CN115855226A - 基于dqn和矩阵补全的多auv协同水下数据采集方法 - Google Patents

Abstract

本发明公开了一种基于DQN和矩阵补全的多AUV协同水下数据采集方法，属于海洋数据采集技术领域。本发明首先布设水声传感器节点，根据节点产生数据与应用所需数据之间的相关性和时效性计算各区域产生信息的价值，并用于后续AUV的路径规划；然后使用深度强化学习方法规划多台AUV信息采集的路径，在AUV行驶过程中不断修正多AUV航行轨迹；最后设计了一种矩阵补全式的数据采集方法，使AUV只需采集关键节点产生的数据，减轻了数据采集的工作量。本发明能够有效协同多台AUV采集水声传感器网络产生的数据，降低水下网络中数据采集的延迟，延长水声传感器网络的生命周期。

Description

基于DQN和矩阵补全的多AUV协同水下数据采集方法

技术领域

本发明属于海洋数据采集技术领域，具体地说，涉及一种基于DQN和矩阵补全的多AUV协同水下数据采集方法。

背景技术

海洋覆盖了地球的大部分面积，海洋中用于各种特定任务的水声传感器节点会产生大量数据。然而，由于海洋环境中带宽有限和声信号传播速度低，设计合适的海洋数据采集方法是一个巨大的挑战。

随着自主式航行器（AUV）的普及，单个AUV经常用来辅助海洋数据采集，然而，海洋数据采集区域广阔，且AUV的航行速度比声波慢好几个数量级，所以使用单个AUV在海洋中采集数据已经不能满足应用需求。另外，AUV的路径规划对于信息采集也至关重要，目前深度强化学习技术发展迅速，利用深度强化学习（DQN）技术规划AUV路径可以有效适应复杂海洋环境，然而，目前基于DQN的AUV路径规划很少有考虑数据的价值和洋流影响，这导致数据价值的损失和高度延迟。以往的研究表明，AUV在同一或相似区域的节点采集的数据往往在时间和空间上高度相关，这导致采集到的数据冗余度高，高度的数据冗余导致额外的能量消耗，会降低水声传感器网络的生命周期。如何在AUV路径规划的基础上，降低数据采集的冗余度也是海洋数据采集中的一大难题。

综上所述，目前基于DQN的AUV辅助海洋数据采集方法存在数据采集延迟高、数据采集冗余度高、网络生命周期短等问题。

因此，设计一种低延迟和高生命周期的多AUV协同海洋数据采集方法成为亟待解决的关键问题。

发明内容

本发明的目的是提出一种基于DQN（深度强化学习）和矩阵补全的多AUV（自主式水下航行器）协同水下数据采集方法，以弥补现有技术的不足。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于DQN和矩阵补全的多AUV协同水下数据采集方法，包括以下步骤：

S1：水下布设水声传感器节点，形成不同的传感区域，并选取AUV采集传感区域；

S2：基于深度强化学习方法DQN规划多AUV信息采集的路径，且根据所述信息价值设计奖励函数；

S3：在多AUV航行过程中不断修正其运动轨迹；

S4：多AUV基于矩阵补全式的数据采集方法进行关键节点的数据采集。

进一步的，所述S1具体如下：

在海洋等区域中布设水声传感器节点，根据节点产生数据与所需数据之间的相关性和时效性判断各区域产生信息的价值，其公式化定义为：

；其中，/>

表示第k片区域产生的第i组数据的价值，/>

，/>

，/>

表示介于0到1之间的权重系数，其满足/>

，

表示第k片区域产生的第i组数据的期望；/>

表示第k片区域感知到的第i组数据与应用程序需要的数据之间的相关性，其计算公式为：/>

；其中， X表示应用程序所需要数据的物理信号， K表示节点感知到数据的物理信号，Cov表示计算协方差，Var表示计算方差；/>

表示数据时效性的函数，其计算公式为：/>

；其中，/>

表示第i组数据时效性的衰减系数，t代表当前时间，t_k,i代表第k片区域感知到的第i组数据的时间。

进一步的，所述S2具体如下：

S2-1：根据信息价值设计奖励函数：

在深度强化学习方法中，奖励函数包括距离奖励R_dis、洋流奖励R_cur、价值奖励R_vol三项，其中距离奖励R_dis的计算公式为：R_dis=Dis（P，P^Goal）；其中，Dis（P，P^Goal）代表目标位置和当前位置的单位化距离，用其当作距离奖励可引导AUV接近目标点；洋流奖励R_cur利用洋流，使AUV跟随洋流移动来缩短移动时间并降低能量消耗；洋流奖励R_cur的计算公式为：

；其中，/>

代表洋流分量与海平面之间的夹角，/>

表示AUV行进方向角度与海平面的夹角角度；价值奖励R_vol为步骤S2中计算得到的信息价值，奖励函数R的计算公式为：/>

；其中，/>

，/>

，/>

代表权重因子，其满足

；

S2-2：设计洋流影响下的状态转移函数：状态空间S是一个六维的连续向量，是神经网络的输入信息。动作空间A由六维离散向量表示，表示六个运动方向。状态转移函数概括了环境变化，是神经网络的拟合对象。在复杂的海洋环境中，AUV的运动受到外部条件和内部动力的共同作用。假设AUV从位置P(x, y, z)转移到下一个位置P`(x`, y`, z`)。下一个位置P`(x`, y`, z`)的计算公式为：

；其中，动作a = [a₁,a_2, a₃, a₄, a₅, a₆]^T, a∈A表示AUV在六个方向上的运动，其中a₁和a₂沿经度方向，a₃和a₄沿纬度方向，a₅和 a₆沿垂直方向，T（i，j）表示由i（i={a₁,a₃,a₅}）和j（j={a₂,a₄,a₆}）共同确定的方向运动强度，V_cur表示洋流速度，[u,v,w]表示当前位置洋流的运动方向强度，V_AUV表示AUV的速度；

S2-3：设计Q值更新函数与网络的损失函数：

深度强化学习方法的Q值由二元组（s,a;(f_s,f_a)）组成，其中s表示状态，a表示动作，(f_s,f_a)表示动作-状态值，Q（s,a;(f_s,f_a)）的值计算公式为：Q（s,a;(f_s,f_a)）=p(s;f_a)+p(s,a;f_a)-avg(s)；其中，p(s;f_a)和p(s,a;f_a)分别代表估计状态值和估计动作值，avg(s)代表目前真实动作值的平均值；假设Q`(s`, a`; (f`_s, f`<sub>a</sub>))代表目标网络输出的真实Q值，Q（s,a;(f<sub>s</sub>,f<sub>a</sub>)）代表目前网络的Q值，则损失函数Loss的计算公式为：Loss=E[(R+vQ`(s`, a`;(f`<sub>s</sub>, f`_a))-Q(s,a;(f_s,f_a)))²]；其中，E[*]代表计算*的期望值，R为奖励函数，v代表奖励的折扣。

进一步的，所述S3具体如下：

考虑到洋流冲击导致的水声传感器节点漂移，在AUV行驶过程中不断修正多AUV航行轨迹。水声传感器节点会在洋流运动的影响下自由移动，假设u为x轴方向的速度分量，v为y轴方向的速度分量；则节点漂流位置可由汉密尔顿微分方程描述如下：

；其中，/>

代表海洋中节点移动的蜿蜒移动模型，其微分方程计算公式为：

；其中，k为单位长度内蜿蜒弯曲的数目，c为相位速度，B(t)为曲线流的密度，A决定了曲线流的平均宽度，ε和w分别为调幅系数和变化频率；然后根据水声传感器节点的漂流位置，在每个AUV通信阶段优化其采集信息的轨迹，提高采样点数据采集效率。

进一步的，所述S4具体如下：

S4-1：关键采样点的选择：

以往的研究表明，同一或相似区域的节点采集的数据往往在时间和空间上高度相关，这导致采集到的数据冗余度高。设计了一种矩阵补全式的数据采集方法，在AUV路径规划的基础上，使AUV仅采集每个区域内关键节点的部分数据，假设C_M×N×O表示三维信息矩阵，则关键采样点B的选择需满足限制：

；其中，/>

=Max{M,N,O}，k表示常数系数，r表示矩阵信息矩阵C_M×N×O的秩；

S4-2：最小化数据冗余比：

AUV收集的数据相对于局部是冗余的，因此，必须要降低数据冗余率；数据冗余率是指数据冗余量与信息矩阵C_M×N×O中采集数据量的比值；最小化数据冗余比I的计算公式为：

；其中，D代表数据冗余总量，M、N、O分别为信息矩阵C_M×N×O的层、行、列的大小，T_ijk代表信息矩阵C_M×N×O的对应数据元素，如果数据冗余比大，说明重复率越高。

本发明的优点和技术效果如下：

本发明首先在海洋区域中布设水声传感器节点，根据节点产生数据与应用所需数据之间的相关性和时效性计算各区域产生信息的价值，并用于后续AUV的路径规划，大大降低了数据价值的损失；然后使用深度强化学习方法规划多台AUV信息采集的路径，并考虑到洋流冲击导致的水声传感器节点漂移，在AUV行驶过程中不断修正多AUV航行轨迹；最后设计了一种矩阵补全式的数据采集方法，使AUV只需采集关键节点产生的数据，减轻了数据采集的工作量并降低了能量消耗，延长了网络的生命周期。

本发明能够有效协同多台AUV采集水声传感器网络产生的数据，降低水下网络中数据采集的延迟，延长水声传感器网络的生命周期。

附图说明

图1是本发明的一种实施例的整体流程图。

图2是本发明的一种实施例的深度强化学习模型图。

图3是本发明的一种实施例的多AUV在通信阶段根据传感器节点漂流位置的协同轨迹优化过程图。

图4是本发明的一种实施例的本方法与传统方法网络中数据采集延迟随时间的变化情况仿真结果对比图。

图5是本发明的一种实施例的本方法与传统方法传感器网络的生命周期随节点个数变化情况仿真结果对比图。

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，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1：

本发明使用多个AUV协同的方法来采集海洋数据，以此来降低海洋数据采集的延迟，并利用深度强化学习（DQN）技术规划AUV路径，综合考虑了数据价值和洋流的影响，可以有效适应复杂海洋环境，减少数据价值的损失。另外，多AUV在同一或相似区域的节点采集的数据往往在时间和空间上高度相关，这导致采集到的数据冗余度高，高度的数据冗余导致额外的能量消耗，会降低水声传感器网络的生命周期，如何在AUV路径规划的基础上，降低数据采集的冗余度也是海洋数据采集中的难题。

如何有效降低数据采集的延迟、减少数据采集的冗余度、延长网络的生命周期，提高多AUV协同海洋数据采集的效率，是本实施例所要解决的技术问题。

本实施例提出了一种基于DQN和矩阵补全的多AUV协同海洋数据采集方法，其整体流程图如图1所示，包括以下步骤：

S1：在海洋区域中布设水声传感器节点，根据节点产生数据与应用所需数据之间的相关性和时效性计算各区域产生信息的价值，具体步骤如下：各区域产生的信息价值，其公式化定义为：

；其中，/>

表示第k片区域产生的第i组数据的价值，/>

，/>

，/>

表示介于0到1之间的权重系数，其满足

，/>

表示第k片区域产生的第i组数据的期望。/>

表示第k片区域感知到的第i组数据与应用程序需要的数据之间的相关性，其计算公式为：/>

；其中， X表示应用程序所需要数据的物理信号， K表示节点感知到数据的物理信号，Cov表示计算协方差，Var表示计算方差。/>

表示数据时效性的函数，其计算公式为：/>

；其中，/>

表示第i组数据时效性的衰减系数，t代表当前时间，t_k,i代表第k片区域感知到的第i组数据的时间。

S2：使用深度强化学习方法规划多台AUV信息采集的路径，根据信息价值设计奖励函数，具体步骤如下：

S2-1：根据信息价值设计奖励函数：在本深度强化学习模型中，奖励函数包括距离奖励R_dis、洋流奖励R_cur、价值奖励R_vol三项，其中距离奖励R_dis的计算公式为：R_dis=Dis（P，P^Goal）；其中，Dis（P，P^Goal）代表目标位置和当前位置的单位化距离，用其当作距离奖励可引导AUV接近目标点。洋流奖励R_cur利用洋流，使AUV跟随洋流移动来缩短移动时间并降低能量消耗。洋流奖励R_cur的计算公式为：

其中，

代表洋流分量与海平面之间的夹角，/>

表示AUV行进方向角度与海平面的夹角角度。价值奖励R_vol为步骤S2中计算得到的信息价值，所以，奖励函数R的计算公式为：

；其中，/>

，/>

，/>

代表权重因子，其满足

。

S2-2：设计洋流影响下的状态转移函数：

状态空间S是一个六维的连续向量，是神经网络的输入信息。动作空间A由六维离散向量表示，表示六个运动方向。状态转移函数概括了环境变化，是神经网络的拟合对象。在复杂的海洋环境中，AUV的运动受到外部条件和内部动力的共同作用。假设AUV从位置P(x, y, z)转移到下一个位置P`(x`, y`, z`)。下一个位置P`(x`, y`, z`)的计算公式为：

；其中，动作a = [a₁, a_2, a₃, a₄, a₅, a₆]^T, a∈A表示AUV在六个方向上的运动，其中a₁和a₂沿经度方向，a₃和a₄沿纬度方向，a₅和 a₆沿垂直方向，T（i，j）表示由i（i={a₁,a₃,a₅}）和j（j={a₂,a₄,a₆}）共同确定的方向运动强度，V_cur表示洋流速度，[u,v,w]表示当前位置洋流的运动方向强度，V_AUV表示AUV的速度。

S2-3：设计Q值更新函数与网络的损失函数：本网络模型的Q值由二元组（s,a;(f_s,f_a)）组成，其中s表示状态，a表示动作，(f_s,f_a)表示动作-状态值，Q（s,a;(f_s,f_a)）的值计算公式为：Q（s,a;(f_s,f_a)）=p(s;f_a)+p(s,a;f_a)-avg(s)；其中，p(s;f_a)和p(s,a;f_a)分别代表估计状态值和估计动作值，avg(s)代表目前真实动作值的平均值。假设Q`(s`, a`; (f`_s,f`<sub>a</sub>))代表目标网络输出的真实Q值，Q（s,a;(f<sub>s</sub>,f<sub>a</sub>)）代表目前网络的Q值，则损失函数Loss的计算公式为：Loss=E[(R+vQ`(s`, a`; (f`<sub>s</sub>, f`_a))-Q(s,a;(f_s,f_a)))²]；其中，E[*]代表计算*的期望值，R为奖励函数，v代表奖励的折扣。

本发明实施例中深度强化学习模型图2所示，首先将洋流特征P_cur(u, v, w)和AUV的位置特征P(x, y, z) 融合为6×1维的特征向量，然后通过两个全连接层提取共同特征。之后分为Q(S)和Q(A)两个分支，分别用来估计状态值p(s;fs)和动作值p(s,a;fa)，通过与目标网络的Q值比较进行网络参数更新，等到损失值达到可接受范围时输出每个策略动作的Q值，策略动作a = [a₁, a_2, a₃, a₄, a₅, a₆]^T, a∈A表示AUV在六个方向上的运动，其中a₁和a₂沿经度方向，a₃和a₄沿纬度方向，a₅和 a₆沿垂直方向，最后得到最佳动作a3。

S3：考虑到洋流冲击导致的水声传感器节点漂移，在AUV行驶过程中不断修正多AUV航行轨迹，具体步骤如下：水声传感器节点会在洋流运动的影响下自由移动，假设u为x轴方向的速度分量，v为y轴方向的速度分量。则节点漂流位置可由汉密尔顿微分方程描述如下：

；其中，/>

代表海洋中节点移动的蜿蜒移动模型，其微分方程计算公式为：/>

；其中，k为单位长度内蜿蜒弯曲的数目，c为相位速度，B (t)为曲线流的密度，A决定了曲线流的平均宽度，ε和w分别为调幅系数和变化频率。然后，根据水声传感器节点的漂流位置，在每个AUV通信阶段优化其采集信息的轨迹，提高采样点数据采集效率。多AUV在通信阶段根据传感器节点漂流位置的协同轨迹优化过程如图3所示。首先，3台AUV从点 O 开始，第一阶段根据深度强化学习规划的路径如图3中的(a)所示，为 OS，OL和OM。然后根据深度强化学习算法继续规划下一阶段路径。在下一阶段图3中的(b)中，AUV#02的原轨迹LL`前方的传感器节点已受洋流冲击偏离轨迹，这将导致下一阶段若继续遵循原轨迹采集数据将不可行。故在图3中的(c)中，AUG#02基于水声传感器节点的漂流位置对轨迹L`L``进行修正，以弥补洋流冲击对水声传感器节点的影响。

S4：为减少网络中数据采集的信息冗余，设计了一种矩阵补全式的数据采集方法，使AUV只需采集关键节点产生的数据，具体步骤如下：

S4-1：关键采样点的选择：以往的研究表明，同一或相似区域的节点采集的数据往往在时间和空间上高度相关，这导致采集到的数据冗余度高。所以，本发明设计了一种矩阵补全式的数据采集方法，在AUV路径规划的基础上，使AUV仅采集每个区域内关键节点的部分数据，假设C_M×N×O表示三维信息矩阵，则关键采样点B的选择需满足限制：

；其中，/>

=Max{M,N,O}，k表示常数系数，r表示矩阵信息矩阵C_M×N×O的秩。

S4-2：最小化数据冗余比：AUV收集的数据相对于局部是冗余的，因此，必须要降低数据冗余率。数据冗余率是指数据冗余量与信息矩阵C_M×N×O中采集数据量的比值。最小化数据冗余比

的计算公式为：/>

；其中，D代表数据冗余总量，M、N、O分别为信息矩阵C_M×N×O的层、行、列的大小，T_ijk代表信息矩阵C_M×N×O的对应数据元素，如果数据冗余比大，说明重复率越高。

实施例1提出的方法进行具体验证：

本发明提出的基于DQN和矩阵补全的多AUV协同海洋数据采集方法与传统单AUV海洋数据采集方法网络中数据采集的延迟随时间的变化情况仿真结果对比如图4所示。ACMC方法是传统的单AUV海洋数据采集方法，其使用单台AUV在网络聚类的基础上来采集海洋数据。我们在Aqua-Sim(基于NS-2的水下传感器网络模拟器)中完成仿真模拟，本实施例中所有仿真的具体参数如表1所示。

表1 仿真参数

仿真参数	数值
		网络的大小	1000×1000×1000m<sup>3</sup>
声信号速度	1.5Km/s
		节点数量	0-600
数据包大小	5Kb
		节点通信范围	80m
节点初始能量	5000J
		节点的数据传输速率	4kbps
节点的数据接收速率	5kbps
		节点数据采集消耗	0.1J/s
节点数据传输消耗	0.5J/s

。

从图4的仿真结果可以看出，当区域内传感器节点数量较少时，如区域内存在100个节点，本方法比单AUV海洋数据采集方法（ACMC）降低了约1400秒的网络数据采集延迟，随着区域内节点数量的增多，这种优势更加明显，如区域内存在400个节点时，本方法比单AUV海洋数据采集方法（ACMC）降低了约2200秒的网络数据采集延迟。综上所述，本发明方法能够有效降低网络中数据采集的延迟。

本发明提出的基于DQN和矩阵补全的多AUV协同海洋数据采集方法与传统单AUV海洋数据采集方法传感器网络的生命周期随节点个数的变化情况仿真结果对比如图5所示。从仿真结果可以看出，当区域内传感器节点数量达到100时，本方法比单AUV海洋数据采集方法（ACMC）提升了了约1000秒的网络生命周期，随着区域内节点数量的增多，这种优势也会更加明显，当区域内传感器节点数量达到600时，本方法比单AUV海洋数据采集方法（ACMC）提升了了约1400秒的网络生命周期。综上所述，本发明方法能够延长水声传感器网络的生命周期。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (5)

1.一种基于DQN和矩阵补全的多AUV协同水下数据采集方法，其特征在于，包括以下步骤：

S1：水下布设水声传感器节点，形成不同的传感区域，并选取AUV采集传感区域；

S2：基于深度强化学习方法DQN规划多AUV信息采集的路径，且根据信息价值设计奖励函数；

S3：在多AUV航行过程中不断修正其运动轨迹；

S4：多AUV基于矩阵补全式的数据采集方法进行关键节点的数据采集。

2.如权利要求1所述的多AUV协同水下数据采集方法，其特征在于，所述S1具体如下：布设水声传感器节点，根据节点产生数据与所需数据之间的相关性和时效性判断各区域产生信息的价值，其公式化定义为：

；其中，/>

表示第k片区域产生的第i组数据的价值，/>

，/>

，/>

表示介于0到1之间的权重系数，其满足/>

，/>

表示第k片区域产生的第i组数据的期望；

表示第k片区域感知到的第i组数据与应用程序需要的数据之间的相关性，其计算公式为：

；其中， X表示应用程序所需要数据的物理信号， K表示节点感知到数据的物理信号，Cov表示计算协方差，Var表示计算方差；

表示数据时效性的函数，其计算公式为：/>

；其中，/>

表示第i组数据时效性的衰减系数，t代表当前时间，t_k,i代表第k片区域感知到的第i组数据的时间。

3.如权利要求1所述的多AUV协同水下数据采集方法，其特征在于，所述S2具体如下：

S2-1：根据信息价值设计奖励函数：

在深度强化学习方法中，奖励函数包括距离奖励R_dis、洋流奖励R_cur、价值奖励R_vol三项，其中距离奖励R_dis的计算公式为：

R_dis=Dis（P，P^Goal）；其中，Dis（P，P^Goal）代表目标位置和当前位置的单位化距离，用其当作距离奖励可引导AUV接近目标点；洋流奖励R_cur利用洋流，使AUV跟随洋流移动来缩短移动时间并降低能量消耗；洋流奖励R_cur的计算公式为：

；其中，/>

代表洋流分量与海平面之间的夹角，/>

表示AUV行进方向角度与海平面的夹角角度；价值奖励R_vol为步骤S2中计算得到的信息价值，奖励函数R的计算公式为：/>

；其中，/>

，/>

，/>

代表权重因子，其满足/>

；

S2-2：设计洋流影响下的状态转移函数：

假设AUV从位置P(x, y, z)转移到下一个位置P`(x`, y`, z`)，下一个位置P`(x`, y`, z`)的计算公式为：

；其中，动作a = [a₁, a_2, a₃, a₄, a₅, a₆]^T,a∈A表示AUV在六个方向上的运动，其中a₁和a₂沿经度方向，a₃和a₄沿纬度方向，a₅和 a₆沿垂直方向，T（i，j）表示由i（i={a₁,a₃,a₅}）和j（j={a₂,a₄,a₆}）共同确定的方向运动强度，V_cur表示洋流速度，[u,v,w]表示当前位置洋流的运动方向强度，V_AUV表示AUV的速度；

S2-3：设计Q值更新函数与网络的损失函数：

深度强化学习方法的Q值由二元组（s,a;(f_s,f_a)）组成，其中s表示状态，a表示动作，(f_s,f_a)表示动作-状态值，Q（s,a;(f_s,f_a)）的值计算公式为：

Q（s,a;(f_s,f_a)）=p(s;f_a)+p(s,a;f_a)-avg(s)；其中，p(s;f_a)和p(s,a;f_a)分别代表估计状态值和估计动作值，avg(s)代表目前真实动作值的平均值；假设Q`(s`, a`; (f`_s, f`<sub>a</sub>))代表目标网络输出的真实Q值，Q（s,a;(f<sub>s</sub>,f<sub>a</sub>)）代表目前网络的Q值，则损失函数Loss的计算公式为：Loss=E[(R+vQ`(s`, a`; (f`<sub>s</sub>, f`_a))-Q(s,a;(f_s,f_a)))²]；其中，E[*]代表计算*的期望值，R为奖励函数，v代表奖励的折扣。

4.如权利要求1所述的多AUV协同水下数据采集方法，其特征在于，所述S3具体如下：水声传感器节点会在洋流运动的影响下自由移动，假设u为x轴方向的速度分量，v为y轴方向的速度分量；则节点漂流位置可由汉密尔顿微分方程描述如下：

；其中，

代表海洋中节点移动的蜿蜒移动模型，其微分方程计算公式为：

；其中，k为单位长度内蜿蜒弯曲的数目，c为相位速度，B(t)为曲线流的密度，A决定了曲线流的平均宽度，ε和w分别为调幅系数和变化频率；然后根据水声传感器节点的漂流位置，在每个AUV通信阶段优化其采集信息的轨迹，提高采样点数据采集效率。

5.如权利要求1所述的多AUV协同水下数据采集方法，其特征在于，所述S4具体如下：

S4-1：关键采样点的选择：

设计一种矩阵补全式的数据采集方法，在AUV路径规划的基础上，使AUV仅采集每个区域内关键节点的部分数据，假设C_M×N×O表示三维信息矩阵，则关键采样点B的选择需满足限制：

；其中，/>

=Max{M,N,O}，k表示常数系数，r表示矩阵信息矩阵C_M×N×O的秩；

S4-2：最小化数据冗余比：

AUV收集的数据相对于局部是冗余的，因此，必须要降低数据冗余率；数据冗余率是指数据冗余量与信息矩阵C_M×N×O中采集数据量的比值；最小化数据冗余比

的计算公式为：

；其中，D代表数据冗余总量，M、N、O分别为信息矩阵C_M×N×O的层、行、列的大小，T_ijk代表信息矩阵C_M×N×O的对应数据元素，如果数据冗余比大，说明重复率越高。/>

Images