CN113985893A - 面向复杂海洋环境的多无人艇系统协同路径规划方法 - Google Patents
面向复杂海洋环境的多无人艇系统协同路径规划方法 Download PDFInfo
- Publication number
- CN113985893A CN113985893A CN202111374362.3A CN202111374362A CN113985893A CN 113985893 A CN113985893 A CN 113985893A CN 202111374362 A CN202111374362 A CN 202111374362A CN 113985893 A CN113985893 A CN 113985893A
- Authority
- CN
- China
- Prior art keywords
- target
- node
- unmanned
- path
- searched
- 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 59
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002195 synergetic effect 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
- G05D1/02—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种面向复杂海洋环境的多无人艇系统协同路径规划方法,包括以下步骤:将待搜索目标划分为若干目标点集,计算点集中待搜索目标之间的相似度,构建相似度矩阵;利用谱聚类方法,将目标点集划分为若干目标子集,将目标子集分配给无人艇;基于各目标子集,生成环形拓扑SOM网络,选取初始目标节点,并基于初始目标节点计算获胜目标节点,对获胜目标节点及其邻居目标节点进行权值更新;对非获胜节点进行权值更新,输出SOM网络输出层节点组成路径,无人艇按节点组成路径访问目标。本发明针对复杂海洋环境下多无人艇系统的协同路径规划问题,提出一种基于窗口更新SOM以及谱聚类的双层规划方法,以最优序列无碰撞地访问多个目标。
Description
技术领域
本发明涉及无人航行器控制技术领域,尤其涉及一种面向复杂海洋环境的多无人艇系统协同路径规划方法。
背景技术
近年来,随着无人化、智能化技术的迅速发展,无人机(Unmanned AerialVehicle,UAV)、无人驾驶车(Unmanned Ground Vehicle,UGV)、无人艇(Unmanned SurfaceVessel,USV)、水下及其人(Autonomous Underwater Vehicle,AUV)等受到广泛关注。特别是无人艇以其成本低、机动性强、隐蔽性能好等优点,在军事和民用领域中发挥着越来越重要的作用。通常来说,路径规划即根据环境地图的所有信息实现两点(起点和目标点)之间的避障导航的过程。相比于单艘USV观测范围窄且能量供应有限,多艘USV联合起来构成的协同系统,具有更强的鲁棒性、通信能力、机动性、更高的作业效率和更广的作业范围。为了提升协同工作效率,考虑将多个任务目标分别合理分配给各艘USV,然后各艘USV对各自任务目标执行路径规划即可。
目前根据空间的建模类型,路径规划包括基于网格的启发式方法(如A*和最小一致性方法)、进化方法(如粒子群优化算法(particle swarm optimization,PSO)、蚁群算法(ant colony optimization,ACO)和遗传算法(generic algorithm,GA))。针对多目标路径规划,需要确定USV对目标的访问顺序,该问题类似于传统的旅行商问题(travelingsalesman problem,TSP)。启发式方法在TSP中往往容易陷入局部最优,无法充分利用多机协同的优势从而影响全局规划效益。自组织映射神经网络(self-organizing map,SOM)在TSP的应用中对访问顺序进行规划,该方法也可结合动态增删节点策略、人工势场法等。然而,在非结构化环境中针对多目标进行路径规划仍需进一步研究。
当海洋任务环境中存在多个目标和多艘无人艇时,前者应合理分配给后者,即多无人艇系统的目标分配问题。此外,在未知的动态环境中,通常基于当前有限的环境信息进行决策,每个无人艇只分配一个目标,从而将问题转化为单目标路径规划问题。现阶段用于多及其人系统任务分配的方法主要包括各种聚类算法,如k-means算法、模糊c均值算法(fuzzy c-means,FCM)、期望最大化算法(expectation-maximum,EM)等。它们虽然原理简单,但缺乏处理复杂结构数据的能力,而且由于通过仅输入数据点之间的欧氏距离作为聚类的依据,所以在有障碍物的非结构化环境中,聚类结果通常不佳。
发明内容
本发明的目的在于提供一种面向复杂海洋环境的多无人艇系统协同路径规划方法,以提高无人艇的搜索效率。
为了实现上述目的,本发明提供如下技术方案:
一种面向复杂海洋环境的多无人艇系统协同路径规划方法,用于多无人艇多目标搜索系统的协同规划,所述方法包括以下步骤:
S1:将待搜索目标划分为若干目标点集T,针对每个目标点集,计算其中任意两个待搜索目标之间的相似度,根据待搜索目标之间的相似度,将目标分组,构建相似度矩阵;
S2:利用谱聚类方法,依据最小化同组目标间的总体能量代价、最大化各组之间的总能量代价的原则,进行目标聚类,将目标点集划分为若干目标子集,将目标子集分配给无人艇;
S3:基于各目标子集,生成环形拓扑SOM网络,随机选取初始目标节点,并基于初始目标节点计算获胜目标节点,对获胜目标节点及其邻居目标节点进行权值更新;
S4:通过滑动窗口,对非获胜节点进行权值更新,输出SOM网络输出层节点组成路径,在目标子集中,无人艇按节点组成路径访问目标。
本发明一些实施例中,计算任意两个待搜索目标之间相似度并构建相似度矩阵的方法包括:
S11:计算任意两个待搜索目标之间的搜索能量代价:假设目标ti与tj之间最优路径为直线段Pij=(p1,p2,...,pn),p1=ti,pn=tj;
其中:
ti表示第一个待搜索目标的点位置,tj表示第二个待搜索目标的点位置,λij为惩罚因子,表示在待搜索目标点ti与待搜索目标点tj之间障碍区距离f(ti,tj)与总的欧氏距离d(ti,tj)的比值;k表示无人艇拖动常量,Vr表示无人艇相对于洋流的速度,Va表示无人艇相对于大地的速度,Va为已知且恒定速度,e(pk,pk+1)表示按最优路径搜索时,任意一路径的能量损耗,pk和pk+1表示路径端点;
S12:基于能量代价计算两个待搜索目标之间的相似度:
其中,σ表示高斯核函数的带宽参数,参数σ的值越大目标之间的相似性越高,根据本发明实际情况σ设为10-5;
S13:基于相似度构建相似度矩阵S=(s(ti,tj))i,j=1,2,...,m。
本发明一些实施例中,采用谱聚类的方法进行目标子集划分的方法包括:
S22:计算集合A中某个目标的度:
其中,ti、tj均表示每组目标点集T中任意一个待搜索目标的点位置,均被视为空间中的顶点;
S24:计算集合A中所有顶点的总度数:
vol(A)=∑i∈Adi;
S25:定义目标函数Ncut(A1,...An),并对其进行归一化处理:
S26:基于归一化处理后的结果,获得目标子集。
本发明一些实施例中,步骤S3的方法包括:
S31:随机选取带搜索目标ti=(xti,yti),并计算获胜节点;
其中,(xti,yti)为目标在笛卡尔坐标系中的位置;e(ti,w)表示节点ti和节点w之间的能量损耗;
S32:对获胜节点及其邻居节点朝向ti更新权重;
w′j=wj+a*f(d,σ)*(ti-wj);
其中,α表示学习率,为大于0且小于1的值,f(d,σ)为邻域函数,通常定义为高斯核函数f(d,σ)=exp(-d2/σ2),d是节点ti和节点wj之间的拓扑距离,σ为高斯核的半径,wj表示节点wj原权重,w′j表示节点wj更新后的权重,wj表示获胜节点或者获胜节点的邻居节点;
S33:将每个权值更新后的目标映射到输出层节点,则可通过节点的拓扑结构确定目标访问顺序。
本发明一些实施例中,当到达最大迭代次数或每次迭代更新幅度小于设定的阈值后,权重更新结束。
本发明一些实施例中,对非获胜节点进行权值更新的方法包括:
S41:在非获胜节点中,采用相邻节点,构造节点窗口;
S43:定义能量损耗最小点为窗口最优中间点oi:
S44:更新窗口中间点权值wi:
w′i=wi+α*(oi-wi);
其中α为学习率。
与现有技术相比,本发明的优点和积极效果在于:
(1)本发明针对复杂海洋环境下多无人艇系统的协同路径规划问题,提出一种基于窗口更新SOM以及谱聚类的双层规划方法,以最优序列无碰撞地访问多个目标;
(2)本发明以目标间的能量损耗为衡量标准构建用于谱聚类的相似矩阵,更加适合存在障碍区的复杂海洋环境,使得整体能量损耗最小;
(3)本发明在传统SOM方法中引入窗口更新,使无人艇在保证目标访问序列最优性的同时,为无人艇规划具有较低能耗的无碰撞路径。
附图说明
图1为SOM网络结构示意图;
图2为不同环境条件下的三节点窗口结构示意图;
图3为中间节点wi的近似表示;
图4为多无人艇系统协同路径规划具体流程;
图5a为谱聚类的目标分配结果示意图;
图5b为k-means算法目标分配结果示意图;
图6a为改进SOM算法的路径规划结果;
图6b为A*算法路径规划结果。
具体实施方式
以下,结合附图对本发明的具体实施方式进行进一步的描述。
本发明提供一种面向复杂海洋环境的多无人艇系统协同路径规划方法,该方法可以用于多无人艇多目标搜索系统的协同规划,以获得最优的搜索效率。
本发明提出一种处理多无人艇系统协同路径规划的双层规划方法。上层采用了基于能量代价的相似矩阵作为聚类依据,并使用谱聚类算法将目标合理分组,并分别分配给无人艇处理。下层则在传统SOM方法中引入窗口更新策略,使无人艇在保证目标访问序列最优性的同时,为无人艇规划无碰撞路径。首先,利用引入惩罚因子的能量代价构建目标点集的相似矩阵;然后利用谱聚类算法,最小化同组目标间总体能量代价,而最大化组间总体能量代价,使目标合理划分,将每个目标子集分配给特定的无人艇;接着,输入目标集,生成环形拓扑的SOM网络,将初始节点随机分布,选取获胜节点,并对获胜节点及其邻居节点进行权值更新;最后,通过滑动窗口,对非获胜节点进行权值更新,输出SOM输出层结点组成路径,使无人艇的全局规划路径能够无碰撞的访问全部目标,并使得整体能量损耗最小。
以下将详述本发明方法的实施步骤。
本发明提供的无人艇协同路径规划方法包括以下步骤:
S1:计算任意两个待搜索目标之间的相似度,根据待搜索目标之间的相似度,将目标分组,构建相似度矩阵。
本发明提出了一种利用引入惩罚因子的能量代价构建目标点集的相似矩阵的方法。
受海洋地质环境的影响,可以将无人艇搜索区域划分为障碍区和安全区。为了确保航行安全,无人艇在航行时必须避开障碍区SF(岛礁等),而障碍区外的安全区域记为SS。多无人艇系统V={v1,v2,...,vn}需要访问并监测待搜索目标集T={t1,t2,...tm},其中待搜索目标随机分布于安全区域SS。
本发明假设访问任务为规划无人艇系统V中的每艘无人艇的路径,使待搜索目标集T中所有目标均被访问,规划的目标是满足总体能耗和航行安全的需要。最后,所有的无人艇回到初始位置。因此,可以将该问题分为:
1、目标分配:如何将待搜索目标集中的待搜索目标分配给多无人艇;多无人艇目标分配问题指合理分割目标集为多个子集,每个子集由对应的无人艇访问。这里假设T被分割为互不相交的目标点子集T1,T2,…,Tn,每个子集中包括任意个待搜索目标,其中n等于V中元素数目(即执行搜索任务的无人艇的数量)且小于T中元素数目。
2、路径规划:目标分配后,单无人艇如何进行路径规划,以实现最优效率的搜索。
对于目标分配的问题,提出了一种利用谱聚类的方法进行目标分配的方法,该方法的步骤将在步骤S2中详细陈述。
谱聚类是一种基于图论的聚类方法,其实质是将聚类问题转化为图的最优划分问题。在谱聚类中,将所有样本数据看作空间中的点,可以将这些点连接起来构成无向带权图G,每条边上的权重为两个顶点的相似度,距离较远的点之间的边权重比较低,而距离较近的两个点之间的边权重较高,基于相似度矩阵可获得邻接矩阵;再通过对样本数据构建的拉普拉斯矩阵的特征向量进行聚类。应用谱聚类的关键是合理确定相似度s(ti,tj)的定义方式,使之能描述数据点间的本质联系,即同一组数据应具有高度的相似性,并遵循空间一致性。
将谱聚类的理论应用于海上目标搜救系统,为了构建谱聚类图论,需要首先确认各待搜索目标之间的相似度,以便构建相似度矩阵。在本发明中,目标点集T={t1,t2,...tm}即为无向带权图G的顶点集合。目标ti与tj之间的相似度记为s(ti,tj)≥0,i,j=1,2,...,m,则相似矩阵为:S=(s(ti,tj))i,j=1,2,...,m。
具体的说,计算任意两个待搜索目标之间相似度并构建相似度矩阵的方法包括:
S11:计算目标点集T中任意两个待搜索目标ti与tj之间的搜索能量代价:
假设目标ti与tj之间最优路径为直线段Pij=(p1,p2,...,pn),p1=ti,pn=tj;
其中:
ti表示第一个待搜索目标的点位置,tj表示第二个待搜索目标的点位置,λij为惩罚因子,表示在待搜索目标点ti与待搜索目标点tj之间障碍区距离f(ti,tj)与总的欧氏距离d(ti,tj)的比值;e(pk,pk+1)表示按最优路径搜索时,任意一路径的能量损耗,pk和pk+1表示路径端点。
k表示无人艇拖动常量,Vr表示无人艇相对于洋流的速度(相对速度),Va表示无人艇相对于大地的速度,Va为已知且恒定速度(绝对速度),定义Vc为洋流速度,则三者的矢量关系为:
Vr=Va-Vc; (4)
本文假设无人艇绝对速率|Va|已知并保持恒定,无人艇沿着规划路径段航行,且洋流速度Vc已知,由上式可计算得到Vr。
本发明采用基于上述定义的相似度构建相似矩阵S,从而结合环境因素进行无人艇的目标分配。
S12:基于能量代价计算两个待搜索目标之间的相似度:
其中,σ表示高斯核函数的带宽参数,参数σ的值越大目标之间的相似性越高,根据本发明实际情况σ设为10-5;
S13:基于相似度构建相似度矩阵S=(s(ti,tj))i,j=1,2,...,m。
除了以上计算相似度的方法外,现有技术中,还可以通过如下的方法计算相似度:
对于任意两个目标ti,tj∈T,相似度定义为:
即采用目标间欧氏距离作为相似度衡量标准。此方法适用于一般性的数据聚类,然而在存在障碍区的复杂海洋环境中,坐标相近的坐标点实际可能被障碍区分隔甚至不可达,从而并不适合由同一艘无人艇访问。因此,本发明中不采用该方法计算相似度。
S2:利用谱聚类方法,依据最小化同组目标间的总体能量代价、最大化各组之间的总能量代价的原则,进行目标聚类划分,将目标点集划分为若干目标子集,将目标子集分配给无人艇。此处所述的同组是指划分后的目标子集,每个目标子集包括若干个待搜索目标,同组目标间总体能量代价最小,是指每个目标子集中待搜索目标搜索能量损耗最小,各组间的总能量代价最大,是指不同目标子集之间的权重和最大。
S22:基于相似度,计算集合A中某个目标ti的度di:
S24:计算集合A中所有顶点的总度数:
vol(A)=∑i∈Adi;
S25:定义目标函数Ncut(A1,...An),并连接权重和其进行归一化处理:
本发明采用常见的归一化切图方式(normalized cut,Ncut),Ncut方式不仅最小化不同分组之间的总体相似性,同时最大化各组之内的总体相似性。
S26:基于归一化处理后的结果,获得目标子集。
其中最关键的是相似度s(ti,tj),而相似度s(ti,tj)由式(5)可知取决于E(ti,tj)。多无人艇协同路径规划问题中,我们希望总体能量损耗较小。E(ti,tj)可视为ti与tj在能量域中的距离,基于E的谱聚类目标分配可最小化同组目标间总体能量代价,而最大化组间总体能量代价,因此无人艇在访问同组目标时,航行总路程较小,无人艇协同效果得到保障。最终,即可获得各无人艇的目标子集。
S3:基于各目标子集,生成环形拓扑SOM网络,随机选取初始目标节点,并基于初始目标节点计算获胜目标节点,对获胜目标节点及其邻居目标节点进行权值更新。
SOM是一种自组织神经网络,可以产生从高维输入空间到低维输出空间拓扑保序映射。SOM网络的基本结构为输入层和输出层。运用SOM求解TSP的基本思想为构建一维环形网络结构(如图1所示),输入层中的节点表示目标的笛卡尔坐标(xt,yt),而输出层节点的权重表示路径点pi的坐标。SOM通过竞争合作、自适应机制学习输入空间到神经元的拓扑保序映射,使拓扑中邻居节点坐标相近且互相连接为环形,从而获得TSP问题的解。
S31:在每组目标点集T中,随机选取带搜索目标ti=(xti,yti),并计算获胜节点wwin;
其中,(xti,yti)为目标在笛卡尔坐标系中的位置;e(ti,w)表示节点tiw和节点w之间的能量损耗;
S32:对获胜节点及其邻居节点朝向ti更新权重;
w′j=wj+α*f(d,σ)*(ti-wj); (9)
其中,α表示学习率,为大于0且小于1的值,f(d,σ)为邻域函数,通常定义为高斯核函数f(d,σ)=exp(-d2/σ2),d是节点ti和节点wj之间的拓扑距离,σ为高斯核的半径,wj表示节点wj原权重,w′j表示节点wj更新后的权重,wj表示获胜节点或者获胜节点的邻居节点;
在前述迭代计算的过程中,当到达最大迭代次数或每次迭代更新幅度小于设定的阈值后,权重更新结束。然后将每个目标映射到输出层节点,则可通过节点的拓扑结构确定目标访问顺序。
假设目标点集T被分配给无人艇v,期望的路径P可表示为一系列路径点组成的序列P=(p1,p2,...,pk-1,pk)。无人艇沿着路径点之间的直线段pipi+1(i=1,2,...,k-1)航行,为了保证航行安全,任意路径点应位于安全区,即pi∈SS,且由于无人艇完成任务后需返回原处,故p1=pk且均为无人艇的初始位置。航行过程中无人艇依次访问T中的目标,即ti∈P,因此,单无人艇路径规划问题实际上为带避障约束的TSP问题,而步骤S3未考虑障碍物情况。
S4:通过滑动窗口,对非获胜节点进行权值更新,输出SOM网络输出层节点组成路径,在目标子集中,无人艇按节点组成路径访问目标。该步骤的目的是使无人艇的全局规划路径能够无碰撞的访问全部目标,并使得整体搜索能量损耗最小。
假设目标点集T的搜索路径是由n个节点组成环形拓扑,则对应路径为P=(p1,p2,...,pn-1,pn),其中,pn表示路径端点。其中输出层节点数n受目标以及环境影响,显然n增加,路径点越密集,生成路径精度提高,但计算负担也随之加重。
为了获得无碰撞路径,定义窗口模型优化路径点位置。窗口由拓扑中的相邻节点组成。在更新节点时,通过基于窗口的更新,使路径点避开障碍物区域SF,并保证总体能耗最低。窗口大小影响算法的最优性和计算复杂度,这里采用三节点窗口。如图2所示,Wi,Wj为两个三节点窗口,为满足约束条件,对应的最优路径点分别为oi,oj。
对非获胜节点进行权值更新的方法包括:
S41:在非获胜节点中,采用相邻节点,构造节点窗口;
以三个路径点的子路径为例:
Wi=(wi-1,wi,wi+1)表示一段包含三个路径点的子路径,该子路径的能量损耗可由式(3)、式(10)计算:
S43:定义能量损耗最小点为窗口最优中间节点oi:
S44:更新窗口中间节点权值wi:
w′i=wi+α*(oi-wi); (12)
其中α为学习率。
此外,为了保留SOM方法胜者为王的特性,对于每个目标ti∈T,由式(8)确定的获胜节点均被排除在更新范围外。
然而,在某些情况下,可能存在多个最优路径点,例如图2中的窗口Wi。为了使路径点均匀分布,本文从wi-1,wi+1的中垂线选取最优中间点oi。
如图3所示,定义wi-1,wi+1的中点为基点wb,垂直wi-1,wi+1的单位向量为n。若wb与wi沿n的距离为h,则:
oi=wb+β*(h+p)*n; (13)
wb=0.5*(wi-1+wi+1); (14)
其中β为偏离率(设置为大于0且小于1的值),p为附加位移:
p=Δd*ks; (15)
以上迭代过程中,至迭代次数达到设定的标准,或迭代更新值满足设定的标准,迭代结束。完成对SOM网络的更新,以及对符合要求的窗口的更新。
无人艇协同路径规划具体流程如图4所示。
假设随机分散的目标被不规则障碍区分隔,实验中,分别利用谱聚类和k-means算法将目标分配给不同的无人艇。式(5)中的参数σ设为10-5。
目标分配结果以及最终路径如图5a所示。显然,谱聚类的目标分配结果优于k-means算法,位于图5b中间的5个目标点被分配给同一艘无人艇,导致无人艇需要航行更远来绕过障碍区。
实验结果表明基于能量代价的谱聚类在复杂海洋环境的多无人艇协作中表现更优。
使用有障碍区海洋环境进行仿真。图6a和图6b中蓝色区域表示可通航区域,红色圆圈表示无人艇需要访问的目标点,而五角星表示无人艇的初始位置,同时也是航行的结束位置。图6a为改进SOM算法的路径规划结果,总路程为3102.86m;图6b为A*算法路径规划结果,总路程为4045.54m。对比可得,改进SOM算法在路径平滑度以及目标访问排序方面均优于A*算法。由于A*算法基于网格搜索,因此路径方向受限,影响了结果的最优性,基于改进SOM算法的路径更平滑,能耗也会更低。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种面向复杂海洋环境的多无人艇系统协同路径规划方法,其特征在于,用于多无人艇多目标搜索系统的协同规划,所述方法包括以下步骤:
S1:将待搜索目标划分为若干目标点集T,针对每个目标点集,计算其中任意两个待搜索目标之间的相似度,根据待搜索目标之间的相似度,构建相似度矩阵;
S2:利用谱聚类方法,依据最小化同组目标间的总体能量代价、最大化各组之间的总能量代价的原则,进行目标聚类,将目标点集划分为若干目标子集,将目标子集分配给无人艇;
S3:基于各目标子集,生成环形拓扑SOM网络,随机选取初始目标节点,并基于初始目标节点计算获胜目标节点,对获胜目标节点及其邻居目标节点进行权值更新;
S4:通过滑动窗口,对非获胜节点进行权值更新,输出SOM网络输出层节点组成路径,在目标子集中,无人艇按节点组成路径访问目标。
2.如权利要求1所述的面向复杂海洋环境的多无人艇系统协同路径规划方法,其特征在于,计算任意两个待搜索目标之间相似度并构建相似度矩阵的方法包括:
S11:计算任意两个待搜索目标之间的搜索能量代价:假设目标ti与tj之间最优路径为直线段Pij=(p1,p2,...,pn),p1=ti,pn=tj;
其中:
ti表示第一个待搜索目标的点位置,tj表示第二个待搜索目标的点位置,λij为惩罚因子,表示在待搜索目标点ti与待搜索目标点tj之间障碍区距离f(ti,tj)与总的欧氏距离d(ti,tj)的比值;k表示无人艇拖动常量,Vr表示无人艇相对于洋流的速度,Va表示无人艇相对于大地的速度,Va为已知且恒定速度,e(pk,pk+1)表示按最优路径搜索时,任意一路径的能量损耗,pk和pk+1表示路径端点;
S12:基于能量代价计算两个待搜索目标之间的相似度:
其中,σ表示高斯核函数的带宽参数,参数σ的值越大目标之间的相似性越高;
S13:基于相似度构建相似度矩阵S=(s(ti,tj))i,j=1,2,...,m。
4.如权利要求3所述的面向复杂海洋环境的多无人艇系统协同路径规划方法,其特征在于,步骤S3的方法包括:
S31:随机选取带搜索目标ti=(xti,yti),并计算获胜节点wwin;
其中,(xti,yti)为目标在笛卡尔坐标系中的位置;e(ti,w)表示节点ti和节点w之间的能量损耗;
S32:对获胜节点及其邻居节点朝向ti更新权重;
w′j=wj+α*f(d,σ)*(ti-wj);
其中,α表示学习率,为大于0且小于1的值,f(d,σ)为邻域函数,通常定义为高斯核函数f(d,σ)=exp(-d2/σ2),d是节点ti和节点wj之间的拓扑距离,σ为高斯核的半径,wj表示节点wj原权重,w′j表示节点wj更新后的权重,wj表示获胜节点或者获胜节点的邻居节点;
S33:将每个权值更新后的目标映射到输出层节点,则可通过节点的拓扑结构确定目标访问顺序。
5.如权利要求4所述的面向复杂海洋环境的多无人艇系统协同路径规划方法,其特征在于,当到达最大迭代次数或每次迭代更新幅度小于设定的阈值后,权重更新结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374362.3A CN113985893B (zh) | 2021-11-19 | 2021-11-19 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374362.3A CN113985893B (zh) | 2021-11-19 | 2021-11-19 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113985893A true CN113985893A (zh) | 2022-01-28 |
CN113985893B CN113985893B (zh) | 2023-12-29 |
Family
ID=79749561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374362.3A Active CN113985893B (zh) | 2021-11-19 | 2021-11-19 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985893B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690225A (zh) * | 2022-03-21 | 2022-07-01 | 深圳旗鱼体育传播有限公司 | 一种运动对象绕过目标的识别方法 |
CN117553802A (zh) * | 2024-01-08 | 2024-02-13 | 民航成都电子技术有限责任公司 | 一种航站楼巡检路径规划方法、装置、设备及存储介质 |
CN117742323A (zh) * | 2023-12-06 | 2024-03-22 | 江苏大学 | 一种多智能体无人艇的目标分配和航线规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
CN111241289A (zh) * | 2020-01-17 | 2020-06-05 | 北京工业大学 | 一种基于图理论的som算法 |
-
2021
- 2021-11-19 CN CN202111374362.3A patent/CN113985893B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
CN111241289A (zh) * | 2020-01-17 | 2020-06-05 | 北京工业大学 | 一种基于图理论的som算法 |
Non-Patent Citations (2)
Title |
---|
HONGWEI TANG等: "An Improved SOM-Based Method for Multi-Robot Task Assignment and Cooperative Search in Unknown Dynamic Environments", 《ENERGIES》, pages 1 - 18 * |
刘雨;朱大奇;: "基于生物启发自组织神经网络的任务分配与路径规划", 系统仿真技术, no. 03, pages 230 - 234 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690225A (zh) * | 2022-03-21 | 2022-07-01 | 深圳旗鱼体育传播有限公司 | 一种运动对象绕过目标的识别方法 |
CN117742323A (zh) * | 2023-12-06 | 2024-03-22 | 江苏大学 | 一种多智能体无人艇的目标分配和航线规划方法 |
CN117742323B (zh) * | 2023-12-06 | 2024-07-12 | 江苏大学 | 一种多智能体无人艇的目标分配和航线规划方法 |
CN117553802A (zh) * | 2024-01-08 | 2024-02-13 | 民航成都电子技术有限责任公司 | 一种航站楼巡检路径规划方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113985893B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113985893B (zh) | 面向复杂海洋环境的多无人艇系统协同路径规划方法 | |
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
Wang et al. | A multilayer path planner for a USV under complex marine environments | |
Fu et al. | Phase angle-encoded and quantum-behaved particle swarm optimization applied to three-dimensional route planning for UAV | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
Chen et al. | A workload balanced algorithm for task assignment and path planning of inhomogeneous autonomous underwater vehicle system | |
Sathyan et al. | An efficient genetic fuzzy approach to UAV swarm routing | |
Ma et al. | Unsupervised learning based coordinated multi-task allocation for unmanned surface vehicles | |
Tang et al. | A novel cooperative path planning for multirobot persistent coverage in complex environments | |
Xu et al. | Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation | |
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 | |
Venayagamoorthy et al. | Navigation of mobile sensors using PSO and embedded PSO in a fuzzy logic controller | |
CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
Panda et al. | Global path planning for multiple AUVs using GWO | |
Yao et al. | Multi-USV cooperative path planning by window update based self-organizing map and spectral clustering | |
Zhong et al. | Particle swarm optimization with orientation angle-based grouping for practical unmanned surface vehicle path planning | |
Jin et al. | Cooperative path planning with priority target assignment and collision avoidance guidance for rescue unmanned surface vehicles in a complex ocean environment | |
Lin et al. | An online path planning method based on hybrid quantum ant colony optimization for AUV | |
Zheng et al. | An intelligent target detection method of UAV swarms based on improved KM algorithm | |
Cai et al. | Improved BINN-Based Underwater Topography Scanning Coverage Path Planning for AUV in Internet of Underwater Things | |
Chen et al. | An improved spherical vector and truncated mean stabilization based bat algorithm for uav path planning | |
CN117726089B (zh) | 优化K-means威胁目标聚类的集群护航任务分配方法及系统 | |
Sellers et al. | Autonomous multi-robot allocation and formation control for remote sensing in environmental exploration | |
Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
Han et al. | Hybrid Algorithm-Based Full Coverage Search Approach With Multiple AUVs to Unknown Environments in Internet of Underwater Things |
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 |