CN113885533B - 一种无人艇的无人驾驶方法及系统 - Google Patents
一种无人艇的无人驾驶方法及系统 Download PDFInfo
- Publication number
- CN113885533B CN113885533B CN202111337099.0A CN202111337099A CN113885533B CN 113885533 B CN113885533 B CN 113885533B CN 202111337099 A CN202111337099 A CN 202111337099A CN 113885533 B CN113885533 B CN 113885533B
- Authority
- CN
- China
- Prior art keywords
- data
- navigation
- unmanned ship
- unmanned
- module
- 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 69
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000000875 corresponding effect Effects 0.000 claims description 54
- 238000012795 verification Methods 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000011065 in-situ storage Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000010485 coping Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 230000002596 correlated effect Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 208000034699 Vitreous floaters Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004347 surface barrier Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人艇的无人驾驶方法,装置和存储介质,该方法通过获取无人艇的航行路线、航行过程中产生的航行数据,根据采集时间的不同,用时间戳加以区分,根据获取到的数据,使用预设的模型生成不同两种以上的操控建议数据,选择一项建议参数,用于辅助无人艇的自主航行,在设定时间内再次采集数据,判断是否符合需求,如符合,继续执行;如不符合,由模型再次生成建议数据,并存储所有数据用于模型训练,本设计降低了远程操控/无人驾驶过程中的碰撞风险。
Description
技术领域
本发明涉及船舶操纵控制技术领域,具体为一种无人艇的无人驾驶方法及系统。
背景技术
为了对水上环境进行探测或监视,通常需要利用船舶搭载相应的探测设备航行至相应的目的地点以便进行探测,而至于搭载探测设备的船舶,包括载人艇和不搭载人员的无人艇,至于载人艇来说,为了提供足够的搭载能力以便搭载人员和设备,需要足够排水体积和其他支持能力,从而使得载人艇体积大,这样不利于携带,而且这样的载人艇的建造和使用成本高,同时,搭载人员还要保证载无人艇搭载的人员安全,不能进入恶劣环境下人员的安全,从而带来诸多缺陷,而无人艇,由于不搭载人员,则一方面可以降低无人艇的安全性要求,同时减少搭载容量,这可使得无人艇的体积减小,从而可以便于携带,另一方面不搭载人员可以支持能力,也利于节省成本,尤其是,无人艇是一种可移动的无人水面平台,和载人艇相比,无人艇特别适用于执行危险和不适合人工作业的任务,尤其是如恶劣环境下的数据采集、危险工况的数据监测等,这些都需要无人艇执行不同的任务。
作为无人艇来说,由于不搭载操纵人员,则需要通过远程控制无人艇操纵的方式进行操纵或者通过设于无人艇上的传感设备和自动控制设备进行自动操纵,使用自动控制设备进行自动操纵是现有技术中很常见的一种操纵方式,而在利用自动控制设备自动操纵的无人艇中,通常包括传感设备、路径规划设备和动力设备,而其中,无人艇的路径规划和无人艇的动力装置是无人艇最核心的组件,路径规划算法的优劣决定了无人艇执行任务的效率,动力装置决定了无人艇的可操控性。
在无人艇的操纵驾驶方面,现有技术中也有些相应的自动化控制技术,如:专利申请CN113672832A公开了一种基于端边云及深度强化学习的无人机械协作方法包括如下步骤:根据无人艇和/或无人机的不同任务的作业要求,设计一个适合该任务的自主导航边缘智能模型;在核心云端基于无人艇和无人机协作的作业要求,进行基于深度强化学习的仿真训练;在核心云端的第一DRL训练模块中基于真实场景采用sim2real部署仿真训练获取的自主导航边缘智能模型;通过第一通讯模块将第一DRL训练模块中的自主导航边缘智能模型下发至边侧端的第二DRL训练模块,该申请采取端边云计算方案,通过增加节点的方式,使得数据传输的速度更快,处理更及时,而且在无人机和无人艇在执行任务之前,通过测试时延,选择合适的深度强化学习通信架构,可以选择最合适的通信线路,降低通信时延。
专利申请CN113503878A公开了一种无人船路径规划方法及系统,涉及智能船舶自主航行技术领域,用以解决智能船舶在复杂航行环境下的路径求解优化问题和收敛速度问题。所述无人船路径规划方法包括利用加权双重机制持续更新两个独立的Q表。所述无人船路径规划系统包括六个相互关联的系统单元,本发明提供的无人船路径规划方法及系统用于提升智能船舶航行时的自主行为决策能力。
专利申请CN113176776A公开了一种基于深度强化学习的无人艇天气自适应避障方法,包括:基于PPO算法构建深度强化网络;构建无人艇避障的仿真环境与无人艇模型,定义无人艇模型的状态空间包括:无人艇模型上的图像传感器采集的环境图像与预设目标点的三维坐标信息;动作空间包括:无人艇模型的转向角度与推力;设计基于时序距离的奖励函数作为优化依据;利用深度强化网络采样不同天气下无人艇模型在与仿真环境交互时产生的样本数据;基于PPO算法,利用样本数据对深度强化网络进行训练得到不同天气下无人艇的自动避障模型。该避障方法能够实时感知天气变化,动态选取预训练避障模型,使无人艇模型适应不同的天气。
专利申请CN112817318A公开了一种本发明涉及一种多无人艇协同搜索控制方法及系统,涉及海洋智能无人艇协同作业领域,包括确定无人艇团队的任务区域;根据任务区域和概率图方式,确定当前时刻每个无人艇对应的环境感知信息;将当前时刻每个无人艇对应的环境感知信息分别输入到相应的目标搜索策略输出模型中以获取下一个时刻每个无人艇的执行动作;将下一个时刻每个无人艇的执行动作发送至对应的无人艇执行结构中以对任务区域内的水下目标进行搜索。其中,目标搜索策略输出模型是基于训练样本和DDQN网络结构训练得到的。本发明能够解决在搜索任务中,无人艇效率低、精确度不高、任务分配不明确等问题。
专利申请CN108549372A公开了一种本发明涉及一种多无人艇协同搜索控制方法及系统,涉及海洋智能无人艇协同作业领域,包括确定无人艇团队的任务区域;根据任务区域和概率图方式,确定当前时刻每个无人艇对应的环境感知信息;将当前时刻每个无人艇对应的环境感知信息分别输入到相应的目标搜索策略输出模型中以获取下一个时刻每个无人艇的执行动作;将下一个时刻每个无人艇的执行动作发送至对应的无人艇执行结构中以对任务区域内的水下目标进行搜索。其中,目标搜索策略输出模型是基于训练样本和DDQN网络结构训练得到的。该发明能够解决在搜索任务中,无人艇效率低、精确度不高、任务分配不明确等问题。
专利申请CN112464994A公开了一种基于PointNet网络的船艇尾浪识别与去除方法,步骤如下:S1:利用激光雷达实时获取无人艇360°范围的点云数据;S2:对点云数据进行去噪处理;S3:对去噪处理的点云数据进行欧几里得距离聚类获得可疑目标列表;S4:构建PointNet深度学习模型,并装载已训练好的权重参数;S5:将聚类后的点云子集输入PointNet深度学习模型中进行分类识别;S6:将识别为尾浪目标的点云子集从可疑目标列表中去除;S7:判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪,非自身尾浪情况下通过尾浪位置对水面船艇目标进行定位;S8:将水面障碍物探测结果发送给无人艇控制平台。该发明利用PointNet深度学习模型实现船艇尾浪的快速识别和去除,并基于尾浪识别结果对目标船艇进行定位,提升了激光雷达在水面应用的适应能力。
可见,目前,在无人艇的无人驾驶和控制方面,其相应的技术还存在以下缺陷:
1.在现有技术中,无人艇的全局路径规划技术,是针对从任务起始点到终止点的路径规划,但是全局路径规划是从全局制定无人艇的航行路线,对无人艇行驶过程中可能遇到的特殊情况(如渔船、礁石、较大的风浪等)并未有对应的措施,本发明提供了一种无人艇的无人驾驶方法、控制器和存储介质,用于降低无人艇在远程操控/无人驾驶过程中的碰撞风险。
2.现有技术中,无人艇的全局路径规划技术,是针对从任务起始点到终止点的路径规划,但是全局路径规划是从全局制定无人艇的航行路线,对无人艇行驶过程中可能遇到的特殊情况(如渔船、礁石、较大的风浪等)并未有对应的措施,本发明提供了一种无人艇的无人驾驶方法、控制器和存储介质,用于降低无人艇在远程操控/无人驾驶过程中的碰撞风险。
3.现有技术中,现有的无人艇路径规划方法包括局部路径规划和全局路径规划,目前全局路径规划的发展较为成熟,但是局部路径规划算法的发展和应用较少。
面对上述技术问题,希望提供一种无人艇的无人驾驶方法及系统,以解决上述技术问题。
发明内容
针对上述技术问题,本发明的目的在于提供一种基无人艇的无人驾驶方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种无人艇的无人驾驶方法及系统,包括驾驶决策集控平台、航行计划输入模块、航行参数获取模块、数据储存模块、危险预警警示模块;所述驾驶决策集控平台分别和航行计划输入模块、航行参数获取模块、数据储存模块、危险预警警示模块数据通信连接;
其特征在于:所述驾驶决策集控平台用于基于所述航行计划输入模块输入的航线数据和所述航行参数获取模块获取的实时航行数据做出无人艇的驾驶决策,并控制所述无人艇执行所述驾驶决策;其中,所述驾驶决策集控平台包括数据处理模块、数据选取模块和执行模块和驾驶控制切换模块;
所述航行计划输入模块用于根据需求,设置航行的出发地、目的地、航行水域海图和航行注意事项,其中所述航行注意事项构成规划航线的约束条件;所述航行参数获取模块用于实时获取无人艇在航行时无人艇的艇体及周围环境的航行参数数据;所述数据存储模块用于存储训练模型、所述航行计划输入模块输入的航线数据和所述航行参数获取模块获取的实时航行数据、备份和多个执行程序;
所述危险预警警示模块用于对航行中遇到的危险航行情况时进行报警,以便将危险航行情况发送给远程监控人员,以便监控人员进行干预和协调,从而使无人艇脱离危险;
所述数据处理模块用于给数据打上相应的时间戳,同时负责将数据输入训练模型以及建议方案的指令化;所述数据选取模块用于对指令进行时间戳校验和可行性校验,选取安全可靠的建议方案;所述执行模块用于执行上述各模块发出的指令;所述驾驶控制切换模块用于将无人艇的驾驶模式在无人驾驶模式和远程人工接入模式之间切换,其中,在所述无人驾驶模式下,由所述驾驶决策集控平台自动控制执行驾驶,而在远程人工接入模式下,将无人艇的驾驶控制权转交至所述远程人员,从而实现远程人工控制接入;
在执行无人驾驶航行时,通过航行计划输入设备输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件,
所述驾驶决策集控平台基于输入的目的地、途径航行点,航行水域海图和航行约束条件利用所述驾驶决策集控平台的数据处理模块生成无人艇的航行路线的两个以上的建议方案;将带有时间戳的数据导入预设的训练模型,使用预设模型生成两个以上的建议方案;
所述驾驶决策集控平台根据上述的航行数据,使用预设模型生成用于应对不同预设状况的多个建议数据;所述预设模型使用标识有建议数据的行驶数据作为训练样本,并以航行数据为输入、建议数据为输出的形式,进行模型训练得到;
所述航行参数获取设备实时获取无人艇的相关状态参数,将获取到的数据打上时间戳,形成航行数据;
所述航行数据包含:无人艇接收到由岸基系统发送的全局路径指令、无人艇航行过程中无人艇自身的状态参数以及无人艇周边的环境参数、与本次规划路径有接触的其他船只的航行数据;
其中,所述预设模块的创建步骤如下:
模型选用递归神经网络模型(RNN)作为训练模型,训练数据集按照类型分为两类:无人艇航行相关数据和对应的操作指令,将时间戳相同的数据关联整合,可得到无人艇航行的相关数据;第二类为在采集数据的时间戳后,人为操控无人艇的相关操作指令。将各时间戳对应的相关数据与操作指令——映射,即可得到原始的训练集;
使用RNN训练模型,无人艇在t+1时刻的状态是通过当前指令和所有历史操作指令共同操作的结果,将该模型用于无人艇的操控;
对建议的数据添加时间戳TA2后执行建议数据,并进行时间戳校验以及可执行性校验;
时间戳校验包括:将时间戳与时间戳TA2进行比较,如时间戳之差超过阈值,将忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA2,将时间戳与时间戳TA2的数据比对,如超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当多次超过阈值时,忽略所有建议,原地等待人工操控接入,同时存储所有航行数据用于模型分析优化;
可执行性校验包括:在开始执行方案之前,由计算机对建议方案进行仿真模拟,模拟建议执行数据,如存在可见的风险,则自动忽略本条建议数据;
生成与方案对应的操控指令,并打上时间戳2;
在执行对应的动作前,需要在执行时间戳校验和可行性校验。
优选的,无人艇的航行数据包括:
无人艇的自身状态数据,所述自身状态数据包括自身电量、速度、加速度、位置、俯仰角、油门刹车的状态和是否变换挡位;无人艇的周边数据,所述周边数据包括风浪,海面高差。
优选的,还包括训练模型的更新步骤,将无人艇相关参数作为训练模型的输入,无人艇的建议指令作为训练模型的输出,并将输入和输出对应起来,建立训练样本集,同时根据建议指令的实际作用效果,将符合任务设定的相关样本集划归正样本集,反之为负样本集。
优选的,所述建议数据包括以下预设状况,理想工作环境下风浪流及其对应的状况、正常工作环境下风浪流及其对应的状况、极端天气下的风浪流及其对应的状况,使用预设模型生成用于应对不同预设状况的多个建议数据。
优选的,所述约束条件包括天气条件和风浪条件、所述无人艇能能够承受的风力等级、风浪高度、无人艇的稳性高度;同时,在远程人工接入模式下,为无人艇在执行所有建议方案且均无效的情况下,由岸基工作人员通过远程模拟器控制无人艇的刹车、油门和方向,从而控制无人艇航行的情况;或当前无人艇的训练模型对当前状况均不适用,或存在较大的风浪,或前方存在不规则运动的物体,例如大块的海洋垃圾、废弃集装箱。
优选的,模型生成两个以上的建议方案,建议方案的选择通过所述驾驶控制切换模块专业的方案选择模块进行方案选择。
优选的,建议方案的选择中,询问内容及权重值设置如下:
根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案,该项值占权重为0.2;对建议方案进行计算机模拟,验证建议方案的可行性,该项值占权重为0.2;所述数据存储模块是否存在类似条件下有效的建议方案,该此项值占权重0.3;选取建议方案中路径最短或耗能最低的方案,该项值占权重0.3。
优选的,所述航行数据还包括:通过传感器反馈生成的位置和环境的地图画面、依据所述数据生成的建议航行轨迹,和将所述建议数据与所述选项数据关联地显示于所述地图画面上。
另外一方面,本申请还提供一种无人艇的无人驾驶方法,包括无人艇的无人驾驶系统,其特征在于,所述驾驶方法包括如下步骤:
步骤S1,获取无人艇航行过程中的相关数据;
通过航行计划输入设备输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件的航行任务,形成航线数据;所述航行参数获取模块获取的实时航行数据,
步骤S2,将所述航线数据和航行数据输入预设模型,生成两种以上的建议方案;其中,所述航线数据和航行数据和建议方案为映射关系,建议方案生成后,与相应的所述航线数据和航行数据进行关联,并打上对应的时间戳;
在该无人艇的控制设备中运行的自动驾驶系统中,按照实际需要可以再单独设立前端和后端,后端负责数据采集、处理和建议方案生成,以及渲染可以图形化显示的路径地图;前端通过独立的通讯网络与岸基系统通讯,进一步的,可以通过HTTP的方式远程展示无人艇的位置、状态等,岸基的工作人员也可以通过此协议远程接管无人艇;示例性的,生成的实时路径地图应包含以下几个部分:无人艇前端的摄像头用于显示无人艇当前的图像信息;无人艇的原始航线以及局部的建议航线;无人艇的方向应使用箭头在地图标注;无人艇的历史航行路径和历史方向;无人艇周边船只的航行路径以及实时位置;
步骤S3,基于所述建议方案,生成与所述建议方案对应的指令数据;
选用机器人操作系统ROS和机器人主题ROS Topic的方式,按照ROS messagequestion的方式对所述建议方案进行可行性验证,依次询问并按照算法做加权计算,选取可行且加权分数最高的建议的方案进行编译,形成指令数据,并将所述指令数据发送至执行机构;
步骤S4,进行时间戳校验和可行性校验;
其中,时间戳验证的定义如下将时间戳与时间戳+1进行比较,如时间戳之差超过阈值,忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA2,将时间戳与时间戳TA2的数据比对,如超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当超过阈值次数达到一定次数时,忽略所有建议数据,通过所述驾驶控制切换模块切换至远程人工接入模式,并原地等待人工操控接入,同时存储所有航线数据和航行数据用于模型分析优化;
步骤S5,进行人工或自主选择最优方案,并将最优方案生成执行指令,将对应的执行指令发送到无人艇相关执行机构,其中,最优方案的选择策略如下:a.根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案;
b.搜索历史的建议方案,如存在类似建议方案且执行效果良好,则优先选择类似的建议方案;
c.在同等条件下,优先选择航行路径最短的,能耗最低的方案;
步骤S6,再次获取无人艇航行过程中航行数据,判断航行轨迹是否符合设定,如果不符合,则返回步骤S2,否则继续按照建议方案航行;
在执行建议指令后指定时间内,再次采集所述无人艇的航行数据,并打上时间戳3,若无人艇及其航行数据符合初始航行任务设定标准,则继续执行;如不符合,则将本次航行数据再次输入所述训练模型,获取新的建议指令,重复步骤S1-S6的操作,如多次检测仍然不符任务要求,则停止所有步骤,存储所有航行数据和航行数据,并原地等待人工操纵模式接入,之后记录所有的人工操作,并将本次所有航行数据储存至数据储存模块,用于更新所述训练模型;
步骤S7,并在无人艇出现危险或继续安装目前航行状态航行会出现危险时,所述危险预警警示模块进行报警,并将该报警信息发送给远程人工操作端。
另外一方面,本申请还提供一种存储介质,所述存储介质存储有计算机可执行的计算机指令,所述计算机指令在由计算机处理器执行时用于执行如权利要求2-9中任意一项的无人艇的无人驾驶方法。
与现有技术相比,本发明的基无人艇的无人驾驶方法及系统具备以下有益效果:
1、本发明的基无人艇的无人驾驶方法及系统,提供了一种无人艇的无人驾驶方法、装置和存储介质,通过实时局部路径规划调整,提高无人艇在航行中的稳定性。
2、本发明的基无人艇的无人驾驶方法及系统,其为自带或集成一套独立的计算机/DSP,接受岸基系统发送的指定路线,并将无人艇航行到指定目的地;同时在无人艇自主航行期间,还要具备局部路径规划的能力,对局部的路径进行规划调整,以应对特殊状况,例如无人艇航行过程中遇到的大风浪、不规则运动的漂浮物等。
3、本发明的基无人艇的无人驾驶方法及系统,面对现有技术张都是无人艇自身报警给自己和提示其他人/船舶,通常都是给无人船舶自身报警,本发明的驾驶控制系统还和附近的船舶进行通信,以便协调降低风险。
附图说明
图1为本发明的无人艇驾驶控制原理示意图;
图2为本发明的无人艇的驾驶决策集控平台结构示意图;
图3为本发明的无人艇的驾驶控制流程示意图;
图4为本发明的无人艇的驾驶控制组成模块结构示意图。
图中:1、驾驶决策集控平台;2、航行计划输入模块;3、航行参数获取模块;4、数据储存模块;5、危险预警警示模块;6、数据处理模块;7、数据选取模块;8、执行模块;9、驾驶控制切换模块。
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。
具体实施例一:
图一为本发明为本示例提出的一种无人艇的无人驾驶方法的流程图,本示例可应用于无人艇的远程操控,也可应用于无人艇的远程人工接入以应对较为复杂的航行状况。其中,以远程接入的方法对无人艇进行操控是指无人艇在执行所有建议方案且均无效(训练模型对当前状况均不适用)的情况下,由岸基工作人员通过远程模拟器控制无人艇的刹车、油门和方向等,从而控制无人艇航行的情况。复杂状况指当前无人艇的训练模型对当前状况均不适用,或存在较大的风浪,也可以为前方存在不规则运动的物体(大块的海洋垃圾、废弃集装箱等)。
具体来说,一种无人艇的无人驾驶方法及系统,包括驾驶决策集控平台1、航行计划输入模块2、航行参数获取模块3、数据储存模块4、危险预警警示模块5;所述驾驶决策集控平台1分别和航行计划输入模块2、航行参数获取模块3、数据储存模块4、危险预警警示模块5数据通信连接;
其特征在于:所述驾驶决策集控平台1用于基于所述航行计划输入模块2输入的航线数据和所述航行参数获取模块3获取的实时航行数据做出无人艇的驾驶决策,并控制所述无人艇执行所述驾驶决策;其中,所述驾驶决策集控平台1包括数据处理模块6、数据选取模块7和执行模块8和驾驶控制切换模块9;
所述航行计划输入模块2用于根据需求,设置航行的出发地、目的地、航行水域海图和航行注意事项,其中所述航行注意事项构成规划航线的约束条件;所述航行参数获取模块3用于实时获取无人艇在航行时无人艇的艇体及周围环境的航行参数数据;所述数据存储模块4用于存储训练模型、所述航行计划输入模块2输入的航线数据和所述航行参数获取模块3获取的实时航行数据、备份和多个执行程序;
所述危险预警警示模块5用于对航行中遇到的危险航行情况时进行报警,以便将危险航行情况发送给远程监控人员,以便监控人员进行干预和协调,从而使无人艇脱离危险;
所述数据处理模块6用于给数据打上相应的时间戳,同时负责将数据输入训练模型以及建议方案的指令化;所述数据选取模块7用于对指令进行时间戳校验和可行性校验,选取安全可靠的建议方案;所述执行模块8用于执行上述各模块发出的指令;所述驾驶控制切换模块9用于将无人艇的驾驶模式在无人驾驶模式和远程人工接入模式之间切换,其中,在所述无人驾驶模式下,由所述驾驶决策集控平台1自动控制执行驾驶,而在远程人工接入模式下,将无人艇的驾驶控制权转交至所述远程人员,从而实现远程人工控制接入;
在执行无人驾驶航行时,通过航行计划输入设备2输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件,所述驾驶决策集控平台1基于输入的目的地、途径航行点,航行水域海图和航行约束条件利用所述驾驶决策集控平台1的数据处理模块6生成无人艇的航行路线的两个以上的建议方案;将带有时间戳的数据导入预设的训练模型,使用预设模型生成两个以上的建议方案;
所述驾驶决策集控平台1根据上述的航行数据,使用预设模型生成用于应对不同预设状况的多个建议数据;所述预设模型使用标识有建议数据的行驶数据作为训练样本,并以航行数据为输入、建议数据为输出的形式,进行模型训练得到;
所述航行参数获取设备3实时获取无人艇的相关状态参数,将获取到的数据打上时间戳,形成航行数据;所述航行数据包含:无人艇接收到由岸基系统发送的全局路径指令、无人艇航行过程中无人艇自身的状态参数以及无人艇周边的环境参数、与本次规划路径有接触的其他船只的航行数据;
其中,所述预设模块的创建步骤如下:
模型选用递归神经网络模型(RNN)作为训练模型,训练数据集按照类型分为两类:无人艇航行相关数据和对应的操作指令,将时间戳相同的数据关联整合,可得到无人艇航行的相关数据;第二类为在采集数据的时间戳后,人为操控无人艇的相关操作指令。将各时间戳对应的相关数据与操作指令一一映射,即可得到原始的训练集;
使用RNN训练模型,无人艇在t+1时刻的状态是通过当前指令和所有历史操作指令共同操作的结果,将该模型用于无人艇的操控;对建议的数据添加时间戳+1后执行建议数据,并进行时间戳校验以及可执行性校验;
时间戳校验包括:将时间戳TA与时间戳TA2进行比较,如时间戳之差超过阈值,将忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA2,将时间戳与时间戳TA2的数据比对,如超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当多次超过阈值时,忽略所有建议,原地等待人工操控接入,同时存储所有航行数据用于模型分析优化;
可执行性校验包括:在开始执行方案之前,由计算机对建议方案进行仿真模拟,模拟建议执行数据,如存在可见的风险,则自动忽略本条建议数据;
生成与方案对应的操控指令,并打上时间戳2;
在执行对应的动作前,需要在执行时间戳校验和可行性校验。
优选的,无人艇的数据包括获取航行无人艇的自身状态数据,所述自身状态数据包括电量、动力状态、俯仰角和GPS;获取航行无人艇的周边数据,即所述周边数据包括风浪,海面高差。
优选的,还包括训练模型的更新步骤,将训练模型的输入即无人艇相关参数和对应的输出无人艇的建议操作指令对应起来,建立新的训练样本集,同时根据建议指令的实际作用效果,将符合任务设定的相关样本相关参数和建议指令划归正样本集,反之为负样本集。
优选的,所述建议数据包括以下预设状况,理想工作环境下风浪流及其对应的状况、正常工作环境下风浪流及其对应的状况、极端天气下的风浪流及其对应的状况,使用预设模型生成用于应对不同预设状况的多个建议数据。
在本实施例中,航行数据包含以下几个部分:
无人艇接收到由岸基系统发送的全局路径指令;
无人艇航行过程中无人艇自身的状态参数以及无人艇周边的环境参数;
可能与本次规划路径有接触的其他船只的航行数据。
针对本示例,对航行数据进行较为详细的解释,该航行数据包含和无人艇相关的自身数据和海上交通数据。
其中,无人艇自身数据包含无人艇本身的状态数据,即自身电量、速度、加速度、位置、俯仰角、油门刹车的状态,是否变换挡位等。
在本示例中,预设的路况按类型分为两类:已经预置的训练模型和需要人工接入的复杂模块,使用预设模型对无人艇航行的状态进行分析,生成合理且可行的建议方案。在本示例中,采用类似于专家系统的设计结构,例如电量是否充足、桨叶转速是否在指定的区间内等
进一步的,由系统自主筛选可行的建议数据。
所述航行数据为无人艇在航行期间可能需要使用的相关数据。在本示例中,无人艇自身需要装备浪高仪、多普勒流速仪、激光雷达、陀螺仪、全球定位装置等多套测量设备,以获取当前的环境数据。例如,通过浪高仪获取当前的海浪高度是否符合航行要求,激光雷达获取无人艇周边是否存在未知障碍物,通过陀螺仪获取无人艇的俯仰状态,通过GPS获取无人艇当前位置信息等。
进一步的,通过挺稳定的通讯网络,使用岸基系统可以获取附近船只的航行路线,尽可能地避免航线接触,降低碰撞风险。
一般的,无人驾驶系统需要包含多个模块,用于分析多个不同的状况,示例性的,该模块可以包含波高检测模块、风速检测模块,流速检测模块、自身分析模块和路径规划模块等。进一步的,根据各个模块的不同,可以预设不同的匹配模型。
如波高检测模块,往往与流速检测模块一起使用,获取浪高和流速,当浪高和流速在适宜航行的区间内,由路劲规划自主航行;如果条件非常恶劣,则必须由岸基工作人员接入,以避免危险的出现。该建议数据可以展示为:″波高和流速是否在无人艇可航行的区间内?″
又如路径规划模块,往往配合GPS定位模块一起使用,当GPS位置信息存在更新延迟时,是否需要原地等待GPS信息更新或者是否需要切换备用路线?该建议数据可以展示为:″是否等待GPS位置更新?是否切换备用路线?″
又如自身分析模块,获取无人艇自身的状态,对无人艇的状态进行评估,判断是否需要维护以及是否满足执行任务的条件。示例性的,当无人艇自身的续航里程小于路径规划里程的1.5倍时,拒绝接受任务。该建议数据可以展示为:″当前无人艇的状态能否继续执行任务?″。
进一步的,该模型可以是采用递归神经网络模型(RNN),可以选用带有时间戳的行驶数据作为训练样本,以行驶数据为输入、建议数据为输出的形式,进行模型训练。由于RNN训练模型为多输入模型,不需要为每一个模块建立预设模型;同时无人艇在t+1时刻的状态是通过当前指令和所有历史操作指令共同操作的结果,将该模型用于无人艇的操控是非常合适的。
进一步的,将无人艇相关数据和对应的指令进行关联,将关联后的数据与执行结果关联,得到新的训练集,其中,训练集分为正训练集和负训练集,用于对训练模型的更新,在完成现有模型的备份后,开始训练模型的更新,更新完成后,输出预设模型。
进一步的,所有的数据源包括:
所述无人艇航行时无人艇本身的参数;
所述无人艇航行时无人艇周边的环境参数;
所述无人艇的全路规划路径;
由上述数据关联后生成的所述无人艇的位置和周边环境的实时地图;
所述无人艇的建议方案在地图上的轨迹映射;
所有数据和建议数据关联地显示在实时地图上;
航行数据包含以下几个部分:
无人艇接收到由岸基系统发送的全局路径指令;
无人艇航行过程中无人艇自身的状态参数以及无人艇周边的环境参数;
可能与本次规划路径有接触的其他船只的航行数据
针对本示例,对航行数据进行较为详细的解释,该航行数据包含和无人艇相关的自身数据和海上交通数据。
a.无人艇自身数据
无人艇自身数据包含无人艇本身的状态数据,即自身电量、速度、加速度、位置、俯仰角、油门刹车的状态,是否变换挡位等。
在本示例中,预设的路况按类型分为两类:已经预置的训练模型和需要人工接入的复杂模块,使用预设模型对无人艇航行的状态进行分析,生成合理且可行的建议方案。在本示例中,采用类似于专家系统的设计结构,例如电量是否充足、桨叶转速是否在指定的区间内等;
进一步的,由系统自主筛选可行的建议数据。
b.航行数据
航行数据为无人艇在航行期间可能需要使用的相关数据。
在本示例中,无人艇自身需要装备浪高仪、多普勒流速仪、激光雷达、陀螺仪、全球定位装置等多套测量设备,以获取当前的环境数据。例如,通过浪高仪获取当前的海浪高度是否符合航行要求,激光雷达获取无人艇周边是否存在未知障碍物,通过陀螺仪获取无人艇的俯仰状态,通过GPS获取无人艇当前位置信息等。
进一步的,通过挺稳定的通讯网络,使用岸基系统可以获取附近船只的航行路线,尽可能地避免航线接触,降低碰撞风险。
一般的,无人驾驶系统需要包含多个模块,用于分析多个不同的状况,示例性的,该模块可以包含波高检测模块、风速检测模块,流速检测模块、自身分析模块和路径规划模块等。进一步的,根据各个模块的不同,可以预设不同的匹配模型。
如波高检测模块,往往与流速检测模块一起使用,获取浪高和流速,当浪高和流速在适宜航行的区间内,由路劲规划自主航行;如果条件非常恶劣,则必须由岸基工作人员接入,以避免危险的出现。该建议数据可以展示为:″波高和流速是否在无人艇可航行的区间内?″
又如路径规划模块,往往配合GPS定位模块一起使用,当GPS位置信息存在更新延迟时,是否需要原地等待GPS信息更新或者是否需要切换备用路线?该建议数据可以展示为:″是否等待GPS位置更新?是否切换备用路线?″
又如自身分析模块,获取无人艇自身的状态,对无人艇的状态进行评估,判断是否需要维护以及是否满足执行任务的条件。示例性的,当无人艇自身的续航里程小于路径规划里程的1.5倍时,拒绝接受任务。该建议数据可以展示为:″当前无人艇的状态能否继续执行任务?″
进一步的,该模型可以是采用递归神经网络模型(RNN),可以选用带有时间戳的行驶数据作为训练样本,以行驶数据为输入、建议数据为输出的形式,进行模型训练。由于RNN训练模型为多输入模型,不需要为每一个模块建立预设模型;同时无人艇在t+1时刻的状态是通过当前指令和所有历史操作指令共同操作的结果,将该模型用于无人艇的操控是非常合适的;
优选的,所述约束条件包括天气条件和风浪条件,所述无人艇能能够承受的风力等级、风浪高度、无人艇的稳性高度。
以远程接入的方法对无人艇进行操控是指无人艇在执行所有建议方案且均无效训练模型对当前状况均不适用的情况下,由岸基工作人员通过远程模拟器控制无人艇的刹车、油门和方向等,从而控制无人艇航行的情况。复杂状况指当前无人艇的训练模型对当前状况均不适用,或存在较大的风浪,也可以为前方存在不规则运动的物体大块的海洋垃圾、废弃集装箱等。
优选的,利用无人艇自身装备的控制设备进行执行,控制装备需要自带或集成一套独立的计算机/DSP。同时该设备应具备自主驾驶系统,接受岸基系统发送的指定路线,并将无人艇航行到指定目的地;同时在无人艇自主航行期间,还要具备局部路径规划的能力,对局部的路径进行规划调整,以应对特殊状况,例如无人艇航行过程中遇到的大风浪、不规则运动的漂浮物等。
优选的,建议方案的选择中,询问内容及权重值设置如下:
根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案,该项值占权重为0.2;对建议方案进行计算机模拟,验证建议方案的可行性,该项值占权重为0.2;所述数据存储模块4是否存在类似条件下有效的建议方案,该此项值占权重0.3;选取建议方案中路径最短或耗能最低的方案,该项值占权重0.3。
优选的,所述航行数据还包括:通过传感器反馈生成的位置和环境的地图画面、依据所述数据生成的建议航行轨迹,和将所述建议数据与所述选项数据关联地显示于所述地图画面上。
具体实施例二:
一种无人艇的无人驾驶方法,包括无人艇的无人驾驶系统,其特征在于,所述驾驶方法包括如下步骤:
步骤S1,获取无人艇航行过程中的相关数据;
通过航行计划输入设备2输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件的航行任务,形成航线数据;所述航行参数获取模块3获取的实时航行数据,
步骤S2,将所述航线数据和航行数据输入预设模型,生成两种以上的建议方案;其中,所述航线数据和航行数据和建议方案为映射关系,建议方案生成后,与相应的所述航线数据和航行数据进行关联,并打上对应的时间戳;
在该无人艇的控制设备中运行的自动驾驶系统中,按照实际需要可以再单独设立前端和后端,后端负责数据采集、处理和建议方案生成,以及渲染可以图形化显示的路径地图;前端通过独立的通讯网络与岸基系统通讯,进一步的,可以通过HTTP的方式远程展示无人艇的位置、状态等,岸基的工作人员也可以通过此协议远程接管无人艇;示例性的,生成的实时路径地图应包含以下几个部分:无人艇前端的摄像头用于显示无人艇当前的图像信息;无人艇的原始航线以及局部的建议航线;无人艇的方向应使用箭头在地图标注;无人艇的历史航行路径和历史方向;无人艇周边船只的航行路径以及实时位置;
步骤S3,基于所述建议方案,生成与所述建议方案对应的指令数据;
选用机器人操作系统ROS和机器人主题ROS Topic的方式,按照ROS messagequestion的方式对所述建议方案进行可行性验证,依次询问并按照算法做加权计算,选取可行且加权分数最高的建议的方案进行编译,形成指令数据,并将所述指令数据发送至执行机构;
步骤S4,进行时间戳校验和可行性校验;
其中,时间戳验证的定义如下将时间戳与时间戳+1进行比较,如时间戳之差超过阈值,忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA2,将时间戳与时间戳TA2的数据比对,如超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当超过阈值次数达到一定次数时,忽略所有建议数据,通过所述驾驶控制切换模块9切换至远程人工接入模式,并原地等待人工操控接入,同时存储所有航线数据和航行数据用于模型分析优化;
进一步的,自动驾驶的执行机构在收到计算机/DSP发出的执行指令后,根据才做建议,做出加速、减速、转向等具体指令。如建议指令询问″是否左转?″若建议指令为″是″,则执行对应的操作,否则忽略本条指令,继续询问下一指令;
步骤S5,进行人工或自主选择最优方案,并将最优方案生成执行指令,将对应的执行指令发送到无人艇相关执行机构,其中,最优方案的选择策略如下:a.根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案;
b.搜索历史的建议方案,如存在类似建议方案且执行效果良好,则优先选择类似的建议方案;
c.在同等条件下,优先选择航行路径最短的,能耗最低的方案;
步骤S6,再次获取无人艇航行过程中航行数据,判断航行轨迹是否符合设定,如果不符合,则返回步骤S2,否则继续按照建议方案航行;
在执行建议指令后指定时间内,再次采集所述无人艇的航行数据,并打上时间戳3,若无人艇及其航行数据符合初始航行任务设定标准,则继续执行;如不符合,则将本次航行数据再次输入所述训练模型,获取新的建议指令,重复步骤S1-S6的操作,如多次检测仍然不符任务要求,则停止所有步骤,存储所有航行数据和航行数据,并原地等待人工操纵模式接入,之后记录所有的人工操作,并将本次所有航行数据储存至数据储存模块4,用于更新所述训练模型。
具体来说,通过获取无人艇的航行路线、航行过程中产生的航行数据,根据采集时间的不同,用时间戳加以区分,根据获取到的数据,使用预设的模型生成不同两种以上的操控建议数据,选择一项建议参数,用于辅助无人艇的自主航行,在设定时间内再次采集数据,判断是否符合需求,如符合,继续执行;如不符合,由模型再次生成建议数据,并存储所有数据用于模型训练,本设计降低了远程操控/无人驾驶过程中的碰撞风险;
步骤S7,并在无人艇出现危险或继续安装目前航行状态航行会出现危险时,所述危险预警警示模块(5)进行报警,并将该报警信息发送给远程人工操作端。
具体实施例二:
一种存储介质,所述存储介质存储有计算机可执行的计算机指令,所述计算机指令在由计算机处理器执行时用于前述的无人艇的无人驾驶方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种无人艇的无人驾驶系统,包括驾驶决策集控平台(1)、航行计划输入模块(2)、航行参数获取模块(3)、数据储存模块(4)、危险预警警示模块(5);所述驾驶决策集控平台(1)分别和航行计划输入模块(2)、航行参数获取模块(3)、数据储存模块(4)、危险预警警示模块(5)数据通信连接;
其特征在于:所述驾驶决策集控平台(1)用于基于所述航行计划输入模块(2)输入的航线数据和所述航行参数获取模块(3)获取的实时航行数据做出无人艇的驾驶决策,并控制所述无人艇执行所述驾驶决策;其中,所述驾驶决策集控平台(1)包括数据处理模块(6)、数据选取模块(7)和执行模块(8)和驾驶控制切换模块(9);
所述航行计划输入模块(2)用于根据需求,设置航行的出发地、目的地、航行水域海图和航行注意事项,其中所述航行注意事项构成规划航线的约束条件;所述航行参数获取模块(3)用于实时获取无人艇在航行时无人艇的艇体及周围环境的航行参数数据;所述数据储存模块(4)用于存储训练模型、所述航行计划输入模块(2)输入的航线数据和所述航行参数获取模块(3)获取的实时航行数据、备份和多个执行程序;
无人艇的航行数据包括:
所述危险预警警示模块(5)用于对航行中遇到的危险航行情况时进行报警,以便将危险航行情况发送给远程监控人员,以便监控人员进行干预和协调,从而使无人艇脱离危险;
所述数据处理模块(6)用于给数据打上相应的时间戳TA,同时负责将数据输入训练模型以及建议方案的指令化;所述数据选取模块(7)用于对指令进行时间戳校验和可行性校验,选取安全可靠的建议方案;所述执行模块(8)用于执行上述各模块发出的指令;所述驾驶控制切换模块(9)用于将无人艇的驾驶模式在无人驾驶模式和远程人工接入模式之间切换,其中,在所述无人驾驶模式下,由所述驾驶决策集控平台(1)自动控制执行驾驶,而在远程人工接入模式下,将无人艇的驾驶控制权转交至远程人员,从而实现远程人工控制接入;
在执行无人驾驶航行时,通过航行计划输入模块(2)输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件,所述驾驶决策集控平台(1)基于输入的目的地、途径航行点,航行水域海图和航行约束条件利用所述驾驶决策集控平台(1)的数据处理模块(6)生成无人艇的航行路线的两个以上的建议方案;将带有时间戳的数据导入预设的训练模型,使用预设模型生成两个以上的建议方案;
所述驾驶决策集控平台(1)根据上述的航行数据,使用预设模型生成用于应对不同预设状况的多个建议数据;
所述预设模型使用标识有建议数据的行驶数据作为训练样本,并以航行数据为输入、建议数据为输出的形式,进行模型训练得到;
所述航行参数获取模块(3)实时获取无人艇的相关状态参数,将获取到的数据打上时间戳TA,形成航行数据;所述建议数据为在理想工作环境下风浪流及其对应的状况、正常工作环境下风浪流及其对应的状况、极端天气下的风浪流及其对应的状况下,使用预设模型生成用于应对不同预设状况的多个建议数据;
所述航行数据包含:无人艇接收到由岸基系统发送的全局路径指令、无人艇航行过程中无人艇自身的状态参数以及无人艇周边的环境参数、与本次规划路径有接触的其他船只的航行数据;
其中,所述训练模型的创建步骤如下:
模型选用递归神经网络模型(RNN)作为训练模型,训练数据集按照类型分为两类:第一类为无人艇航行相关数据和对应的操作指令,将时间戳相同的数据关联整合,得到无人艇航行的相关数据;第二类为在采集数据的时间戳后,人为操控无人艇的相关操作指令,将各时间戳对应的相关数据与操作指令一一映射,即得到原始的训练集;
使用训练模型,无人艇在t+1时刻的状态是通过当前指令和所有历史操作指令共同操作的结果,将该训练模型用于无人艇的操控;对建议的数据添加时间戳TA2后执行建议数据,并进行时间戳校验以及可执行性校验;
时间戳校验包括:将时间戳TA与时间戳TA2进行比较,时间戳之差超过阈值,将忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA3,将时间戳与时间戳TA3的数据比对,超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当多次超过阈值时,忽略所有建议,原地等待人工操控接入,同时存储所有航行数据用于模型分析优化;
可执行性校验包括:在开始执行方案之前,由计算机对建议方案进行仿真模拟,模拟建议执行数据,当存在可见的风险时,则自动忽略本条建议数据;
生成与方案对应的操控指令,并打上时间戳TA2;
在执行对应的动作前,需要执行时间戳校验和可行性校验,并在无人艇出现危险或继续按照目前航行状态航行会出现危险时,所述危险预警警示模块(5)进行报警,并将该报警信息发送给远程人工操作端;
无人艇的自身状态数据,所述自身状态数据包括自身电量、速度、加速度、位置、俯仰角、油门刹车的状态和是否变换挡位;无人艇的周边数据,所述周边数据包括风浪,海面高差。
2.根据权利要求1所述的一种无人艇的无人驾驶系统,其特征在于:还包括训练模型的更新步骤,将无人艇相关参数作为训练模型的输入,无人艇的建议指令作为训练模型的输出,并将输入和输出对应起来,建立训练样本集,同时根据建议指令的实际作用效果,将符合任务设定的相关样本集划归正样本集,反之为负样本集。
3.根据权利要求1所述的一种无人艇的无人驾驶系统,其特征在于:所述约束条件包括天气条件和风浪条件、所述无人艇能能够承受的风力等级、风浪高度、无人艇的稳性高度;同时,在远程人工接入模式下,为无人艇在执行所有建议方案且均无效的情况下,由岸基工作人员通过远程模拟器控制无人艇的刹车、油门和方向,从而控制无人艇航行的情况。
4.根据权利要求3所述的一种无人艇的无人驾驶系统,其特征在于:建议方案的选择中,询问内容及权重值设置如下:
根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案,该项权重为0.2;对建议方案进行计算机模拟,验证建议方案的可行性,该项权重为0.2;所述数据储存模块(4)是否存在类似条件下有效的建议方案,该项权重0.3;选取建议方案中路径最短或耗能最低的方案,该项权重0.3。
5.根据权利要求1所述的一种无人艇的无人驾驶系统,其特征在于:所述航行数据还包括:通过传感器反馈生成的位置和环境的地图画面、依据数据生成的建议航行轨迹,和将建议数据与选项数据关联地显示于所述地图画面上。
6.一种无人艇的无人驾驶方法,包括如权利要求1-5中任意一项所述的无人艇的无人驾驶系统,其特征在于,所述驾驶方法包括如下步骤:
步骤S1,获取无人艇航行过程中的相关数据;
通过航行计划输入模块(2)输入无人艇的目的地、途径航行点,航行水域海图和航行约束条件的航行任务,形成航线数据;所述航行参数获取模块(3)获取的实时航行数据,
步骤S2,将所述航线数据和航行数据输入预设模型,生成两种以上的建议方案;其中,所述航线数据和航行数据和建议方案为映射关系,建议方案生成后,与相应的所述航线数据和航行数据进行关联,并打上对应的时间戳TA;
在该无人艇的控制设备中运行的自动驾驶系统中,按照实际需要再单独设立前端和后端,后端负责数据采集、处理和建议方案生成,以及渲染图形化显示的路径地图;前端通过独立的通讯网络与岸基系统通讯,进一步的,通过HTTP的方式远程展示无人艇的位置、状态,岸基的工作人员通过此协议远程接管无人艇;生成的实时路径地图应包含以下几个部分:无人艇前端的摄像头用于显示无人艇当前的图像信息;无人艇的原始航线以及局部的建议航线;无人艇的方向应使用箭头在地图标注;无人艇的历史航行路径和历史方向;无人艇周边船只的航行路径以及实时位置;
步骤S3,基于所述建议方案,生成与所述建议方案对应的指令数据;
选用机器人操作系统ROS和机器人主题ROS Topic的方式,按照ROS message question的方式对所述建议方案进行可行性验证,依次询问并按照算法做加权计算,选取可行且加权分数最高的建议的方案进行编译,形成指令数据,并将所述指令数据发送至执行机构;
步骤S4,进行时间戳校验和可行性校验;
将时间戳与时间戳+1进行比较,时间戳之差超过阈值,忽略建议数据,否则继续执行,在执行建议数据后的一定时间内再次获取实时参数并打上时间戳TA2,将时间戳与时间戳TA2的数据比对,超过阈值则重新生成建议数据并打上时间戳TA3,以此循环,当超过阈值次数达到一定次数时,忽略所有建议数据,通过所述驾驶控制切换模块(9)切换至远程人工接入模式,并原地等待人工操控接入,同时存储所有航线数据和航行数据用于模型分析优化;
步骤S5,进行人工或自主选择最优方案,并将最优方案生成执行指令,将对应的执行指令发送到无人艇相关执行机构;最优方案的选择策略如下:
a.根据无人艇相关数据和建议方案的时间戳之差,选取较小值的建议方案;
b.搜索历史的建议方案,当存在类似建议方案且执行效果良好时,则优先选择类似的建议方案;
c.在同等条件下,优先选择航行路径最短的,能耗最低的方案;
步骤S6,再次获取无人艇航行过程中航行数据,判断航行轨迹是否符合设定,如果不符合,则返回步骤S2,否则继续按照建议方案航行;
在执行建议指令后指定时间内,再次采集所述无人艇的航行数据,并打上时间戳3,若无人艇及其航行数据符合初始航行任务设定标准,则继续执行;如不符合,则将本次航行数据再次输入所述训练模型,获取新的建议指令,重复步骤S1-S6的操作,当多次检测仍然不符任务要求时,则停止所有步骤,存储所有航行数据和航行数据,并原地等待人工操纵模式接入,之后记录所有的人工操作,并将本次所有航行数据储存至数据储存模块(4),用于更新所述训练模型;
步骤S7,并在无人艇出现危险或继续安装目前航行状态航行会出现危险时,所述危险预警警示模块(5)进行报警,并将该报警信息发送给远程人工操作端;
其中,所述建议数据为在理想工作环境下风浪流及其对应的状况、正常工作环境下风浪流及其对应的状况、极端天气下的风浪流及其对应的状况下,使用预设模型生成用于应对不同预设状况的多个建议数据。
7.一种存储介质,所述存储介质存储有计算机可执行的计算机指令,所述计算机指令在由计算机处理器执行时用于执行如权利要求6的无人艇的无人驾驶方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337099.0A CN113885533B (zh) | 2021-11-12 | 2021-11-12 | 一种无人艇的无人驾驶方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337099.0A CN113885533B (zh) | 2021-11-12 | 2021-11-12 | 一种无人艇的无人驾驶方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113885533A CN113885533A (zh) | 2022-01-04 |
CN113885533B true CN113885533B (zh) | 2022-08-09 |
Family
ID=79017345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337099.0A Active CN113885533B (zh) | 2021-11-12 | 2021-11-12 | 一种无人艇的无人驾驶方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113885533B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176776B (zh) * | 2021-03-03 | 2022-08-19 | 上海大学 | 基于深度强化学习的无人艇天气自适应避障方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577230B (zh) * | 2017-08-16 | 2020-01-14 | 武汉理工大学 | 一种面向无人船的智能避碰系统 |
CN109240288B (zh) * | 2018-08-31 | 2021-08-10 | 武汉理工大学 | 一种基于轨迹单元的障碍物情况下无人艇避碰路径规划方法 |
CN110442135B (zh) * | 2019-08-06 | 2020-08-21 | 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 |
CN110673600B (zh) * | 2019-10-18 | 2021-05-28 | 武汉理工大学 | 面向无人船舶的自动驾驶集成系统 |
CN112130503A (zh) * | 2020-09-25 | 2020-12-25 | 中国船舶科学研究中心 | 一种无人艇操纵机构控制模式切换及遥控系统 |
CN112880678A (zh) * | 2021-01-08 | 2021-06-01 | 中国船舶重工集团公司第七0七研究所 | 一种复杂水域环境中无人艇航行规划方法 |
CN113253716A (zh) * | 2021-03-10 | 2021-08-13 | 广州星际海洋工程设计有限公司 | 一种无人艇控制系统 |
-
2021
- 2021-11-12 CN CN202111337099.0A patent/CN113885533B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113885533A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
CN111028546B (zh) | 基于岸基雷达面向智能船舶的多船协同避碰系统和方法 | |
WO2019126755A1 (en) | Generating and classifying training data for machine learning functions | |
Perera et al. | Intelligent ocean navigation and fuzzy-Bayesian decision/action formulation | |
CN104267724A (zh) | 船舶航行的控制方法、装置和系统 | |
CN109597417A (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
KR20190105149A (ko) | 인공지능 기반의 선박 제어 시스템 및 그 동작방법 | |
CN105676844A (zh) | 基于模型船的欠驱动无人船编队结构 | |
CN109784201A (zh) | 基于四维风险评估的auv动态避障方法 | |
CN113010958A (zh) | 自航船舶的模拟系统及其运作方法 | |
WO2020206380A1 (en) | Passage planning and navigation systems and methods | |
CN111966106A (zh) | 一种基于船-船协同的智能船舶编队靠泊的方法 | |
CN112817318B (zh) | 一种多无人艇协同搜索控制方法及系统 | |
CN113885533B (zh) | 一种无人艇的无人驾驶方法及系统 | |
CN203094401U (zh) | 一种采用声纳探测的船载(ais)自动智能避碰系统 | |
Hansen et al. | Colregs-based situation awareness for marine vessels-a discrete event systems approach | |
CN101739029A (zh) | 船舶自控系统及其控制方法 | |
Liu et al. | Development of USV autonomy: Architecture, implementation and sea trials | |
Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
Smirnov et al. | Navigation support for an autonomous ferry using deep reinforcement learning in simulated maritime environments | |
Wang et al. | Survey on collision-avoidance navigation of maritime autonomous surface ships | |
CN111220985B (zh) | 一种靠离泊辅助系统 | |
CN115027627A (zh) | 面向流域安全的巡检救援智能无人船系统 | |
Collette et al. | Needs Exploration for Long-Term Autonomous Marine Systems: Working Report | |
CN114194342A (zh) | 无人船以及无人船控制系统 |
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 |