CN113325867B - 一种无人航行器搜寻的路径规划方法、装置和无人航行器 - Google Patents
一种无人航行器搜寻的路径规划方法、装置和无人航行器 Download PDFInfo
- Publication number
- CN113325867B CN113325867B CN202110554501.4A CN202110554501A CN113325867B CN 113325867 B CN113325867 B CN 113325867B CN 202110554501 A CN202110554501 A CN 202110554501A CN 113325867 B CN113325867 B CN 113325867B
- Authority
- CN
- China
- Prior art keywords
- search
- path
- target
- area
- optimal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000007797 corrosion Effects 0.000 claims abstract description 21
- 238000005260 corrosion Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000010408 sweeping Methods 0.000 claims abstract description 8
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 49
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 4
- 230000009429 distress Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101150072531 10 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007704 transition 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人航行器搜寻的路径规划方法、装置和无人航行器属于海上智能搜救技术领域,所述方法包括:S1:采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;利用高斯混合模型GMM对粒子初始分布进行聚类分析,进而基于腐蚀膨胀的置信椭圆算法确定最佳粒子包含概率对应的目标搜寻区域;S2:建立适应边界特征的欠驱动无人航行器转向数学模型,确定出转向非工作路径;S3:基于双重归一化的多目标搜寻规划算法优化全局搜寻发现概率和搜寻总路径,得到区域覆盖最佳路径规划策略。本发明提出搜寻区域确定方法,并改进经典平行线扫海搜寻策略实现区域搜寻规划,在投入有限搜寻力量的前提下提高遇险人员的搜寻成功概率。
Description
技术领域
本发明属于海上智能搜救技术领域,更具体地,涉及一种无人航行器搜寻的路径规划方法、装置和无人航行器。
背景技术
现有搜寻力量在海上突发事故的应急处理与搜寻需求中存在一定不足,有人搜寻力量难以胜任大面积、长时间、危险环境的搜寻作业任务。近年来,随着以无人艇为代表的无人航行器快速发展,该类无人航行器通常具有长距离自主航行能力,对恶劣海况、浅滩水域的适应能力强,为海上目标高效搜寻带来了新的机遇。
在发生海难事故时,为了最大限度地减少生命财产损失,需要准确、快速地估计搜寻区域,选择合适的搜寻规划策略,提高海上搜寻成功率POS(POS=搜寻包含概率POC×搜寻发现概率POD)。准确的搜寻区域划定通常包含两个要求:搜寻区域以尽可能大的概率包含搜寻目标;搜寻区域范围尽可能小,使搜寻力量集中以最短的时间完成对可能性最高的区域搜寻。
现有技术中CN102116705A和CN102221448B等主要采用蒙特卡罗随机粒子仿真法对海上落水人员的漂移概略位置和位移倾向进行合理的预测,但是研究人员对搜寻区域的确定还是面向所有粒子全区域覆盖,一些边缘粒子远离高密度粒子区域,数量不多且分布太发散,不利于搜寻快速性。此外,海上搜寻区域的搜寻路径规划属于区域覆盖最优作业路径研究范畴。专利CN102167038B优化田间作业中拖拉机自动驾驶的路径,实现自动驾驶拖拉机机组对农田作业地块的高效率、全区域覆盖;但是该方法并未采用实际优化算法着眼于全局遍历次序进行深入优化,本质上还是依次按序遍历,只是简单分析转向半径与作业幅宽关系从而对转向模式进行选择。目前在无人艇领域,侧重于点到点类的路径规划与路径寻优,例如CN110442135B着重改进遗传算法的遗传操作过程,实现无人航行器多航路点的路径优化,本质上属于点到点的路径规划范畴,不能简单移植用于区域覆盖类问题的路径优化。
综上可知,现有技术中搜寻区域确定及搜寻路径的规划整体上效率较低,从而影响搜寻成功率。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种无人航行器搜寻的路径规划方法、装置和无人航行器,其目的在于实现基于无人航行器的海上遇险目标的快速、精准搜寻规划,在投入有限搜寻力量的前提下提高遇险人员的搜寻成功概率,由此解决现有技术中搜寻区域确定及搜寻路径的规划整体上效率较低,从而影响搜寻成功率的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种无人航行器搜寻的路径规划方法,包括:
S1:采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;利用高斯混合模型GMM对所述粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳搜寻包含概率POC对应的目标搜寻区域;
S2:建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出所述目标搜寻区域外的转向非工作路径;
S3:利用所述搜寻总路径和搜寻发现概率POD函数构建目标适应度函数,求解所述目标适应度函数得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,所述区域覆盖最佳路径规划用于参数化描述最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
在其中一个实施例中,所述S2包括:
建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定寻线间距s、欠驱动无人航行器转向直径d与转向非工作路径l之间的映射关系;
利用所述映射关系获取所述转向非工作路径。
在其中一个实施例中,所述映射关系为:
在其中一个实施例中,所述S3包括:
S31:利用所述目标搜寻区域几何特征以及搜寻用无人航行器的探测器扫海宽度可建立搜寻工作路径模型,基于所述搜寻工作路径模型将所述工作路径和所述非工作路径进行求和获得搜寻总路径函数;
S32:将所述总路径函数和所述POD函数赋予权重后进行线性叠加得到所述目标适应度函数;
S33:利用双重归一化算子的多目标遗传算法对所述目标适应度函数进行优化求解,得到最短总路径与最大POD对应的所述区域覆盖最佳路径规划策略。
在其中一个实施例中,所述S33包括:
S33-1:依据无人航行器性能预设搜寻步长,从而在搜寻方向角度范围内获取离散搜寻方向角θ一维数组,以及从搜寻线间距范围内获取离散搜寻线间距s一维数组;
S33-2:依次遍历由搜寻方向角和搜寻线间距组合确定的二维矩阵的每一种组合;在每一种组合下,利用双重归一化算子的多目标遗传算法求解,以最短总路径与最大POD为优化目标下的最佳搜寻遍历次序以及对应的目标适应度函数值;
S33-3:从所述二维矩阵中目标适应度函数值最小的组合即可确定目标搜寻区域的覆盖最佳路径规划策略,从而实现全局最短总路径与最大POD。
在其中一个实施例中,所述S33-2之前,所述方法还包括:
设置所述多目标遗传算法对应的最小期望POD,以使所述目标搜寻区域覆盖最佳路径规划策略满足实际任务场景对POD的特殊要求,从而提高总体搜救成功率。
在其中一个实施例中,所述S1中基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳POC对应的目标搜寻区域,包括:
利用所述腐蚀膨胀的置信椭圆算法从所述聚类结果中优选出待定搜寻区域;
通过动态调节腐蚀膨胀系数k1和k2优化所述待定搜寻区域,以使POC和单位面积下粒子数两者达到最大,从而得到所述目标搜寻区域。
按照本发明的另一方面,提供了一种无人航行器搜寻的路径规划装置,包括:
区域确定模块,用于采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;对所述粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳POC对应的目标搜寻区域;
模型建立模块,用于建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出所述目标搜寻区域外的转向非工作路径;
策略制定模块,用于利用搜寻总路径和POD函数构建目标适应度函数,求解所述目标适应度函数得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,所述区域覆盖最佳路径规划用于参数化描述最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
按照本发明的另一方面,提供了一种无人航行器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述无人航行器搜寻的路径规划方法的步骤。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述无人航行器搜寻的路径规划方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)针对遇险目标利用蒙特卡罗生成随机漂移分布特性,设计了一种获取高密度且具有调节功能的腐蚀膨胀确定高概率搜寻区域的方法。常规搜寻区域确定方法,通常采用全包裹规则矩形划定搜寻区域,导致搜寻区域范围大,单位面积粒子数量少,所需投入的搜寻代价高等问题。本发明提出目标搜寻区域确定方法,实现了规则搜寻区域内POC和单位面积粒子数达到最优,从而以最短时间或最少投入确定出可能性最高的目标搜寻区域。该算法还可以根据实际情况动态调节腐蚀膨胀系数改变搜寻区域大小,提高了算法对具体应用的灵活性和适用性。
(2)现有海上搜寻作业方式,采用平行线依次遍历方式进行搜寻规划,搜寻线之间采用直角连接过渡,未能充分考虑搜寻工具转向特性导致的路径损失,使得实际搜寻路径总成本偏高,且实际执行POD低于规划期望POD。本发明结合欠驱动无人航行器的转向特性,建立了一种适应搜寻区域复杂边界特征的欠驱动无人航行器转向数学模型,能够通过优化平行线遍历次序缩短无人航行器覆盖高概率区域时转向非工作路径的长度。
(3)针对现有POD单目标优化的海上搜寻决策方法,本发明通过遗传算法同时实现总路径与POD两者的优化。考虑无人航行器搜寻能力,将搜寻方向角与搜寻线间距两个决策变量离散化,缩小了搜寻决策遍历空间,提高了搜寻寻优效率。最终,采用双重归一化算子的遗传算法求解最优搜寻方向、搜寻线间距以及搜寻线遍历次序。为海上应急搜寻决策提供快速、高效的搜寻决策方法。
附图说明
图1为本发明一实施例中无人航行器搜寻规划方法的流程图;
图2为本发明一实施例中利用蒙特卡罗随机粒子确定的粒子初始分布图;
图3为本发明一实施例中利用GMM进行聚类分析后的结果示意图;
图4为本发明一实施例中利用基于腐蚀膨胀的置信椭圆算法确定的目标搜寻区域的结果示意图;
图5为本发明一实施例中欠驱动无人航行器的转向特性分析图;
图6为本发明一实施例中适应搜寻区域边界特征的搜寻规划示意图;
图7为本发明一实施例中S33-2的流程图;
图8为本发明一实施例中S33-2中遗传算法收敛性的曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一种无人航行器搜寻的路径规划方法,包括:
S1:采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;利用高斯混合模型对粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从聚类结果中确定出最佳POC对应的目标搜寻区域;
S2:建立适应目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出目标搜寻区域外的非工作路径;
S3:利用搜寻总路径和POD函数构建目标适应度函数,求解目标适应度函数优化模型得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,区域覆盖最佳路径规划策略参数化描述包括:最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
针对步骤S1,利用蒙特卡罗随机粒子仿真法对搜寻区域进行划分,实现搜寻区域内POC和单位面积粒子数目达到最优,为无人航行器高效区域搜寻提供有利输入;其工作具体过程如下:
1)获得事故发生的时间、位置、水文气象信息,遇险交通工具的航速、航向、遇险对象等,根据遇险对象类型和风速,参照国际航空和海上搜寻救助手册中风压特性表,得到特定风速下的风压特性参数,包括风压系数、风压偏离角、风压或然误差。在此基础上,利用蒙特卡罗随机粒子仿真法建立粒子初始位置分布如图2所示。例如:事故发生在18:55~18:56之间,位置相对于救援力量当前位置为东向距离1392m,南向距离1064m,航速在8节到12节服从均匀分布,航向在相对于北向80到100度方向,预测时间为半小时。
2)在获得粒子初始位置分布之后,利用GMM算法对粒子进行聚类分析,聚类结果如图3所示。
具体做法:根据第1)步蒙特卡罗随机粒子仿真法产生初始粒子分布特征中粒子整体呈现两类,设定聚类个数参数K=2。之后采用EM算法求取采样数据类别以及对应采样数据模型参数,通过EM算法迭代使得新的聚类中心与上一次聚类中心差值小于0.005以内跳出迭代过程。
3)在聚类分析基础上,采用腐蚀膨胀的置信椭圆确定目标搜寻区域,搜寻区域结果如图4所示。
具体做法:根据第2)步聚类结果,分别求取每一类的数据均值以及对应数据协方差矩阵的特征值和特征向量。通过最大特征向量求出椭圆长轴与x轴夹角θ,然后采用卡方检验在置信度为95%以及自由度为2,动态调整腐蚀膨胀系数(系数k1、k2的范围为0.5-1.5),使得单位面积粒子数以及POC最优,从而保证本次搜寻聚焦高密度区域,达到高效、低投入搜寻目的。
需要补充说明的是,通过该过程获取置信椭圆的中心、长轴、短轴以及椭圆位置。确定置信椭圆的中心、长轴、短轴以及椭圆位置,接着确定椭圆内部粒子数目,从而确定POC,对应计算式如下:
左焦点坐标:x_left=x_mean+c×cosθ,y_left=y_mean+c×sinθ;
右焦点坐标:x_right=x_mean-c×cosθ,y_right=y_mean-c×sinθ;
在其中一个实施例中,S1中基于腐蚀膨胀的置信椭圆算法从聚类结果中确定出最大搜寻包含概率POC对应的目标搜寻区域,包括:
利用腐蚀膨胀的置信椭圆算法从聚类结果中确定出待定搜寻区域;
通过动态调节腐蚀膨胀系数k1和k2优化待定搜寻区域,以使POC和单位面积下粒子数两者达到最大,从而得到最佳POC对应的目标搜寻区域。
具体的,本发明通过调节腐蚀膨胀系数获取区域内的全局最优的单位面积粒子数以及POC值,从而确定出椭圆边界轮廓。对应需要优化目标函数为:obj=a1×Area_unit_nor+a2×POC_nor;
其中a1,a2为系数,此系数根据实际情况所确定,本实施例一暂定分别为0.4和0.6,Area_unit_nor为归一化后的单位面积粒子数,POC_nor为归一化后POC,将多目标问题转化为单目标优化。其中,实际情况与搜寻要求有关,若需要保证更大POC则a2选择大一些,若需要保证更大单位面积粒子数即密度更高则a1选择大一些。
可以通过遗传算法对单目标问题进行优化,得到的两个聚类区域结果如下:
区域1:长轴腐蚀膨胀系数k1=1.07,短轴腐蚀膨胀系数k2=1.07,区域所含粒子数为5003,对应POC概率为0.5003;
区域2:长轴腐蚀膨胀系数k1=1,短轴腐蚀膨胀系数k2=0.93,区域所含粒子数为4570,对应POC概率为0.457。
两个区域整体POC概率为0.9573,若实际要求需要更高的POC或者需要聚焦密度更高的区域,则调整系数a1,a2可满足实际需求。
在其中一个实施例中,S2包括:
建立适应目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定寻线间距s、欠驱动无人航行器转向直径d与转向非工作路径l之间的映射关系;
利用映射关系获取转向非工作路径。
在其中一个实施例中,映射关系为:
具体的,如图6所示,确定oibi和ojbj的过程为:做垂直于搜寻线方向并且过原点的辅助直线,从而确定各段搜寻路径的转向边界高度差。当从Bi点转向Bj时,搜寻线i和j之间的边界高度差为||oibi|-|ojbj||=||OiBi|-|OjBj||,同理从Ai点转向Aj时,搜寻线i和j之间的边界高度差为||oibi|-|ojbj||=||OiAi|-|OjAj||。需要说明的是,图6示例选择矩形区域进行简化绘图解释,应当指出椭圆区域和矩形区域在此处的处理方式一致。
在其中一个实施例中,S3包括:
S31:目标搜寻区域几何特征以及搜寻用无人航行器的探测器扫海宽度可建立搜寻工作路径模型,将工作路径和非工作路径进行求和获得搜寻总路径函数;
S32:将总路径函数和POD函数赋予权重后进行线性叠加得到目标适应度函数;
S33:利用双重归一化算子的多目标遗传算法对目标适应度函数进行优化求解,得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略。
具体的,为实现最大POS和最短总路径,即POS=POC*POD,POC为目标搜寻区域确定阶段优化为定值,POD在搜寻路径规划阶段优化为最大值。本实施例采用基于双重归一化算子的遗传算法求解全局最优的搜寻方向、搜寻线间距以及搜寻线遍历次序,从而达到高效搜寻多目标优化。
本实施例具体实施方式分为两种典型类型:第一种,针对相对较大区域进行搜寻规划;第二种,针对相对较小区域进行搜寻规划。
整体算法设计方法包括以下步骤:
已知搜寻区域边界、搜寻方向角度范围、搜寻间距范围、探测器扫海宽度以及欠驱动无人航行器最小回转直径;然后,考虑无人航行器转向非工作路径数学模型,以及基于视线探测的POD函数,确定目标函数为:
objv=w1×total_dis+w2×POD;
其中,w1,w2为权重系数,具体值由实际情况所确定,total_dis为总路径,POD为搜寻发现概率。根据不同任务特征,对应权重系数各不相同。
根据目标函数结合遗传算法求解最优搜寻方向、搜寻线间距以及搜寻线遍历次序。
1)输入搜寻区域边界、搜寻方向角度范围、搜寻间距范围、探测器扫海宽度以及欠驱动无人航行器最小回转直径;例如:搜寻区域为实施例一所规划两个区域中的一个(另外一个做法相同),搜寻方向角度范围为0-90度,搜寻线间距范围为0.1-0.4nmile,扫海宽度为0.2nmile,无人航行器最小回转直径为0.02nmile。
2)基于具体场景确定权重系数w1,w2,将多目标优化转化为单目标,此处将归一化之后POD和总路径的权重系数分别取为0.6和0.4。
3)结合双重归一化算子的遗传算法求出最优搜寻方向、搜寻线间距以及搜寻线遍历次序。
搜寻落水人员时,总路径要处于优先考虑范畴,即在落水人员有限的存活期内快速搜寻;当搜寻失事飞机黑匣子时,POD要处于优先考虑范畴,即尽可能提高搜寻探测成功概率。
在其中一个实施例中,S33包括:
S33-1:依据无人航行器性能预设搜寻步长,从而在搜寻方向角度范围内获取离散搜寻方向角θ一维数组,以及从搜寻线间距范围内获取离散搜寻线间距s一维数组;
S33-2:依次遍历由搜寻方向角和搜寻线间距组合确定的二维矩阵的每一种组合,在每一种组合下,利用双重归一化算子的多目标遗传算法求解,以最短总路径与最大POD为优化目标下的最佳搜寻遍历次序以及对应的目标适应度函数值;
S33-3:从二维矩阵中目标适应度函数值最小的组合即可确定目标搜寻区域的覆盖最佳路径规划策略,从而实现全局最短总路径与最大POD。
具体的,遗传算法设计思路如图7所示,对应详细设计过程如下:
1)根据无人航行器的搜寻能力情况,确定无人航行器回转直径、搜寻方向角度范围以及搜寻线间距范围,本实施例假设无人航行器搜寻方向步长为5度以及搜寻线间距步长为0.05nmile;
2)根据上述条件,生成初始化种群并产生初始基因序列,然后根据POD和总路径归一化之后的目标适应度函数进行选择,接着进行交叉、变异、逆转以及重插入产生新的子代种群,最后进行停止判断。选择过程中会保留父代中适应度最佳10个基因序列直接作为子代,保证遗传算法的收敛性;
具体做法:遗传算法所需要优化的多目标函数与POD和总路径有关,其中基于视线探测的POD函数计算公式如下:其中,L_working为工作路径,即搜寻区域内平行线段路径,w为探测器扫海宽度,Area为被搜寻区域面积(椭圆区域面积Area=πab)。总路径分为非工作路径和工作路径,其中非工作路径为搜寻区域外的转向路径。假设本实施例起始搜寻线距离搜寻边界的宽度为则工作路径计算公式如下:
3)保存上述求解对应的最佳子代的POD、总路径以及遍历次序,再结合无人航行器搜寻实际情况,选择合适固定步长,本实例选择0.05nmile,然后增大搜寻线间距,重复步骤2),保持当前搜寻方向角不变,直至搜寻线间距s值大于或者等于上限结束,然后归一化处理每一组搜寻线间距下最优解对应的POD和总路径值,并按照优化目标函数选择不同搜寻线间距s下最小值,进而得到搜寻线间距、搜寻线方向以及遍历次序;
4)按照固定步长增大搜寻方向角,重复步骤2)和步骤3),直至搜寻方向角大于或者等于最大上限结束,然后归一化处理每一组搜寻方向角下对应的最优POD和总路径值,并按照优化目标函数选择不同搜寻方向角下最小值,进而得到搜寻线间距、搜寻线方向以及遍历次序。
举例来说,区域2长轴为5.415nmile,短轴为2.32nmile,对应POC为0.9573。经遗传算法求解,搜寻线方向角为θ(即椭圆长轴与x轴正向夹角时),搜寻线间距为0.15nmile时所得结果最优,对应POS为0.7054,计算所得POD为0.7369。工作距离为263.454nmile,非工作距离为9.0234nmile,总路径为272.4774nmile。搜寻规划结果为平行线按序依次遍历,对应遗传算法优化结果收敛性曲线如图8所示。
在其中一个实施例中,S33-2之前还包括:设置多目标遗传算法对应的最小期望POD,以使目标搜寻区域的覆盖最佳路径规划策略满足实际任务场景对POD的特殊要求,从而提高总体搜救成功率。
为了对比所提出的椭圆区域与矩形区域区别,对椭圆外接矩形区域进行同类搜寻规划,矩形区域对应的POC为0.9652。经遗传算法求解,搜寻线方向角为θ(即椭圆长轴与x轴正向夹角时),搜寻线间距为0.15nmile时所得结果最优,对应POS为0.7115,计算所得POD为0.7372。工作距离为335.73nmile,非工作距离为4.4215nmile,总路径为340.1515nmile。搜寻规划结果为平行线按序依次遍历。两者对比结果如下表1所示:
表1
从表1对比可见,尽管椭圆区域在POD指标上比矩形区域方式低0.0003,但是椭圆区域的搜寻规划的工作路径和总路径却显著低于矩形区域的搜寻规划对应结果。因此,在追求时效性为主的搜寻应用中,椭圆区域相比矩形区域更占优势。特别说明,顺序依次遍历指的是,假设区域覆盖搜寻规划得到10条平行线,则依次遍历顺序为:1—>2—>3—>4—>5—>6—>7—>8—>9—>10。
上述遗传算法所规划的POD值若不能满足实际需求,本发明方法可进一步提前约束POD范围,并计算满足约束的最佳POD。例如:若要求POD大于0.85,则本发明方法计算搜寻线间距为0.1nmile,对应POS为0.806,规划计算POD值为0.865。此时,工作距离为388.729nmile,非工作距离为15.795nmile,所规划路径仍为顺序依次遍历。
针对第二种搜寻场景,即应用在相对较小区域进行精细搜寻规划时,基于传统规则的平行线搜寻规划采用顺序依次遍历方式完成整个搜寻任务,经常会出现搜寻线间距小于欠驱动无人航行器回转直径的情况,如果仍然维持按顺序依次遍历则会导致转向路径大大增加,带来额外的搜寻代价。在此场景下,应用本发明的搜寻规划方法则会根据欠驱动无人航行器转向特性同时优化搜寻线遍历次序、搜寻线间距与搜寻方向。
例如:初始搜寻线间距范围为2-6m,扫海宽度为4m,无人航行器最小回转直径为8m时,目标搜寻区域为长50m、宽25m矩形区域。按照本发明上述步骤所规划出来最优结果,搜寻线方向角为矩形区域长边与x轴夹角方向,搜寻线间距为2.5m,对应POS为0.798。工作距离为500m,非工作距离为124.031m。在此情况下,搜寻规划的平行线遍历次序为1—>5—>9—>4—>8—>3—>7—>2—>6—>10。假设仍按顺序依次遍历,则POS和工作距离不变,但非工作距离将增加至241.516m,这将显著增加搜寻所需时间或代价,两者对比如表2所示。
表2
按照本发明的另一方面,提供了一种无人航行器搜寻的路径规划装置,包括:
区域确定模块,用于采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;对粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从聚类结果中确定出最佳POC对应的目标搜寻区域;
模型建立模块,用于建立适应目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出目标搜寻区域外的非工作路径;
策略制定模块,用于利用搜寻总路径和搜寻发现概率(POD)函数构建目标适应度函数,求解目标适应度函数得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,区域覆盖最佳路径规划用于参数化描述最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
按照本发明的另一方面,提供了一种无人航行器,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现无人航行器搜寻的路径规划方法的步骤。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现无人航行器搜寻的路径规划方法的步骤。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种无人航行器搜寻的路径规划方法,其特征在于,包括:
S1:采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;利用高斯混合模型对所述粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳搜寻包含概率POC对应的目标搜寻区域;
S2:建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出所述目标搜寻区域外的非工作路径;
S3:利用搜寻总路径和搜寻发现概率POD函数构建目标适应度函数,所述搜寻总路径包括:所述非工作路径和工作路径;求解所述目标适应度函数优化模型得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,所述区域覆盖最佳路径规划策略用于参数化描述:最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
2.如权利要求1所述的无人航行器搜寻的路径规划方法,其特征在于,所述S2包括:
建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定搜寻线间距s、欠驱动无人航行器转向直径d与转向非工作路径l之间的映射关系;
利用所述映射关系获取所述转向非工作路径l的数学表达式。
3.如权利要求2所述的无人航行器搜寻的路径规划方法,其特征在于,所述映射关系为:
4.如权利要求1所述的无人航行器搜寻的路径规划方法,其特征在于,所述S3包括:
S31:利用所述目标搜寻区域的几何特征以及无人航行器的探测器扫海宽度建立搜寻工作路径模型,基于所述搜寻工作路径模型将所述工作路径和所述非工作路径进行求和获得搜寻总路径函数;
S32:将所述总路径函数和所述POD函数赋予权重后进行线性叠加得到所述目标适应度函数;
S33:利用双重归一化算子的多目标遗传算法对所述目标适应度函数进行优化求解,得到最短总路径与最大POD对应的所述区域覆盖最佳路径规划策略。
5.如权利要求4所述的无人航行器搜寻的路径规划方法,其特征在于,所述S33包括:
S33-1:依据无人航行器性能预设搜寻步长,从而在搜寻方向角度范围内获取离散搜寻方向角θ一维数组,以及从搜寻线间距范围内获取离散搜寻线间距s一维数组;
S33-2:依次遍历由搜寻方向角和搜寻线间距组合确定的二维矩阵的每一种组合;在每一种组合下,利用双重归一化算子的多目标遗传算法求解,以最短总路径与最大POD为优化目标下的最佳搜寻遍历次序以及对应的目标适应度函数值;
S33-3:从所述二维矩阵中目标适应度函数值最小的组合即可确定目标搜寻区域的覆盖最佳路径规划策略,从而实现全局最短总路径与最大POD。
6.如权利要求5所述的无人航行器搜寻的路径规划方法,其特征在于,所述S33-2之前,所述方法还包括:
设置所述多目标遗传算法对应的最小期望POD,以使所述目标搜寻区域覆盖最佳路径规划策略满足实际任务场景对POD的特殊要求,从而提高总体搜救成功率。
7.如权利要求1-6任一项所述的无人航行器搜寻的路径规划方法,其特征在于,所述S1中基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳POC对应的目标搜寻区域,包括:
利用所述腐蚀膨胀的置信椭圆算法从所述聚类结果中优选出待定搜寻区域;
通过动态调节腐蚀膨胀系数k1和k2优化所述待定搜寻区域,以使POC和单位面积下粒子数两者达到最大,从而得到所述目标搜寻区域。
8.一种无人航行器搜寻的路径规划装置,其特征在于,包括:
区域确定模块,用于采用蒙特卡罗随机粒子仿真法分析海上事故信息建立粒子初始分布图;对所述粒子初始分布图进行聚类分析得到聚类结果;基于腐蚀膨胀的置信椭圆算法从所述聚类结果中确定出最佳搜寻包含概率POC对应的目标搜寻区域;
模型建立模块,用于建立适应所述目标搜寻区域边界特征的欠驱动无人航行器转向数学模型,以确定出所述目标搜寻区域外的非工作路径;
策略制定模块,用于利用搜寻总路径和搜寻发现概率POD函数构建目标适应度函数,求解所述目标适应度函数得到最短总路径与最大POD对应的区域覆盖最佳路径规划策略,所述区域覆盖最佳路径规划策略用于参数化描述:最优搜寻方向、最优搜寻线间距和最优搜寻线遍历次序。
9.一种无人航行器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554501.4A CN113325867B (zh) | 2021-05-21 | 2021-05-21 | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554501.4A CN113325867B (zh) | 2021-05-21 | 2021-05-21 | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113325867A CN113325867A (zh) | 2021-08-31 |
CN113325867B true CN113325867B (zh) | 2022-04-22 |
Family
ID=77416199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554501.4A Active CN113325867B (zh) | 2021-05-21 | 2021-05-21 | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867337A (zh) * | 2021-09-14 | 2021-12-31 | 武汉理工大学 | 一种用于海事搜救的编队路径规划方法及系统 |
CN115016466A (zh) * | 2022-05-17 | 2022-09-06 | 上海船舶运输科学研究所有限公司 | 一种目标定位误差最小的水面自主航行器最优路径规划方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436224B (zh) * | 2008-12-19 | 2011-02-16 | 北京时代民芯科技有限公司 | 单粒子故障注入模拟的蒙特卡罗随机信号产生装置 |
CN102708406A (zh) * | 2012-05-10 | 2012-10-03 | 湖北省电力公司 | 一种基于多目标遗传算法的调度图优化方法 |
CN103812052B (zh) * | 2014-03-07 | 2016-06-01 | 国家电网公司 | 一种用于无人机输电线路巡检的集中监控系统及监控方法 |
CN104850752A (zh) * | 2015-05-29 | 2015-08-19 | 桂林电子科技大学 | 一种基于自适应随机共振的参数搜索范围确定方法 |
CN104936289B (zh) * | 2015-07-01 | 2018-10-02 | 上海海事大学 | 一种移动节点参数自适应轨迹预测方法 |
CN107831790A (zh) * | 2017-09-21 | 2018-03-23 | 南京航空航天大学 | 一种基于多目标遗传算法的异构无人机协同搜索打击的联盟建立方法 |
CN107479558A (zh) * | 2017-09-22 | 2017-12-15 | 中国人民解放军63983部队 | 基于车辆运动模型的无人车辆野外路径规划方法 |
CN109764882B (zh) * | 2018-12-27 | 2022-06-07 | 华侨大学 | 一种基于自适应局部搜索链的多目标车辆路径规划方法 |
CN111435084B (zh) * | 2019-01-12 | 2023-07-11 | 上海航空电器有限公司 | 一种基于置信椭圆的高精度地形参考导航匹配方法 |
CN110673627A (zh) * | 2019-09-16 | 2020-01-10 | 广东工业大学 | 一种森林无人机搜寻方法 |
CN110850871B (zh) * | 2019-10-21 | 2020-07-17 | 深圳市银星智能科技股份有限公司 | 一种机器路径规划方法及移动机器人 |
CN110737271B (zh) * | 2019-10-23 | 2022-08-02 | 西南科技大学 | 一种水面机器人自主巡航系统及方法 |
CN111272179B (zh) * | 2020-03-20 | 2021-08-31 | 中国电子科技集团公司第五十四研究所 | 一种基于种子搜索的建筑空间无人机航线规划方法 |
CN111487995B (zh) * | 2020-04-30 | 2023-04-07 | 湖南科技大学 | 基于三维简化虚拟模型的群无人机多目标搜索协作方法 |
CN111914444B (zh) * | 2020-06-30 | 2023-05-26 | 河海大学 | 基于粒子群优化和蒙特卡罗模拟的滑坡有限元区间分析法 |
CN111967692A (zh) * | 2020-09-07 | 2020-11-20 | 中国人民解放军国防科技大学 | 一种基于搜寻理论的搜救资源方案生成方法及相关设备 |
CN112462803B (zh) * | 2020-11-27 | 2022-06-17 | 北京工商大学 | 一种基于改进nsga-ii的无人机路径规划方法 |
CN112764433A (zh) * | 2020-12-25 | 2021-05-07 | 湖北航天飞行器研究所 | 一种基于深度学习的无人机载火箭残骸搜寻装置及方法 |
-
2021
- 2021-05-21 CN CN202110554501.4A patent/CN113325867B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113325867A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845716B (zh) | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 | |
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 | |
CN108871351B (zh) | 一种auv海底地形匹配的动态路径规划方法 | |
CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
Subramani et al. | Risk-optimal path planning in stochastic dynamic environments | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN109724592B (zh) | 一种基于进化梯度搜索的auv地磁仿生导航方法 | |
CN113961004A (zh) | 海盗区域船舶航线规划方法、系统、电子设备及存储介质 | |
CN105512769A (zh) | 基于遗传规划的无人机航迹规划系统及方法 | |
CN113238232B (zh) | 面向海洋静态目标的自主水下航行器系统目标搜索方法 | |
CN111750869A (zh) | 一种实时重构Voronoi图的无人机路径规划方法 | |
Zheng et al. | A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN113050684B (zh) | 一种面向突发威胁的无人机航迹规划算法 | |
CN110906935A (zh) | 一种无人艇路径规划方法 | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN114877905A (zh) | 一种双向动态生长的Informed-RRT*路径规划方法 | |
CN116331264A (zh) | 一种未知障碍物分布的避障路径鲁棒规划方法及系统 | |
CN109765890A (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
Zhao et al. | Global path planning of unmanned vehicle based on fusion of A∗ algorithm and Voronoi field | |
CN110763234B (zh) | 一种水下机器人海底地形匹配导航路径规划方法 | |
CN117289301A (zh) | 一种未知越野场景下空地无人平台协同路径规划方法 | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 |
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 |