CN116166034B - 跨域协同围捕方法、装置及系统 - Google Patents
跨域协同围捕方法、装置及系统 Download PDFInfo
- Publication number
- CN116166034B CN116166034B CN202310452378.4A CN202310452378A CN116166034B CN 116166034 B CN116166034 B CN 116166034B CN 202310452378 A CN202310452378 A CN 202310452378A CN 116166034 B CN116166034 B CN 116166034B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- water
- submarines
- vehicle
- aerial vehicle
- 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
Links
- 238000001926 trapping method Methods 0.000 title abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 357
- 238000004891 communication Methods 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 37
- 230000008054 signal transmission Effects 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 abstract description 2
- 238000002121 ultrasonic speckle velocimetry Methods 0.000 description 36
- 238000004590 computer program Methods 0.000 description 22
- 239000002609 medium Substances 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000005206 Hibiscus Nutrition 0.000 description 1
- 235000007185 Hibiscus lunariifolius Nutrition 0.000 description 1
- 244000284380 Hibiscus rosa sinensis Species 0.000 description 1
- 239000012736 aqueous medium Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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
本申请涉及一种跨域协同围捕方法、装置及系统,所述方法包括:基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;根据围捕路径对待围捕对象进行围捕。采用本申请可以保证系统连通性,潜航器无需升上水面即可实现通信,因此提高了通信效率。
Description
技术领域
本申请涉及无人系统控制技术领域,特别是涉及一种跨域协同围捕方法、装置及系统。
背景技术
目前,无人机(Unmanned Aerial Vehicle,UAV)和单一水下自主潜航器(UnmannedUnderwater Vehicle,UUV)协同平台可以提高水下目标的定位精度,但由于UAV通信所使用的电磁波信号在水中有较大的衰减,UAV和UUV只有在UUV升到水面时才能进行信息交换,无人机与无人潜航器之间的通信效率较低。
发明内容
基于此,有必要针对上述技术问题,提供了一种能够提高无人机与无人潜航器之间的通信效率的跨域协同围捕方法、装置及系统。
第一方面,本申请提供了一种围捕方法,应用于围捕系统中的任一潜航器,围捕系统包括水上无人机、水面无人艇和多个潜航器,上述方法包括:
基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;
基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;
根据围捕路径对待围捕对象进行围捕。
在其中一个实施例中,基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,包括:
将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
在其中一个实施例中,奖励函数与预设的约束条件存在对应关系,约束条件是以系统能耗最小为目标确定的;
其中,约束条件包括水上无人机的悬停高度范围,水上无人机与水面无人艇之间的水上连通性,水面无人艇与潜航器之间的水下连通性,待围捕对象的围捕距离和潜航器的能量。
在其中一个实施例中,约束条件的确定过程包括:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性;
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性;
根据运动能耗和通信能耗确定潜航器的能量。
第二方面,本申请还提供了一种围捕方法,应用于围捕系统中的水面无人艇,围捕系统包括水上无人机、水面无人艇和多个潜航器,上述方法包括:
建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信;
基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
在其中一个实施例中,上述方法还包括:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
在其中一个实施例中,上述方法还包括:
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
第三方面,本申请还提供了一种围捕装置,应用于围捕系统中的任一潜航器,围捕系统包括水上无人机、水面无人艇和多个潜航器,上述装置包括:
状态信息获取模块,基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;
围捕路径确定模块,用于基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;
围捕模块,用于根据围捕路径对待围捕对象进行围捕。
第四方面,本申请还提供了一种围捕装置,应用于围捕系统中的水面无人艇,围捕系统包括水上无人机、水面无人艇和多个潜航器,装置包括:
通信建立模块,用于建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信;
围捕模块,用于基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
第五方面,本申请还提供了一种围捕系统。上述围捕系统包括水上无人机、水面无人艇和多个潜航器;
水上无人机,用于获取待围捕对象的状态信息;
潜航器,用于执行如上述第一方面的步骤;
水面无人艇,用于执行如上述第二方面的步骤。
上述跨域协同围捕方法、装置及系统,通过基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;根据围捕路径对待围捕对象进行围捕,本申请实施例基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,保证系统连通性,潜航器无需升上水面即可实现通信,因此提高了通信效率。
附图说明
图1为一个实施例中围捕方法的应用环境图;
图2为一个实施例中围捕方法的流程示意图;
图3为一个实施例中约束条件的确定步骤的流程示意图;
图4为另一个实施例中围捕方法的流程示意图;
图5为另一个实施例中围捕方法的流程示意图;
图6为一个实施例中围捕装置的结构框图;
图7为另一个实施例中围捕装置的结构框图;
图8为一个实施例中潜航器的内部结构图;
图9为一个实施例中水面无人艇的内部结构图。
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。
单一水下自主潜航器(Unmanned Underwater Vehicle,UUV)集群团队在深远海具有定位精度低、协作能力低、频繁上浮下潜耗能较大,续航能力差等技术难题。日本防卫技术研究总部于2015年3月下旬宣布,该部与舰艇装备研究所正合作研究UUV和无人水面艇(Unmanned Surface Vehicle,USV)的联合技术。该项目旨在实现UUV和USV间的实时数据传输,以加强海洋信息收集的准确性、时效性与有效性。该系统采用UUV和USV边协调边进行上下并行巡航,通过水声通信实时向USV传输UUV获取的水下信息,经USV中继传输给母船,并将USV搭载的GPS及水下位置测量装置获得的UUV位置信息传输给UUV,使UUV准确掌握自己的位置。并且,USV和UUV具有自主避障能力与应急处理能力,在巡航中可根据母船操控员指令改变航线。包含空中水面水下节点全方位空海环境的跨介质异构无人系统为UUV集群团队在深远海定位与作业提供了可能。
(1)水下异构无人系统
水下异构无人系统主要包括水下UUV和水面USV,两类航行器能够相互配合,具备协同作业能力。目前国内外对于水下异构无人系统研究方向主要集中在USV发射与回收UUV的控制方案设计、USV与UUV协同监测系统等。
现有技术1中展示了一个集成系统,系统包含UUV,水下声学调制解调器和USV。该系统能够监视陆上指挥与控制中心的UUV测量任务。现有技术2中介绍了一种基于UUV和USV协作的观测系统。在远程UUV设备的基础上,系统部署了UUV阵列,这些阵列配置了互补传感器,作为一个基于自主设备的观测系统。现有技术3介绍了一种由USV进行运载、发射和回收UUV的协作系统。现有技术4介绍了USVUUV对接和回收系统的设计方案,对USV和UUV的回收过程进行了实验与测试,说明了系统的可行性。现有技术5描述了一种基于USV的UUV自动发射和恢复系统,并通过建模和仿真评估其可行性。
(2)空海跨介质异构无人系统
空海跨介质异构无人系统同时包含水上节点(无人机(Unmanned AerialVehicle,UAV))、水面节点、水下节点三类不同的节点和空气与水两种不同的通信介质,其中部分水面节点同时具备电磁波通信和声波通信的能力,使得系统具备跨介质通信能力。该领域研究主要集中在水上空气介质水下水介质的跨介质通信链路设计与验证、UAVUSVUUV空海协同数据采集方案设计与验证、跨介质传感器设计等。现有技术6使用UAV、UUV和USV以及载人船构成的系统跟踪鱼群。在该系统中使用了多种传感器,以及摄像头和声纳装置进行持续检测,使得生物学家能够更好地了解鱼群行为和环境。现有技术6设计了一种跨介质通信系统并进行了实际测试,在厦门大学芙蓉湖中安装了多个水下节点,一个水面节点,并在湖岸安装了一个地面节点,使用其中一个水下节点向其他水下节点发送声信号,其他水下节点接收该声信号并转发至水面节点,水面节点接收该声信号并转化为无线电信号发送至地面节点。
目前国内外对于空海跨介质异构无人系统的研究主要集中于局部节点间的链路建立、跨介质链路传输实现方案、无人器控制方案等方向,对于空海环境下大规模的USV、UAV、UUV节点组成的跨介质异构无人集群系统组网连通性、资源配置、和具体任务研究较少。现有的UAV-UUV协同平台可以提高水下目标的定位精度,但由于UAV通信所使用的电磁波信号在水中有较大的衰减,UAV和UUV只有在UUV升到水面时才能进行信息交换,无人机与无人潜航器之间的通信效率较低,且由于频繁的自定位更新,导致UUV集群执行任务效率较低。
本申请实施例提供的围捕方法,可以应用于如图1所示的应用环境中。其中,水上无人机101通过电磁波信道与水面无人艇102进行通信,水面无人艇102与潜航器103通过水声信道进行通信。数据存储系统可以存储潜航器103需要处理的数据。数据存储系统可以集成在潜航器103上,也可以放在云上或其他网络服务器上。本申请基于预先建立的水上无人机101与水面无人艇102之间的水上通信,以及水面无人艇102与各潜航器103之间的水下通信,获取水上无人机101、水面无人艇102、多个潜航器103和待围捕对象的状态信息,基于水上无人机101、水面无人艇102、多个潜航器103和待围捕对象的状态信息确定围捕路径,根据围捕路径对待围捕对象104进行围捕。潜航器103可以用独立的潜航器或者是多个潜航器组成的潜航器集群来实现。
在一个实施例中,如图2所示,提供了一种围捕方法,以该方法应用于图1中的潜航器103为例进行说明,包括以下步骤:
步骤201,基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息。
其中,水上通信可以为电磁波信道通信,也可以通过其他形式的信号进行通信,水下通信可以为水声信道通信,也可以是电磁波或者其他形式信号进行通信,本实施例不做限定。
其中,状态信息包括:水上无人机、水面无人艇、多个潜航器的自身当前位置信息、待围捕目标位置、探测信息以及围捕团队能量。还可以包括海洋环境参数以及集群共享历史海洋参数。
在每个时隙,水上无人机可以在路径损失的约束下,通过调整半径来调整搜索范围,将半径范围内中出现的待围捕目标状态信息,通过水上通信发送至水面无人艇,无人艇再通过水下通信将信号传输至潜航器。
其中,无人机可以在路径损失的约束下,通过调整r来调整搜索范围。由于UAV总是对USV可见,UAV和USV之间的通信链路被合理建模为视距无线传输。高度h与半径r的关系可以表示为公式(1):
示例性地,水上无人机与水面无人艇之间的进行电磁波通信,以及水面无人艇与各潜航器之间的进行水声信道通信,潜航器获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息。
步骤202,基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径。
其中,状态信息可以包括位置信息如UAV、USV、UUV围捕团队集群中心点和待围捕目标的坐标。
根据水上无人机、水面无人艇、多个潜航器和待围捕对象的自身当前位置信息、待围捕目标位置、探测信息以及围捕团队能量等状态信息,确定围捕待围捕目标的大致位置。
步骤203,根据围捕路径对待围捕对象进行围捕。
其中,围捕路径为当待围捕目标进入被探测区域时,待围捕目标逃离的路径。
潜航器根据水面无人机获取的状态信息,得到围捕路径从而对待围捕对象进行围捕。
示例性地,当目标进入被探测区域时,围捕任务开始。假设目标能感知到无人潜航器的接近然后以的速度逃离,其中,Vt是目标的随机初始速度,/>表示目标的逃逸方向(远离UUV集群中心与目标连线的方向)。目标安全区域的半径为r2,如果某一个时刻t当UUV进入到区域G,即:/>,认为目标被UUV捕获。
上述围捕方法中,基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,根据围捕路径对待围捕对象进行围捕,本申请通过构建一个包括空中监视、海面中继和水下围捕在内的三层网络,通过水上通信和水下通信的方式,保证了系统的连通性,潜航器无需升上水面即可实现通信,因此提高了水上无人机与潜航器的通信效率。
在一个实施例中,基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径包括:
将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
其中,预设的神经网络模型采取一种高效的深度强化学习方法,可以探索环境,尝试不同状态下的多个动作,并最终通过经验学习到最佳策略,可以是采用DQN方法求解,也可以采用学习方法求解,本实施例不做具体限定。若采用DQN方法求解采用UUV围捕目标的能量优化问题。应用于UUV的DQN模型由状态空间、动作空间、奖励函数和Q值组成:
奖励函数:在采取行动a(t)之后,从状态s(t)到状态s(t+1)的转换生成奖励r(t)可以表示为公式(2)。允许车辆学习通用的策略行为,在特定条件下自动导航:
其中,R 1、R 2和R 3是不同系统状态条件下的奖励值。奖励值R 1对应围捕约束,奖励值R 2促使UUV一步步接近目标。如果系统违反优化问题的约束条件,将得到负奖励R 3。在DQN的学习环境中,当某一行为在当前时隙对r(t)产生积极影响时,该行为更有可能在下一个时隙被选择。
Q值:受UUV在状态s(t)采取动作a(t)影响下迭代更新,可以表示为公式(3):
示例性地,将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息s 1输入采用DQN方法来求解,输入上述状态信心到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径s 2。
上述围捕方法中,将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径,本申请将围捕系统的状态信息通过神经网络模型采用采用深度强化学习方法,实时地将UUV位置、动作作为输入,训练得到近似最优的目标围捕路径,解决了围捕系统水下定位难的问题。
在一个实施例中,上述奖励函数与预设的约束条件存在对应关系,约束条件是以系统能耗最小为目标确定的;
其中,约束条件包括水上无人机的悬停高度范围,水上无人机与水面无人艇之间的水上连通性,水面无人艇与潜航器之间的水下连通性,待围捕对象的围捕距离和潜航器的能量。
其中,在围捕系统中,目标是使围捕系统总能耗E UUV 最小化。
为了使系统总能耗最小化,系统能耗优化问题可定义公式(8)为:
(e)能量平衡约束:UUV内部剩余能量差距的增大,极易导致目标围捕任务的失败。因此,需要考虑围捕集群内部的能量平衡,具体来说,需服从能量约束可表示为公式(9):
示例性地,将水上无人机的悬停高度范围,水上无人机与水面无人艇之间的水上连通性,水面无人艇与潜航器之间的水下连通性,待围捕对象的围捕距离和潜航器的能量控制在约束条件范围内,以保证潜航器集群的总能耗最低
上述围捕方法中,根据水上无人机的悬停高度范围,水上无人机与水面无人艇之间的水上连通性,水面无人艇与潜航器之间的水下连通性,待围捕对象的围捕距离和潜航器的能量等约束条件,以使系统能耗最小,解决了解决资源受限的问题,达到了节约资源的目的。
在一个实施例中,如图3所示,约束条件的确定过程包括:
步骤301,根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
其中,作为无线通信中继,USV在海面上随机游走,在UAV和UUV之间传输控制信息和目标信息。传输成功的概率P c 表示无人机与USV之间的连通性,可表示为公式(10):
示例性地,若水上无人机与水面无人艇之间信号传输的信噪比R和预设信噪比阈值T a ,通过上述公式得到水上无人机与水面无人艇之间的水上连通性P c 。
步骤302,根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
其中,对于水下连通性,我们假设每个UUV可以连接到USV和其他UUV,并让表示它们之间的连通性,其中,/>代表UUV和USV的数量。在这里,/>代表第i个航行器和第j个航行器之间存在通信链路,否则/>。l为UUV和USV上装备的信号发射装置和信号接收装置之间的距离。/>代表/>的第i个特征值。因此,水下连通性定义为公式(12):
围捕系统基于水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,若存在通信链路,根据各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
步骤303,根据运动能耗和通信能耗确定潜航器的能量。
其中,运动能耗指潜航器集群在每个时隙运动的能量消耗,通信能耗指潜航器集群在航行距离l传送k比特数据时的能量消耗,
示例性地,若运动能耗为E m ,通信能耗为E c ,则潜航器的能量为E UUV =E m +E c 。
上述围捕方法中,根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性,根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性,根据运动能耗和通信能耗确定潜航器的能量,本申请通过确定水上连通性和水下连通性,通过系统的深度学习,使得系统之间的连通性提高,根据运动能耗和通信能耗确定潜航器的能量,以便降低系统总能耗。
在一个实施例中,如图4所示,提供了一种围捕方法,以该方法应用于图1中的水面无人艇102为例进行说明,包括以下步骤:
步骤401,建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信。
其中,水上通信可以为电磁波信道通信,也可以通过其他形式的信号进行通信,水下通信可以为水声信道通信,也可以是电磁波或者其他形式信号进行通信,本实施例不做限定。
示例性地,水上无人机与水面无人艇之间的进行电磁波通信,以及水面无人艇与各潜航器之间的进行水声信道通信。
步骤402,基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
其中,围捕路径为当待围捕目标进入被探测区域时,待围捕目标逃离的路径。水上通信可以为电磁波信道通信,也可以通过其他形式的信号进行通信,水下通信可以为水声信道通信,也可以是电磁波或者其他形式信号进行通信,本实施例不做限定。
水上无人机搜索半径范围内的待围捕目标,发现待围捕目标位置后,将目标信息通过水上通信发送至水面无人艇,水面无人艇通过水下通信传输至潜航艇,潜航艇根据状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
示例性地,若水上无人机在500米范围内内的待围捕目标,发现待围捕目标位置为后,将目标信息通过水上通信发送至水面无人艇,水面无人艇通过水下通信传输至潜航艇,潜航艇根据状态信息确定围捕路径s1,并根据围捕路径对待围捕对象进行围捕。
上述围捕方法中,建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕,本申请通过构建一个包括空中监视、海面中继和水下围捕在内的三层网络,通过水上通信和水下通信的方式,保证了系统的连通性,提高了水上无人机与潜航器的通信效率。
在一个实施例中,本申请实施例还可以包括:根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
其中,作为无线通信中继,USV在海面上随机游走,在UAV和UUV之间传输控制信息和目标信息。传输成功的概率P c 表示无人机与USV之间的连通性,可表示为公式(13):
示例性地,若水上无人机与水面无人艇之间信号传输的信噪比R和预设信噪比阈值T a ,通过上述公式得到水上无人机与水面无人艇之间的水上连通性P c 。
上述围捕方法中,根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。本申请通过确定水上连通性,并通过系统的深度学习,使得系统之间的连通性提高。
在一个实施例中,本申请实施例还可以包括:根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
其中,其中,对于水下连通性,我们假设每个UUV可以连接到USV和其他UUV,并让表示它们之间的连通性,其中,/>代表UUV和USV的数量。在这里,/>代表第i个航行器和第j个航行器之间存在通信链路,否则/>。l为UUV和USV上装备的信号发射装置和信号接收装置之间的距离。/>代表/>的第i个特征值。因此,水下连通性定义为公式(15):
围捕系统基于水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,若存在通信链路,根据各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
上述围捕方法中,根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性,本申请通过确定水下连通性,并通过系统的深度学习,使得系统之间的连通性提高。
在一个实施例中,如图5所示,本申请实施例还可以包括:
步骤501,根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
步骤502,根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
步骤503,基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息。
步骤504,将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径。
步骤505,根据围捕路径对待围捕对象进行围捕。
本申请通过基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;根据围捕路径对待围捕对象进行围捕,本申请的围捕系统,使得潜航器无需频繁升至水面进行通信,保证系统连通性,通过联合UAV-USV-UUV系统,保证了系统连通性,保证了系统连通性和合理的跨层资源分配,构建一个包括空中监视、海面中继和水下围捕在内的三层网络。为了在一定的时间内得到可以接受的解,本研究将目标围捕问题建模为马尔可夫决策过程(Markov Decision Process,MDP),采用深度强化学习方法,实时地将UUV位置、动作作为输入,训练得到近似最优的目标围捕路径,解决水下目标围捕系统的定位难题。采用一种改进的深度强化学习的高效求解算法来解决资源受限的问题,通过神经网络与强化学习结合的方式拟实现UAV高度、UUV轨迹以及异构平台之间连通性的联合优化。
应该理解的是,虽然如上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围捕方法的围捕装置。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围捕装置实施例中的具体限定可以参见上文中对于围捕方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种围捕装置,包括:
状态信息获取模块601,基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息。
围捕路径确定模块602,用于基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径。
围捕模块603,用于根据围捕路径对待围捕对象进行围捕。
在一个实施例中,上述围捕路径确定模块602,具体用于将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
在一个实施例中,上述围捕路径确定模块602包括:
约束条件确定子模块,用于根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
连通性确定子模块,根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
能量确定子模块,根据运动能耗和通信能耗确定潜航器的能量。
上述围捕装置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。
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围捕方法的围捕装置。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围捕装置实施例中的具体限定可以参见上文中对于围捕方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种围捕装置,包括:
通信建立模块701,用于建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信;
围捕模块702,用于基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
在一个实施例中,上述围捕装置还包括:
水上连通性确定模块,用于根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
在一个实施例中,上述围捕装置还包括:
水下连通性确定模块,模块根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
在一个实施例中,提供了一种围捕系统,其中,围捕系统包括水上无人机、水面无人艇和多个潜航器;
水上无人机,用于获取待围捕对象的状态信息;
潜航器,用于执行潜航器的围捕方法的步骤;
水面无人艇,用于执行水面无人艇的围捕方法的步骤。
其中,如图1所示,考虑水上-水面-水下三层异构网络支持的水下目标围捕系统(由一架水上无人机UAV,一架水面无人艇USV和多艘潜航器UUV组成)。其中,UAV作为空中监视器(飞行高度h,搜索半径r)用于获取待围捕目标的位置信息,M艘UUV用于执行水下任务与作战,USV起到UAV和UAV之间通信中继的作用。定义UAV和USV的坐标分别为和/>。/>表示UUV围捕团队集群中心点的坐标。
当待围捕目标逃离搜索区域时,UAV-USV-UUV跨层协同系统的围捕任务失败。UAV与USV之间的连接采用的是电磁波信道,而UUV与USV之间的信号传输采用的是水声信道。在连通性和能量的约束下,所有UUV相互组队,协同围捕目标。在每个任务时隙中,当UAV接收到目标的大致位置时,UUV迅速组成围捕团队对目标进行追踪与围捕。
上述围捕系统,通过预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,保证系统连通性,潜航器无需升上水面即可实现通信,因此提高了通信效率。
在一个实施例中,提供了一种潜航器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该潜航器的处理器用于提供计算和控制能力。该潜航器的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该潜航器的数据库用于存储状态信息数据。该潜航器的输入/输出接口用于处理器与外部设备之间交换信息。该潜航器的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种围捕方法。
在一个实施例中,提供了一种水面无人艇,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该水面无人艇的处理器用于提供计算和控制能力。该水面无人艇的存储器包括非易失性存储介质和内存储器。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。该水面无人艇的输入/输出接口用于处理器与外部设备之间交换信息。该水面无人艇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围捕方法。
本领域技术人员可以理解,图8和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潜航器和水面无人艇的限定,具体的潜航器和水面无人艇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。
在一个实施例中,提供了一种潜航器,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以下步骤:
基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;
基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;
根据围捕路径对待围捕对象进行围捕。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性;
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性;
根据运动能耗和通信能耗确定潜航器的能量。
在一个实施例中,提供了一种水面无人艇,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以下步骤:
建立水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信;
基于水上通信和水下通信,将水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息传输至各潜航器,以供各潜航器基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径,并根据围捕路径对待围捕对象进行围捕。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;
基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;
根据围捕路径对待围捕对象进行围捕。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性;
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性;
根据运动能耗和通信能耗确定潜航器的能量。
在一个实施例中,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以下步骤:
基于预先建立的水上无人机与水面无人艇之间的水上通信,以及水面无人艇与各潜航器之间的水下通信,获取水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息;
基于水上无人机、水面无人艇、多个潜航器和待围捕对象的状态信息确定围捕路径;
根据围捕路径对待围捕对象进行围捕。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将水上无人机、水面无人艇、多个潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到神经网络模型输出的下一时刻的围捕路径;其中,神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据水上无人机与水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定水上无人机与水面无人艇之间的水上连通性;
根据水面无人艇和潜航器的数量、每两个潜航器之间是否存在通路链路,各潜航器与水面无人艇之间的距离,确定水面无人艇与潜航器之间的水下连通性;
根据运动能耗和通信能耗确定潜航器的能量。
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 AccessMemory,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 (6)
1.一种围捕方法,其特征在于,应用于围捕系统中的任一潜航器,所述围捕系统包括水上无人机、水面无人艇和多个所述潜航器,所述方法包括:
基于预先建立的所述水上无人机与所述水面无人艇之间的水上通信,以及所述水面无人艇与各所述潜航器之间的水下通信,获取所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象的状态信息;
将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到所述神经网络模型输出的下一时刻的围捕路径;
根据所述围捕路径对所述待围捕对象进行围捕;
其中,所述神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的;
所述奖励函数与预设的约束条件存在对应关系,所述约束条件是以系统能耗最小为目标确定的;所述约束条件包括所述水上无人机的悬停高度范围,所述水上无人机与所述水面无人艇之间的水上连通性,所述水面无人艇与所述潜航器之间的水下连通性,所述待围捕对象的围捕距离和所述潜航器的能量;
所述约束条件的确定过程包括:
根据所述水上无人机与所述水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定所述水上无人机与所述水面无人艇之间的水上连通性;
根据所述水面无人艇和所述潜航器的数量、每两个所述潜航器之间是否存在通路链路,各所述潜航器与所述水面无人艇之间的距离,确定所述水面无人艇与所述潜航器之间的水下连通性。
2.根据权利要求1所述的方法,其特征在于,所述约束条件的确定过程还包括:
根据运动能耗和通信能耗确定所述潜航器的能量。
3.一种围捕方法,其特征在于,应用于围捕系统中的水面无人艇,所述围捕系统包括水上无人机、所述水面无人艇和多个潜航器,所述方法包括:
建立所述水上无人机与所述水面无人艇之间的水上通信,以及所述水面无人艇与各所述潜航器之间的水下通信;
基于所述水上通信和所述水下通信,将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象的状态信息传输至各所述潜航器,将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到所述神经网络模型输出的下一时刻的围捕路径;根据所述围捕路径对所述待围捕对象进行围捕;
其中,所述神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的;
所述奖励函数与预设的约束条件存在对应关系,所述约束条件是以系统能耗最小为目标确定的;所述约束条件包括所述水上无人机的悬停高度范围,所述水上无人机与所述水面无人艇之间的水上连通性,所述水面无人艇与所述潜航器之间的水下连通性,所述待围捕对象的围捕距离和所述潜航器的能量;
所述约束条件的确定过程包括:
根据所述水上无人机与所述水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定所述水上无人机与所述水面无人艇之间的水上连通性;
根据所述水面无人艇和所述潜航器的数量、每两个所述潜航器之间是否存在通路链路,各所述潜航器与所述水面无人艇之间的距离,确定所述水面无人艇与所述潜航器之间的水下连通性。
4.一种围捕装置,其特征在于,应用于围捕系统中的任一潜航器,所述围捕系统包括水上无人机、水面无人艇和多个所述潜航器,所述装置包括:
状态信息获取模块,基于预先建立的所述水上无人机与所述水面无人艇之间的水上通信,以及所述水面无人艇与各所述潜航器之间的水下通信,获取所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象的状态信息;
围捕路径确定模块,用于将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到所述神经网络模型输出的下一时刻的围捕路径;
围捕模块,用于根据所述围捕路径对所述待围捕对象进行围捕;
其中,所述神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的;
所述奖励函数与预设的约束条件存在对应关系,所述约束条件是以系统能耗最小为目标确定的;所述约束条件包括所述水上无人机的悬停高度范围,所述水上无人机与所述水面无人艇之间的水上连通性,所述水面无人艇与所述潜航器之间的水下连通性,所述待围捕对象的围捕距离和所述潜航器的能量;
所述约束条件的确定过程包括:
根据所述水上无人机与所述水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定所述水上无人机与所述水面无人艇之间的水上连通性;
根据所述水面无人艇和所述潜航器的数量、每两个所述潜航器之间是否存在通路链路,各所述潜航器与所述水面无人艇之间的距离,确定所述水面无人艇与所述潜航器之间的水下连通性。
5.一种围捕装置,其特征在于,应用于围捕系统中的水面无人艇,所述围捕系统包括水上无人机、所述水面无人艇和多个潜航器,所述装置包括:
通信建立模块,用于建立所述水上无人机与所述水面无人艇之间的水上通信,以及所述水面无人艇与各所述潜航器之间的水下通信;
围捕模块,用于基于所述水上通信和所述水下通信,将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象的状态信息传输至各所述潜航器,将所述水上无人机、所述水面无人艇、多个所述潜航器和待围捕对象在前一时刻的状态信息输入到预设的神经网络模型中,得到所述神经网络模型输出的下一时刻的围捕路径;根据所述围捕路径对所述待围捕对象进行围捕;
其中,所述神经网络模型是基于状态空间、动作空间、奖励函数和更新函数建立的;
所述奖励函数与预设的约束条件存在对应关系,所述约束条件是以系统能耗最小为目标确定的;所述约束条件包括所述水上无人机的悬停高度范围,所述水上无人机与所述水面无人艇之间的水上连通性,所述水面无人艇与所述潜航器之间的水下连通性,所述待围捕对象的围捕距离和所述潜航器的能量;
所述约束条件的确定过程包括:
根据所述水上无人机与所述水面无人艇之间信号传输的信噪比和预设信噪比阈值,确定所述水上无人机与所述水面无人艇之间的水上连通性;
根据所述水面无人艇和所述潜航器的数量、每两个所述潜航器之间是否存在通路链路,各所述潜航器与所述水面无人艇之间的距离,确定所述水面无人艇与所述潜航器之间的水下连通性。
6.一种围捕系统,其特征在于,所述围捕系统包括水上无人机、水面无人艇和多个潜航器;
所述水上无人机,用于获取待围捕对象的状态信息;
所述潜航器,用于执行如权利要求1-2任一项所述的方法;
所述水面无人艇,用于执行如权利要求3-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452378.4A CN116166034B (zh) | 2023-04-25 | 2023-04-25 | 跨域协同围捕方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452378.4A CN116166034B (zh) | 2023-04-25 | 2023-04-25 | 跨域协同围捕方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116166034A CN116166034A (zh) | 2023-05-26 |
CN116166034B true CN116166034B (zh) | 2023-07-14 |
Family
ID=86411764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452378.4A Active CN116166034B (zh) | 2023-04-25 | 2023-04-25 | 跨域协同围捕方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166034B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520851B (zh) * | 2023-06-01 | 2023-09-22 | 清华大学 | 物体围捕方法和装置 |
CN117022649B (zh) * | 2023-10-08 | 2024-01-19 | 成都诸元天成智能装备有限公司 | 一种使用无人机投掷唤醒装置的系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018011567A (ja) * | 2016-07-22 | 2018-01-25 | 克己 武田 | 魚類捕獲装置としての無人航行機及びそれを用いた魚類捕獲方法 |
CN112558642B (zh) * | 2020-12-30 | 2022-09-13 | 上海大学 | 一种适用于异构多无人系统的海空联合围捕方法 |
CN113037395B (zh) * | 2021-02-25 | 2023-02-03 | 航天时代(青岛)海洋装备科技发展有限公司 | 一种水上水下跨域无人装备协同作业方法 |
CN113342015A (zh) * | 2021-06-15 | 2021-09-03 | 哈尔滨工程大学 | 一种分布式海域跨介质异构系统一致性编队方法 |
CN114326798A (zh) * | 2021-12-16 | 2022-04-12 | 珠海云洲智能科技股份有限公司 | 无人机、无人艇及无人潜器的运动规划方法和存储介质 |
CN114815891A (zh) * | 2022-05-15 | 2022-07-29 | 西北工业大学 | 一种基于per-idqn的多无人机围捕战术方法 |
CN115525058B (zh) * | 2022-10-24 | 2023-05-16 | 哈尔滨工程大学 | 一种基于深度强化学习的无人潜航器集群协同对抗方法 |
-
2023
- 2023-04-25 CN CN202310452378.4A patent/CN116166034B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116166034A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116166034B (zh) | 跨域协同围捕方法、装置及系统 | |
Zhang et al. | Collision-avoidance navigation systems for Maritime Autonomous Surface Ships: A state of the art survey | |
Liu et al. | Self-adaptive dynamic obstacle avoidance and path planning for USV under complex maritime environment | |
Liu et al. | Intelligent multi-task allocation and planning for multiple unmanned surface vehicles (USVs) using self-organising maps and fast marching method | |
CN108681321B (zh) | 一种无人船协同编队的水下探测方法 | |
CN108549369B (zh) | 一种复杂海况下多无人艇协同编队的系统及方法 | |
CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
US20210099228A1 (en) | Underwater free space optical communication systems | |
Christensen et al. | Design of communication and control for swarms of aquatic surface drones | |
Ouyang et al. | Initial development of the hybrid aerial underwater robotic system (haucs): Internet of things (iot) for aquaculture farms | |
CN112766329B (zh) | 一种多无人艇协同拦截控制方法及系统 | |
Burlutskiy et al. | Power efficient formation configuration for centralized leader–follower AUVs control | |
Li et al. | A survey of maritime unmanned search system: theory, applications and future directions | |
Reed et al. | Multi-vehicle dynamic pursuit using underwater acoustics | |
Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
Huixi et al. | Heterogeneous oceanographic exploration system based on USV and AUV: A survey of developments and challenges | |
Marino et al. | Experiments on sampling/patrolling with two autonomous underwater vehicles | |
Karthik | Underwater vehicle for surveillance with navigation and swarm network communication | |
CN109916400B (zh) | 一种基于梯度下降算法与vo法相结合的无人艇避障方法 | |
Wen et al. | Intelligent multi-AUG ocean data collection scheme in maritime wireless communication network | |
Zhang et al. | Communication network and qos evaluation for formation control of unmanned surface vehicles | |
Lawrance et al. | Shared autonomy for low‐cost underwater vehicles | |
Yang et al. | The technological development and prospect of unmanned surface vessel | |
Van et al. | Underwater searching based on AUV-ASV cooperation | |
Gao et al. | Artificial intelligence algorithms in unmanned surface vessel task assignment and path planning: A survey |
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 |