CN114943168B - 一种水上浮桥组合方法及系统 - Google Patents

一种水上浮桥组合方法及系统 Download PDF

Info

Publication number
CN114943168B
CN114943168B CN202210608442.9A CN202210608442A CN114943168B CN 114943168 B CN114943168 B CN 114943168B CN 202210608442 A CN202210608442 A CN 202210608442A CN 114943168 B CN114943168 B CN 114943168B
Authority
CN
China
Prior art keywords
bridge
target
unit body
unit
floating bridge
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
CN202210608442.9A
Other languages
English (en)
Other versions
CN114943168A (zh
Inventor
张庭瑞
陈思羽
粱宏霞
周景超
郑可嘉
李嘉辉
陈子阳
杨言淏
赵小仨
甘进
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210608442.9A priority Critical patent/CN114943168B/zh
Publication of CN114943168A publication Critical patent/CN114943168A/zh
Application granted granted Critical
Publication of CN114943168B publication Critical patent/CN114943168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D15/00—Movable or portable bridges; Floating bridges
    • E01D15/14—Floating bridges, e.g. pontoon bridges
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Civil Engineering (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Structural Engineering (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Architecture (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明涉及一种水上浮桥组合方法及系统，其通过将目标浮桥划分为中心桥和边缘桥，先获取目标水域、目标浮桥的形状和单元体的投放位置，再确定目标位置，将单元体和每个目标位置进行匹配，最后移动单元体至其对应的目标位置，实现了水上浮桥的组合。相比于现有技术，本发明实现了水上单元体的组队，填补了现有的智能协同技术的空缺，解决了如何使水面上的单元体组合形成浮桥的问题，具备很好的应用前景。

Description

一种水上浮桥组合方法及系统
技术领域
本发明涉及水上设施技术领域，尤其涉及一种水上浮桥组合方法及系统。
背景技术
在军事行动、抢险救灾、物资运输等情况下经常需要用到水上浮桥，尤其是需要快速形成水上通道以供救援人员通过的场景。
现有的浮桥搭建速度较慢，或者浮桥本身笨重难以运输，因此人们想到了通过计算机控制小形的浮体单元在水上组合形成浮桥的方式，这就需要用到智能协同技术。
现如今，智能协同技术已经大量出现在我们的眼前，但是现阶段对于智能协同技术中的组队方式的研究却仍然比较匮乏，并且大部分都集中在对于无人机的组队研究上。现在对于无人机组队的算法大多是小集群组队，并且是有核心节点的存在的。这些模型中很少的一部分涉及到了水面上的智能单元体，也很少涉及大规模的组队——也就是智能单元体组合成一个大的总体。
因此，有必要发明一种水上浮桥组合方法，以组合水面上的单元体以形成浮桥。
发明内容
有鉴于此，有必要提供一种水上浮桥组合方法及系统，用以解决如何组合水面上的单元体以形成浮桥的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了水上浮桥组合方法，包括：
获取目标水域、目标浮桥的形状和多个单元体的投放位置，确定多个目标位置，所述目标位置包括中心桥位置和边缘桥位置；
基于预设条件分别为每个所述目标位置匹配一个所述单元体，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述单元体可移动地漂浮于水上，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧。
进一步的，所述获取目标水域、目标浮桥的形状和多个单元体的投放位置，确定多个目标位置，包括：
获取所述目标水域及所述目标浮桥的形状；
根据所述目标浮桥的形状，确定构成所述中心桥的单元体的数量；
根据所述目标水域及目标浮桥的形状，将所述目标水域划分为多个分区；
根据所述目标浮桥的形状及所述分区，确定每个所述分区内构成所述边缘桥的单元体的数量；
根据所述投放位置、所述分区、构成所述中心桥的单元体的数量、每个所述分区内构成所述边缘桥的单元体的数量，确定多个目标位置。
进一步的，所述预设条件包括：
所有所述单元体从对应的所述投放位置到对应的所述目标位置的距离之和最小。
进一步的，所述基于预设条件为每个所述目标位置匹配一个所述单元体，包括：
根据所述投放位置、所述目标位置和所述预设条件，建立评价模型；
设置初始温度；
根据所述投放位置、所述目标位置和所述初始温度，基于贪心算法得到初始解及降温系数；
根据所述评价模型、所述初始温度、所述初始解及所述降温系数，使用模拟退火算法对所述初始解进行优化，得到最优解；
其中，所述初始解及所述最优解均用于表征每个所述单元体和所述目标位置的对应关系。
进一步的，所述移动所述单元体至对应的所述目标位置，包括：
获取环境参数；
根据所述环境参数、基于滑模控制算法建立控制器模型；
根据所述控制器模型，移动所述单元体至对应的所述目标位置；
维持到达所述目标位置的所述单元体的稳定。
进一步的，所述根据所述环境参数、基于滑模控制算法建立控制器模型，包括：
根据所述环境参数，建立单元体运动模型；
根据所述环境参数，建立外环滑模面、内环滑模面及控制律，得到所述控制器模型。
进一步的，所述根据所述控制器模型，移动所述单元体至对应的所述目标位置，包括：
当两个所述单元体发生碰撞时，基于预设遗传算法优化的Q学习算法，并根据优化后的所述Q学习算法对所述单元体进行避障处理。
进一步的，所述单元体包括用于为所述单元体提供推力的推进器，所述维持到达所述目标位置的所述单元体的稳定，包括：
根据组合偏置推力优化分配算法，优化多个所述单元体中的所述推进器的工况，使所述单元体维持在目标位置。
第二方面，本发明还提供了一种水上浮桥组合系统，其特征在于，包括：
单元体，所述单元体可移动地漂浮于水上；
数据采集单元，用于获取目标水域、目标浮桥的形状和单元体的投放位置，确定所述单元体的目标位置，所述目标位置包括中心桥位置和边缘桥位置；
策略决策单元，用于根据所述投放位置和所述目标位置，基于预设条件为每个所述单元体匹配一个所述目标位置，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
组合执行单元，用于移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧，所述中心桥位置为构成所述中心桥的所述单元体的位置，所述边缘桥位置为构成所述边缘桥的所述单元体的位置。
进一步的，所述单元体包括：
推力器，用于为所述单元体提供推力；
电子罗盘，用于提供所述单元体的航向信号；
倾角传感器，用于获取所述单元体的倾角；
GNSS传感器，用于提供所述单元体的具体位置；
信号收发器，用于发送或接收信息。
本发明提供一种水上浮桥组合方法及系统，其通过将目标浮桥划分为中心桥和边缘桥，先获取目标水域、目标浮桥的形状和单元体的投放位置，再确定目标位置，将单元体和每个目标位置进行匹配，最后移动单元体至其对应的目标位置，实现了水上浮桥的组合。相比于现有技术，本发明实现了水上单元体的组队，填补了现有的智能协同技术的空缺，解决了如何使水面上的单元体组合形成浮桥的问题，具备很好的应用前景。
附图说明
图1为本发明提供的水上浮桥组合方法一实施例的方法流程图；
图2为本发明提供的水上浮桥组合方法中目标浮桥的结构示意图；
图3为本发明提供的水上浮桥组合方法中的分区示意图；
图4为本发明提供的水上浮桥组合方法中步骤S102的方法流程图；
图5为本发明提供的水上浮桥组合系统的系统框架图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
首先需要说明的是，本实施例中的单元体是指能够通过计算机等方式控制，在水上移动的小型浮体单元，其可以和远程终端等控制装置通讯，发送信息或根据指令进行动作，进而组合成水上浮桥。
本发明提供了一种水上浮桥组合方法及系统，以下分别进行说明。
结合图1所示，本发明的一个具体实施例，公开了一种水上浮桥组合方法，该方法包括：
S101、获取目标水域、目标浮桥的形状和多个单元体的投放位置，确定多个目标位置，所述目标位置包括中心桥位置和边缘桥位置；
S102、基于预设条件分别为每个所述目标位置匹配一个所述单元体，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
S103、移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述单元体可移动地漂浮于水上，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧，所述中心桥位置为构成所述中心桥的所述单元体的位置，所述边缘桥位置为构成所述边缘桥的所述单元体的位置。
本发明提供一种水上浮桥组合方法及系统，其通过将目标浮桥划分为中心桥和边缘桥，先获取目标水域、目标浮桥的形状和单元体的投放位置，再确定目标位置，将单元体和每个目标位置进行匹配，最后移动单元体至其对应的目标位置，实现了水上浮桥的组合。相比于现有技术，本发明实现了水上单元体的组队，填补了现有的智能协同技术的空缺，解决了如何使水面上的单元体组合形成浮桥的问题，具备很好的应用前景。
结合图2及图3所示，本实施例中将目标浮桥分为中心桥和边缘桥，其中所述中心桥沿所述目标浮桥的形状延伸(即图2中与示意直线重叠的单元体)，可以视为目标浮桥的骨架，其体现出目标浮桥的延伸方向，而所述边缘桥均位于所述中心桥延伸方向的两侧，其起到加宽桥梁，提高实用性的作用。图2中示出了目标浮桥沿直线形、折线形以及Y字形三种延伸形状的情况下，中心桥及边缘桥的分布结构。可以理解的是，本实施例中的单元体采用六边形的结构进行举例说明，实际中根据具体需要，单元体也可以采用其他的形状实现。
在上述条件下，本发明还提供一优选的实施例，该实施例中的步骤S101，包括：
S201、获取所述目标水域及所述目标浮桥的形状；
S202、根据所述目标浮桥的形状，确定构成所述中心桥的单元体的数量；
S203、根据所述目标水域及目标浮桥的形状，将所述目标水域划分为多个分区；
S204、根据所述目标浮桥的形状和所述分区，确定每个所述分区内构成所述边缘桥的单元体的数量；
S205、根据所述投放位置、所述分区、构成所述中心桥的单元体的数量、每个所述分区内构成所述边缘桥的单元体的数量，确定所述单元体的目标位置。
具体地，请再参阅图3，本实施例中的步骤S202一个优选的实施方式为，在确定浮桥的形状后，便可以知晓目标浮桥的长度，再根据目标浮桥的长度以及单元体的宽度，及单元体本身的尺寸，通过目标浮桥的长度除以单元体的宽度，就可以得到中心桥的数量。
进一步地，在步骤S203中，因中心桥为沿目标浮桥的形状延伸，那么以中心桥为分割线，便可以将目标水域划分为多个分区(即图3中的区域Ⅰ、区域Ⅱ、区域Ⅲ及区域Ⅳ)，每个分区的边界由目标水域的边界或中心桥构成。
具体地，请再参阅图3，本实施例中将两个相邻的中心桥之间不等于180°的夹角定义为“角”。那么在本实施例中的步骤S204中，若一个所述分区构成其边缘的中心桥所需的单元体的数量为n，且该分区内小于180°的角为a个，大于180°的角为b个，那么这个分区内构成边缘桥所需的单元体数量即为(n-a+b-1)个。容易理解的是，上述规则仅用于举例说明使用，实际中可以根据具体情况，选用其他规则来确定每个分区内构成所述边缘桥的单元体的数量。
作为优选的实施例，本实施例中在形成目标浮桥前，会将单元体随机地投放至目标海域中，待单元体稳定后，获取单元体此刻所处的位置便可以作为投放位置。因此时单元体随机地分布于多个分区中，所以本实施例中的步骤S205需要参考单元体的具体投放位置，以确定每个分区内单元体的数量，进而确定每个分区内构成目标浮桥的单元体的所需要处于的最终位置，即目标位置。
本实施例中，每个分区内的部分单元体用于构成该分区内的边缘桥，得到该分区内的边缘桥位置，若该分区内的单元体数量不足以构成所需的边缘桥，那么可以选择从相邻分区调用单元体，或放弃组合本分区内完整的边缘桥，仅形成部分边缘桥，此时每个分区内所对应的边缘桥位置数量可以有所增减。本实施例中使用每个分区内，构成边缘桥后剩余的单元体组合形成中心桥，同样地，根据分区内单元体的实际数量情况，每个分区所对应的中心桥位置也可以略有调整。
上述确定目标位置的过程可在远程终端执行，之后远程终端便可以执行步骤S102，并将匹配后的结果发送给每个单元体。
作为优选的实施例，在本实施例的步骤S102中，使用的所述预设条件包括：
所有所述单元体从对应的所述投放位置到对应的所述目标位置的距离之和最小。
上述预设条件是的后续的组合过程中，所有单元体的移动距离之和最小，进而减少能源的浪费，同时提高组合的速度，达到最经济的效益。实际中该预设条件也可以根据具体需求更改，例如使单元体能够沿某一特定路径进行组合，或者不考虑单元体的移动距离，仅追求单元体的组合速度等等。
结合图4所示，本发明还提供一优选的实施例，该实施例中的S102、所述根据所述投放位置和所述目标位置，基于预设条件为每个所述单元体匹配一个所述目标位置，包括：
S401、根据所述投放位置、所述目标位置和所述预设条件，建立评价模型；
S402、设置初始温度；
S403、根据所述投放位置、所述目标位置和所述初始温度，基于贪心算法得到初始解及降温系数；
S404、根据所述评价模型、所述初始温度、所述初始解及所述降温系数，使用模拟退火算法对所述初始解进行优化，得到最优解；
其中，所述初始解及所述最优解均用于表征每个所述单元体和所述目标位置的对应关系。
上述过程中主要基于模拟退火算法以求得最优解，模拟退火算法与初始值无关，算法求得的解与初始解状态也无关，该算法具有渐近收敛性，已在理论上被证明是一种以概率l收敛于全局最优解的全局优化算法，同时模拟退火算法还具有并行性。在采用模拟退火算法后，单元体从投放后不规则的状态到拼接完成状态，整体花费的时间和路程都会减少，最重要的是，模拟退火算法不易陷入局部最优解的问题，减少了算法可能会出现的问题，在配合本实施例中采用六边形结构作为单元体的基础上，能够极大地增加算法的定位准确性。
具体地，本实施例中的步骤S401中，根据所述投放位置、所述目标位置和所述预设条件，可以建立出评价模型，即评价函数P(x)，用于代表所有单元体的运动距离之和，最优方案便为当评价函数P(x)的值最小时的解。
本实施例中的步骤S402中，选择一个较大的值作为初始温度，以进行足够的迭代次数，达到较好的优化效果。
作为优选的实施例，本实施例中的步骤S403、根据所述投放位置、所述目标位置和所述初始温度，基于贪心算法得到初始解及降温系数中，通过贪心算法先生成一个较为优秀的初始解，以进行之后的迭代。其中贪心算法可以选用任意的现有的贪心算法，本实施例中利用优先队列，以进行较为快速的求解。
具体地，优先队列可以将一组数用O(logn)的时间复杂度进行排序的数据结构，对于本实施例，可针对每一个单元体建立一个优先队列，然后将单元体与每一个目标位置的距离加入优先队列。按顺序对每一个单元体进行处理，选择距离该单元体的投放位置最小的目标位置，然后对这个目标位置打上已经占用的标记。之后的其他单元体如果发现其最的目标位置已经有标记，那么就选择距离值次小的目标位置占用，直到所有的单元体和目标位置均完成匹配，这样就通过贪心得到了初始解S。
而对于模拟退火算法中的将为降温系数ΔT，可以选择为优先队列中的与单元体投放位置距离最小与次小的两个目标位置与投放位置之间的差值。
在确定初始解、初始温度及降温系数后，便可以进行步骤S404，实用模拟退火算法进行迭代，得到最后的最优解，模拟退火算法的具体执行过程为现有技术，本发明中将不做过多说明。
模拟退火算法与初始值无关，算法求得的解与初始解的状态也无关；模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率l收敛于全局最优解的全局优化算法，同时模拟退火算法还具有并行性。在采用模拟退火算法进行目标位置匹配后，单元体从投放后的不规则状态组合成拼接完成的状态这个过程中，整体花费的时间和路程都减少了，不易陷入局部最优解，保证了匹配结果的全局最优性，同时减少了算法可能会出现的问题。此外，配合本实施例中单元体的六边形结构，最大程度地增加了算法的定位准确性。
本发明还提供一优选的的实施例，该实施例中的步骤S103、移动所述单元体至对应的所述目标位置，具体包括：
获取环境参数；
根据所述环境参数、基于滑模控制算法建立控制器模型；
根据所述控制器模型，移动所述单元体至对应的所述目标位置；
维持到达所述目标位置的所述单元体的稳定。
其中，获取的环境参数包括有反应水的上风、浪影响的参数，单元体的投放位置，单元体本身的运行状态参数，如其运行速度等参数，后文中所需要用到的参数中与环境、单元体相关的均可以视为环境参数，本实施例中将不做过多说明。
进一步地，本实施例中在所述步骤根据所述环境参数、基于滑模控制算法建立控制器模型中，具体实现过程如下：
根据所述环境参数，建立单元体运动模型；
根据所述环境参数，建立外环滑模面、内环滑模面及控制律，得到所述控制器模型；
根据所述外环滑模面、所述内环滑模面构造Lyapunov函数，并基于Lyapunov函数验证所述控制器模型的稳定性。
具体地，先建立单元体运动模型，一般可表示为：
式中，R(ψ)为转换/旋转矩阵；v＝[u，v，r]T为单元体坐标系下平台纵荡、横荡和摇艏的速度；η＝[x，y，ψ]T为固定坐标系下平台的纵荡、横荡和摇艏值；M＝MA+MRB为惯性矩阵，MA为附加质量矩阵；D为阻尼矩阵；τ为船体所受的外力，包括由风、海流以及二阶波浪漂移作用引起的外界干扰力之和，即τwind+τcurr+τwave2，以及控制律τc。
式(1)中的矩阵MRB，MA，D，R(ψ)的组成形式分别如下：
对于单元体(已组成的浮桥)所受到的环境载荷，包括有风载荷，流载荷以及二阶波浪载荷三种。其中，对于流载荷，考虑到在浮桥吃水范围内，流速变化不大，故可将流速在垂向作常值处理。而风载荷方面，单元体(已组成的浮桥)所受的风力为：
Fw＝CwCsChAi(α)Vz 2 (3)
式中，Cw为风力系数，Cs为形状系数，Ch为高度系数，Ai(α)为风向角为α时单元体(已组成的浮桥)沿风向的投影面积，Vz为风速。
而单元体(已组成的浮桥)艏向受到的力矩为：
Mw＝Fwyx+Fwxy (4)
其中，Fwy为受到的纵向风力，Fwx为受到的横向风力，x为横向风力距离参考点的力臂，y为纵向风力距离参考点的力臂。
为满足动力定位的要求，实时地提供单元体再任意波浪下的漂移力，可在离线阶段应用有限元软件Patran分别建立了平台在定位与作监工况下的湿表面模型，导入Hydrostar软件后使用近场积分理论求解出了二阶波漂力的三个水平分量(纵荡、横荡、艏摇)分别在入射波浪向角为间的二阶传递函数，即幅频响应算子RAO。实时仿真过程中，根据当时的海况设定波浪的波高、周期以及浪向角，在线计算程序通过插值得到该时刻的幅频响应算子RAO，进而可以求得每个控制节拍的二阶波漂力/力矩：
F＝∑ξ2(wi)·RAO (5)
式中，ξ为采用等间隔采样频率离散的海浪谱波幅，wi为第i个水平分量的采样频率。
经过上述步骤后，便可以建立控制器模型，本发明中本专利采用双环滑模控制的方法来设计控制律，采用积分器来设计切换函数。外环控制是将单元体(已组成的浮桥)的实际位置和首向η＝[x，y，ψ]T对期望值η＝[xd，yd，ψd]T进行跟踪。并产生期望速度vd传递给内环；内环控制是将单元体(已组成的浮桥)的实际速度v对期望速度vd进行跟踪，由内环产生的实际速度v通过积分器转化为单元体(已组成的浮桥)的位置和首向η。其外环为位置和首向环，内环为速度环。我们的控制目标就是设计控制向量τc，使单元体(已组成的浮桥)的实际位置和η保持在期望的位置和首向ηd上。
设单元体的位置和首向误差为e，定义：
e＝η-ηd (6)
则其速度误差
对其求一阶导数得：
定义系统的外环滑模面so：
其中，对角矩阵Λ1特征值为正。
对式(9)求一阶导数得：
将式(1)、式(7)代入式(9)得：
定义期望值vd：
vd＝R-1(ψ)(-Λ1η-ρ1sgn(so)) (12)
式中，ρ1＞0，将vd代入式(10)得
定义系统的内环滑模面si：
其中，对角矩阵Λ2的特征值为正。
对式(14)求一阶导数得：
将式(1)、式(8)代入式(14)得：
得控制律τc：
可令
其中ρ2＞0。
那么此时控制律τc还可以表示为：
上述过程之后，便可以构造Lyapunov函数，其来判断所设计的控制器模型的稳定性，其具体过程为：
对外环滑模面s0，构造Lyapunov函数Vo：
对上式求一阶导数：
将式(13)代入式(21)得：
当系统的实际速度趋近于期望速度，即时，可得：
根据Lyapunov函数的稳定性理论可知，所设计的外环滑模的控制系统趋于稳定。
对内环滑模面si，构造Lyapunov函数Vi：
对上式求一阶导数：
将式(13)代入式(21)得：
根据Lyapunov函数的稳定性理论可知，所设计的内环滑模的控制系统趋于稳定。
上述步骤仅为使用滑模控制的一种具体方式的举例说明，实际中也可以采用其他的基于滑模控制理论的控制策略对单元体进行控制。
相较于传统的控制算法，本发明使用滑模控制的优势体现在：
1.滑动模态可以进行设计，调节的参数少，响应速度快；
2.对扰动不灵敏。滑模控制对扰动有很强的抑制能力，这对于在复杂环境工作下的机器来说非常友好，对于在水上工作的单元体而言，风、浪所形成的超复杂环境更需要如滑模算法这种对扰动不灵敏的控制算法。
滑模控制本质上是一种非线性控制方法，它的非线性表现为控制的不连续性，即系统的“结构”不固定，可以在动态过程中根据系统当前的状态有目的地不断变化推进器的推进方向以及推进力大小，迫使系统按照预定“滑动模态”的状态轨迹运动。
通过定义滑模面方程，让滑模面方程最终等于零，在这个过程中，所有的状态量都是以指数速度变化的。本发明还通过引入Lyapunov函数，可以对实现的时间以及实现的稳定性进行保证。在使用基于滑模算法的动力定位系统后，能够有效减少单元体到达指定位置后对其余单元体的碰撞，同时减少对已形成的中心桥的干扰。
在经过上述步骤后，便可以根据所述控制器模型，移动所述单元体至对应的所述目标位置，在单元体的移动过程中，单元体可能会发生碰撞，因此在一个优选的实施例中，所述步骤：根据所述控制器模型，移动所述单元体至对应的所述目标位置，还包括：
当两个所述单元体发生碰撞时，基于NSGA-II遗传算法优化的Q学习算法，并根据优化后的所述Q学习算法对所述单元体进行避障处理。其中Q学习算法是一种在线的强化学习避障算法，可以处理静止和移动的避障问题。算法使用NSGA-II遗传算法来优化回报函数，使反应速度更加灵敏。假设G(x)表示单元体与目标位置之间剩余的距离，则两个单元体相遇时，可相互比较G(x)的大小，将G(x)比较大的单元体当做障碍物，让另一个单元体进行避障处理，这样可以尽可能减少组队所需要的时间。
进一步地，在一个优选的实施例中，单元体包括用于为所述单元体提供推力的推进器，所述步骤：维持到达所述目标位置的所述单元体的稳定，包括：
根据组合偏置推力优化分配算法，优化多个所述单元体中的所述推进器的工况，使所述单元体维持在目标位置。
同样地，维持阶段也可以基于滑模的控制算法让组拼完成单元体对抗风、浪等因素来维持静止。在形成浮桥之后，可支配的推进器大量增加，对此采用利用组合偏置推力优化分配算法来进行复数推进器的最优分配使用来进行推进器的分配。
每一个单元体就位后，均可以执行上述维持稳定的步骤，例如当构成中心桥的单元体就位后，可以通过上述步骤实现稳定，同时因为基于滑模控制设计的控制模型，使得边缘桥达到目标位置时速度也为零，使得其对已就位的中心桥的影响达到最小，防止误差过大。
为了更好实施本发明实施例中的水上浮桥组合方法，在水上浮桥组合方法基础之上，对应的，请参阅图5，图5为本发明提供的水上浮桥组合系统的一实施例的结构示意图，本发明实施例提供了一种水上浮桥组合系统500，包括：
单元体501，所述单元体可移动地漂浮于水上；
数据采集单元502，用于获取目标水域、目标浮桥的形状和单元体的投放位置，确定所述单元体的目标位置，所述目标位置包括中心桥位置和边缘桥位置；
策略决策单元503，用于根据所述投放位置和所述目标位置，基于预设条件为每个所述单元体匹配一个所述目标位置，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
组合执行单元504，用于移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧，所述中心桥位置为构成所述中心桥的所述单元体的位置，所述边缘桥位置为构成所述边缘桥的所述单元体的位置。
进一步地，本发明中的水上浮桥组合系统还包括风速风向仪，用来向远程终端，即策略决策单元503发送信息。
作为优选的实施例，本实施例中的所述单元体包括：
推力器，用于为所述单元体提供推力；
电子罗盘，用于提供所述单元体的航向信号；
倾角传感器，用于获取所述单元体的倾角；
GNSS传感器，用于提供所述单元体的具体位置；
信号收发器，用于发送或接收信息。
其中推力器可以视为该系统中的组合执行单元504。
这里需要说明的是：上述实施例提供的对应的水上浮桥组合系统500可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
本发明提供一种水上浮桥组合方法及系统，其通过将目标浮桥划分为中心桥和边缘桥，先获取目标水域、目标浮桥的形状和单元体的投放位置，再确定目标位置，将单元体和每个目标位置进行匹配，最后移动单元体至其对应的目标位置，实现了水上浮桥的组合。相比于现有技术，本发明实现了水上单元体的组队，填补了现有的智能协同技术的空缺，解决了如何使水面上的单元体组合形成浮桥的问题，具备很好的应用前景。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
以上所述，仅为本发明较佳的具体实施方式，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揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种水上浮桥组合方法，其特征在于，包括：
获取目标水域、目标浮桥的形状和多个单元体的投放位置，确定多个目标位置，所述目标位置包括中心桥位置和边缘桥位置；
基于预设条件分别为每个所述目标位置匹配一个所述单元体，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述单元体可移动地漂浮于水上，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧。
2.根据权利要求1所述的水上浮桥组合方法，其特征在于，所述获取目标水域、目标浮桥的形状和多个单元体的投放位置，确定多个目标位置，包括：
获取所述目标水域及所述目标浮桥的形状；
根据所述目标浮桥的形状，确定构成所述中心桥的单元体的数量；
根据所述目标水域及目标浮桥的形状，将所述目标水域划分为多个分区；
根据所述目标浮桥的形状及所述分区，确定每个所述分区内构成所述边缘桥的单元体的数量；
根据所述投放位置、所述分区、构成所述中心桥的单元体的数量、每个所述分区内构成所述边缘桥的单元体的数量，确定多个目标位置。
3.根据权利要求1所述的水上浮桥组合方法，其特征在于，所述预设条件包括：
所有所述单元体从对应的所述投放位置到对应的所述目标位置的距离之和最小。
4.根据权利要求3所述的水上浮桥组合方法，其特征在于，所述基于预设条件为每个所述目标位置匹配一个所述单元体，包括：
根据所述投放位置、所述目标位置和所述预设条件，建立评价模型；
设置初始温度；
根据所述投放位置、所述目标位置和所述初始温度，基于贪心算法得到初始解及降温系数；
根据所述评价模型、所述初始温度、所述初始解及所述降温系数，使用模拟退火算法对所述初始解进行优化，得到最优解；
其中，所述初始解及所述最优解均用于表征每个所述单元体和所述目标位置的对应关系。
5.根据权利要求1所述的水上浮桥组合方法，其特征在于，所述移动所述单元体至对应的所述目标位置，包括：
获取环境参数；
根据所述环境参数、基于滑模控制算法建立控制器模型；
根据所述控制器模型，移动所述单元体至对应的所述目标位置；
维持到达所述目标位置的所述单元体的稳定。
6.根据权利要求5所述的水上浮桥组合方法，其特征在于，所述根据所述环境参数、基于滑模控制算法建立控制器模型，包括：
根据所述环境参数，建立单元体运动模型；
根据所述环境参数，建立外环滑模面、内环滑模面及控制律，得到所述控制器模型。
7.根据权利要求5所述的水上浮桥组合方法，其特征在于，所述根据所述控制器模型，移动所述单元体至对应的所述目标位置，包括：
当两个所述单元体发生碰撞时，基于预设遗传算法优化的Q学习算法，并根据优化后的所述Q学习算法对所述单元体进行避障处理。
8.根据权利要求5所述的水上浮桥组合方法，其特征在于，所述单元体包括用于为所述单元体提供推力的推进器，所述维持到达所述目标位置的所述单元体的稳定，包括：
根据组合偏置推力优化分配算法，优化多个所述单元体中的所述推进器的工况，使所述单元体维持在目标位置。
9.一种水上浮桥组合系统，其特征在于，包括：
单元体，所述单元体可移动地漂浮于水上；
数据采集单元，用于获取目标水域、目标浮桥的形状和单元体的投放位置，确定所述单元体的目标位置，所述目标位置包括中心桥位置和边缘桥位置；
策略决策单元，用于根据所述投放位置和所述目标位置，基于预设条件为每个所述单元体匹配一个所述目标位置，每个所述单元体对应一个所述中心桥位置或一个所述边缘桥位置；
组合执行单元，用于移动所述单元体至对应的所述目标位置，形成浮桥；
其中，所述目标浮桥包括中心桥和边缘桥，所述中心桥沿所述目标浮桥的形状延伸，所述边缘桥位于所述中心桥延伸方向的两侧，所述中心桥位置为构成所述中心桥的所述单元体的位置，所述边缘桥位置为构成所述边缘桥的所述单元体的位置。
10.根据权利要求9所述的水上浮桥组合系统，其特征在于，所述单元体包括：
推力器，用于为所述单元体提供推力；
电子罗盘，用于提供所述单元体的航向信号；
倾角传感器，用于获取所述单元体的倾角；
GNSS传感器，用于提供所述单元体的具体位置；
信号收发器，用于发送或接收信息。
CN202210608442.9A 2022-05-31 2022-05-31 一种水上浮桥组合方法及系统 Active CN114943168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210608442.9A CN114943168B (zh) 2022-05-31 2022-05-31 一种水上浮桥组合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210608442.9A CN114943168B (zh) 2022-05-31 2022-05-31 一种水上浮桥组合方法及系统

Publications (2)

Publication Number Publication Date
CN114943168A CN114943168A (zh) 2022-08-26
CN114943168B true CN114943168B (zh) 2023-09-26

Family

ID=82908634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210608442.9A Active CN114943168B (zh) 2022-05-31 2022-05-31 一种水上浮桥组合方法及系统

Country Status (1)

Country Link
CN (1) CN114943168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933510A (zh) * 2022-11-25 2023-04-07 常熟市亚邦船舶电气有限公司 一种浮桥桥轴线自动调整装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446438A (zh) * 2018-02-09 2018-08-24 广西交通科学研究院有限公司 刚构-拱组合桥成桥最优索力确定及快速实现方法
CN112836974A (zh) * 2021-02-05 2021-05-25 上海海事大学 一种基于dqn和mcts的箱区间多场桥动态调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922485B (zh) * 2019-02-02 2022-06-17 四川速宝网络科技有限公司 基于双通信设备的智能网桥加速方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446438A (zh) * 2018-02-09 2018-08-24 广西交通科学研究院有限公司 刚构-拱组合桥成桥最优索力确定及快速实现方法
CN112836974A (zh) * 2021-02-05 2021-05-25 上海海事大学 一种基于dqn和mcts的箱区间多场桥动态调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用模拟退火算法的多基地浮标定位研究;苟艳妮;王英民;王奇;;西北工业大学学报(04);全文 *
基于多目标与多目标协同优化的钢桁架桥结构优化;张春海;吉林水利(第02期);参见摘要、正文第2-6节，图3 *

Also Published As

Publication number Publication date
CN114943168A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN111780777B (zh) 一种基于改进a*算法和深度强化学习的无人车路径规划方法
Wu Coordinated path planning for an unmanned aerial-aquatic vehicle (UAAV) and an autonomous underwater vehicle (AUV) in an underwater target strike mission
Duan et al. Non-linear dual-mode receding horizon control for multiple unmanned air vehicles formation flight based on chaotic particle swarm optimisation
Zhang et al. AUV path tracking with real-time obstacle avoidance via reinforcement learning under adaptive constraints
CN113848974B (zh) 一种基于深度强化学习的飞行器轨迹规划方法及系统
CN113534668B (zh) 基于最大熵的演员-评论家框架的auv运动规划方法
CN111240345A (zh) 一种基于双bp网络增强学习框架的水下机器人轨迹跟踪方法
CN111930141A (zh) 一种水下机器人三维路径可视化跟踪方法
CN112947572B (zh) 一种基于地形跟随的四旋翼飞行器自适应运动规划方法
CN113093804B (zh) 基于反演滑模控制的无人艇编队控制方法和控制系统
Zhou et al. An improved beetle swarm optimization algorithm for the intelligent navigation control of autonomous sailing robots
Lan et al. Path planning for underwater gliders in time-varying ocean current using deep reinforcement learning
CN114943168B (zh) 一种水上浮桥组合方法及系统
CN114370793A (zh) 一种火箭子级返回与垂直着陆制导方法
You et al. Adaptive neural sliding mode control for heterogeneous ship formation keeping considering uncertain dynamics and disturbances
Liang et al. Economic MPC-based planning for marine vehicles: Tuning safety and energy efficiency
Li et al. Data-driven docking control of autonomous double-ended ferries based on iterative learning model predictive control
Liang et al. Multi-UAV autonomous collision avoidance based on PPO-GIC algorithm with CNN–LSTM fusion network
Yang et al. Improved reinforcement learning for collision-free local path planning of dynamic obstacle
CN110262513A (zh) 一种海洋机器人轨迹跟踪控制结构的设计方法
US11977383B2 (en) Intelligent course planning method and controller for unmanned surface vehicle
CN115657689B (zh) 一种基于轨迹预测的自主水下航行器目标跟踪控制方法
Jose et al. Navigating the Ocean with DRL: Path following for marine vessels
Hou et al. AUV path planning with kinematic constraints in unknown environment using reinforcement learning
CN113959446A (zh) 一种基于神经网络的机器人自主物流运输导航方法

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