CN113655785B - 一种基于混合算法的无人艇群控制方法 - Google Patents
一种基于混合算法的无人艇群控制方法 Download PDFInfo
- Publication number
- CN113655785B CN113655785B CN202110722712.4A CN202110722712A CN113655785B CN 113655785 B CN113655785 B CN 113655785B CN 202110722712 A CN202110722712 A CN 202110722712A CN 113655785 B CN113655785 B CN 113655785B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- search
- grid
- unmanned
- target
- 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 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 241000392905 Apis mellifera adansonii Species 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 30
- 239000003016 pheromone Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本申请公开了一种基于混合算法的无人艇群控制方法,包括:步骤S1、获取任务信息;步骤S2、根据任务信息,建立搜索海域范围的无人艇动态网格,并确定无人艇动态网格内子网格的坐标标注信息,其中,无人艇动态网格由多个子网格拼接而成;步骤S3、根据任务信息及无人艇动态网格,对无人艇群进行初始化;步骤S4、基于非洲蜂与深度卷积神经网络的混合算法,依据坐标标注信息,对初始化后的无人艇群进行多目标任务搜索控制,以在无人艇动态网格的各个子网格内执行多目标任务搜索。通过本申请中的技术方案,解决无人艇群的协同控制问题,实现多目标的高效、实时性搜索,并针对搜索目标的类型采用相应的搜索手段保证多目标任务搜索的精度。
Description
技术领域
本申请涉及无人艇群控制的技术领域,具体而言,涉及一种基于混合算法的无人艇群控制方法。
背景技术
随着对海洋的开发和探索,无人艇作为一种水上智能装备日益得到各国的重视,全世界竞相研发,其发展十分迅速,尤其智能化等关键技术的突破和应用,或将改变未来军事领域中的海战形式。无人艇以其卓越的优点,在海洋巡逻、搜救、作战、海洋环境检测等多个军用、民用等领域不断得到应用和发展。
无人艇具有远程控制、自主航行的功能,尤其适合恶劣海况不适宜有人操作等复杂环境的作业任务,此外无人艇的一大优势是其无人艇群具有集群效应,小巧的无人艇航程大、航速高、适应性强安全性高,对于大面积未知海况作业具有高效率、低成本的突出优势。
为了最大化无人艇群集群效应,对无人艇群的协同控制目前研究较少,而现有的无人艇群的协同控制通常是利用启发式方法,一方面,这种方式在对无人艇群控制过程中对全局路径优化耗时长,不适合实时性控制。另一方面,这种方式也不适用于环境动态变化较大的应用场景,且对目标作业区域的目标检测精度低。
发明内容
本申请的目的在于:解决无人艇群的协同控制问题,实现多目标的高效、实时性搜索,适应复杂的动态应用场景,并针对搜索目标的类型采用相应的搜索手段保证多目标任务搜索的精度。
本申请的技术方案是:提供了一种基于混合算法的无人艇群控制方法,该方法包括:步骤S1、获取任务信息,其中,任务信息包括搜索海域范围;步骤S2、根据任务信息,建立搜索海域范围的无人艇动态网格,并确定无人艇动态网格内子网格的坐标标注信息,其中,无人艇动态网格由多个子网格拼接而成,建立搜索海域范围的无人艇动态网格的具体过程包括:步骤S21,基于任务信息,确定无人艇群的搜索目标任务类型;步骤S22,基于搜索目标任务类型,确定无人艇群的目标搜索手段;步骤S23,根据确定后的目标搜索手段和搜索海域范围内的当前海况信息、气象条件信息,确定无人艇群的有效搜索范围;步骤S24,根据搜索海域范围和无人艇群的有效搜索范围,建立无人艇动态网格;步骤S25,确定无人艇动态网格的坐标标注信息;步骤S3、根据任务信息及无人艇动态网格,对无人艇群进行初始化;步骤S4、基于非洲蜂与深度卷积神经网络的混合算法,依据坐标标注信息,对初始化后的无人艇群进行多目标任务搜索控制,以在无人艇动态网格的各个子网格内执行多目标任务搜索。
上述任一项技术方案中,进一步地,步骤S2中还包括:更新无人艇动态网格,该过程具体包括:根据搜索海域范围的地理坐标、气象条件信息、当前海况信息,对搜索海域范围进行划分,将搜索海域范围划分为4个局部区域;在每个局部区域中,以无人艇群的有效搜索范围为半径,确定最大搜索区域,以最大搜索区域的内接正方形作为最小网格单元,以最少数量的最小网格单元覆盖局部区域,作为局部区域的局部矩形区域,其中,最大搜索区域为圆形;将多个局部矩形区域拼接组成搜索海域范围的无人艇动态网格。
上述任一项技术方案中,进一步地,步骤S4中,进行多目标任务搜索控制,具体过程包括:步骤S41,获取无人艇群初始化参数;步骤S42,根据无人艇搜索过程所处海域的地理坐标、海域地理信息、气象条件信息、当前海况信息,判断是否需要更新无人艇动态网格,并根据更新后的无人艇动态网格,采用迭代算法和适应度函数,计算无人艇当前全局威胁度最高点,并录入信息素向量;步骤S43,根据信息素向量、以及当前子网格内各个无人艇的单艇速度及单艇位置,更新各个无人艇航行至下一个子网格的单艇位置及单艇速度;步骤S44,计算无人艇采集的搜索图像中含有搜索目标的概率,确定搜索目标所在海域位置,并进行下一次迭代运算,根据更新后的下一个子网格的单艇位置及单艇速度,控制无人艇航行至下一个子网格,重新采集搜索图像;S45算法终止,输出最终无人艇群确定的搜索目标所在海域位置。
上述任一项技术方案中,进一步地,步骤S43中,更新各个无人艇航行至下一个子网格的单艇位置xk(t+1)及单艇速度,对应的计算公式为:
xk(t+1)=xk(t)+η⊙vk(t)
η={a1,a2,…am}
a1=0.5(MaxIter-t)/MaxIter
式中,xk(t)为当前时刻t第k个无人艇的单艇位置,η⊙vk(t)为当前时刻t第k个无人艇的单艇速度,a2、a3、...、am-1为a1~am的等分值,以此实现随时间增加而降低历史信息素权重的目的,i为中间参数,randi(t)为当前时刻t第i个在(0,1)区间上服从均匀分布的随机数,MaxIter为最大迭代次数。
上述任一项技术方案中,进一步地,步骤S44中,具体包括:判断搜索图像中含有搜索目标的概率是否大于阈值,若大于,则判定搜索图像中含有搜索目标,否则,判定搜索图像中不含有搜索目标;若含有搜索目标,判断已确定目标数量是否大于或等于搜索目标数量,若是,执行步骤S45,若否,则根据更新后的下一个子网格的单艇位置和单艇速度,控制无人艇航行至下一个子网格,对下一个子网格进行搜索;若不含有搜索目标,判断无人艇的单艇航行时间是否达到最大值,若达到最大值,则将概率的最大值对应的位置,确定为搜索目标的海域位置;若未达到最大值,则判断是否达到最大迭代次数,若未达到,执行步骤S42,若达到,执行步骤S45,其中,搜索目标数量和最大迭代次数由任务信息确定。
本申请的有益效果是:
本申请中的技术方案,结合搜索海域范围内气象条件、海况信息、海洋环境等海域信息,与任务信息相结合,建立搜索海域范围的无人艇动态网格,该无人艇动态网格包括多个子网格,每个子网格对应一处搜索海域,以便基于无人艇群控制方法,根据无人艇动态网格的坐标标注信息和任务信息,将多个无人艇单艇分配至对应的网格,进行多目标任务搜索,大大提高了无人艇群的搜索能力,并简化了无人艇群控制的计算模型,有效提高了无人艇群控制的计算速度和计算精度。
本申请通过建立无人艇动态网格,并基于无人艇搜索过程所处海域的地理坐标、海域地理信息、海域的气象条件、海况信息等参数,对无人艇动态网格进行更新,再根据更新后的无人艇动态网格进行无人艇群进行多目标任务搜索控制,能够实时根据无人艇所处海域、气象条件、海况信息的差异,最大化利用无人艇群的搜索能力,提高搜索效率,并使无人艇群的搜索能够适应复杂应用场景,同时兼顾搜索效率和搜索精度。
本申请在无人艇群控制时采用的非洲蜂算法与深度卷积神经网络相结合的混合算法,实现无人艇群协同控制,利用了非洲蜂算法中无人艇单艇信息素残留的特点,更新无人艇群多目标任务搜索时的信息素向量,实现了无人艇群多目标任务搜索过程中信息搜集和汇总,有效提高了无人艇群的信息共享和协同作用,同时,将适应度函数替换为深度卷积神经网络进行目标检测,利用深度学习模型的检测能力,大大提高了多目标任务搜索的检索精度。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请的一个实施例的基于混合算法的无人艇群控制方法的示意流程图;
图2是根据本申请的一个实施例的建立无人艇动态网格的示意流程图;
图3是根据本申请的一个实施例的动态网格的示意图;
图4是根据本申请的一个实施例的多目标任务搜索验证场景示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本实施例提供了一种基于混合算法的无人艇群控制方法,该方法包括:
步骤S1、获取任务信息;
本实施例中,任务信息至少包括:搜索目标任务类型(如海面目标、水下目标、蛙人、金属目标、船舶类等)、搜索目标数量、搜索海域范围、实时海况信息、搜索目标的时间要求、探测目标的经济成本预算等。
本实施例以海面失事人员的搜救为例进行说明。设定搜索海域范围100平方海里,搜索目标的数量10,搜索海域为四级海况、气象条件良好,能见度良好。
步骤S2、根据任务信息,建立搜索海域范围的无人艇动态网格,并确定无人艇动态网格内子网格的坐标标注信息,其中,无人艇动态网格由多个子网格拼接而成;
具体的,无人艇在进行多目标任务搜索过程中,由于搜索目标的不同,采用的搜索手段不同,而不同的搜索手段受到环境的影响因素和影响程度不同。不同搜索手段对应的影响因素如表1所示。
表1
如图2所示,本实施例中,建立多目标任务搜索的无人艇动态网络的过程,主要包括:
步骤S21,基于任务信息,确定无人艇群的搜索目标任务类型;
本实施例中,设定的搜索目标任务类型为海事失踪人员的海面搜救,即海面目标的搜索;
步骤S22,基于搜索目标任务类型,确定无人艇群的目标搜索手段;
具体的,基于搜索目标任务类型、以及搜索任务所处海域的气象条件、海况信息、海洋环境等信息,确定适用的目标搜索手段,其中,目标搜索手段可以包括多种,如:远程激光扫描成像雷达;热成像、可见光全景成像;声纳等。
例如,某搜救海域气象条件较好,海况等级低,能见度高,此时,可选择视觉感知技术,如热成像与可见光全景融合技术,获取扫描区域内图像进行目标检测及识别。
本实施例中,由于搜索目标任务类型为海事失踪人员的海面搜救,属于小目标,且搜索海域的海况、气象条件、能见度均较好,为了最大化节约搜救时间和经济成本,目标搜索手段选择基于可见光全景成像的视觉感知探测手段。
步骤S23,根据具体确定后的目标搜索手段和搜索海域范围内的当前海况信息、气象条件信息,确定无人艇群在相关影响条件下的有效搜索范围;
具体的,在确定无人艇群的有效搜索范围时,需要结合当前海况信息、气象条件信息和目标搜索手段理论上的最大搜索范围。以本实施例中设定的条件为例,由于海况气象条件较好,可见光成像的最大探测(搜索)范围为500m,经过转换,得到最小搜索网格单元的边长为0.2海里,记作有效搜索范围。
需要说明的是,在确定无人艇群有效搜索范围的具体实现方式中,可以采用预设的计算公式进行计算,也可以采用查表的方式进行查询。
步骤S24,根据搜索海域范围和无人艇群的有效搜索范围,建立无人艇动态网格;
本实施例中,设定无人艇群中的各个单艇均可进入搜索海域,搜索海域范围为100*100海里的矩形区域,因此,该矩形区域建立的无人艇动态网格为500*500个子网格拼接而成的网格。
进一步的,如图3(a)所示,由于无人艇在搜索过程中,所处搜索海域的位置、海域地理信息、海域的气象条件、海况等影响因素存在差异,并且,不同的无人艇在不同区域的搜索能力不同,同一海域气象条件和海况也在不断变化。因此,为了适应海域、气象条件、海况等因素的差异和变化,保证无人艇的实时有效搜索精度、最大化利用无人艇的搜索能力,在无人艇群搜索过程中,需要实时自适应更新无人艇搜索作业的无人艇动态网格,即根据无人艇搜索过程所处海域的地理坐标、海域地理信息、海域的气象条件、海况信息,更新无人艇动态网格,该过程具体包括:
首先,根据搜索海域的地理坐标、气象条件信息、当前海况信息,对搜索海域范围进行划分,将搜索海域范围划分为4个局部区域;
之后,在每个局部区域中,以无人艇群的有效搜索范围为半径,确定最大搜索区域,该最大搜索区域为圆形,以最大搜索区域的内接正方形作为最小网格单元,以最少数量的最小网格单元覆盖该局部区域,作为该局部区域的局部矩形区域;
最后,将多个局部矩形区域拼接组成该搜索海域范围的无人艇动态网格。
通过上述过程,在搜索海域范围内执行多目标任务搜索过程中,不断更新网格尺寸信息、坐标标注信息,以便无人艇适应在搜索海域范围内的海域、气象、海况条件的差异和变化,实现无人艇对复杂应用场景的适应性,保持不同场景下无人艇的搜索精度和最大化利用无人艇的搜索能力,提高无人艇搜索效率。
步骤S25,确定无人艇动态网格的坐标标注信息。
具体的,如图3(b)所示,由于搜索海域中可能存在岛礁、浅滩等无人艇无法搜索或者不需要搜索的局部区域,因此,在无人艇位置更新时应避开上述局部区域。所以,对无人艇动态网格中的各个子网格进行坐标标注时,设定无人艇可访问子网格用1表示,无人艇禁入子网格用0表示,具体无人艇的坐标标注信息如下:子网格编号,相邻子网格,相邻子网格是否可访问。
如(1,2-5-6,1-0-1),该坐标标注信息表示子网格1与子网格2、5、6相连,无人艇从子网格1可继续访问子网格2或子网格6,禁止访问子网格5。
依此设定的坐标标注规则,便可确定所有可访问子网格坐标,并且,对于禁入的子网格无人艇不能访问,也不能从该子网格向其他相邻子网格进行位置更新,所以在建立网格坐标标注信息时,只需对可访问子网格建立坐标标注信息即可。
在实际应用中,为了减少网格的计算量,在每次迭代过程中,可通过对任务海域的气象条件、海况信息设置阈值,若气象条件、海况信息变化小于阈值,实际无人艇的搜索能力变化不大,因此无需对子网格进行更新;此外还可以通过对气象和海况信息进行预测,基于预测的气象条件以及海况信息进行动态网格计算和建立,在无人艇更新过程中可直接调用预测建立的动态网格。通过上述技术手段可减少网格的计算量、提高无人艇群控制的实时性。
步骤S3、根据任务信息及无人艇动态网格,对无人艇群进行初始化,其中,初始化内容包括:无人艇群的单艇数量、单艇航行方向、单艇航行时间。
具体的,任何搜索任务均受到时间成本和经济成本的约束,若搜索目标为海事失踪人员,由于越快搜索到目标进行救治,失踪人员的生还概率就越大,因此搜索时应以减少搜索时间为主要约束条件。若搜索目标为普通目标,对搜索时间的紧迫性不高,但对搜索的经济成本要求高,因此在制定此类普通目标的搜索策略时,应以降低经济成本为主要约束条件。
本实施例中,以搜索时间为固定值,对无人艇群中单艇的数量进行初始化,计算当前最大需要出海无人艇群的单艇数量,再估算此次搜索任务的经济成本,若认为成本过高,可以放宽时间约束,重新计算经济成本,直至对时间和经济成本满足预期,在此基础上进行优化,确定无人艇群中的初始化单艇数量。
由于无人艇在作业前均储存于母舰内,在对无人艇进行初始化位置时,并不同于以往随机初始化位置,无人艇群所有单艇均从同一位置出发,因此,在初始化时,首先需要对无人艇(单艇)的航行方向以及航行时间进行初始化。
另外,由于在进行初始化过程中,母舰(无人艇群)航行了一定的搜索距离,因此,在进行无人艇初始化过程中,对搜索无人艇初始化过程中的所有路径进行计算,根据适应度函数计算出威胁度最大的位置为无人艇的单艇初始位置,即在对搜索海域进行多目标任务搜索前,无人艇按照预定控制算法航行一段时间后的无人艇初始化位置。
步骤S4、基于非洲蜂与深度卷积神经网络的混合算法,依据坐标标注信息,对初始化后的无人艇群进行多目标任务搜索控制,以在无人艇动态网格的各个子网格内执行多目标任务搜索。
具体的,无人艇群执行多目标任务搜索的过程与以往启发算法求最优解不同,无人艇群在实际搜索过程中,某一无人艇搜索到某一目标并执行相应操作后,将继续执行下一个目标的搜索,无人艇群控制是通过引导无人艇群中的单艇在有限的信息条件下,不断获取信息并以最短时间以及最佳路径找到所有目标。
本实施例中,在进行多目标任务搜索过程,为了发现无人艇所在区域是否存在搜索目标,在适应度函数构建方面,采用了区别于传统的函数形式,通过无人艇群搜索的目标图像信息,将其出入到深度卷积神经网络中,进行目标检测识别,输出图像含有目标的概率,通过概率的比较不断选出局部最优解和全局最优解集,进而完成多目标任务搜索。
进行无人艇群控制的具体过程包括:
步骤S41,获取无人艇群初始化参数,其中,初始化参数包括:单艇数量Np、设定的最大迭代次数MaxIter、无人艇的单艇航行时间m、目标信息素留存上限系数am(am=1)、待搜索目标数量S、无人艇动态网格的坐标标注信息、无人艇初始化位置和初始化速度。
需要说明的是,本实施例中的无人艇初始化位置为无人艇单艇按照预定控制算法,从母舰中航行一段时间后的无人艇位置。
步骤S42,根据无人艇搜索过程所处海域的地理坐标、海域地理信息、海域的气象条件信息、当前海况信息,判断是否需要更新无人艇动态网格,并根据更新后的无人艇动态网格,采用迭代算法和适应度函数,计算无人艇当前全局威胁度最高点,并将该点录入信息素向量M,其中,海域地理信息海域中可能存在岛礁、浅滩等信息。
具体的,设定无人艇在第j次迭代诞生,即派出进入任务海域作业,信息素残留时间为m,由无人艇的单艇航行时间确定,即能够记录m次迭代的全部最优解位置ξBest,ξBest(j)代表第j次迭代产生的全局最优解(威胁度)所在位置,其中,信息素向量M的计算公式为:
M=[ξBest(j)ξBest(j+1)…ξBest(j+m-1)]T
步骤S43,根据信息素向量M、以及当前子网格内各个无人艇的单艇速度及单艇位置,更新各个无人艇航行至下一个子网格的单艇位置及单艇速度。
具体的,在第t次迭代(即当前时刻t)中,根据第k个无人艇自身位置xk(t)和信息素向量M中的ξBest(j)至ξBest(t-1),更新无人艇的单艇位置xk(t+1),对应的计算公式为:
xk(t+1)=xk(t)+η⊙vk(t)
η={a1,a2,…am}
a1=0.5(MaxIter-t)/MaxIter
式中,xk(t)为当前时刻t第k个无人艇的单艇位置,η⊙vk(t)为当前时刻t第k个无人艇的单艇速度,a2、a3、...、am-1为a1~am的等分值,以此实现随时间增加而降低历史信息素权重的目的,i为中间参数,randi(t)为当前时刻t第i个在(0,1)区间上服从均匀分布的随机数,MaxIter为最大迭代次数。
步骤S44,计算无人艇更新位置后,在当前位置处采集的搜索图像中含有搜索目标的概率,确定所述搜索目标所在海域位置,并进行下一次迭代运算,根据更新后的下一个子网格的单艇位置及单艇速度,控制无人艇航行至下一个子网格,重新采集搜索图像。
具体的,将无人艇采集到的搜索图像输入至远程终端的深度卷积神经网络进行目标检测,这里卷积神经网络可以是现有技术中任意成熟的网格结构如faster RCNN,SSD,YOLO等,对此不具体限定。
该步骤S44中,确定所述搜索目标所在海域位置,进行下一次迭代运算之前,需要根据含有目标的概率以及阈值,判断是否进行下一次迭代,该过程具体如下:
判断搜索图像中含有搜索目标的概率是否大于设定的阈值,若大于,则判定搜索图像中含有搜索目标,否则,判定搜索图像中不含有搜索目标;
若含有搜索目标,判断已确定目标数量是否大于或等于搜索目标数量,若是,表明已发现全部搜索目标,直接转向步骤S45;若否,则根据更新后的下一个子网格的单艇位置和单艇速度,控制无人艇航行至下一个子网格,对下一个子网格进行搜索,其中,若当前子网格对应多个下一个子网格,则任选其一即可,即无人艇可以从子网格1航行至子网格2、子网格6中的任一个;
若不含有搜索目标,判断无人艇的单艇航行时间是否达到最大值,若达到最大值,则无人艇不存在,将当前含有目标的概率的最大值对应的位置,确定为搜索目标的海域位置;若未达到最大值,则无人艇仍存在,将继续更新当前无人艇位置信息,并在进入下次迭代前,判断是否达到最大迭代次数Maxlter,若未达到,则返回步骤S42,否则,转向步骤S45。
S45算法终止,输出最终无人艇群确定的搜索目标所在海域位置。
如图4所示,A、B、C、D所行程的100平方海里矩形预定海域范围,并分别在A、B、C、D四个点所在经纬度位置提前布置好浮标,■、●、▲分别表示提前布置的彩色浮标、漂浮木桩、金属球等虚拟目标示意。
涉及到的参数取值为:m=3,am=1,c1=1.3,c2=0.6,艇群规模N=5,最大迭代次数MaxIter=50,无人艇参数舰长19m,排水量40t,最高航速38节(38海里/h),续航力48小时,航程680海里。
执行任务过程,艇群以最高航速38节的速度航渡到任务区域,搜索过程以10节的巡航速度进行多目标任务搜索。
本实施例无人艇群作业任务海域的海况信息为四级海况,浪高1.25~2.5m,风速较小,能见度较好,假目标10个,并实时记录假目标所在位置的经纬度.
通过仿真验证,经过15次迭代,耗时约2h,无人艇群完成所有目标的搜索定位。
以上结合附图详细说明了本申请的技术方案,本申请提出了一种基于混合算法的无人艇群控制方法,包括:步骤S1、获取任务信息,其中,任务信息包括搜索海域范围;步骤S2、根据任务信息,建立搜索海域范围的无人艇动态网格,并确定无人艇动态网格内子网格的坐标标注信息,其中,无人艇动态网格由多个子网格拼接而成;步骤S3、根据任务信息及无人艇动态网格,对无人艇群进行初始化;步骤S4、基于非洲蜂与深度卷积神经网络的混合算法,依据坐标标注信息,对初始化后的无人艇群进行多目标任务搜索控制,以在无人艇动态网格的各个子网格内执行多目标任务搜索。通过本申请中的技术方案,解决无人艇群的协同控制问题,实现多目标的高效、实时性搜索,适应复杂的动态应用场景,并针对搜索目标的类型采用相应的搜索手段保证多目标任务搜索的精度。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (3)
1.一种基于混合算法的无人艇群控制方法,其特征在于,所述方法适用于控制所述无人艇群进行多目标任务搜索,其特征在于,所述方法包括:
步骤S1、获取任务信息,其中,所述任务信息包括搜索海域范围;
步骤S2、根据所述任务信息,建立所述搜索海域范围的无人艇动态网格,并确定所述无人艇动态网格内子网格的坐标标注信息,其中,所述无人艇动态网格由多个所述子网格拼接而成,所述建立所述搜索海域范围的无人态艇动网格的具体过程包括:
步骤S21,基于所述任务信息,确定所述无人艇群的搜索目标任务类型;
步骤S22,基于所述搜索目标任务类型,确定所述无人艇群的目标搜索手段;
步骤S23,根据确定后的目标搜索手段和所述搜索海域范围内的当前海况信息、气象条件信息,确定所述无人艇群的有效搜索范围;
步骤S24,根据所述搜索海域范围和所述无人艇群的有效搜索范围,建立所述无人艇动态网格;
步骤S25,确定所述无人艇动态网格的所述坐标标注信息;
步骤S3、根据所述任务信息及所述无人艇动态网格,对无人艇群进行初始化;
步骤S4、基于非洲蜂与深度卷积神经网络的混合算法,依据所述坐标标注信息,对初始化后的无人艇群进行多目标任务搜索控制,以在所述无人艇动态网格的各个子网格内执行多目标任务搜索,
所述步骤S4中,进行多目标任务搜索控制,具体过程包括:
步骤S41,获取无人艇群初始化参数;
步骤S42,根据无人艇搜索过程所处海域的地理坐标、海域地理信息、气象条件信息、当前海况信息,判断是否需要更新所述无人艇动态网格,并根据更新后的无人艇动态网格,采用迭代算法和适应度函数,计算无人艇当前全局威胁度最高点,并录入信息素向量;
步骤S43,根据所述信息素向量、以及当前子网格内各个无人艇的单艇速度及单艇位置,更新各个无人艇航行至下一个子网格的单艇位置及单艇速度;
步骤S44,计算所述无人艇采集的搜索图像中含有搜索目标的概率,确定所述搜索目标所在海域位置,并进行下一次迭代运算,根据所述更新后的下一个子网格的单艇位置及单艇速度,控制所述无人艇航行至下一个子网格,重新采集所述搜索图像;
S45算法终止,输出最终无人艇群确定的搜索目标所在海域位置,
所述步骤S43中,更新各个无人艇航行至下一个子网格的单艇位置xk(t+1)及单艇速度,对应的计算公式为:
xk(t+1)=xk(t)+η⊙vk(t)
η={a1,a2,…am}
a1=0.5(MaxIter-t)/MaxIter
式中,xk(t)为当前时刻t第k个无人艇的单艇位置,η⊙vk(t)为当前时刻t第k个无人艇的单艇速度,a2、a3、...、am-1为a1~am的等分值,以此实现随时间增加而降低历史信息素权重的目的,i为中间参数,randi(t)为当前时刻t第i个在(0,1)区间上服从均匀分布的随机数,MaxIter为最大迭代次数。
2.如权利要求1所述的基于混合算法的无人艇群控制方法,其特征在于,所述步骤S2中还包括:更新所述无人艇动态网格,该过程具体包括:
根据所述搜索海域范围的地理坐标、所述气象条件信息、所述当前海况信息,对所述搜索海域范围进行划分,将所述搜索海域范围划分为4个局部区域;
在每个局部区域中,以所述无人艇群的有效搜索范围为半径,确定最大搜索区域,以所述最大搜索区域的内接正方形作为最小网格单元,以最少数量的最小网格单元覆盖所述局部区域,作为所述局部区域的局部矩形区域,其中,所述最大搜索区域为圆形;
将多个所述局部矩形区域拼接组成所述搜索海域范围的所述无人艇动态网格。
3.如权利要求1所述的基于混合算法的无人艇群控制方法,其特征在于,所述步骤S44中,具体包括:
判断所述搜索图像中含有所述搜索目标的概率是否大于阈值,若大于,则判定所述搜索图像中含有所述搜索目标,否则,判定所述搜索图像中不含有所述搜索目标;
若含有所述搜索目标,判断已确定目标数量是否大于或等于搜索目标数量,若是,执行步骤S45,若否,则根据所述更新后的下一个子网格的单艇位置和单艇速度,控制无人艇航行至下一个子网格,对下一个子网格进行搜索;
若不含有所述搜索目标,判断所述无人艇的单艇航行时间是否达到最大值,若达到最大值,则将所述概率的最大值对应的位置,确定为搜索目标的海域位置;若未达到最大值,则判断是否达到最大迭代次数,若未达到,执行步骤S42,若达到,执行步骤S45,
其中,所述搜索目标数量和所述最大迭代次数由所述任务信息确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722712.4A CN113655785B (zh) | 2021-06-29 | 一种基于混合算法的无人艇群控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722712.4A CN113655785B (zh) | 2021-06-29 | 一种基于混合算法的无人艇群控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655785A CN113655785A (zh) | 2021-11-16 |
CN113655785B true CN113655785B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515378A (zh) * | 2019-08-09 | 2019-11-29 | 西安电子科技大学 | 一种应用于无人艇的智能目标搜索方法 |
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 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515378A (zh) * | 2019-08-09 | 2019-11-29 | 西安电子科技大学 | 一种应用于无人艇的智能目标搜索方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222701B (zh) | 一种基于海洋环境图层的船舶航线自动规划与评价方法 | |
CN107886773B (zh) | 一种基于信息量的船舶所处会遇态势紧迫度量化分析方法 | |
CN109164815A (zh) | 一种基于改进蚁群算法的自主水下航行器路径规划方法 | |
CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
CN110889198B (zh) | 一种基于多因素联合学习的航位概率分布预测方法及系统 | |
CN111580518B (zh) | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 | |
CN110196986A (zh) | 基于气象环境信息的无人船舶最短航时航线优化方法 | |
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 | |
CN109001725B (zh) | 一种海上无人艇海上多目标跟踪方法 | |
CN110969289B (zh) | 一种无人船气象航线连续动态优化方法和系统 | |
CN111307160A (zh) | 一种自主水下航行器长航时航迹的修正方法及装置 | |
CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
US20220214689A1 (en) | Autonomous Vessel and Infrastructure for Supporting an Autonomous Vessel on Inland Waterways | |
CN114387822B (zh) | 船舶避碰方法 | |
Gao et al. | An optimized path planning method for container ships in Bohai bay based on improved deep Q-learning | |
CN113655785B (zh) | 一种基于混合算法的无人艇群控制方法 | |
Zaccone et al. | An optimization tool for ship route planning in real weather scenarios | |
CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
CN113655785A (zh) | 一种基于混合算法的无人艇群控制方法 | |
CN114445572B (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
CN115793704A (zh) | 一种无人直升机光伏太阳能电厂最优巡检路径规划方法 | |
CN114924567A (zh) | 一种无人艇控制系统及方法 | |
CN113655786B (zh) | 一种基于非洲蜂智能算法的无人艇艇群控制方法 | |
Wang et al. | Jump point search plus algorithm based on radar simulation target path planning | |
Xue et al. | Overview of unmanned surface vessel coverage path planning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |