CN114859930A - 一种路径规划方法、无人艇集群的控制方法及系统 - Google Patents
一种路径规划方法、无人艇集群的控制方法及系统 Download PDFInfo
- Publication number
- CN114859930A CN114859930A CN202210546413.4A CN202210546413A CN114859930A CN 114859930 A CN114859930 A CN 114859930A CN 202210546413 A CN202210546413 A CN 202210546413A CN 114859930 A CN114859930 A CN 114859930A
- Authority
- CN
- China
- Prior art keywords
- path
- boat
- unmanned
- unmanned ship
- following
- 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 87
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 42
- 230000015572 biosynthetic process Effects 0.000 claims description 28
- 230000035772 mutation Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000001360 synchronised effect Effects 0.000 abstract description 7
- 239000000575 pesticide Substances 0.000 abstract description 5
- 238000005507 spraying Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 210000000349 chromosome Anatomy 0.000 description 19
- 239000013598 vector Substances 0.000 description 13
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation 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
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
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)
Abstract
本公开提出了一种路径规划方法、无人艇集群的控制方法及系统，路径规划方法，包括如下步骤：基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；采用遗传算法迭代计算得到无人艇的规划路径；对无人艇的规划路径中的折线路径进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。能实现无人艇集群的精准稳定的控制，实现网箱养殖区域内多个网箱的同步控制，同步实现多个网箱的水质监测、环境信息监控、精准喂食、以及撒药作业，解决近海网箱养殖传统人工作业方式效率低的问题。
Description
技术领域
本公开涉及网箱养殖与无人艇协同相关技术领域，具体的说，是涉及一种路径规划方法、无人艇集群的控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
近海抗风浪网箱养殖是一种集约化、现代化的海水增养殖方式，它是集聚了海洋工程、养殖管理、环境保护、计算机控制等多门类综合技术而发展起来的。近海抗风浪网箱由于具有投资收益快，饲养周期短、管理方便、起捕容易、适应性强等诸多优点，近二三十年来，在世界各国迅猛发展起来。然而，在网箱养殖过程中，水质情况往往直接影响着养殖的效益，传统的水质监测方式对象单一，实用性较差，其监测难度也随着网箱离岸距离的增加而增加。同时，伴随着监测力度不足而引起的鱼群病变等状况，保证投食、撒药作业的精准性与及时性也是需要同步解决的问题。并且现有的方法多数是单独规划路线及控制，不能实现多网箱同步作业。
发明内容
本公开为了解决上述问题，提出了一种路径规划方法、无人艇集群的控制方法及系统，能实现无人艇集群的精准稳定的控制，实现网箱养殖区域内多个网箱的同步控制，同步实现多个网箱的水质监测、环境信息监控、精准喂食以及撒药作业，解决近海网箱养殖传统人工作业方式效率低的问题。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了一种路径规划方法，包括如下步骤：
基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
采用遗传算法迭代计算得到无人艇的规划路径；
对无人艇的规划路径中的折线路径进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
一个或多个实施例提供了一种无人艇集群的控制方法，无人艇集群包括领航艇和跟随艇，根据上述的一种路径规划方法生成领航艇的导航路径；根据领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇，以使跟随艇按照与领航艇保持的相对位置关系跟随领航艇移动。
一个或多个实施例提供了一种路径规划系统，包括：
路径规划初始化模块：被配置为用于基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
路径规划模块：被配置为用于采用遗传算法迭代计算得到无人艇的规划路径；
路径优化模块：被配置为用于对无人艇的规划路径中的折线进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
一个或多个实施例提供了一种无人艇集群的控制系统，包括领航艇和跟随艇，所述领航艇根据上述所述的一种路径规划方法生成领航艇的导航路径；
领航艇：被配置为将领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇；
跟随艇：被配置为按照与领航艇保持的相对位置关系跟随领航艇移动。
与现有技术相比，本公开的有益效果为：
(1)本公开将贪心机制集成到遗传算法中可有效加快算法的搜索效率，因此，本公开使用贪心机制对遗传算法的种群初始化过程进行优化，能够提高遗传算法的整体搜索效率。通过对无人船或艇的规划路径的折线路径进行优化，可以使得无人船或艇，无需停止调整航向角就能够沿着规划好的路径航行，避免按照折线路径航行时，必须在每个转弯点停下来调整航向角再重新加速航行，导致浪费时间又损耗机器性能。
(2)本公开通过分布式控制编队中各个子无人艇的行为设计，有效避免了传统领航—跟随法抗干扰能力差的问题，各艇体可以独立完成被分配到的任务，增强了整个集群的智能化程度，能够实现多网箱同步作业。
本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是本公开实施例1的路径规划方法流程图；
图2是本公开实施例1的贝塞尔曲线优化过程示意图；
图3是本公开实施例1的速度障碍法原理示意图；
图4是本公开实施例2的无人艇集群的控制方法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中，如图1所示，一种路径规划方法，可以用于实现多网箱同步作业的无人艇的路径规划，包括如下步骤：
步骤1、基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
步骤2、采用遗传算法迭代计算得到无人艇的规划路径；
步骤3、对无人艇的规划路径中的折线路径进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
本实施例中，将贪心机制集成到遗传算法中可有效加快算法的搜索效率，因此，本公开使用贪心机制对遗传算法的种群初始化过程进行优化，能够提高遗传算法的整体搜索效率。通过对无人船或艇的规划路径的折线路径进行优化，可以使得无人船或艇，无需停止调整航向角就能够沿着规划好的路径航行，避免按照折线路径航行时，必须在每个转弯点停下来调整航向角再重新加速航行，导致浪费时间又损耗机器性能。
步骤1中，初始种群由无人艇的若干条初始路径组成，基因为路径中的途经点。遗传算法每一个个体是用一条染色体来代表的，本实施例中无人艇的路径为种群的个体。
可选的，根据预设的贪心分化率生成初始化种群的方法，具体为：在初始化种群中，以无人艇的初始路径为种群的个体，采用贪心机制设定贪心分化率初始化每个个体，始终选择与当前点最近的可行路径点作为下一个途径点。
贪心机制的原理为：做出一个目前看来是局部最优的选择，并打算在合理的时间内找到满意的解。选择可以引用以前的决定，但决不依赖于将来的选择或子问题固有的其他选择。可见，贪心机制是短视的，从不重新考虑它以前的决定。这与动态规划完全不同，动态规划会重新考虑以前的决策，并保证在穷举运算后找到最优解。此外，贪心机制大多无法达到全局最优。可以用作辅助策略或对时间约束的一些问题给出最佳逼近。同时，贪心机制可以用于对全局最优解包含子问题局部最优解的最优子结构问题的求解。本实施例，在求解路径规划问题时，依据贪心分化率对种群中的个体采用贪心操作，确定初始基因后，始终选择与当前点最近的可行路径点作为下一个途径点，直至选择至终点位置。
一种具体的实现方案，可以按照种群数量设定相应的贪心分化率，可以在一定程度上避免初始种群的一致性，即不同的种群数量设定的贪心分化率不同。因此，在进行贪心操作时，按照贪心分化率进行个体的选择能够生成多样化的初始种群。
可选的，初始化遗传算法参数包括种群数量、最大迭代次数、适应度的计算函数，选择概率、交叉概率和变异概率。
可选的，适应度的计算函数为无人艇的基本行为权重参数加权求和的倒数。
在一些实施例中，无人艇的基本行为，具体为：领航者具有驶向目标点的行为和避开障碍物行为，针对每种行为设置相应权重参数；跟随者具有保持队形行为，避开障碍物行为、执行规定环绕任务行为和避开其他无人艇行为，针对每种行为设置相应权重参数。
步骤2中，采用遗传算法迭代计算得到无人艇的规划路径的方法，包括：
步骤21、计算群体中每个个体的适应度。
本实施例中，适应度为无人艇的基本行为权重参数加权求和的倒数。
步骤22、进入迭代循环，选择适应度大于设定阈值的个体，进行交叉和变异操作。
具体的，采用轮盘赌的选择方式进行筛选，选择适应度大的部分群体进入下一步操作；依据交叉概率和变异概率对种群进行交叉变异操作。
进一步的技术方案，交叉操作方式为多子代片段互补交叉，变异操作方式为非均匀变异。
可选的，多子代片段互补交叉的操作方法，具体为：
步骤221、按照交叉概率选择种群中的染色体进入交叉操作，并按照设定的染色体条数分组；
步骤222、对于每组中的染色体按照设定的断点数断开，将断开的基因片段进行随机重组；
步骤223、计算重组后得到的新染色体的适应度值，选择适应度值大的对应父代条数的新染色体替代父代染色体。
本实施例中，具体的，以三个染色体和每个染色体设置两个端点为例，进行多子代片段互补交叉：在依据交叉概率进入交叉操作的种群中每三条染色体为一组，依次进行选取，对所选取的三条父代染色体逐一随机选择两个基因作为交叉断点，将三条父代打断为九个染色体片段，对这些染色体分别编号并进行保证首尾的随机重组操作，共计排列组合方式为二十七种。计算所有组合方式的适应度值并进行排序，将适应度值最大的三个子代替换父代，完成当前交叉操作。
可选的，非均匀变异的操作方法，具体为：
对染色体原有的基因值做一随机扰动，以扰动后的结果作为变异后的新基因值。对每个基因组都以相同的概率进行变异运算之后，相当于整个解向量在解空间中作了一次轻微的变动。
步骤23：通过交叉和变异产生新的子代，计算子代及父代的适应度值进行对比，采用精英保留策略，保留适应度最高的个体并进行判断是否满足收敛条件，若满足，则输出最优解，否则进入步骤22进行下一次循环。
步骤3中，对无人艇的规划路径中的折线进行优化，得到光滑曲线路径的方法，具体的，采用贝塞尔曲线对遗传算法所生成的折线路径进行优化。
由于遗传算法生成的路径是折线路径，并不是光滑的曲线路径，如图2所示。如果无人船沿着规划好的折线路径航行时，必须在每个转弯点停下来调整航向角再重新加速航行，这一过程既占用时间又损耗机器性能。因此，采用贝塞尔曲线将折线路径变成光滑的曲线路径，使无人船无需停止调整航向角就能够沿着规划好的路径航行。
贝塞尔曲线实现优化的方法，具体的：首先将初始种群中染色体的n个路径点当作贝塞尔曲线的控制点p(j)，j＝0，1，2，…，n。如p(j)＝(b1，1，b4，4，b6，4，b6，6)是初始种群中的一条染色体，p(0)表示染色体中的第一个路径点b1，1。贝塞尔曲线由这些路径点定义如下：
其中：t时归一化时间变量，p(j)＝(xi，yi)T表示染色体中的j个路径点的坐标向量，xi和yi分别对应x坐标和y坐标的分量，Bj，n(t)是伯恩斯坦基多项式表示贝塞尔曲线中的基函数，定义如下：
其中，j＝0，1，2，…，n。
优化后的路径如图2实线路径所示。贝塞尔曲线的导数也是由这些路径点确定的，贝塞尔曲线的一阶导数如下所示：
本实施例提供了基于改进遗传算法的全局路径规划方法，其中，通过引入贪心机制优化了种群初始化过程，加快了算法前中期的收敛效率；利用贝塞尔曲线法优化传统的折线路径，使规划路径更符合无人艇的航行特性；改进了遗传算法中的交叉，变异操作，通过增加种群多样性的方式提高了算法整体的寻优能力。
进一步的，还包括自主避障控制的方法，无人艇根据获取的位置信息和海洋环境信息，计算当前艇体的平均速度，并根据艇载传感器回传数据，对自身是否存在碰撞危险做出判断，自主避障控制包括如下步骤：
步骤41、根据艇载传感器回传数据判断是否存在障碍物；
步骤42、若存在未知障碍物，判断为动态障碍物还是静态障碍物；
步骤43、若为静态障碍物，则需根据回传数据计算障碍物大小，艇体与障碍物之间的相对位置，预计碰撞时间以及避碰偏转角等信息，根据速度障碍法，及时规划出一条无碰路径；
步骤44、若为动态障碍物，则还需计算出艇体与障碍物的相对速度，结合国际海上避碰规则，及时规划出合理的避碰路径。
本实施例的避障方法中，结合了国际海上避碰规则的动态未知障碍物避碰方式，增强了整个无人艇集群在航行过程中的安全性。
其中，速度障碍法，具体的如下：分别用P∈R2和V∈R2表示在t时刻一艘无人艇在二维平面中的位置和速度矢量，以图3为例，椭圆A为无人水面艇，PA为无人艇的位置矢量，椭圆B为“膨化”后的障碍物，即将无人艇的尺寸叠加到障碍物的尺寸上，为了简化分析并保证无人艇的安全，将无人艇椭圆的半长轴分别叠加到障碍物椭圆的半长轴和半短轴上，这样就将无人艇简化为一个质点；PB表示障碍物的位置矢量。图3中箭头VA、VBA分别为无人水面艇的速度矢量、无人水面艇相对于障碍物的速度矢量，箭头VB为障碍物的速度矢量，VBA通过下式求得：
VBA＝VA-VB
定义从一点P沿V方向发出的射线为：
λ(P,V)＝{P+Vt|t≥0}
当求得相对速度VBA后，通过相对速度可以将障碍物B看作静止。假设无人水面艇速度VA与障碍物速度VB保持不变，则当从PA点发出沿VBA方向的射线λBA与障碍物B相交，即射线λBA落在障碍物B相对于无人水面艇A的两条切线夹角内时，可认为无人水面艇会在将来某一时刻t1与障碍物发生碰撞。定义使A会与B碰撞的相对速度VBA的集合为RCCAB(relativecollision cone)，RCCAB称为在A与B的相对速度空间里的相对碰撞区域：
式中，RCCAB即为障碍物B相对于无人水面艇A的左右切线λL，λR中间的灰色区域。
相对碰撞区域RCC定义在无人水面艇A与障碍物B的相对速度空间里，但是如果存在多个障碍物时，则需要将每个障碍物的RCC转换到统一的速度空间里表述。定义在无人水面艇的绝对速度空间里，会与障碍物B发生碰撞的无人水面艇速度VA的集合为VOAB(velocity obstacle)，称VOAB为速度障碍：
上式等价表述为：
式(4)中，⊕为闵可夫斯基矢量和运算。如图3所示，VOAB即为图中右侧的阴影区域，相当于将RCCAB沿VB方向平移，当速度矢量VA的箭头落在该蓝色区域内时，无人艇A会与障碍物B发生碰撞。
当存在多个障碍物时，求出所有障碍物的VO集合的并集后得到总的VO集合：
VO＝∪VOi·
对于无人艇A，非OA集合中的速度矢量不会与障碍物发生碰撞，即在给定的时间内将无人艇当前的速度矢量VA调整到非VO区域，无人艇即可避开障碍物。
实施例2
基于实施例1，本实施例提供一种无人艇集群的控制方法，无人艇集群包括领航艇和跟随艇，如图4所示，根据实施例1所述的一种路径规划方法生成领航艇的导航路径；根据领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇，以使跟随艇按照与领航艇保持的相对位置关系跟随领航艇移动。
本实施例的一种无人艇集群的控制方法，具体的，包括如下步骤：
步骤1，初始化：获取领航艇的起始点及目标点坐标数据，初始化多无人艇中的每个无人艇自身的行为权重参数，获取所有无人艇的当前位置和航向数据。
初始化的步骤，具体的，根据当前测试海域构建栅格环境数据模型，如构建的栅格大小可以为：50*50，100*100，200*200，通过栅格环境数据模型设置领航艇的起始点及目标点坐标数据，初始化多无人艇中的每个无人艇自身的行为权重参数，获取所有无人艇的当前位置和航向数据。
步骤2，领航艇根据自身的当前的位置以及前期设定的无人艇之间的相对距离和相对角度，发送信息给跟随艇以使得跟随艇跟随移动；
在一些实施例中，领航-跟随的编队方法，设置领航者具有驶向目标点的行为和避开障碍物行为，设置相应权重参数；设置跟随者具有保持队形行为，避开障碍物行为，执行规定环绕任务行为和避开其他无人艇行为，设置相应权重参数。
领航-跟随编队控制方法的优点是整体的结构简单，跟随艇按照固定的角度和距离对领航艇保持跟随状态，缺点是抗干扰能力差，在队伍运行过程中有可能出现跟随艇未跟随或者领航者出现故障无法工作的情况，领航艇与跟随艇之间没有得到反馈信息。而且一个领航艇被多个跟随艇跟随，需要大量通信且承担着规划路径的责任，工作量过大。行为法编队控制的优点是采用分布式控制，队伍中的个体独立完成被分配到的任务，相比较领航-跟随法更智能化，缺点是设计复杂不容易完成，不适合用在过于复杂的编队任务中。
根据两种基本编队控制方法的优缺，将两种方法结合设计一种混合型的编队控制方法。对Leader-follower模型对领航者和跟随者进行了行为设计，一共有五种基本行为。采用Motor-Schema结构对前期设计的行为矢量进行合成，通过多无人艇中的个体根据不同的权重参数来完成不同的行为，最后综合加权求和得到最后的基本行为可以输出行为结果，从而实现编队控制运动。应用两个基础编队控制方法结合的新的标的努力控制方法具有更好的环境适应能力，灵活度高，容错性强，对多无人艇在复杂海域内的编队航行提供更好的保障。
具体的，领航艇的行为包括：向已知的目标位置航行，躲避开海域内的危险物。设置λ1，λ2为这两种基本行为的权重参数。
具体的，跟随艇的行为包括：到达理论位置行为，躲避海域内障碍物行为，避免无人艇之间碰撞行为。设置λ3，λ4，λ5为这三种基本行为的权重参数。多无人艇整体的运动方向是由领航艇决定，其他跟随艇的运动状态期望到达的位置需要依靠领航艇的运动位置和方向。多无人艇中的每个无人艇若想执行自己当前的某项任务均需要通过改变各自的行为权重参数来实现，对基本的行为加权后输出得到最终无人艇需要完成的行为。
步骤3，采用实施例所述的路径规划方法，基于改进的遗传算法计算出领航艇从起始点至目标点的最短无碰撞路径。
步骤4，领航艇依据计算出的最优路径向目标位置航行，跟随艇根据得到的编队信息，计算当前位置和期望坐标之间的差距，采取形成队形行为。
进一步地，还包括自主避障的步骤，如下：
步骤5，无人艇根据获取的位置信息和海洋环境信息，计算当前艇体的平均速度，并根据艇载传感器回传数据，对自身是否存在碰撞危险做出判断。具体的避障算法可以同实施例1中所述，此处不再赘述。
进一步地，还包括队形保持修正控制的步骤，如下：
步骤6，实时获取各个无人替的当前位置，判断当前队形是否形成为理想队形，若未形成，使得跟随艇根据得到的编队信息，计算当前位置和期望坐标之间的差距，采取形成队形行为。
当领航艇到达目标位置，跟随艇到达目标位置，无人艇停止运动，进入待命工作状态。
所有无人艇到达目标位置后，可根据预设任务开始工作。当预设任务为投饵或撒药时，根据任务预设参数，控制艇载投饵装置或喷洒装置开关，并根据预设参数调节饵料或药物的喷洒量；当预设任务为水质监测采样时，根据任务预设参数，控制艇载采样设备下放采样瓶，并回收采样瓶；当完成本次航行中的所有任务后，将下一个目标点设置为终点，船艇航行至终点，可以将自动控制系统关闭，切换为手动控制模式，完成艇体回收。
进一步地，通过导航系统在上位机上实时显示当前艇体的运动轨迹及航向，当艇体航向出现偏离，形成轨迹偏差时，通过对比实际航行轨迹和计算航行轨迹的差值，经由艇体的控制系统将差值转换为舵机的功率及偏转值，实现航行状态中的航向自调整，持续控制船艇航行至目标点位置。
本实施例提供了行为影响的领航—跟随集群控制方法，通过分布式控制编队中各个子无人艇的行为设计，有效避免了传统领航—跟随法抗干扰能力差的问题，各艇体可以独立完成被分配到的任务，增强了整个集群的智能化程度，为各类网箱同步作业建立了基础。
实施例3
基于实施例1，本实施例提供一种路径规划系统，包括：
路径规划初始化模块：被配置为用于基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
路径规划模块：被配置为用于采用遗传算法迭代计算得到无人艇的规划路径；
路径优化模块：被配置为用于对无人艇的规划路径中的折线进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
实施例4
基于实施例2，本实施例提供一种无人艇集群的控制系统，包括领航艇和跟随艇，所述领航艇根据实施例1所述的一种路径规划方法生成领航艇的导航路径；
领航艇：被配置为将领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇；
跟随艇：被配置为按照与领航艇保持的相对位置关系跟随领航艇移动。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种路径规划方法，其特征在于，包括如下步骤：
基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
采用遗传算法迭代计算得到无人艇的规划路径；
对无人艇的规划路径中的折线路径进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
2.如权利要求1所述的一种路径规划方法，其特征在于：根据预设的贪心分化率生成初始化种群的方法，具体为：在初始化种群中，以无人艇的初始路径为种群的个体，采用贪心机制设定贪心分化率初始化每个个体，始终选择与当前点最近的可行路径点作为下一个途径点；
或者，按照种群数量设定相应的贪心分化率。
3.如权利要求1所述的一种路径规划方法，其特征在于：初始化遗传算法参数包括种群数量、最大迭代次数、适应度的计算函数，选择概率、交叉概率和变异概率；
或者，初始化遗传算法参数中的适应度的计算函数为：无人艇的基本行为权重参数加权求和的倒数；
或者，无人艇的基本行为，具体为：领航者具有驶向目标点的行为和避开障碍物行为，针对每种行为设置相应权重参数；跟随者具有保持队形行为，避开障碍物行为、执行规定环绕任务行为和避开其他无人艇行为，针对每种行为设置相应权重参数。
4.如权利要求1所述的一种路径规划方法，其特征在于：采用遗传算法迭代计算得到无人艇的规划路径的方法，包括：
计算群体中每个个体的适应度；其中，适应度为无人艇的基本行为权重参数加权求和的倒数；
进入迭代循环，选择适应度大于设定阈值的个体，进行交叉和变异操作；
通过交叉和变异产生新的子代，计算子代及父代的适应度值进行对比，采用精英保留策略，保留适应度最高的个体并进行判断是否满足收敛条件，若满足，则输出最优解，否则进行交叉和变异操作进入下一次循环；
或者，交叉操作方式为多子代片段互补交叉，变异操作方式为非均匀变异。
5.如权利要求1所述的一种路径规划方法，其特征在于：采用贝塞尔曲线对遗传算法所生成的折线路径进行优化。
6.如权利要求1所述的一种路径规划方法，其特征在于：
还包括自主避障控制的方法，包括如下步骤：
根据艇载传感器回传数据判断是否存在障碍物；
若存在障碍物，判断为动态障碍物还是静态障碍物；
若为静态障碍物，则根据回传数据计算障碍物大小，艇体与障碍物之间的相对位置，预计碰撞时间以及避碰偏转角，根据速度障碍法，规划生成无碰路径；
若为动态障碍物，则算出艇体与障碍物的相对速度，结合海上避碰规则，规划出合理的避碰路径。
7.一种无人艇集群的控制方法，无人艇集群包括领航艇和跟随艇，其特征在于：根据权利要求1-6任一项所述的一种路径规划方法生成领航艇的导航路径；根据领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇，以使跟随艇按照与领航艇保持的相对位置关系跟随领航艇移动。
8.如权利要求7所述的一种无人艇集群的控制方法，其特征在于，包括如下步骤：
获取领航艇的起始点及目标点坐标数据，初始化多无人艇中的每个无人艇自身的行为权重参数，获取所有无人艇的当前位置和航向数据；
领航艇根据自身的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送信息给跟随艇以使得跟随艇跟随移动；
采用权利要求1-6任一项所述的路径规划方法，基于改进的遗传算法计算出领航艇从起始点至目标点的最短无碰撞路径；
领航艇依据计算出的最优路径向目标位置航行，跟随艇根据得到的编队信息，计算当前位置和期望坐标之间的差距，采取形成队形行为；
或者，
还包括自主避障的步骤，如下：
无人艇根据获取的位置信息和海洋环境信息，计算当前艇体的平均速度，并根据艇载传感器回传数据，判断是否存在碰撞危险；
或者，
还包括队形保持修正控制的步骤，如下：
实时获取各个无人替的当前位置，判断当前队形是否形成为理想队形，若未形成，使得跟随艇根据得到的编队信息，计算当前位置和期望坐标之间的差距，采取形成队形行为。
9.一种路径规划系统，其特征在于，包括：
路径规划初始化模块：被配置为用于基于无人艇的当前位置坐标数据，初始化遗传算法参数，采用贪心机制生成无人艇的初始路径作为初始化种群；
路径规划模块：被配置为用于采用遗传算法迭代计算得到无人艇的规划路径；
路径优化模块：被配置为用于对无人艇的规划路径中的折线进行优化，得到光滑曲线路径，按照得到的光滑曲线路径控制无人艇从当前位置到达目标位置。
10.一种无人艇集群的控制系统，其特征在于：包括领航艇和跟随艇，所述领航艇根据权利要求1-6任一项所述的一种路径规划方法生成领航艇的导航路径；
领航艇：还被配置为将领航艇的当前的位置以及设定的无人艇之间的相对距离和相对角度，发送给跟随艇；
跟随艇：被配置为按照与领航艇保持的相对位置关系跟随领航艇移动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210546413.4A CN114859930A (zh) | 2022-05-19 | 2022-05-19 | 一种路径规划方法、无人艇集群的控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210546413.4A CN114859930A (zh) | 2022-05-19 | 2022-05-19 | 一种路径规划方法、无人艇集群的控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114859930A true CN114859930A (zh) | 2022-08-05 |
Family
ID=82639527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210546413.4A Pending CN114859930A (zh) | 2022-05-19 | 2022-05-19 | 一种路径规划方法、无人艇集群的控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114859930A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
| CN117647250A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 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 |
| CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
-
2022
- 2022-05-19 CN CN202210546413.4A patent/CN114859930A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 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 |
| CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 江涛: "改进遗传算法与领航跟随法的机器人编队方法", 计算机工程与应用, 16 September 2019 (2019-09-16), pages 240 - 245 * |
| 陈宇翔: "无人船路径规划与避碰算法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 15 March 2020 (2020-03-15), pages 036 - 148 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
| CN115371685B (zh) * | 2022-10-24 | 2023-03-24 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
| CN117647250A (zh) * | 2024-01-29 | 2024-03-05 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
| CN117647250B (zh) * | 2024-01-29 | 2024-04-30 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114859930A (zh) | 一种路径规划方法、无人艇集群的控制方法及系统 | |
| CN110442135B (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
| CN112580261B (zh) | 一种多船避碰决策方法及装置 | |
| Kim et al. | Perception-driven navigation: Active visual SLAM for robotic area coverage | |
| CN110703752B (zh) | 免疫遗传-人工势场法的无人艇双层路径规划方法 | |
| CN109597417A (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
| CN115016496A (zh) | 基于深度强化学习的水面无人艇路径跟踪方法 | |
| CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
| CN112427843B (zh) | 基于qmix强化学习算法的船舶多机械臂焊点协同焊接方法 | |
| CN111880565A (zh) | 一种基于Q-Learning的集群协同对抗方法 | |
| CN111338356A (zh) | 改进分布式遗传算法的多目标无人船避碰路径规划方法 | |
| CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
| Bai et al. | USV path planning algorithm based on plant growth | |
| CN109916419A (zh) | 一种面向对象的混合遗传算法无人艇实时路径规划方法 | |
| Sethuramalingam et al. | A proposed system of ship trajectory control using particle swarm optimization | |
| CN115903820A (zh) | 多无人艇追逃博弈控制方法 | |
| Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey | |
| Zhang et al. | Research on Path Planning Method of Unmanned Boat Based on Improved Artificial Potential Field Method | |
| Wu et al. | A Review of Path Planning Methods for Marine Autonomous Surface Vehicles | |
| CN116795138A (zh) | 一种面向数据采集的多无人机智能航迹规划方法 | |
| CN116543598A (zh) | 一种有人船与无人船混合交通环境下的全局协同避碰方法 | |
| Xin et al. | Formation tracking and transformation control of nonholonomic AUVs based on improved SOM method | |
| CN115061465A (zh) | 一种基于蚁群算法的多auv协同目标搜索方法 | |
| Zhuo et al. | Intelligent collision avoidance control for large ships | |
| Szymak | Comparison of fuzzy system with neural aggregation FSNA with classical TSK fuzzy system in anti-collision problem of USV |
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 |