CN114384530A - 水下目标追踪方法、装置和计算机设备 - Google Patents
水下目标追踪方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114384530A CN114384530A CN202210004773.1A CN202210004773A CN114384530A CN 114384530 A CN114384530 A CN 114384530A CN 202210004773 A CN202210004773 A CN 202210004773A CN 114384530 A CN114384530 A CN 114384530A
- Authority
- CN
- China
- Prior art keywords
- underwater vehicle
- real
- time information
- track
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 37
- 230000009471 action Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种水下目标追踪方法、装置和计算机设备。所述方法包括：获取各潜航器的实时信息、目标体的实时信息和当前环境信息；所述实时信息包括当前位置信息和当前状态信息；根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。采用本方法能够提高潜航器的实际追踪轨迹的精确度。
Description
技术领域
本申请涉及目标追踪技术领域，特别是涉及一种水下目标追踪方法、装置和计算机设备。
背景技术
随着海洋生物探测技术的发展，水声监测、海底测绘、海底通讯等海洋相关技术获得了快速的发展。构建一套及时、准确、有效的水下移动目标追踪网络，可以更好的探测海洋生物，了解海洋生物的更多特性。
目前，传统的水下移动目标追踪方法采用无人潜航器(Unmanned UnderwaterVehicle，AUV)进行追踪，该方法将AUV潜航器视为质点，实时预测AUV潜航器到目标体的追踪轨迹。但是传统方法，获取的AUV潜航器的追踪轨迹较为复杂，且容错率较低，导致获取的水下移动目标的最优追踪轨迹的精确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种水下目标追踪方法、装置和计算机设备。
第一方面，本申请提供了一种水下目标追踪方法。所述方法包括：
获取各潜航器的实时信息、目标体的实时信息和当前环境信息；所述实时信息包括当前位置信息和当前状态信息；
根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；
在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
可选的，所述获取目标体的实时信息，包括：
通过各所述潜航器探测得到目标体的各探测信息；
根据所述目标体的各探测信息和水下目标探测模型，得到所述目标体的实时信息。
可选的，所述目标追踪规划模型包括追踪轨迹预测模型、水下动力学模型、轨迹优化模型，所述根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹，包括：
针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹；
根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹；
根据各所述潜航器的实时信息、各所述潜航器的第二预测轨迹和所述水下动力学模型，确定各所述潜航器的追踪轨迹。
可选的，在所述轨迹优化模型包括避障模型的情况下，所述根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹，包括：
针对每个潜航器，根据所述潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和所述避障模型，确定所述潜航器与所述相邻潜航器的碰撞概率；
当所述碰撞概率大于碰撞阈值时，将所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，并返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
当所述碰撞概率不大于碰撞阈值时，将所述潜航器的第一预测轨迹标记为所述潜航器的第二预测轨迹。
可选的，在所述轨迹优化模型包括集群一致化模型的情况下，所述根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹，包括：
根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及所述各潜航器的离散平均值；
在所述各潜航器的离散平均值大于离散阈值时，将各所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
在所有潜航器的集群离散值均不大于离散阈值时，将各所述潜航器的第一预测轨迹标记为各所述潜航器的第二轨迹。
可选的，所述方法还包括：
在所述各潜航器的离散平均值不大于离散阈值、且存在大于所述离散阈值的目标集群离散值时，将各所述目标集群离散值对应的潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表；
根据各所述目标集群离散值对应的潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，重新确定各所述目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各所述目标集群离散值对应的潜航器的第一预测轨迹，返回执行根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及各所述潜航器的离散平均值步骤。
第二方面，本申请还提供了一种水下目标追踪装置。所述装置包括：
获取模块，用于获取各潜航器的实时信息、目标体的实时信息和当前环境信息；所述实时信息包括当前位置信息和当前状态信息；
第一确定模块，用于根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；
第二确定模块，用于在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
可选的，所述获取模块，具体用于：
通过各所述潜航器探测得到目标体的各探测信息；
根据所述目标体的各探测信息和水下目标探测模型，得到所述目标体的实时信息。
可选的，所述目标追踪规划模型包括追踪轨迹预测模型、水下动力学模型、轨迹优化模型，所述第一确定模块，具体用于：
针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹；
根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹；
根据各所述潜航器的实时信息、各所述潜航器的第二预测轨迹和所述水下动力学模型，确定各所述潜航器的追踪轨迹。
可选的，在所述轨迹优化模型包括避障模型的情况下，所述第一确定模块，具体用于：
针对每个潜航器，根据所述潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和所述避障模型，确定所述潜航器与所述相邻潜航器的碰撞概率；
当所述碰撞概率大于碰撞阈值时，将所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，并返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
当所述碰撞概率不大于碰撞阈值时，将所述潜航器的第一预测轨迹标记为所述潜航器的第二预测轨迹。
可选的，在所述轨迹优化模型包括集群一致化模型的情况下，所述第一确定模块，具体用于：
根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及所述各潜航器的离散平均值；
在所述各潜航器的离散平均值大于离散阈值时，将各所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
在所有潜航器的集群离散值均不大于离散阈值时，将各所述潜航器的第一预测轨迹标记为各所述潜航器的第二轨迹。
可选的，在所述轨迹优化模型包括集群一致化模型的情况下，所述第一确定模块，还包括：
在所述各潜航器的离散平均值不大于离散阈值、且存在大于所述离散阈值的目标集群离散值时，将各所述目标集群离散值对应的潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表；
根据各所述目标集群离散值对应的潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，重新确定各所述目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各所述目标集群离散值对应的潜航器的第一预测轨迹，返回执行根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及各所述潜航器的离散平均值步骤。
第三方面，本申请提供了一种计算机设备。所述计算机设备：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第一方面中任一项所述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质。所述存储介质包括：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第一方面中任一项所述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括：计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述水下目标追踪方法、装置和计算机设备，通过水下目标探测模型，获取水下观测空间，所述水下观测空间为水下的各潜航器的观测信息所构成的空间，所述潜航器的观测信息包括所述潜航器的实时信息、目标体的实时信息和当前环境信息，所述实时信息包括当前位置信息和当前状态信息；根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；在存在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。通过目标探测模型获取各潜航器和目标体的实时信息，并考虑当前环境信息，运用目标追踪规划模型实时规划目标追踪轨迹，从而追踪目标，提高了潜航器的实际追踪轨迹的精确度。
附图说明
图1为一个实施例中水下目标追踪方法的应用环境图；
图2为一个实施例中水下目标追踪方法的流程示意图；
图3为一个实施例中确定各潜航器的追踪轨迹步骤的流程示意图；
图4为一个实施例中确定第二预测轨迹步骤的流程示意图；
图5为另一个实施例中确定第二预测轨迹步骤的流程示意图；
图6为一个实施例中重新确定第二预测轨迹步骤的流程示意图；
图7为另一个实施例中水下目标追踪方法的流程示意图；
图8为一个实施例中水下目标追踪装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的水下目标追踪方法，可以应用于如图1所示的应用环境中，该应用环境中包含水下潜航器网络系统，具体包括终端和设置于水下的多个潜航器。本方法可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑、物联网设备等。该终端用于获取各潜航器的观测值，并通过该观测值与目标追踪规划模型，实时规划各潜航器的追踪轨迹，最终在目标体的实时信息与潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
在一个实施例中，如图2所示，提供了一种水下目标追踪方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S201，获取各潜航器的实时信息、目标体的实时信息和当前环境信息。
其中，实时信息包括当前位置信息和当前状态信息。
本实施例中，终端根据各潜航器传输的自身实时信息，获取各潜航器的实时信息，根据各潜航器的目标探测信息，获取目标体的实时信息和当前环境信息。
具体的，潜航器可以是无人潜航器(Unmanned Underwater Vehicle，AUV)，潜航器包括环形声波发生器与环形水听器阵列，环形声波发生器与环形水听器阵列设置于在潜航器外表面，用于实时探测各个方向的目标体或潜航器。其中，声波发生器向四周发射声波，当声波到达目标体或相邻潜航器时，目标体或相邻潜航器会反射回波；而水听器阵列在接收到各个方向的反射回波后将收到反射回波的声波强度与发射声波强度反馈回终端，终端根据反射回波的声波强度与发射声波强度，探测目标体或相邻潜航器的当前位置信息以及当前状态信息。
终端通过潜航器向样本目标发射声波信号，并通过水听器阵列接收该样本目标反射的回波，确定当前环境信息。其中，当前环境信息包括但不限于当前环境的水流速度、当前环境的水下深度、当前环境的水域密度等。样本目标为已知与潜航器的距离和方向的并能反射发射声波信号的物体，该样本目标可用于潜航器获取当前环境信息。潜航器的位置信息包括潜航器的推进器的二维坐标信息和潜航器的舵机的二维坐标信息、目标体的位置信息为目标体的二维坐标信息，潜航器的二维坐标信息与目标体的二维坐标信息均建立在地球坐标系下。潜航器或目标体的当前状态信息包括但不限于当前速度和当前方向等。
各潜航器的实时信息包括各潜航器的当前位置信息和各潜航器的当前状态信息，目标体的实时信息包括目标体的当前位置信息和目标体的当前状态信息。各潜航器的实时信息、各潜航器观测的目标体的实时信息和各潜航器观测的当前环境信息构成各潜航器的观测空间O＝(o1,o2,...,oI)，Oi表示每个潜航器的观测信息。
步骤S202，根据各潜航器的实时信息、目标体的实时信息、当前环境信息、以及目标追踪规划模型，确定各潜航器的追踪轨迹。
本实施例中，终端将各潜航器的实时信息、目标体的实时信息、当前环境信息、输入目标追踪规划模型，输出各潜航器的追踪轨迹。其中，目标追踪规划模型可以是多智能体强化学习-MADDPG(Multi-Agent Deep Deterministic Policy Gradient)深度神经网络模型。
在目标追踪规划模型完成一轮预测各潜航器的追踪轨迹之后，之前的输入信息(目标体的实时信息、各潜航器的实时信息、以及当前环境信息)可以作为下一轮预测各潜航器的追踪轨迹是目标追踪规划模型的训练样本，并对目标追踪规划模型进行训练，得到新的目标追踪规划模型，从而确保每一轮目标追踪规划模型所做出的决策都要比上一轮决策更加合理。
例如，第一轮通过MADDPG深度神经网络模型完成预测追踪轨迹，各潜航器按照预测追踪轨迹追踪完成后，终端采集当前目标体的实时信息、当前潜航器的实时信息、以及当前环境信息，并将当前目标体的实时信息、当前潜航器的实时信息、当前环境信息、潜航器的追踪轨迹、上一轮开始时目标体的实时信息、上一轮开始时潜航器的实时信息、以及上一轮开始时环境信息输入MADDPG深度神经网络模型，对MADDPG深度神经网络模型进行实时训练，得到新MADDPG深度神经网络模型，并将该MADDPG深度神经网络模型作为下一轮预测各潜航器的追踪轨迹的目标追踪规划模型。
步骤S203，在目标体的实时信息与潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
本实施例中，终端将目标体的位置信息与潜航器的位置信息的距离阈值作为预设距离。终端控制各潜航器执行追踪目标体的命令。在潜航器执行追踪目标体的过程中，终端继续获取目标体的实时信息，并判断目标体是否发生移动。在目标体发生移动的情况下，终端控制潜航器放弃当前追踪轨迹，并返回执行步骤S202；在目标体未发生移动的情况下，终端不下达其他指令，潜航器继续执行当前追踪目标体的命令。
在各潜航器完成该追踪目标体的命令时，各潜航器向终端发送命令完成信号。在终端收到该命令完成信号时，终端再次获取当前目标体的实时信息、当前潜航器的实时信息、以及当前环境状态信息，并判断目标体的位置信息与潜航器的位置信息之间的距离是否不大于预设距离。在目标体的位置信息与潜航器的位置信息之间的距离大于预设距离时，确定目标追踪失败，并返回执行步骤S202；在目标体的位置信息与潜航器的位置信息之间的距离不大于预设距离时，确定目标追踪成功。各追踪成功的潜航器向终端反馈目标追踪成功信息，终端通过将各追踪成功的潜航器的实时信息、目标体的实时信息、环境信息、各追踪成功的潜航器的追踪轨迹输入目标追踪规划模型，对目标追踪规划模型进行训练，得到新的目标追踪规划模型。终端通过新的目标追踪规划模型，预测各目标追踪失败的潜航器的下一轮的追踪轨迹。
基于上述方案，通过目标探测模型获取各潜航器和目标体的实时信息，并考虑当前环境信息，运用目标追踪规划模型实时规划目标追踪轨迹，从而追踪目标，提高了潜航器的实际追踪轨迹的精确度。
可选的，获取目标体的实时信息，包括：通过各潜航器探测得到目标体的各探测信息；根据目标体的各探测信息和水下目标探测模型，得到目标体的实时信息。
本实施例中，终端通过各潜航器的水听器阵列接收目标体反射的回波、并获取各潜航器发射声波(即各探测信息)。终端将目标体反射的回波强度与各潜航器发射声波强度输入至水下目标探测模型，基于水下目标探测模型，可以先得到各潜航器到目标体的方向和距离，然后再根据各潜航器到目标体的距离和方向，计算目标体的当前位置信息。例如，水下目标探测模型包含潜航器到目标体的距离d的算法和声波在水中的传播损失TL算法，水下目标探测模型中的声波在水中的传播损失TL算法公式如下：
2TL＝SL-EM+TS-(NL-DI)-DT
上式中，所有变量的单位均为dB。其中，SL是潜航器的声波发生器的发射声波强度。NL为海洋背景噪声级。EM是潜航器的每个水听器接收到的目标体反射的回波强度。DI为声呐方向性指数，其与阵列中的水听器个数N有关：DI＝10lg(N)。DT为主动式声呐系统的检测阈值，通常为0dB。TS是目标强度，其与目标对声波的反射面积有关，可以通过表一得到。
表一：常见水下目标强度
水下目标探测模型中的潜航器到目标体的距离d的算法公式如下：
TL＝20lg(d)+d×a(f)×l0-3，
上式中，f为声波发生器的中心工作频率、α(f)是声波在水中传播时衰减特性的经验公式。
终端通过多次重复上述步骤，得到目标体在不同时刻的位置信息。终端通过目标体在不同时刻的位置信息得到目标体在不同时刻的状态信息，从而将目标体在不同时刻的位置信息和目标体在不同时刻的状态信息作为目标体的实时信息。
基于上述方案，通过水下目标探测模型得到各潜航器到目标体的方向和距离，并通过判断各潜航器到目标体的距离和方向判断得出目标体的实时信息，能够更加精确的得到目标体的实时信息。
可选的，如图3所示，目标追踪规划模型包括追踪轨迹预测模型、水下动力学模型、轨迹优化模型，根据各潜航器的实时信息、目标体的实时信息、当前环境信息、以及目标追踪规划模型，确定各潜航器的追踪轨迹，包括：
步骤S301，针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹。
本实施例中，追踪轨迹预测模型包含禁忌表，终端针对每个潜航器，根据该潜航器的当前位置信息、目标体的当前位置信息、当前环境信息输入追踪轨迹预测模型，追踪轨迹预测模型输出除禁忌表内的预测轨迹以外的该潜航器的第一预测轨迹。该潜航器的第一预测轨迹包括该潜航器的轨迹路线和该潜航器的动作信息。该潜航器的动作信息的集合为潜航器集群的动作空间，潜航器集群包含各潜航器。各潜航器的动作信息包含各潜航器的推进器的动力和舵机的角度、以及潜航器的其他物理限制条件，其他物理限制条件包括但不限于重力、浮力、粘性类水动力、以惯性类水动力等。例如，A＝(a1,a2,...,aI)为集群中各潜航器的动作信息所组成的动作空间，每个潜航器的动作信息为
其中，
代表潜航器的推进器的推力，δi代表潜航器的舵机的角度。sat(·)代表潜航器的其他物理限制条件，其表达式如下：
其中ι为(
δi)。追踪轨迹预测模型可以是MADDPG深度神经网络模型中的Actor目标策略网络
Actor目标策略网络
包含动作空间A＝(a1,a2,...,aI)，其中θi表示该神经网络的参数，每一轮训练MADDPG深度神经网络模型中的Actor目标策略网络时，会优化该神经网络的θi参数。
步骤S302，根据各潜航器的第一预测轨迹、轨迹优化模型和追踪轨迹预测模型，确定各潜航器的第二预测轨迹。
本实施例中，终端预设轨迹优化模型的评价标准，根据各潜航器的第一预测轨迹和轨迹优化模型，得到各潜航器的第一预测轨迹的评价值。终端判断各潜航器的第一预测轨迹的评价值是否符合评价标准。在不符合评价标准的前提下，终端返回执行步骤S301,直到各潜航器的第一预测轨迹符合评价标准时，将各潜航器的第一预测轨迹标记为第二预测轨迹。轨迹优化模型可以是MADDPG深度神经网络模型中的Critic动作值网络
Critic动作值网络
包含动作空间A＝(a1,a2,...,aI)，其中vi代表该神经网络的参数。每一轮训练MADDPG深度神经网络模型中的Critic动作值网络时，对该神经网络的vi参数进行优化。轨迹优化模型可以是避障模型或集群一致化模型，也可以同时包含避障模型和集群一致化模型。通过避障模型或集群一致化模型进行优化的具体过程后续会进行详细说明。
在轨迹优化模型同时包含避障模型和集群一致化模型的情况下，各潜航器的第一预测轨迹需要分别通过避障模型和集群一致化模型进行判断；当第一预测轨及满足第一个模型的评价标准时再将第一预测轨迹输入下一个模型中进行判断，两个模型的先后顺序不做限制；且各潜航器的第一预测轨迹的评价值为
其中，i代表各潜航器的虚拟编号
为目标追踪奖励，
为避障奖励，rc为集群行动一致性奖励。α与β为该优化标准的超参数，通过设置参数α与β大小，可以调节不同优化过程的奖励强度，从而适应不同追踪条件的需求。
步骤S303，根据各潜航器的实时信息、各潜航器的第二预测轨迹和水下动力学模型，确定各潜航器的追踪轨迹。
本实施例中，终端针对每个潜航器，根据该潜航器的实时信息，以及该潜航器的第二预测轨迹，输入水下动力学模型，水下动力学模型该潜航器在该潜航器的第二预测轨迹中的运动信息。终端根据该潜航器的第二预测轨迹中的运动信息、以及该潜航器的第二预测轨迹，确定为该潜航器的追踪轨迹。水下动力学模型包括运动学方程与动力学方程。其中，运动学方程为：
其中
是地球坐标系与随体坐标系间的转换矩阵：
潜航器的动力学方程为：
其中
是自主潜航器的惯性矩阵，主要包括自主潜航器的质量、转动惯量、惯性类水动力(潜航器周围的水体做变速运动时为克服惯性对潜航器施加的阻力)参数等。
为科里奥利矩阵。φ为潜航器的运动速度。
是由粘性类水动力形成的阻力矩阵。
是自主潜航器的推进器和舵机布置矩阵。
基于上述方案，在得到各潜航器的追踪轨迹中考虑环境因素、物理因素等、并且对追踪轨迹进行进一步优化，从而提升了潜航器的追踪轨迹的可靠性。
可选的，如图4所示，在轨迹优化模型包括避障模型的情况下，根据各潜航器的第一预测轨迹、轨迹优化模型和追踪轨迹预测模型，确定各潜航器的第二预测轨迹，包括：
步骤S401，针对每个潜航器，根据潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和避障模型，确定潜航器与相邻潜航器的碰撞概率。
本实施例中，终端针对每个潜航器，根据该潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和避障模型，确定该潜航器的第一预测轨迹的评价值(即确定潜航器与相邻潜航器的碰撞概率)。该潜航器的第一预测轨迹的评价值为
步骤S402，当碰撞概率大于碰撞阈值时，将潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，并返回执行针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹步骤。
本实施例中，终端针对每个潜航器，判断该潜航器的第一预测轨迹的评价值(即碰撞概率)与评价标准(即碰撞阈值)的大小，在该潜航器的第一预测轨迹的评价值大于评价标准时，终端将该潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，并返回执行步骤S301。
步骤S403，当碰撞概率不大于碰撞阈值时，将潜航器的第一预测轨迹标记为潜航器的第二预测轨迹。
本实施例中，终端针对每个潜航器，在该潜航器的第一预测轨迹的评价值(即碰撞概率)小于评价标准(即碰撞阈值)时，终端将该潜航器的第一预测轨迹标记为该潜航器的第二预测轨迹。
基于上述方案，通过避障模型对第一预测轨迹进行优化，从而提升第一预测轨迹的精准度。
可选的，如图5所示，在轨迹优化模型包括集群一致化模型的情况下，根据各潜航器的第一预测轨迹、轨迹优化模型和追踪轨迹预测模型，确定各潜航器的第二预测轨迹，包括：
步骤S501，根据各潜航器的第一预测轨迹和集群一致化模型，确定各潜航器的集群离散值，以及各潜航器的离散平均值。
本实施例中，终端将各潜航器的第一预测轨迹输入集群一致化模型，确定各潜航器的第一预测轨迹的评价值(即确定各潜航器的集群离散值)，以及各评价值的平均评价值(即潜航器的离散平均值)。该潜航器的第一预测轨迹的评价值为
集群一致化模型可以通过各潜航器的水下通信信噪建立，例如，终端将各潜航器的第一预测轨迹输入集群一致化模型，得到各潜航器的水下通信信噪比(即集群离散值)，以及各潜航器的水下通信平均信噪比(即离散平均值)。定义相邻两个潜航器为a与b，其中i与j之间的信噪比为SNRab，其中a，b∈N(N为所有潜航器的个数)，其中SNRab表达式如下：
SNRab＝SL-TL-NL+DI
上式中，SL是潜航器的声波发生器的发射声波强度，TL是发射声波在水中的传播损失，DI为声呐方向性指数，NL为海洋背景噪声级，
为各评价值的平均评价值。
步骤S502，在各潜航器的离散平均值大于离散阈值时，将各潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，返回执行针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹步骤。
本实施例中，终端判断各潜航器的第一预测轨迹的平均评价值(即各潜航器的离散平均值)与评价标准(离散阈值)的大小，在各潜航器的第一预测轨迹的平均评价值大于评价标准的情况下，终端将各潜航器到的第一预测轨迹列入追踪轨迹预测模型的禁忌表，并返回执行步骤S301。例如，可以判断各潜航器的水下通信平均信噪比
(即各潜航器的离散平均值)与信噪比阈值DT(离散阈值)的大小，在水下通信平均信噪比大于信噪比阈值DT时，终端将各潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，返回执行步骤S301。
步骤S503，在所有潜航器的集群离散值均不大于离散阈值时，将各潜航器的第一预测轨迹标记为各潜航器的第二轨迹。
本实施例中，当所有潜航器的第一预测轨迹的评价值(即所有潜航器的集群离散值)均不大于评价标准(即离散阈值)时，终端将各潜航器的第一预测轨迹标记为各潜航器的第二预测轨迹。
基于上述方案，通过集群一致化模型对第一预测轨迹进行优化，从而提升第一预测轨迹的精准度。
可选的，如图6所示，方法还包括：
步骤S601，在各潜航器的离散平均值不大于离散阈值、且存在大于离散阈值的目标集群离散值时，将各目标集群离散值对应的潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表。
本实施例中，终端在各潜航器的第一预测轨迹的平均评价值(即离散平均值)不大于评价标准(即离散阈值)时，终端挑选出各评价值中大于评价标准的第一预测轨迹的目标评价值(即目标集群离散值)，并将各目标评价值对应的潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表。
步骤S602，根据各目标集群离散值对应的潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，重新确定各目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各目标集群离散值对应的潜航器的第一预测轨迹，返回执行根据各潜航器的第一预测轨迹和集群一致化模型，确定各潜航器的集群离散值，以及各潜航器的离散平均值步骤。
本实施例中，终端将各目标评价值(即目标集群离散值)对应的潜航器的实时信息、目标体的实时信息、当前环境信息输入追踪轨迹预测模型，重新确定各目标评价值对应的潜航器的第一预测轨迹，并向各目标评价值对应的潜航器的第一预测轨迹返回执行步骤S302步骤。
基于上述方案，通过对符合集群一致化模型的各潜航器的第一预测轨迹再次有针对性的优化，提高各潜航器的第一预测轨迹集群一致化性能，从侧面提升了所得到的各潜航器的追踪轨迹的实用性。
本申请还提供了一种水下目标追踪示例，如图7所示，具体处理过程包括以下步骤：
步骤S701，通过各潜航器探测得到目标体的各探测信息。
步骤S702，根据目标体的各探测信息和水下目标探测模型，得到目标体的实时信息。
步骤S703，获取各潜航器的实时信息和当前环境信息。
其中，实时信息包括当前位置信息和当前状态信息。
步骤S704，针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹。
步骤S705，针对每个潜航器，根据潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和避障模型，确定潜航器与相邻潜航器的碰撞概率。
步骤S706，判断碰撞概率是否大于碰撞阈值。
如果是，将潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，并返回执行步骤S704；如果否，执行步骤S707。
步骤S707，将潜航器的第一预测轨迹标记为潜航器的初始第二预测轨迹。
步骤S708，根据各潜航器的初始第二预测轨迹和集群一致化模型，确定各潜航器的集群离散值，以及各潜航器的离散平均值。
步骤S709，判断各潜航器的离散平均值是否大于离散阈值。
如果是，将各潜航器的初始第二预测轨迹列入追踪轨迹预测模型的禁忌表，返回执行步骤S704；如果否，执行步骤S710。
步骤S710，判断是否存在大于离散阈值的目标集群离散值。
如果是，将各目标集群离散值对应的潜航器的初始第二预测轨迹列入追踪轨迹预测模型的禁忌表，并执行步骤S711；如果否，执行步骤S712。
步骤S711，根据各目标集群离散值对应的潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，重新确定各目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各目标集群离散值对应的潜航器的第一预测轨迹，并返回执行步骤S705。
步骤S712，在所有潜航器的集群离散值均不大于离散阈值时，将各潜航器的初始第二预测轨迹标记为各潜航器的第二轨迹。
步骤S713，根据各潜航器的实时信息、各潜航器的第二预测轨迹和水下动力学模型，确定各潜航器的追踪轨迹。
步骤S714，判断目标体的实时信息与潜航器的实时信息的距离是否大于预设距离。
如果是，返回执行步骤S704；如果否，执行步骤S715。
步骤S715，确定目标追踪成功。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的水下目标追踪方法的水下目标追踪装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个水下目标追踪装置实施例中的具体限定可以参见上文中对于水下目标追踪方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种水下目标追踪装置，包括：获取模块810、第一确定模块820和第二确定模块830，其中：
获取模块810，用于获取各潜航器的实时信息、目标体的实时信息和当前环境信息；实时信息包括当前位置信息和当前状态信息；
第一确定模块820，用于根据各潜航器的实时信息、目标体的实时信息、当前环境信息、以及目标追踪规划模型，确定各潜航器的追踪轨迹；
第二确定模块830，用于在目标体的实时信息与潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
可选的，获取模块810，具体用于：
通过各潜航器探测得到目标体的各探测信息；
根据目标体的各探测信息和水下目标探测模型，得到目标体的实时信息。
可选的，目标追踪规划模型包括追踪轨迹预测模型、水下动力学模型、轨迹优化模型，第一确定模块820，具体用于：
针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹；
根据各潜航器的第一预测轨迹、轨迹优化模型和追踪轨迹预测模型，确定各潜航器的第二预测轨迹；
根据各潜航器的实时信息、各潜航器的第二预测轨迹和水下动力学模型，确定各潜航器的追踪轨迹。
可选的，在轨迹优化模型包括避障模型的情况下，第一确定模块820，具体用于：
针对每个潜航器，根据潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和避障模型，确定潜航器与相邻潜航器的碰撞概率；
当碰撞概率大于碰撞阈值时，将潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，并返回执行针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹步骤；
当碰撞概率不大于碰撞阈值时，将潜航器的第一预测轨迹标记为潜航器的第二预测轨迹。
可选的，在轨迹优化模型包括集群一致化模型的情况下，第一确定模块820，具体用于：
根据各潜航器的第一预测轨迹和集群一致化模型，确定各潜航器的集群离散值，以及各潜航器的离散平均值；
在各潜航器的离散平均值大于离散阈值时，将各潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表，返回执行针对每个潜航器，根据潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，确定潜航器的第一预测轨迹步骤；
在所有潜航器的集群离散值均不大于离散阈值时，将各潜航器的第一预测轨迹标记为各潜航器的第二轨迹。
可选的，在轨迹优化模型包括集群一致化模型的情况下，第一确定模块820，还包括：
在各潜航器的离散平均值不大于离散阈值、且存在大于离散阈值的目标集群离散值时，将各目标集群离散值对应的潜航器的第一预测轨迹列入追踪轨迹预测模型的禁忌表；
根据各目标集群离散值对应的潜航器的实时信息、目标体的实时信息、当前环境信息、以及追踪轨迹预测模型，重新确定各目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各目标集群离散值对应的潜航器的第一预测轨迹，返回执行根据各潜航器的第一预测轨迹和集群一致化模型，确定各潜航器的集群离散值，以及各潜航器的离散平均值步骤。
上述水下目标追踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种水下目标追踪方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种水下目标追踪方法，其特征在于，所述方法包括：
获取各潜航器的实时信息、目标体的实时信息和当前环境信息；所述实时信息包括当前位置信息和当前状态信息；
根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；
在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
2.根据权利要求1所述的方法，其特征在于，所述获取目标体的实时信息，包括：
通过各所述潜航器探测得到目标体的各探测信息；
根据所述目标体的各探测信息和水下目标探测模型，得到所述目标体的实时信息。
3.根据权利要求1所述的方法，其特征在于，所述目标追踪规划模型包括追踪轨迹预测模型、水下动力学模型、轨迹优化模型，所述根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹，包括：
针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹；
根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹；
根据各所述潜航器的实时信息、各所述潜航器的第二预测轨迹和所述水下动力学模型，确定各所述潜航器的追踪轨迹。
4.根据权利要求3所述的方法，其特征在于，在所述轨迹优化模型包括避障模型的情况下，所述根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹，包括：
针对每个潜航器，根据所述潜航器的第一预测轨迹、相邻潜航器的第一预测轨迹和所述避障模型，确定所述潜航器与所述相邻潜航器的碰撞概率；
当所述碰撞概率大于碰撞阈值时，将所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，并返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
当所述碰撞概率不大于碰撞阈值时，将所述潜航器的第一预测轨迹标记为所述潜航器的第二预测轨迹。
5.根据权利要求3所述的方法，其特征在于，在所述轨迹优化模型包括集群一致化模型的情况下，所述根据各所述潜航器的第一预测轨迹、所述轨迹优化模型和所述追踪轨迹预测模型，确定各所述潜航器的第二预测轨迹，包括：
根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及所述各潜航器的离散平均值；
在所述各潜航器的离散平均值大于离散阈值时，将各所述潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表，返回执行针对每个潜航器，根据所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，确定所述潜航器的第一预测轨迹步骤；
在所有潜航器的集群离散值均不大于离散阈值时，将各所述潜航器的第一预测轨迹标记为各所述潜航器的第二轨迹。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述各潜航器的离散平均值不大于离散阈值、且存在大于所述离散阈值的目标集群离散值时，将各所述目标集群离散值对应的潜航器的第一预测轨迹列入所述追踪轨迹预测模型的禁忌表；
根据各所述目标集群离散值对应的潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及所述追踪轨迹预测模型，重新确定各所述目标集群离散值对应的潜航器的第一预测轨迹，并基于重新确定的各所述目标集群离散值对应的潜航器的第一预测轨迹，返回执行根据各所述潜航器的第一预测轨迹和所述集群一致化模型，确定各潜航器的集群离散值，以及各所述潜航器的离散平均值步骤。
7.一种水下目标追踪装置，其特征在于，所述装置包括：
获取模块，用于获取各潜航器的实时信息、目标体的实时信息和当前环境信息；所述实时信息包括当前位置信息和当前状态信息；
第一确定模块，用于根据各所述潜航器的实时信息、所述目标体的实时信息、所述当前环境信息、以及目标追踪规划模型，确定各所述潜航器的追踪轨迹；
第二确定模块，用于在所述目标体的实时信息与所述潜航器的实时信息的距离不大于预设距离时，确定目标追踪成功。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004773.1A CN114384530A (zh) | 2022-01-04 | 2022-01-04 | 水下目标追踪方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004773.1A CN114384530A (zh) | 2022-01-04 | 2022-01-04 | 水下目标追踪方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114384530A true CN114384530A (zh) | 2022-04-22 |
Family
ID=81200567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210004773.1A Pending CN114384530A (zh) | 2022-01-04 | 2022-01-04 | 水下目标追踪方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114384530A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300985A (zh) * | 2023-05-24 | 2023-06-23 | 清华大学 | 控制方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-04 CN CN202210004773.1A patent/CN114384530A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300985A (zh) * | 2023-05-24 | 2023-06-23 | 清华大学 | 控制方法、装置、计算机设备和存储介质 |
| CN116300985B (zh) * | 2023-05-24 | 2023-09-05 | 清华大学 | 控制方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022539250A (ja) | アンカー軌道を使用したエージェント軌道予測 | |
| CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
| CN114625151B (zh) | 一种基于强化学习的水下机器人避障路径规划方法 | |
| CN108444481B (zh) | 一种基于辅助决策系统的水下潜器路径规划方法 | |
| WO2022226856A1 (zh) | 浅海多层海底地声参数反演方法、装置、计算机设备及存储介质 | |
| Salavasidis et al. | Terrain‐aided navigation for long‐range AUVs in dynamic under‐mapped environments | |
| CN114384530A (zh) | 水下目标追踪方法、装置和计算机设备 | |
| Yan et al. | Two‐dimensional optimal path planning for autonomous underwater vehicle using a whale optimization algorithm | |
| Moreno-Salinas et al. | Multiple underwater target positioning with optimally placed acoustic surface sensor networks | |
| Yan et al. | A novel path planning for AUV based on objects’ motion parameters predication | |
| Li et al. | Multi-body modelling and analysis of the motion platform for underwater acoustic dynamic communication | |
| CN117010132B (zh) | 一种水下多基地声纳系统的空间阵位优化方法及系统 | |
| Huang et al. | 3D search path planning for the blended-wing-body underwater glider | |
| Li et al. | IROA-based LDPC-Lévy method for target search of multi AUV–USV system in unknown 3D environment | |
| ZHANG et al. | Mission planning method of multi-UUV search submarine acoustic beacon | |
| CN113252861B (zh) | 一种水质检测方法、装置、电子设备及存储介质 | |
| Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
| Jiang et al. | Route optimizing and following for autonomous underwater vehicle ladder surveys | |
| Huang et al. | A meta-heuristic assisted method for the deployment of the multi-BWBUG cooperative system | |
| Zou et al. | Convert path planning for underwater vehicle based on sonar detection probability | |
| Lan et al. | Learning‐Based Path Planning Algorithm in Ocean Currents for Multi‐Glider | |
| CN116578102B (zh) | 水下自主航行器避障方法、装置、计算机设备和存储介质 | |
| Bouxsein et al. | A SONAR simulation used to develop an obstacle avoidance system | |
| Wang et al. | Modeling and Genetic Algorithm-Based Solutions for Deep-Sea Multibeam Survey Line Placement | |
| KR102437460B1 (ko) | 소노부이 배치 정보를 제공하는 전자 장치 및 방법 |
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 |