CN116243717A - 考虑海流不确定性的水下机器人时间最优路径规划方法 - Google Patents
考虑海流不确定性的水下机器人时间最优路径规划方法 Download PDFInfo
- Publication number
- CN116243717A CN116243717A CN202211343022.9A CN202211343022A CN116243717A CN 116243717 A CN116243717 A CN 116243717A CN 202211343022 A CN202211343022 A CN 202211343022A CN 116243717 A CN116243717 A CN 116243717A
- Authority
- CN
- China
- Prior art keywords
- ocean current
- time
- interval
- path
- ocean
- 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 36
- 239000002245 particle Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009897 systematic effect 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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-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
- 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
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
本发明公开了考虑海流不确定性的水下机器人时间最优路径规划方法。包括以下步骤:S1:基于海流预测系统给出的预测值,构建不确定海流场模型;S2:使用量子粒子群算法,生成三维B样条曲线形式的候选路径;S3:使用矢量分析法计算候选路径在区间海流环境下航行时间的最大值与最小值;S4:通过区间序关系转换模型,将候选路径的响应区间转换为表示区间半径及区间平均性能的多目标优化问题;S5:利用线性加权法,获得候选路径的评价函数值;S6:将评价函数值作为候选路径的适应度值,并返回到量子粒子群算法,量子粒子群算法根据寻优机制搜索最优路径。减小海流不确定对路径规划器的影响,提高路径规划算法的鲁棒性。
Description
技术领域
本发明涉及机器人智能控制领域,尤其涉及一种三维海洋环境下考虑海流不确定性的自主水下航行器时间最优路径规划方法。
背景技术
由于海洋环境的复杂性,AUV的工作空间存在诸多的不确定因素,如障碍物位置信息的不确定性,导航不确定性及由海流的时变性及海流预测系统不精确导致海流信息的不确定性等。
针对这些问题,国内外学者提出了多种解决方案,如在障碍物位置不确定性的处理中,对其进行膨胀处理,基于区间优化算法解决障碍物及危险区域不确定性问题,基于非精确导航信息下的AUV路径规划方法等。在AUV最优时间及最优能耗路径规划领域,本质是对海流的利用,因此对预测海流不确定性的处理显得尤为重要,且更具实际意义。然而,针对海流信息的不确定性,解决方案尚存在不足,如算法复杂度高,或仅适用于二维环境等。
例如,一种在中国专利文献上公开的“目标导向集中优化的快速水下机器人三维路径规划方法”,其公告号CN110196602B,在RRT*路径规划方法中引进目标导向的高斯采样策略,减少了水下障碍物分布稀少时采样点的随机性;并结合随机扰动进行采样,可以使随机树合理地远离障碍区域,避免陷入局部最小值,快速地将搜索导向目标;并采用集中优化搜索策略对本发明获得的初始路径进行路径优化处理,提高优化收敛速率和路径的质量,实现渐进最优。但是该方案算法的复杂度较高,计算量大。
发明内容
本发明主要解决现有技术针对海流信息的不确定性,算法复杂度高或仅适用于二维环境的问题;提供考虑海流不确定性的水下机器人时间最优路径规划方法,以减小海流不确定对路径规划器的影响,提高路径规划算法的鲁棒性。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
考虑海流不确定性的水下机器人时间最优路径规划方法,包括以下步骤:
S1:基于海流预测系统给出的预测值,构建不确定海流场模型;
S2:使用量子粒子群算法,生成三维B样条曲线形式的候选路径;
S3:使用矢量分析法计算三维B样条曲线形式的候选路径在区间海流环境下航行时间的最大值与最小值;
S4:通过区间序关系转换模型,将候选路径的响应区间转换为表示区间半径及区间平均性能的多目标优化问题;
S5:利用线性加权法,将该多目标优化问题转换为单目标优化问题,获得候选路径的评价函数值;
S6:将评价函数值作为候选路径的适应度值,并返回到量子粒子群算法,量子粒子群算法根据寻优机制搜索最优路径。
本方案使用矢量分析法计算三维B样条曲线形式的候选路径在区间海流环境下航行时间的最大值与最小值,以减小海流不确定对路径规划器的影响,提高路径规划算法的鲁棒性。
作为优选,所述的不确定海流场模型包括海流方向区间和海流大小区间;
海流方向区间为[lbcd,ubcd],其中,
海流大小区间为[lbcm,ubcm],其中,
式中,cdN和CmN分别表示海流水平方向和大小的名义值,其值为海流预测系统的预测值;v和σ分别表示海流水平方向和大小的不确定性水平。
作为优选,量子粒子群中,每个粒子的维数为空间维度D×中间路径点数量n,表示n个中间路径点的位置,中间路径点个数根据海流和环境复杂程度确定;当粒子的位置确定后,通过中间路径点的位置生成B样条曲线。
作为优选,三维B样条曲线路径的生成方式为:
其中,B矩阵为样条曲线基函数矩阵;
X、Y、Z是控制点在x轴,y轴和z轴的坐标向量;
(xu,yu,zu)为三维空间B样条曲线上其中一点的坐标。
作为优选,所述的步骤S3包括计算预航行方向投影在海流角度区间内的航行时间的最大值与最小值以及预航行方向投影在海流角度区间内的航行时间的最大值与最小值。
作为优选,预航行方向投影在海流角度区间内最小航行时间:
[lbcm,ubcm]为海流大小区间;
预航行方向投影在海流角度区间内最大航行时间:
作为优选,预航行方向在海流角度区间外的最小航行时间:
作为优选,水下机器人的航行时间:
式中,t代表水下机器人的航行时间;
作为优选,采用区间序关系判断某一区间是否优于或劣于另一区间:
作为优选,采用≤CW序关系模型及线性加权法将航行时间区间转化为确定性评价函数:
C∈CI=[CL,CR]
式中,fd为评价函数;
C表示不确定海流矢量;
CI为航行时间区间;
CL为最小航行时间;
CR为最大航行时间;
ω为多目标权系数;
本发明的有益效果是:
本方案使用矢量分析法计算三维B样条曲线形式的候选路径在区间海流环境下航行时间的最大值与最小值,以减小海流不确定对路径规划器的影响,提高路径规划算法的鲁棒性。
附图说明
图1是本发明的水下机器人时间最优路径规划方法流程图。
图2是本发明的基于区间海流的环境模型示意图。
图3是本发明三维搜索空间中B样条曲线控制点分布方式的示意图。
图4是本发明航行方向在海流区间内的三维环境中区间海流与预航行矢量示意图。
图5是本发明航行方向在海流区间外的三维环境中区间海流与预航行矢量示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的考虑海流不确定性的水下机器人时间最优路径规划方法,如图1所示,包括以下步骤:
步骤1:基于海流预测系统给出的预测值,构建不确定海流场模型。
首先,设置量子粒子群参数,在本实施例中,量子粒子群粒子数量设为100,最大迭代次数为500。学习参数设置为随迭代次数渐次改变,具体形式为:
其中,τ为学习系数,其值随着迭代次数的增加,不断减小,目的为在算法前期增加探索能力,后期增加局部搜索能力,更容易搜索到最优结果;
Xmax为最大迭代次数;
Xc为当前迭代次数。
随机生成一组粒子,作为初始变量,其中每一个粒子表示一条候选路径。
其次,构建不确定海流场模型。海流数据可由海流预测系统(如ROMS)获取,环境模型可由国家海洋科学数据中心获取。在构建不确定海流场模型时,忽略了海流的垂向速度。这种近似是合理的,因为垂向海流通常较小,其值仅为几厘米/天到几十厘米/时,相对于水平流的几厘米/秒到300厘米/秒以及自主水下航行器的数米/秒的速度可以忽略不计。基于此,三维环境下的海流信息被构建为二维区间参数处理,海流方向和大小区间分别表示为[lbcd,ubcd]和[lbcm,ubcm]。其中,lbcd,ubcd,lbcm,ubcm表达式如下:
式中,cdN和cmN分别表示海流水平方向和大小的名义值,其值为海流预测系统的预测值;v和σ分别表示海流水平方向和大小的不确定性水平。其中,σ∈(0,1)。不确定水平需要根据预测系统误差及历史数据进行估计。如图2所示为v和σ分别为20°和0.2时,不确定海流模型形式。
步骤2:使用量子粒子群算法,生成三维B样条曲线形式的候选路径。
量子粒子群中,每个粒子的维数为空间维度D×中间路径点数量n,表示n个中间路径点的位置,中间路径点个数可根据海流和环境复杂程度确定。在三维空间中,粒子维数为3×n。当粒子的位置确定后,可以通过中间路径点的位置生成B样条曲线。量子粒子群的优化变量为控制点的位置,当控制点位置确定,可通过下述方式生成三维B样条曲线路径:假设三维空间B样条曲线的前四个控制点为C1,C2,C3,C4,则B样条基函数矩阵可以表示为:
U=[u3 u2 u 1] u∈[0,1]
其中,U为节点向量,其值根据u确定;
u在[0,1]之间取值,每个u对应一个样条曲线上的点;
S为基函数转换矩阵。
三维空间B样条曲线方程用矩阵表示为:
其中,B矩阵为样条曲线基函数矩阵,X、Y、Z是控制点C1,C2,C3,C4在x轴,y轴和z轴的坐标向量,(xu,yu,zu)为三维空间B样条曲线上其中一点的坐标。
随着u由0在区间[0,1]内逐步增加,可得到一系列的点坐标(xu,yu,zu),将各点相连便可获得第一段三维空间的B样条曲线,且u在区间[0,1]内划分的越细致,曲线越光滑。将控制点变为C1,C2,C3,C4,套用上述表达式,可以得到第二段三维空间B样条曲线。需要说明的是,在路径规划中,为了令三维B样条曲线两端点与起始点重合,需要将前两个控制点设置为起点,后两个控制点设置为终点。其余路径中间点可均匀分布于搜索空间进行探索,如图3所示。
步骤3:使用矢量分析法计算由步骤2产生的三维候选路径在区间海流环境下航行时间的最大值与最小值,即响应区间。
1)如图4所示,预航行方向投影在海流角度区间内;
2)如图5所示,预航行方向在海流角度区间外;
步骤4:通过区间序关系转换模型,将候选路径的响应区间转换为表示区间半径及区间平均性能的多目标优化问题。
对于任一候选路径,航行时间的取值为区间而非确定的实数值,故在区间优化过程中,需要比较不同候选路径的航行时间区间的优劣,从而评价相应的候选路径的优劣。在区间优化中,可以用区间序关系判断某一区间是否优于或劣于另一区间。如候选路径ΓA的航行时间区间为其中和分别代表最小航行时间和最大航行时间,的中点及半径值分别记为和其表达式如下:
步骤5:利用线性加权法,将该多目标优化问题转换为单目标优化问题,获得候选路径的评价函数值。
采用≤cw序关系模型及线性加权法将航行时间区间转化为确定性评价函数:
C∈CI=[CL,CR]
式中,fd为评价函数;
C表示不确定海流矢量;
ω为多目标权系数,0≤ω≤1,其值可根据决策者的偏好设定;
步骤6:将步骤5所得评价函数值作为候选路径的适应度值,并返回到量子粒子群算法,量子粒子群算法根据其寻优机制搜索最优路径。
1)计算平均最佳位置:
2)更新个体粒子最佳位置和种群最佳位置:在当前迭代次数下,若粒子的评价函数值为该粒子的最小评价函数值,则记录该粒子的位置,作为个体粒子最佳位置;若在当前迭代次数下,某一粒子的评价函数值为种群最小评价值,则记录该粒子的位置,作为种群最佳位置。该步骤的数学表达式如下
个体粒子最佳位置更新:
式中,Pi(Xc)为迭代次数为Xc时,粒子i的最佳位置;
f(Pi(Xc))为粒子i在位置Pi(Xc)时的评价函数值。
种群最佳位置更新:
式中,G(Xc)为迭代次数为Xc时,所有粒子最佳位置中评价函数值最小的粒子位置,即种群最佳位置。
3)更新粒子速度和位置信息,具体为:
ψi,j(Xc)=τ·|mbestj(Xc)-Pi,j(Xc)|
其中,mbest(Xc)为个体粒子最佳位置平均值;
τ为学习系数,其值随着迭代次数的增加,不断减小,目的为在算法前期增加探索能力,后期增加局部搜索能力,更容易搜索到最优结果;
vi(Xc)为根据粒子i最佳位置和全局最佳位置随机生成的粒子位置,用于后续更新粒子位置;
ψi(XC)为粒子i速度,用于后续更新粒子位置;
Xmax为最大迭代次数;
Xc为当前迭代次数;
Pi(Xc+1)为更新后的粒子位置。
4)判断是否符合终止条件,若符合,结束迭代,输出最优结果;若不符合,返回步骤2。
除最大迭代次数外,附加终止判断:
当W小于10-5时,终止准则被满足。式中,r代表当前迭代次数,E代表相应的适应度值。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (10)
1.考虑海流不确定性的水下机器人时间最优路径规划方法,其特征在于,包括以下步骤:
S1:基于海流预测系统给出的预测值,构建不确定海流场模型;
S2:使用量子粒子群算法,生成三维B样条曲线形式的候选路径;
S3:使用矢量分析法计算三维B样条曲线形式的候选路径在区间海流环境下航行时间的最大值与最小值;
S4:通过区间序关系转换模型,将候选路径的响应区间转换为表示区间半径及区间平均性能的多目标优化问题;
S5:利用线性加权法,将该多目标优化问题转换为单目标优化问题,获得候选路径的评价函数值;
S6:将评价函数值作为候选路径的适应度值,并返回到量子粒子群算法,量子粒子群算法根据寻优机制搜索最优路径。
3.根据权利要求1所述的考虑海流不确定性的水下机器人时间最优路径规划方法,其特征在于,量子粒子群中,每个粒子的维数为空间维度D×中间路径点数量n,表示n个中间路径点的位置,中间路径点个数根据海流和环境复杂程度确定;当粒子的位置确定后,通过中间路径点的位置生成B样条曲线。
5.根据权利要求1所述的考虑海流不确定性的水下机器人时间最优路径规划方法,其特征在于,所述的步骤S3包括计算预航行方向投影在海流角度区间内的航行时间的最大值与最小值以及预航行方向投影在海流角度区间内的航行时间的最大值与最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343022.9A CN116243717A (zh) | 2022-10-28 | 2022-10-28 | 考虑海流不确定性的水下机器人时间最优路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343022.9A CN116243717A (zh) | 2022-10-28 | 2022-10-28 | 考虑海流不确定性的水下机器人时间最优路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116243717A true CN116243717A (zh) | 2023-06-09 |
Family
ID=86635415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211343022.9A Pending CN116243717A (zh) | 2022-10-28 | 2022-10-28 | 考虑海流不确定性的水下机器人时间最优路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116243717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608200A (zh) * | 2024-01-23 | 2024-02-27 | 山东科技大学 | 一种海洋航行器路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244759A (zh) * | 2019-06-05 | 2019-09-17 | 哈尔滨工程大学 | 一种基于区间优化的水下机器人时间最优路径规划方法 |
CN113985899A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 基于区间多目标优化的水下机器人全局路径规划方法 |
-
2022
- 2022-10-28 CN CN202211343022.9A patent/CN116243717A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244759A (zh) * | 2019-06-05 | 2019-09-17 | 哈尔滨工程大学 | 一种基于区间优化的水下机器人时间最优路径规划方法 |
CN113985899A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 基于区间多目标优化的水下机器人全局路径规划方法 |
Non-Patent Citations (1)
Title |
---|
ZHENG ZENG等: "Shell space decomposition based path planning for AUVs operating in a variable environment", 《OCEAN ENGINEERING 》, 1 November 2014 (2014-11-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608200A (zh) * | 2024-01-23 | 2024-02-27 | 山东科技大学 | 一种海洋航行器路径规划方法 |
CN117608200B (zh) * | 2024-01-23 | 2024-05-10 | 山东科技大学 | 一种海洋航行器路径规划方法 |
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 | |
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
CN108803321B (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 | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
Shi et al. | Adaptive informative sampling with environment partitioning for heterogeneous multi-robot systems | |
Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
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 | |
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
CN112612290B (zh) | 一种考虑洋流的水下航行器三维多任务路径规划方法 | |
CN109931943A (zh) | 无人船舶全局路径规划方法及电子设备 | |
Liu et al. | Intelligent path planning for AUVs in dynamic environments: An EDA-based learning fixed height histogram approach | |
Yan et al. | Autonomous underwater vehicles: localization, tracking, and formation | |
Sadhu et al. | Aerial-DeepSearch: Distributed multi-agent deep reinforcement learning for search missions | |
CN116243717A (zh) | 考虑海流不确定性的水下机器人时间最优路径规划方法 | |
CN113985899A (zh) | 基于区间多目标优化的水下机器人全局路径规划方法 | |
CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
CN109190787B (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
Brintaki et al. | Coordinated UAV path planning using differential evolution | |
CN115731747B (zh) | 一种低空多无人机概率型冲突探测方法及存储介质 | |
CN117029818A (zh) | 一种非结构化封闭环境中多车协同路径规划方法 | |
Yu et al. | Learning and Sampling-Based Informative Path Planning for AUVs in Ocean Current Fields | |
CN115951682A (zh) | 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法 | |
Wang et al. | Efficient reinforcement learning for autonomous ship collision avoidance under learning experience reuse | |
CN110032070B (zh) | 基于粒子群模糊树的移动无线传感器网络的目标跟踪方法 | |
Artusi et al. | Path planning for a maritime suface ship based on Deep Reinforcement Learning and weather data |
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 |