search method based on dynamic optimal coverage | |
Kermani et al. | Flight path planning using GA and fuzzy logic considering communication constraints | |
Wang et al. | Welding robot path optimization based on hybrid discrete PSO | |
Elkazzaz et al. | Hybrid RRT/DE Algorithm for High Performance UCAV Path Planning | |
Xiang et al. | Enhanced pigeon inspired optimisation approach for Agile Earth observation satellite scheduling |
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 |