CN114840928B - 一种基于深度学习的水下航行器集群运动仿真方法 - Google Patents

一种基于深度学习的水下航行器集群运动仿真方法 Download PDF

Info

Publication number
CN114840928B
CN114840928B CN202210492436.1A CN202210492436A CN114840928B CN 114840928 B CN114840928 B CN 114840928B CN 202210492436 A CN202210492436 A CN 202210492436A CN 114840928 B CN114840928 B CN 114840928B
Authority
CN
China
Prior art keywords
heading
simulation
auv
diff
cluster
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
Application number
CN202210492436.1A
Other languages
English (en)
Other versions
CN114840928A (zh
Inventor
彭星光
佘俊阳
宋保维
潘光
李乐
张福斌
高剑
张立川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210492436.1A priority Critical patent/CN114840928B/zh
Publication of CN114840928A publication Critical patent/CN114840928A/zh
Application granted granted Critical
Publication of CN114840928B publication Critical patent/CN114840928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及一种基于深度学习的水下航行器集群运动仿真方法，首先，获取真实AUV集群运动数据，并对数据进行清洗，制作数据集；其次，搭建神经网络并配置训练方法，将数据集输入网络进行训练；考虑到实际的AUV运动约束，根据训练结果划分区间设计仿真策略；之后，将仿真参数迁移至仿真系统中，在仿真系统中AUV部署集群算法后，仿真AUV集群将会模拟出真实AUV集群在任务水域进行集群任务时对指令的响应状态；最终可结合真实数据评估仿真效果。本方法降低了AUV仿真实验成本，提高了仿真效率，对集群算法在AUV实物平台上的迁移有重要意义。

Description

一种基于深度学习的水下航行器集群运动仿真方法
技术领域
本发明涉及自主水下航行器(Autonomous Underwater Vehicles，AUV)集群运动仿真设计，具体涉及一种基于深度学习的运动仿真方法。
背景技术
随着人工智能技术的迅猛发展，深度学习神经网络的应用已越来越广泛，已被广泛应用于路径规划，控制器设计，自主感知，参数优化等多个方面。
AUV是一种无人、无缆、完全自主航行的水下航行器，对海洋工程任务如海洋勘探、资源调查等，对军事任务如对敌侦查、目标定位等，有着重要作用。AUV集群，即使用多个AUV，通过设计AUV个体之间简单的交互运动规则，群体涌现出宏观运动形态，从而实现群体层面的任务，如集群围捕，大海域目标搜索。AUV集群相较于单AUV工作模式和多AUV协同编队拥有较大优势。由于AUV集群实物实验涉及多条AUV，实验成本较高且算法参数设计较为复杂，因此在计算机平台上对AUV集群进行仿真实验，可以降低实验成本，减少实验误差，方便集群算法后续在AUV实验平台上的迁移。
通常情况下，对水下航行器进行系统仿真，需要通过风洞实验、悬臂水池实验以及计算流体力学获取水动力系数，从而建立精确的数学模型，之后进行仿真。该过程需借助专业的实验场地，操作复杂且成本昂贵。另一方面，AUV在任务水域航行，受到真实环境风、流以及其他环境因素影响可能与水池实验有较大区别，并且AUV在集群运动过程中，会频繁地调整航向，如何在仿真系统中模拟出真实环境对AUV转向运动的影响是AUV集群运动仿真的关键。
发明内容
要解决的技术问题
为了克服现有技术不足，在计算机仿真平台上实现对AUV集群运动的快速仿真，本发明提供了一种基于深度学习的水下航行器集群运动仿真方法。
技术方案
一种基于深度学习的水下航行器集群运动仿真方法，其特征在于步骤如下：
步骤1：使AUV集群在任务水域进行集群任务，获取真实AUV集群运动数据；
步骤2：制作数据集；所述数据集包括AUV期望航向指令Headingexp，收到指令时的实际航向Headingcurrent，以及一个控制周期之后的实际航向Headingoutput；
步骤3：搭建神经网络，并配置训练方法；
所述神经网络输入特征为期望航向与当前航向的差值Headingdiff：
Headingdiff＝Headingexp-Headingcurrent
所述神经网络输出标签为一个控制周期之后的航向变化量Headingchange：
Headingchange＝Headingoutput-Headingcurrent
步骤4：采用步骤3所述的神经网络对步骤2的数据集进行训练；
步骤5：区间划分设计仿真策略
通过神经网络训练，给定Headingdiff后得到对应Headingchang；
根据Headingdiff的绝对值|Headingdiff|将区间分为I1，I2，I3三段：
Figure BDA0003631609870000021
与区间对应的航向变化量仿真策略为：
Figure BDA0003631609870000022
对以上三个区间以及其对应的仿真策略进行说明：
当|Headingdiff|∈I1，此时期望航向与当前航向的差值小于一个控制周期内最大转向角RAmax，在仿真中，可使得一个控制周期内航向变化量为期望航向与当前航向的差值，即Headingchange＝Headingdiff；
当|Headingdiff|∈I2，此时Headingdiff大于RAmax，且小于反转阈值角度RAreverse，此时Headingchang仿真策略为取该区间内训练输出的平均值
Figure BDA0003631609870000031
并在此基础上加入随机扰动
Figure BDA0003631609870000032
Headingchang符号与Headingdiff保持一致；
当|Headingdiff|∈I3，此时Headingdiff大于RAreverse，Headingchange与Headingdiff符号相反，取值为该区间内训练输出的平均值
Figure BDA0003631609870000033
并在此基础上加入随机扰动
Figure BDA0003631609870000034
其中随机扰动模拟了环境对航行器产生的影响，其服从均匀分布：
Figure BDA0003631609870000035
U代表均匀分布；
步骤6：系统仿真
将拟合好的参数导入仿真系统中，完成AUV集群运动仿真。
本发明进一步的技术方案：步骤3所述的神经网络使用tensorflow2中的keras框架，在环境中导入tensorflow模块，通过Sequential函数逐层搭建网络，使用单层全连接网络tf.keras.layers.Dense()，设置激活函数为“elu”。
本发明进一步的技术方案：步骤4设置数据集中测试集比例为20％。
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提供的一种基于深度学习的水下航行器集群运动仿真方法，通过学习AUV集群在任务水域的真实数据，使仿真平台中的AUV可以表现出真实AUV的运动特性，同时反映出环境对AUV运动的影响，进而可以在仿真平台上进行AUV集群运动仿真实验。本发明提高了AUV集群运动仿真效率，使得仿真实验更加贴合实际场景。带来了如下有益效果：
1、通过使用深度学习神经网络，使AUV不需要正向数学建模以及相关水池实验便可得到AUV的对于控制指令的响应状态，减少了仿真实验成本，提高了仿真效率。
2、训练所使用的数据全部来自于AUV集群在任务水域航行所得到的真实数据，仿真可模拟出任务水域环境对AUV集群运动的影响。
3、水下航行器集群运动仿真方法能为之后的集群算法在AUV实物平台上的迁移提供良好的基础，可提高实物实验效率，提前验证算法的有效性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明方法神经网络训练流程图。
图2为本发明方法仿真过程流程图。
图3为本发明方法仿真效果展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了提高AUV集群仿真效率，反映出任务水域环境对AUV集群运动的影响，本发明提出了一种基于深度学习的水下航行器集群运动仿真方法，通过神经网络学习集群AUV真实数据，之后基于训练结果和AUV转向运动约束，分区间设计AUV仿真策略，最终使仿真平台的AUV可以如真实AUV响应期望航向指令，方便后续在仿真上对模拟AUV集群运动。
本发明提供一种基于深度学习的水下航行器集群运动仿真方法包括以下步骤：
步骤1：获取真实AUV集群运动数据
AUV在航行过程中会受到自身运动约束以及水域环境影响，在一个控制周期内很难准确达到期望指令，尤其是在AUV集群成群的过程中，需要多次计算期望航向并且进行航向调整，所以AUV集群运动仿真的关键在于模拟出AUV对于转向指令的响应。
首先使AUV集群在任务水域进行集群任务，当航行数据量达到制作数据集要求时，停止航行，回收AUV，并下载AUV原始记录数据。
步骤2：制作数据集
清洗AUV航行数据，将不需要的传感器数据去除，保留的关键数据为AUV期望航向指令Headingexp，收到指令时的实际航向Headingcurrent，以及一个控制周期之后的实际航向Headingoutput，之后进一步将其处理为神经网络的输入特征和标签。
大多数AUV舵角控制方法多采用PID控制，结合这一实际情况，确定神经网络输入特征为期望航向与当前航向的差值Headingdiff，标签为一个控制周期之后的航向变化量Headingchang。计算方法如下：
Headingdiff＝Headingexp-Headingcurrent    (1)
Headingchange＝Headingoutput-Headingcurrent    (2)
步骤3：搭建神经网络，并配置训练方法
可使用现有的神经网络框架进行网络搭建，本方法使用tensorflow2中的keras框架，在环境中导入tensorflow模块，通过Sequential函数逐层搭建网络，本发明使用了单层全连接网络tf.keras.layers.Dense()，设置激活函数为“elu”。在model.compile()中配置训练方法，训练时使用的优化器为“adam”、损失函数为“MSE”。
步骤4：进行训练
将之前处理好的数据集分割为训练集和测试集，设置数据集中测试集比例为20％，并将其导入搭建好的神经网络中，将数据分批处理，设置每一批次数据大小batch_size为32，迭代次数epoch为500，告知训练集和测试集的输入值与标签，执行训练。
步骤5：区间划分设计仿真策略
通过神经网络训练，给定Headingdiff后得到对应Headingchange。观察并评估神经网络拟合效果，考虑AUV存在每秒最大转角限制RAmax，以及当|Headingdiff|＞180°时，航向变化量可能会与Headingdiff方向相反的实际情况，因此定义反转阈值角度RAreverse，由于在实际航行中，舵板转向可能会受到推进器旋转方向的影响，所以RAreverse并不是180°，仿真中需要根据真实数据以及拟合结果进行确定。综上，本发明根据Headingdiff的绝对值|Headingdiff|将区间分为I1，I2，I3三段，
Figure BDA0003631609870000061
与区间对应的航向变化量仿真策略为：
Figure BDA0003631609870000062
Figure BDA0003631609870000071
对以上三个区间以及其对应的仿真策略进行说明，
1、当|Headingdiff|∈I1，此时期望航向与当前航向的差值小于一个控制周期内最大转向角RAmax，在仿真中，可使得一个控制周期内航向变化量为期望航向与当前航向的差值，即Headingchange＝Headingdiff。
2、当|Headingdiff|∈I2，此时Headingdiff大于RAmax，且小于反转阈值角度RAreverse，此时Headingchang仿真策略为取该区间内训练输出的平均值
Figure BDA0003631609870000072
并在此基础上加入随机扰动
Figure BDA0003631609870000073
Headingchange符号与Headingdiff保持一致。
3、当|Headingdiff|∈I3，此时Headingdiff大于RAreverse，Headingchange与Headingdiff符号相反，取值为该区间内训练输出的平均值
Figure BDA0003631609870000074
并在此基础上加入随机扰动
Figure BDA0003631609870000075
其中随机扰动模拟了环境对航行器产生的影响，其服从均匀分布，
Figure BDA0003631609870000076
步骤6：系统仿真
将拟合好的参数导入仿真系统中，完成AUV集群运动仿真。
步骤7：评估仿真效果
对比仿真与真实AUV数据，评估仿真效果。
实施例1：
步骤1：获取真实AUV运动数据；
本实施例AUV集群应用的为一小型航行器，直径150mm，长度约1823mm，重量约30kg，最大工作深度100m，航速范围1～3kn，最大续航时间8h(2.5kn速度下)，一个集群拥有5条AUV。单条AUV装备的传感器有深度传感器，姿态传感器，差分GPS，无线数传电台，无线路由器，控制板型号为COM9600，主控程序中有记录数据功能，可在航行任务结束后进行航行数据下载。
将该AUV集群布放在任务水域，控制AUV推进器转速恒定，下潜深度保证天线能够接收电台信息，进行多轮次集群实验，总时长约为1.5h。之后回收航行器，下载航行数据。
步骤2：制作数据集；
该AUV数据保存格式如下所示；
表1：指令数据格式
Figure BDA0003631609870000081
表2：航行数据格式
Figure BDA0003631609870000082
其中表1为AUV中记录的指令数据格式，当AUV收到和计算指令时，会保存指令数据，与此同时会记录如表2所示的航行数据，在一个控制周期之后，再次记录航行数据，由此可以得到AUV期望航向指令Headingexp，收到指令时的实际航向Headingcurrent，以及一个控制周期之后的实际航向Headingoutput，之后进一步将其处理为神经网络的输入特征和标签。
该型号AUV舵角控制方法采用PID控制，因此确定神经网络输入特征为期望航向与当前航向的差值Headingdiff，标签为一个控制周期之后的航向变化量Headingchange。计算方法如下：
Headingdiff＝Headingexp-Headingcurrent        (1)
Headingchange＝Headingoutput-Headingcurrent       (2)
步骤3：搭建神经网络，并配置训练方法
本实施例使用了tensorflow2中的keras框架，在环境中通过impoort指令导入tensorflow模块，通过Sequential函数逐层搭建网络，使用了单层全连接网络tf.keras.layers.Dense()，设置激活函数为“elu”。在model.compile()中配置训练方法，训练时使用的优化器为“adam”、损失函数loss为“MSE”。具体过程如图1所示。
步骤4：进行训练
将步骤2制作的数据集分割为训练集和测试集，设置数据集中测试集比例为20％，并将其导入搭建好的神经网络中，将数据分批处理，设置每一批次数据大小batch_size为32，迭代次数epoch为500，告知训练集和测试集的输入值与标签，执行训练。具体过程如图1所示。
步骤5：区间划分设计仿真策略
通过神经网络，给定Headingdiff后得到对应Headingchan。观察并评估神经网络拟合效果，确定该AUV一个控制周期最大转角限制RAmax＝12°。反转阈值角度RAreverse＝200°。根据Headingdiff的绝对值|Headingdiff|将区间分为I1，I2，I3三段，
Figure BDA0003631609870000091
与区间对应的航向变化量仿真策略为：
Figure BDA0003631609870000092
其中随机扰动模拟了环境对航行器产生的影响，其服从均匀分布，
Figure BDA0003631609870000093
关于各区间仿真策略已在发明内容中进行说明，因此不再赘述，经过训练得出
Figure BDA0003631609870000101
步骤6：系统仿真
通过以上过程，得到AUV运动仿真参数，将仿真参数RAmax，RAreverse，
Figure BDA0003631609870000102
Figure BDA0003631609870000103
加载至仿真系统中。本发明所使用的仿真系统由MATLAB编程实现，在系统中设置AUV个体数目，AUV集群运动速度大小，初始坐标位置以及部署集群算法后，仿真AUV集群将会模拟出真实AUV集群在任务水域航行时对指令的响应状态。
本发明全流程如图2所示。
步骤7：评估仿真效果
对比仿真与真实AUV数据，评估仿真效果。图3展示出了仿真AUV和真实AUV对一段连续航行的期望航向指令的响应，可看出仿真数据与真实数据的变化趋势较为一致；经计算得出，每一时刻仿真航向数据与真实航向数据平均差值为7.042°，达到了较好的仿真效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的水下航行器集群运动仿真方法，其特征在于步骤如下：
步骤1：使AUV集群在任务水域进行集群任务，获取真实AUV集群运动数据；
步骤2：制作数据集；所述数据集包括AUV期望航向指令Headingexp，收到指令时的实际航向Headingcurrent，以及一个控制周期之后的实际航向Headingoutput；
步骤3：搭建神经网络，并配置训练方法；
所述神经网络输入特征为期望航向与当前航向的差值Headingdiff：
Headingdiff＝Headingexp-Headingcurrent
所述神经网络输出标签为一个控制周期之后的航向变化量Headingchange：
Headingchange＝Headingoutput-Headingcurrent
步骤4：采用步骤3所述的神经网络对步骤2的数据集进行训练；
步骤5：区间划分设计仿真策略
通过神经网络训练，给定Headingdiff后得到对应Headingchange；
根据Headingdiff的绝对值|Headingdiff|将区间分为I1，I2，I3三段：
Figure FDA0004107717390000011
与区间对应的航向变化量仿真策略为：
Figure FDA0004107717390000012
对以上三个区间以及其对应的仿真策略进行说明：
当|Headingdiff|∈I1，此时期望航向与当前航向的差值小于一个控制周期内最大转向角RAmax，在仿真中，可使得一个控制周期内航向变化量为期望航向与当前航向的差值，即Headingchang＝Headingdiff；
当|Headingdiff|∈I2，此时Headingdiff大于RAmax，且小于反转阈值角度RAreverse，此时Headingchange仿真策略为取该区间内训练输出的平均值
Figure FDA0004107717390000021
并在此基础上加入随机扰动
Figure FDA0004107717390000022
Headingchange符号与Headingdiff保持一致；
当|Headingdiff|∈I3，此时Headingdiff大于RAreverse，Headingchange与Headingdiff符号相反，取值为该区间内训练输出的平均值
Figure FDA0004107717390000023
并在此基础上加入随机扰动
Figure FDA0004107717390000024
其中随机扰动模拟了环境对航行器产生的影响，其服从均匀分布：
Figure FDA0004107717390000025
U代表均匀分布；
步骤6：系统仿真
将拟合好的参数导入仿真系统中，完成AUV集群运动仿真。
2.根据权利要求1所述基于深度学习的水下航行器集群运动仿真方法，其特征在于：步骤3所述的神经网络使用tensorflow2中的keras框架，在环境中导入tensorflow模块，通过Sequential函数逐层搭建网络，使用单层全连接网络tf.keras.1ayers.Dense()，设置激活函数为“elu”。
3.根据权利要求1所述基于深度学习的水下航行器集群运动仿真方法，其特征在于：步骤4设置数据集中测试集比例为20％。
4.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
5.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202210492436.1A 2022-05-07 2022-05-07 一种基于深度学习的水下航行器集群运动仿真方法 Active CN114840928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210492436.1A CN114840928B (zh) 2022-05-07 2022-05-07 一种基于深度学习的水下航行器集群运动仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210492436.1A CN114840928B (zh) 2022-05-07 2022-05-07 一种基于深度学习的水下航行器集群运动仿真方法

Publications (2)

Publication Number Publication Date
CN114840928A CN114840928A (zh) 2022-08-02
CN114840928B true CN114840928B (zh) 2023-04-18

Family

ID=82567229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210492436.1A Active CN114840928B (zh) 2022-05-07 2022-05-07 一种基于深度学习的水下航行器集群运动仿真方法

Country Status (1)

Country Link
CN (1) CN114840928B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855226B (zh) * 2023-02-24 2023-05-30 青岛科技大学 基于dqn和矩阵补全的多auv协同水下数据采集方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268625A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于海洋环境信息的自主式水下潜器航迹预测方法
CN112149354A (zh) * 2020-09-24 2020-12-29 哈尔滨工程大学 一种用于uuv集群的强化学习算法研究平台
CN113050420A (zh) * 2021-03-04 2021-06-29 山东大学 基于s面控制和td3的auv路径跟踪方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2519315C2 (ru) * 2012-08-01 2014-06-10 Нелли Алексеевна Седова Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа
CN109540151B (zh) * 2018-03-25 2020-01-17 哈尔滨工程大学 一种基于强化学习的auv三维路径规划方法
CN110333739B (zh) * 2019-08-21 2020-07-31 哈尔滨工程大学 一种基于强化学习的auv行为规划及动作控制方法
CN110658829B (zh) * 2019-10-30 2021-03-30 武汉理工大学 一种基于深度强化学习的群无人艇智能避碰方法
CN111290435B (zh) * 2020-03-12 2020-10-02 国家深海基地管理中心 一种波浪滑翔器的路径规划方法及系统
CN113010963B (zh) * 2021-03-04 2022-04-29 山东大学 基于深度强化学习的变质量水下航行器避障方法及系统
CN113052372B (zh) * 2021-03-17 2022-08-02 哈尔滨工程大学 一种基于深度强化学习的动态auv追踪路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268625A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于海洋环境信息的自主式水下潜器航迹预测方法
CN112149354A (zh) * 2020-09-24 2020-12-29 哈尔滨工程大学 一种用于uuv集群的强化学习算法研究平台
CN113050420A (zh) * 2021-03-04 2021-06-29 山东大学 基于s面控制和td3的auv路径跟踪方法及系统

Also Published As

Publication number Publication date
CN114840928A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN108803321A (zh) 基于深度强化学习的自主水下航行器轨迹跟踪控制方法
JP6547171B2 (ja) 情報処理装置
CN110597058B (zh) 一种基于增强学习的三自由度自主水下航行器控制方法
CN113033119B (zh) 一种基于双评论家强化学习技术的水下航行器目标区域上浮控制方法
CN110362089A (zh) 一种基于深度强化学习和遗传算法的无人船自主导航的方法
CN110209152B (zh) 智能水下机器人垂直面路径跟随的深度强化学习控制方法
CN106022471A (zh) 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN114840928B (zh) 一种基于深度学习的水下航行器集群运动仿真方法
CN115562357B (zh) 一种面向无人机集群的智能路径规划方法
CN113268074A (zh) 一种基于联合优化的无人机航迹规划方法
Fang et al. Autonomous underwater vehicle formation control and obstacle avoidance using multi-agent generative adversarial imitation learning
CN110298134A (zh) 提高水下机器人自航对接瞬态运动预报的数值方法
CN115618716A (zh) 一种基于离散SAC算法的gazebo潜航器路径规划算法
Zhou et al. An efficient deep reinforcement learning framework for uavs
JP6372046B2 (ja) 外乱加速度の推定方法、船体の自動制御方法及び外乱加速度の推定装置並びに外乱加速度の推定用コンピュータプログラム
CN114397899A (zh) 一种仿生机器鱼三维路径跟踪控制方法及装置
CN103336887A (zh) 一种基于蜂群算法辨识水动力系数的方法
CN115809609B (zh) 一种多水下自主航行器目标搜索方法及其系统
CN115453914B (zh) 一种考虑海浪干扰的无人艇回收分布式决策仿真系统
CN115303455A (zh) 水下仿生机器人运动控制方法、装置、设备及存储介质
JP6831523B2 (ja) 情報処理装置
CN114428517B (zh) 一种无人机无人艇协同平台端对端自主降落控制方法
CN113419522B (zh) 一种无人艇路径规划算法的仿真方法和系统
CN115808931B (zh) 水下机器人运动控制方法、装置、系统、设备和存储介质
JP7084582B2 (ja) 情報処理装置

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