CN113607172A - 多约束条件下的水下航行器水下航路规划方法和装置 - Google Patents
多约束条件下的水下航行器水下航路规划方法和装置 Download PDFInfo
- Publication number
- CN113607172A CN113607172A CN202110907604.4A CN202110907604A CN113607172A CN 113607172 A CN113607172 A CN 113607172A CN 202110907604 A CN202110907604 A CN 202110907604A CN 113607172 A CN113607172 A CN 113607172A
- Authority
- CN
- China
- Prior art keywords
- underwater vehicle
- path
- information
- heuristic
- feasible
- 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 62
- 239000003016 pheromone Substances 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 75
- 230000007704 transition Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
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)
Abstract
本申请涉及一种多约束条件下的水下航行器水下航路规划方法和装置,其中方法包括:对水下航行器的任务区域构建三维空间模型,并获取水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息;使用启发函数,在三维空间模型中搜索出水下航行器的可行路径;其中,启发函数基于路径距离启发信息、被探测概率信息和信息素启发信息构建得到;对可行路径进行评价,由可行路径中选取出最终航行路径。其在对水下航行器的路径规划中,综合考虑了水下航行器的被探测概率和路径长度等因素,并采用蚁群算法的方式,使得搜索到的可行路径的隐蔽性得到了大大地提升。
Description
技术领域
本申请涉及航行器路径规划技术领域,尤其涉及一种多约束条件下的水下航行器水下航路规划方法和装置。
背景技术
现有水下航行器在进行航行路径规划时,通常是基于适航区域、水下航行器自身约束等约束条件,以航行距离为最优化目标。但是,由于水下航行器对隐蔽性能的要求越来越高,因此在对水下航行器进行航路规划时,需要将航路的隐蔽性作为航路规划中的第一要素。而相关技术中,往往都没有考虑到航路的隐蔽性,从而使得最终得到的规划路径的安全性较低。
发明内容
有鉴于此,本申请提出了一种多约束条件下的水下航行器水下航路规划方法,可以有效提高水下航行器的航行路径的安全性和隐蔽性。
根据本申请的一方面,提供了一种多约束条件下的水下航行器水下航路规划方法,包括:
对水下航行器的任务区域构建三维空间模型,并获取所述水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息;
使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径;其中,所述启发函数基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到;
对所述可行路径进行评价,由所述可行路径中选取出最终航行路径。
在一种可能的实现方式中,所述水下航行器的路径距离启发信息,根据所述水下航行器在所述三维空间模型中当前节点的下一节点和目标节点得到。
在一种可能的实现方式中,根据所述水下航行器在所述三维空间模型中当前节点的下一节点和目标节点得到所述水下航行器的路径距离启发信息时,根据以下公式得到:
其中,d(h,B)表征由所述水下航行器在所述三维空间模型中当前节点的下一节点h到目标节点B的距离。
在一种可能的实现方式中,所述被探测概率信息,通过根据所述适航区的海洋环境数据和所述水下航行器的自身性能参数,计算得到水下多点隐身距离和概率结果得到。
在一种可能的实现方式中,基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到的启发函数如下所示:
ηijk=λ1*Dijk+λ2*Pijk+λ3*Eijk;
其中,ηijk为所述启发函数,λ1表征所述路径距离启发信息的权重,Dijk表征所述路径距离启发信息,λ2表征所述被探测概率信息的权重,Pijk表征所述被探测概率信息,λ3表征所述信息素启发信息的权重,Eijk表征所述信息素启发信息。
在一种可能的实现方式中,使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径,包括:
使用所述启发函数计算得到所述水下航行器在所述三维空间模型中当前节点的各下一节点的转移概率;
根据计算得到的各所述转移概率,由所述三维空间模型中确定当前节点的下一节点;
根据所选取的各节点构建相应的所述可行路径。
在一种可能的实现方式中,使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径后,还包括对当前搜索到的所述可行路径中的节点更新信息素的操作。
在一种可能的实现方式中,对所述可行路径进行评价,由所述可行路径中选取出最终航行路径时,通过使用适应性函数进行;
其中,所述适应性函数如下所示:
fitx(N)=ω1Lx(N)+ω2Sx(N);
其中,fitx(N)表征第x个水下航行器在第N次迭代中的路径适应度值, Lx(N)表征所述路径的总长度,Sx(N)表征所述路径中每一个栅格的被探测概率之和。
根据本申请的另一方面,还提供了一种多约束条件下的水下航行器水下航路规划装置,包括模型构建模块、信息获取模块、路径搜索模块和路径确定模块;
所述模型构建模块,被配置为对水下航行器的适航区构建三维空间模型;
所述信息获取模块,被配置为获取所述水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息;
所述路径搜索模块,被配置为使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径;其中,所述启发函数基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到;
所述路径确定模块,被配置为使用适应性函数对所述可行路径进行评价,由所述可行路径中选取出最终航行路径。
根据本申请的另一方面,还提供了一种多约束条件下的水下航行器水下航路规划设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
通过本申请实施例的多约束条件下的水下航行器水下航路规划方法,在对水下航行器的路径规划中,综合考虑了水下航行器的被探测概率和路径长度等因素,并采用蚁群算法的方式,使得搜索到的可行路径的隐蔽性相较于相关技术中的路径规划方法有所提高。同时,在搜索出可行路径后,再通过对可行路径进行评价,由可行路径中选取出最终航行路径,实现了水下航行器的航行路径的最优选取,这也就保证了最终规划的水下航行器的航行路径在安全性、隐蔽性和经济性上能够达到更优。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出本申请实施例的多约束条件下的水下航行器水下航路规划方法的流程图;
图2示出在本申请实施例的多约束条件下的水下航行器水下航路规划方法中采用栅格模型所构建的适航区的三维空间模型的示意图;
图3示出本申请实施例的多约束条件下的水下航行器水下航路规划方法中使用蚁群算法进行路径规划的流程图;
图4示出本申请实施例的多约束条件下的水下航行器水下航路规划装置的结构框图;
图5示出本申请实施例的多约束条件下的水下航行器水下航路规划设备的结构框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
图1示出根据本申请一实施例的水下航行器航行路径规划方法的流程图。如图1所示,该方法包括:步骤S100,对水下航行器的任务区域构建三维空间模型,并获取水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息。此处,本领域技术人员可以理解的是,水下航行器的任务区域指的是由水下航行器的适航区中指定的水下航行器执行任务时需要经过的区域。因此在对水下航行器的任务区域构建三维空间模型时,需要先由水下航行器的适航区中进行任务区域的指定。
其中,本领域技术人员可以理解的是,水下航行器的适航区主要指的是水下航行器在水下能够航行的区域。适航区的判别可以结合水下航行器的安全航行深度和影响水下航行器安全性的环境因素(如:海深数据)等,对水下航行器航行进行深度适用性评估。即,通过对指定区域内各位置点水下航行器是否适航进行判别,进而再根据判别结果确定相应的适航区。确定水下航行器的适航区之后,即可根据水下航行器当前所执行的航行任务中的目标位置,由适航区中确定相应的任务区域,进而再对所确定的任务区域构建相应的三维空间模型。
在一种可能的实现方式中,可以采用栅格模型对任务区域进行三维空间的描述。即,将任务区域进行栅格划分,每一个栅格对应任务区域中的不同区域,如图2所示。
同时,本领域技术人员还可以理解的是,在对水下航行器进行航行路径规划时,即对水下航行器在任务区域中的航行路线进行规划。在进行航行路线规划时,则需要确定航向路线中各个节点。因此,在进行航行路线规划过程中,需要依次根据水下航行器的当前节点确定下一节点,进而再将所确定的节点进行依次连接形成相应的航行路线。
在进行水下航行器的下一节点的确定时,则需要在水下航行器的当前可视区域内进行确定。相应的,对于水下航行器的可视区域,基于前面所构建的三维空间模型,可以定义为:以水下航行器当前所在栅格为中心点,取预设大小的立方体作为当前栅格点的下一步可行区域(即,下一节点的可选取区域)。具体的,预设大小的取值可以根据实际情况灵活设置,在本申请实施例的方法中,预设大小的取值可以设置为3*3*3。
在采用栅格模型的方式对水下航行器的任务区域构建相应的三维空间模型之后,即可获取水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息,从而根据获取到的路径距离启发信息、被探测概率信息和信息素启发信息,执行步骤S200,使用启发函数,在三维空间模型搜索出水下航行器的可行路径。此处,需要说明的是,所使用的启发函数是基于所获取到的路径距离启发信息、被探测概率信息和信息素启发信息构建得到的。最后,再通过步骤S300,对可行路径进行评价,由可行路径中选取指出最终航行路径。
由此,本申请实施例的水下航行器航行路径规划方法,通过对水下航行器的任务区域构建相应的三维空间模型后,在所构建的三维空间模型的基础上,使用获取到的路径距离启发信息、被探测概率信息和信息素启发信息构建的启发函数,在三维空间模型中搜索出水下航行器的可行路径,这就使得在三维空间模型中搜索出的可行路径中综合考虑到了水下航行器的被探测概率这一因素。
即,通过本申请实施例的多约束条件下的水下航行器水下航路规划方法,在对水下航行器的路径规划中,综合考虑了水下航行器的被探测概率和路径长度等因素,并采用蚁群算法的方式,使得搜索到的可行路径的隐蔽性相较于相关技术中的路径规划方法有所提高。同时,在搜索出可行路径后,再通过对可行路径进行评价,由可行路径中选取出最终航行路径,实现了水下航行器的航行路径的最优选取,这也就保证了最终规划的水下航行器的航行路径在安全性、隐蔽性和经济性上能够达到更优。
其中,需要指出的是,本申请实施例的多约束条件下的水下航行器水下航路规划方法中,路径距离启发信息指的是为水下航行器航行所设计的约束函数,函数值越大,表明选择该点所得到的航线总长度越短。
在一种可能的实现方式中,水下航行器的路径距离启发信息,可以根据水下航行器在三维空间模型中当前节点的下一节点和目标节点得到。具体的,在本申请实施例的方法中,水下航行器的路径距离启发信息可以通过以下公式来表征:
其中,d(h,B)表征由水下航行器在三维空间模型中当前节点的下一节点h到目标节点B的距离。
其中,(xhi,yhi,zhk)表征水下航行器在三维空间模型中当前节点的下一节点的坐标,(xBi,yBi,zBk)表征目标节点的坐标。
此处,本领域技术人员可以理解的是,水下航行器在三维空间模型中当前节点的下一节点可以为多个,其均是由水下航行器在三维空间模型中当前可视区域内所选取的。
被探测概率信息则指的是水下航行器在航行路径中各节点可能被探测到的概率。这是为了确保水下航行器隐蔽航行,需要充分运用海洋环境要素特性来保证隐蔽性,抑制本体的噪声辐射,规避敌方平台的水声探测。因此,在本申请实施例的方法中,对水下航行器进行航行路径规划时,设计了充分考虑海洋环境要素的水下航行器被探测概率的约束函数。通过设计并引入水下航行器被探测概率的约束函数,保证了最终规划的水下航行器的航行路径的隐蔽性。
其中,被探测概率信息的获取可以通过对水下航行器在任务区域的隐身效能进行评估来实现。即,根据任务区域所对应的海洋环境数据(包括但不限于:水文数据、地质数据和地形数据等),结合水下航行器自身性能参数 (包括但不限于:目标强度、辐射声源级、声纳参数、航行深度、航速、航向等),计算得到水下多点隐身距离和概率结果,并对适航区内所指定的任务区域的水下航行器的隐身效能进行标识。此处,需要指出的是,在本申请实施例的方法中,根据任务区域处的海洋环境数据和水下航行器的自身性能参数进行水下航行器的隐身效能进行标识可以采用本领域的常规技术手段来实现,此处不再进行赘述。
更加具体的,在本申请实施例的方法中,通过上述方式所设计的被探测概率的约束函数可以通过以下公式来表征:
其中,Pijk(x)为被探测概率的约束函数,σ2表征水下航行器在三维空间模型中当前节点的高斯白噪声(即海洋环境噪声)的方差,x2表征水下航行器在三维空间模型中当前节点下结合水下航行器自身性能参数得到的信号余量(声纳接收信号信噪比与声纳检测域之间的差值)的能量。其中,本领域技术人员可以理解的是,声纳接收信号信噪比与声纳检测域之间的差值的能量可以采用本领域的常规技术手段获取得到,此处不再进行赘述。
同时,还需要指出的是,对于被探测概率信息的约束函数,其函数值越大,表明水下航行器航向隐蔽性越好。
进一步地,信息素启发信息则指的是:在航路搜索中信息素量对蚁群搜索算法的指导作用。
在一种可能的实现方式中,信息素启发信息同样可以通过所设计的约束函数来表征。具体的,其约束函数公式为:Eijk=Q。
其中,Eijk表征信息素启发信息的约束函数,Q是表征信息素强度的常数,取值范围为[8,100],它使得算法在正反馈机制作用下以合理的速度搜索到全局最优解。Q越大,在潜艇已走过的路径上信息素浓度的累积越快,正反馈作用会占主导地位,算法收敛速度快。但由于潜艇隐蔽航路规划的规模不同,路径长度各不相同,Q的取值应与潜艇隐蔽航路规划的规模相对应,确保信息素总量更新在可控制范围内。
由此,通过上述所述方式分别获取路径距离启发信息、被探测概率信息和信息素启发信息后,即可根据所获取到的路径距离启发信息、被探测概率信息和信息素启发信息构建相应的启发函数。
其中,启发函数的设计目的是为水下航行器航行过程中寻找当前节点的下一个可航行节点(即,下一节点)提供依据,其反映了水下航行器在选择下一步节点的目的性和蕴含的优化准则,根据复杂海洋背景环境下航路规划优化问题的要求,在航路规划优化过程中通过综合考虑被探测概率、航路航程和实际可操作性,在一种可能的实现方式中,所设计的启发函数如下所示:
ηijk=λ1*Dijk+λ2*Pijk+λ3*Eijk
其中,ηijk为启发函数,λ1表征路径距离启发信息的权重,Dijk表征路径距离启发信息,λ2表征被探测概率信息的权重,Pijk表征被探测概率信息,λ3表征信息素启发信息的权重,Eijk表征信息素启发信息。
此处,需要进一步说明的是,在上述启发函数的实施例中,对于路径距离启发信息的权重λ1、被探测概率信息的权重λ2、以及信息素启发信息的权重λ3的取值可以根据实际情况灵活设置。
在一种可能的实现方式中,λ1的取值范围可以设置为:[1,4],优选为:1.3。λ2的取值为负数,其取值范围可以设置为:[-3,-0.1],优选为:-1。λ3的取值范围可以设置为:[0.2,0.5],优选为:0.3。
另外,对于上述实施例中的启发函数,其包含有三个变量,分别为:路径距离启发信息、被探测概率信息和信息素启发信息。由于这三个变量的单位各不相同,为了统一便于计算,在本申请实施例的方法中,还可以使用标准化函数对这三个变量进行归一化,然后再将归一化的变量代入启发函数中以便于进行下一节点转移概率的计算。通过对启发函数中的变量进行归一化处理,大大提升了算法迭代速度,同时也避免了某一变量过大或过小而对结果造成不好的影响。
在通过上述任一所述的方式构建得到相应的启发函数之后,即可使用启发函数在三维空间模型中搜索出水下航行器的可行路径。具体的,在本申请实施例的方法中,使用启发函数由三维空间模型中搜索出水下航行器的可行路径可以通过以下方式来实现。
即,使用启发函数计算得到水下航行器在三维空间模型中当前节点的各下一节点的转移概率。然后,根据计算得到的各转移概率,由三维空间模型中确定当前节点的下一节点,进而再根据所选取的各节点构建相应的可行路径。
其中,在使用启发函数计算得到水下航行器在三维空间模型中当前节点的各下一节点的转移概率时,通过迭代计算的方式进行。在每次迭代过程中,水下航行器会根据计算得到的各节点的转移概率选择下一节点。
具体的,各节点的转移概率根据所构建的启发函数计算得到。即,在一种可能的实现方式中,水下航行器Q(Q=1,2,3,……,X)从节点D1到节点 D2的转移概率可通过以下公式计算得到:
其中,ηijk(t)为启发函数,allowded为水下航行器下一步可行点点集。水下航行器走过的节点、不适航点位、限制航行点位添加到禁忌表 tabud(d=1,2,,…,D)中,allowded={C-tabud}。C为当前节点周围的节点。
此处,需要说明的是,水下航行器下一步可行点点集allowded可通过禁忌表tabud进行确定。水下航行器前面走过的节点、不适航点位(海深不足 50米)、限制航行(海深超过水下航行器极限深度)点位也可以通过禁忌表 tabud进行确定。其中,禁忌表tabud可通过预先存储的方式存储至数据库中。
在通过上述方式使用启发函数由三维空间模型中搜索出水下航行器的可行路径之后,即可对所搜索出的可行路径进行评价,根据评价结果由可行路径中选取出最终航行路径。即,在所有水下航行器均构建完可行路径后,需要对所构建的可行路径进行优劣评价,从而从多条可行路径中优选出最终航行路径。
进一步地,在对各可行路径进行优劣评价之前,还可以对各可行路径中各节点的信息素进行更新来实现对可行路径的优化,从而使得由可行路径中选取出的最终航行路径更优。
即,水下航行器每结束一次路径搜索之后,整条路径的信息素浓度会发生变化,所以需要及时对信息素浓度进行更新。水下航行器产生信息素的同时,路径上的信息素也在随着时间消失,避免残留的信息素过度地影响水下航行器的选择。
其中,在一种可能的实现方式中,用ρ表示信息素挥发的速度,ρ通常取 0到1范围内的常数,ρ的值越大,说明路径上的信息素消失得越快。也可以在搜索过程中调整ρ的值,使路径上的信息素既不过量也不至于太少,以此保持各路径的选择权重。信息素更新函数如下所示:
τijk(t+n)=(1-ρ)τijk(t)+Δτijk(t)
在通过上述方式对可行路径中各节点的信息素进行更新之后,即可执行步骤S300,对更新信息素后的可行路径进行优劣评价,由可行路径中选取出最终航行路径。
在本申请实施例的方法中,对可行路径进行优劣评价时,可以采用多指标评价函数进行可行路径的优劣评价。具体的,所采用的多指标评价函数可以通过从避开对水下航行器探测威胁大的海区、短路径两方面考虑构建适应性函数来实现。
更加具体的,本申请实施例的方法中,所构建的适应性函数如下所示:
fitx(N)=ω1Lx(N)+ω2S2(N);
上述公式中,,fitx(N)表示第x个水下航行器在第N次迭代中的路径适应度值,fitx(N)最小的路径即为最佳路径。Lx(N)为可行路径的总长度,Sx(N) 表示该可行路径中每一个栅格的被探测概率之和。ω1,ω2分别为各项的权重值,其取值范围均为[0,1]。
优选的,将航行路径长短的权重ω1设置为0.3,水下航行器被探测概率权重ω2设置为0.7。另外,也可以通过调整权重值来选取适合不同场景的路径。
为了更清楚地说明本申请实施例的水下航行器航行路径规划方法的具体规划过程,以下以一具体实施例对其规划过程进行更加详细地说明。
需要解释说明的是,在本具体实施例中,对水下航行器的航行路径规划主要是采用的蚁群算法进行。蚁群算法的核心在于模拟了自然界蚂蚁概率性选择的选择过程,通过使用启发式函数进行转移概率的计算,决定了后代蚂蚁(即,对应于本申请中的水下航行器)的选择。然后,再通过适应度函数对蚁群算法规划得到的路径进行评价,在每次循环后选出适应度最佳的路径。
参阅图3,在本申请实施例的水下航行器航行路径规划方法中,
约束条件为:适航区、水下航行器当前所处栅格的可视区域;
决策变量包括:隐身效能、路径长度;
最优化目标:min(隐身效能、路径长度)。
基于以上规划要求,在本具体实施方式中,采用蚁群算法来进行水下航行器的路径规划。其中,可以设定:水下航行器从A地出发,到达目的地B 点执行相应的任务。
对应的,路径规划算法迭代流程如下:
首先,执行步骤S100’,基于所确定的适航区确定水下航行器当前执行任务时所对应的任务区域,并对所确定的任务区域建立相应的三维空间模型。
然后,通过步骤S210,进行初始化操作。这是由于在初始阶段,需要给每条路径定义一个初始信息素浓度。在之后蚂蚁不断迭代过程中,通过设计信息素的更新方式和规则,采用所设计的信息素的更新方式和规则,给予每一路段不同的信息素权重。同时,为了更加贴合实际,在每次迭代完成之后,对整条路段上的信息素进行再次更新。此处,需要指出的是,在初始阶段所定义的初始信息素浓度可以设置为大于零的常量,也可以进行启发式设计。在采用启发式设计时,可以通过设定上限值和下限值进行约束。具体的,初始信息素浓度的取值可以设置为:[8,100]。
在初始化操作完成之后,即可执行步骤S220,使用前面所述的启发函数计算水下航行器各节点的转移概率,并根据计算得到的转移概率确定水下航行器的当前节点的下一节点。同时根据所确定的各节点控制水下航行器在三维空间模型中的行走轨迹。
同时,通过步骤S230,检测水下航行器是否到达终点(即,目的地B)。在未到达目的地B时,则继续执行步骤S220,使用启发函数计算水下航行器当前节点的下一节点的转移概率的计算,并根据计算结果确定当前节点的下一节点,同时控制水下航行器按照所确定的下一节点进行行走。
如果检测到水下航行器已经达到终点,则执行步骤S240,记录水下航行器在当前次行走全称中各节点的节点信息。此处,本领域技术人员可以理解,所记录的各节点的节点信息包括:本次迭代过程中水下航器的航行路线、路线长度及其适应度函数值。
进而,再通过步骤S250,对各节点进行全局信息素更新,以对当前次所得到的可行路径进行优化。同时,执行步骤S260,对当前次可行路径的迭代次数进行是否为最大迭代次数。如果是最大迭代次数,则通过步骤S300’,对可行路径进行优劣评价,由可行路径中选取出最优路径。如果不是最大迭代次数,则返回初始化步骤,继续进行可行路径的搜索,直至迭代次数达到最大迭代次数为止。
由此,本申请实施例的水下航行器航行路径规划方法,通过在路径规划中引入水下航行器在各节点中的被探测概率作为其中一项决策变量,使得搜索得到的可行路径的隐蔽性大大提升,这也就有效保证了由可行路径中选取的最终航行路径的安全性。
同时,在进行路径规划时,通过设计启发函数,启发函数中综合考虑了信息素、路径长度和被探测概率等因素,并对各因素进行归一化处理,从而根据启发函数所计算得到的各节点的转移概率更加准确,再根据计算得到的各节点转移概率进行节点的选择时,也就使得所选择的节点与当前水下航行器所执行的航行任务更加匹配。
并且,在基于启发函数由三维空间模型中搜索出可行路径后,在对可行路径进行优劣评价时,同时使用前面所述的适应性函数,在适应性函数中综合考虑了路径长度和被探测概率之和这两项因素,还可以通过调整这两项因素的权重来进行不同需求下的最优路径的选取,最终有效提升了路径规划的灵活性,保证了最终所选取的航行路径与水下航行器当前所执行的任务的匹配度。
其中,还需要指出的是,在本申请实施例的水下航行器航行路径规划方法中,在三维空间模型中搜索可行路径时,通过设置多个水下航行器依次进行迭代运算,得到多个可行路径后,由所得到的可行路径中筛选出最优路径作为最终航行路径,这也就进一步保证了最终规划出的航行路径与所执行任务的最佳匹配度和可靠性。
此外,还应当指出的是,在通过迭代运算得到多个可行路径(即,通过迭代运算进行步骤S200的多次执行)时,迭代次数的设置可以根据水下航行器所执行任务的类型进行确定。在一种可能的实现方式中,迭代次数的取值可以设置为:[100,500]。
相应的,基于前面任一所述的水下航行器航行路径规划方法,本申请还提供了一种水下航行器航行路径规划装置。由于本申请提供的水下航行器航行路径规划装置的工作原理,与本申请的水下航行器航行路径规划方法的原理相同或相似,因此重复之处不再赘述。
参阅图4,本申请提供的水下航行器航行路径规划装置100,包括模型构建模块110、信息获取模块120、路径搜索模块130和路径确定模块140。其中,模型构建模块110,被配置为对水下航行器的适航区构建三维空间模型。信息获取模块120,被配置为获取水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息。路径搜索模块130,被配置为使用启发函数,在三维空间模型中搜索出水下航行器的可行路径;其中,启发函数基于路径距离启发信息、被探测概率信息和信息素启发信息构建得到。路径确定模块140,被配置为使用适应性函数对可行路径进行评价,由可行路径中选取出最终航行路径。
更进一步地,根据本申请的另一方面,还提供了一种水下航行器航行路径规划设备200。参阅图5,本申请实施例的水下航行器航行路径规划设备200 包括处理器210以及用于存储处理器210可执行指令的存储器220。其中,处理器210被配置为执行可执行指令时实现前面任一所述的水下航行器航行路径规划方法。
此处,应当指出的是,处理器210的个数可以为一个或多个。同时,在本申请实施例的水下航行器航行路径规划设备200中,还可以包括输入装置 230和输出装置240。其中,处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器220作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本申请实施例的水下航行器航行路径规划方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块,从而执行水下航行器航行路径规划设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种多约束条件下的水下航行器水下航路规划方法,其特征在于,包括:
对水下航行器的任务区域构建三维空间模型,并获取所述水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息;
使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径;其中,所述启发函数基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到;
对所述可行路径进行评价,由所述可行路径中选取出最终航行路径。
2.根据权利要求1所述的方法,其特征在于,所述水下航行器的路径距离启发信息,根据所述水下航行器在所述三维空间模型中当前节点的下一节点和目标节点得到。
4.根据权利要求1所述的方法,其特征在于,所述被探测概率信息,通过根据所述适航区的海洋环境数据和所述水下航行器的自身性能参数,计算得到水下多点隐身距离和概率结果得到。
5.根据权利要求1至4任一项所述的方法,其特征在于,基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到的启发函数如下所示:
ηijk=λ1*Dijk+λ2*Pijk+λ3*Eijk;
其中,ηijk为所述启发函数,λ1表征所述路径距离启发信息的权重,Dijk表征所述路径距离启发信息,λ2表征所述被探测概率信息的权重,Pijk表征所述被探测概率信息,λ3表征所述信息素启发信息的权重,Eijk表征所述信息素启发信息。
6.根据权利要求1至4任一项所述的方法,其特征在于,使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径,包括:
使用所述启发函数计算得到所述水下航行器在所述三维空间模型中当前节点的各下一节点的转移概率;
根据计算得到的各所述转移概率,由所述三维空间模型中确定当前节点的下一节点;
根据所选取的各节点构建相应的所述可行路径。
7.根据权利要求1至4任一项所述的方法,其特征在于,使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径后,还包括对当前搜索到的所述可行路径中的节点更新信息素的操作。
8.根据权利要求1至4任一项所述的方法,其特征在于,对所述可行路径进行评价,由所述可行路径中选取出最终航行路径时,通过使用适应性函数进行;
其中,所述适应性函数如下所示:
fitx(N)=ω1Lx(N)+ω2Sx(N);
其中,fitx(N)表征第x个水下航行器在第N次迭代中的路径适应度值,Lx(N)表征所述路径的总长度,Sx(N)表征所述路径中每一个栅格的被探测概率之和。
9.一种多约束条件下的水下航行器水下航路规划装置,其特征在于,包括模型构建模块、信息获取模块、路径搜索模块和路径确定模块;
所述模型构建模块,被配置为对水下航行器的适航区构建三维空间模型;
所述信息获取模块,被配置为获取所述水下航行器的路径距离启发信息、被探测概率信息和信息素启发信息;
所述路径搜索模块,被配置为使用启发函数,在所述三维空间模型中搜索出所述水下航行器的可行路径;其中,所述启发函数基于所述路径距离启发信息、所述被探测概率信息和所述信息素启发信息构建得到;
所述路径确定模块,被配置为使用适应性函数对所述可行路径进行评价,由所述可行路径中选取出最终航行路径。
10.一种水下航行器航行路径规划设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907604.4A CN113607172B (zh) | 2021-08-09 | 2021-08-09 | 多约束条件下的水下航行器水下航路规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907604.4A CN113607172B (zh) | 2021-08-09 | 2021-08-09 | 多约束条件下的水下航行器水下航路规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113607172A true CN113607172A (zh) | 2021-11-05 |
CN113607172B CN113607172B (zh) | 2024-04-30 |
Family
ID=78307600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110907604.4A Active CN113607172B (zh) | 2021-08-09 | 2021-08-09 | 多约束条件下的水下航行器水下航路规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113607172B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN104075717A (zh) * | 2014-01-21 | 2014-10-01 | 武汉吉嘉伟业科技发展有限公司 | 一种基于改进a*算法的无人机航线规划算法 |
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111982125A (zh) * | 2020-08-31 | 2020-11-24 | 长春工业大学 | 一种基于改进蚁群算法的路径规划方法 |
US20210103286A1 (en) * | 2019-10-04 | 2021-04-08 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Systems and methods for adaptive path planning |
CN112817332A (zh) * | 2021-01-06 | 2021-05-18 | 浙江大学 | 一种基于海洋环境的水下航行器隐蔽路径规划方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
-
2021
- 2021-08-09 CN CN202110907604.4A patent/CN113607172B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN104075717A (zh) * | 2014-01-21 | 2014-10-01 | 武汉吉嘉伟业科技发展有限公司 | 一种基于改进a*算法的无人机航线规划算法 |
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
US20210103286A1 (en) * | 2019-10-04 | 2021-04-08 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Systems and methods for adaptive path planning |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111982125A (zh) * | 2020-08-31 | 2020-11-24 | 长春工业大学 | 一种基于改进蚁群算法的路径规划方法 |
CN112817332A (zh) * | 2021-01-06 | 2021-05-18 | 浙江大学 | 一种基于海洋环境的水下航行器隐蔽路径规划方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
Non-Patent Citations (2)
Title |
---|
张楠楠: "水下机器人路径规划与路径跟踪方法研究", 中国优秀硕士学位论文全文数据库(信息科技辑), 15 September 2019 (2019-09-15) * |
胡中华等: "一种改进蚂蚁算法的无人机多目标三维航迹规划", 沈阳工业大学学报, vol. 33, no. 5, 31 October 2011 (2011-10-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN113607172B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Son et al. | Qtran: Learning to factorize with transformation for cooperative multi-agent reinforcement learning | |
CN107356254B (zh) | 适用于地磁辅助导航航迹规划的粒子群优化方法 | |
CN111176807A (zh) | 一种多星协同任务规划方法 | |
CN110031004A (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
CN111337930B (zh) | 一种auv目标搜索方法 | |
AU2001271539A1 (en) | Optimal paths for marine data collection | |
WO2002001250A2 (en) | Optimal paths for marine data collection | |
CN112817332B (zh) | 一种基于海洋环境的水下航行器隐蔽路径规划方法 | |
CN112432649A (zh) | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 | |
CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN110515845B (zh) | 基于改进ipo策略的组合测试用例优化生成方法 | |
CN113848987B (zh) | 无人机群协同目标搜索中的动态路径规划方法及系统 | |
CN113220033B (zh) | 基于改进多元宇宙优化算法的多异构无人机任务分配方法 | |
CN112947541A (zh) | 一种基于深度强化学习的无人机意图航迹预测方法 | |
CN112148008A (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN113848961B (zh) | 基于声纳探测概率的水下航行器安全隐蔽路径规划方法及系统 | |
CN108022045A (zh) | 一种分布估计方法 | |
Abreu et al. | Minehunting mission planning for autonomous underwater systems using evolutionary algorithms | |
CN110852440A (zh) | 一种基于动态模糊神经网络的海洋锋探测方法 | |
CN115686057A (zh) | 一种基于鲸鱼优化算法的多无人机路径规划方法 | |
CN109961130A (zh) | 一种基于粒子群算法确定目标对象位置的方法和装置 | |
CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 | |
CN113607172A (zh) | 多约束条件下的水下航行器水下航路规划方法和装置 | |
CN108037986A (zh) | 一种双星星簇的目标观测方法 | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
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 |