CN116907452A - 基于集群auv数据驱动的亚中尺度涡观测方法 - Google Patents
基于集群auv数据驱动的亚中尺度涡观测方法 Download PDFInfo
- Publication number
- CN116907452A CN116907452A CN202310662098.6A CN202310662098A CN116907452A CN 116907452 A CN116907452 A CN 116907452A CN 202310662098 A CN202310662098 A CN 202310662098A CN 116907452 A CN116907452 A CN 116907452A
- Authority
- CN
- China
- Prior art keywords
- vortex
- observation
- auv
- data
- sub
- 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 61
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 19
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 6
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 6
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 claims abstract 2
- 238000005070 sampling Methods 0.000 claims description 24
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 230000006855 networking Effects 0.000 abstract description 2
- 238000005755 formation reaction Methods 0.000 description 13
- 238000011960 computer-aided design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- AMHIJMKZPBMCKI-PKLGAXGESA-N ctds Chemical compound O[C@@H]1[C@@H](OS(O)(=O)=O)[C@@H]2O[C@H](COS(O)(=O)=O)[C@H]1O[C@H]([C@@H]([C@H]1OS(O)(=O)=O)OS(O)(=O)=O)O[C@H](CO)[C@H]1O[C@@H](O[C@@H]1CO)[C@H](OS(O)(=O)=O)[C@@H](OS(O)(=O)=O)[C@@H]1O[C@@H](O[C@@H]1CO)[C@H](OS(O)(=O)=O)[C@@H](OS(O)(=O)=O)[C@@H]1O[C@@H](O[C@@H]1CO)[C@H](OS(O)(=O)=O)[C@@H](OS(O)(=O)=O)[C@@H]1O[C@@H](O[C@@H]1CO)[C@H](OS(O)(=O)=O)[C@@H](OS(O)(=O)=O)[C@@H]1O[C@@H](O[C@@H]1CO)[C@H](OS(O)(=O)=O)[C@@H](OS(O)(=O)=O)[C@@H]1O2 AMHIJMKZPBMCKI-PKLGAXGESA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Fluid Mechanics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种基于集群AUV数据驱动的亚中尺度涡观测方法，基于多台自主式水下航行器进行水面与水下组网协同观测，利用AUV高机动性和多传感器协作性，搭载CTD、叶绿素与ADCP等传感器，以编队协同的模式在亚中尺度涡旋中进行多层面、多剖面以及断面自主数据采集；作业过程中各AUV编队内部和各编队之间进行涡结构观测数据与任务信息共商共享，基于涡结构特征数据，每台AUV在涡旋确定层面、断面以及多层面之间进行基于数据驱动的在线路径调整，实现亚中尺度涡高智慧、高效率的跟踪观测，本方案能够大力推进亚中尺度观测立体化、智能化以及灵活化，为实现亚中尺度涡精细化监测与识别、演化过程追踪提供先进的技术方案。
Description
技术领域
本发明属于亚中尺度涡观测领域，具体涉及一种基于集群AUV数据驱动的亚中尺度涡观测方法。
背景技术
亚中尺度涡是指海洋里空间尺度O(1–10)公里、时间尺度O(1–10)天的涡旋，在大洋能量串级和物质输运中扮演重要角色，对海洋生地化过程和海气相互作用等具有重要调控作用，是当前海洋科学的前沿和热点研究领域。目前针对亚中尺度涡旋立体结构与演化过程的跟踪观测手段匮乏，尚未有完整的立体结构数据。
申请公布号为【CN107655460A】的发明专利公开一种水下滑翔机的中尺度涡观测方法，首先在水下滑翔机上安装加速度传感器监测水下滑翔机中性悬停时随水体的运动加速度和速度，再通过海表高度异常资料总体判断待测中尺度涡的位置、范围和移动趋势，利用两台滑翔机在中尺度涡移动方向及其法向上做正交路径的剖面观测，进行中尺度涡整体性初测；然后用四台滑翔机分别在中尺度涡的海表面最大流速带处、中心区的不同深度处、最大跃层梯度层的最大流速带处和下均匀层最大流速带处分别中性悬停并做随流观测。另外，申请公布号为【CN113741449A】的发明专利公开一种面向海空协同观测任务的多智能体控制方法，利用单艘无人艇搜寻出中尺度涡内具有观测价值的区域；无人艇从涡流的最外侧沿着直线向中心行驶，艇上搭载的传感器每隔一段时间采集一次水温，并将水温数据由高到底进行排序，得到水温变化梯度大的区域；派出多艘无人艇在以上区域内搜寻等温线，采用数据驱动和深度确定性策略梯度算法对各艘无人艇的航姿继续控制，已确保其行驶在等温线上；派遣无人机前往涡流的中心，采用多智能体深度确定性策略梯度算法控制无人机与各无人艇汇合。
但是，由于亚中尺度涡生命周期短，空间尺度较小，演化过程规律难以捉摸，传统的卫星遥感、大型潜/浮标、海洋表面剖面浮标观测方式时空分辨率较低；高频雷达(HFR)虽时空分辨率较高，只能实现海洋表面涡流的观测；水下滑翔机等无人设备虽然能够实现剖面观测，但机动性与自主化水平欠缺，且无法实现亚中尺度涡演化过程的跟踪观测。
故而，亟待提出一种新的适用亚中尺度涡的观测方法，以实现面向亚中尺度涡立体结构获取与演化过程的动态跟踪观测，促进对海洋环流过程的理解和建模，揭示亚中尺度涡深层精细结构与机理，特别是其动态演化过程等重大科学规律，为我国开展高分辨率海洋观测、积累丰富观测数据提供先进的观测手段。
发明内容
本发明针对现有技术中对亚中尺度涡观测存在的缺陷，提出一种基于集群高智慧AUV数据驱动的亚中尺度涡观测方法，结合确定层面、断面与多层面观测获取完整的亚中尺度涡立体数据。
本发明是采用以下的技术方案实现的：一种基于集群AUV数据驱动的亚中尺度涡观测方法，包括以下步骤：
步骤A、建立观测区域，获取亚中尺度涡位置，并布放多台AUV至指定区域，所述AUV上搭载多种不同类型传感器，传感器类型包括但不限于CTD、叶绿素与ADCP；
步骤B、对多台AUV进行编队，基于亚中尺度涡特征分布密集程度与涡边界特征识别结果对亚中尺度涡进行确定层面上的追踪观测；
步骤C、根据亚中尺度涡的运动方向进行AUV编队断面观测路径规划，实现断面观测；
步骤D、结合涡心位置与涡旋运动轨迹预设下一层面的观测路径，采用步骤B的方式，根据亚中尺度涡演化方向对下一层面观测；
步骤E、重复步骤B-步骤D直至亚中尺度涡观测完成。
进一步的，所述步骤B中，在进行某一确定层面的追踪观测时，具体包括以下步骤：
步骤B1、基于观测数据建立高斯回归模型：
(1)数据获取：获取亚中尺度涡的边界特征数据的在线识别结果，并基于滑动平均滤波法处理识别结果时间序列；
(2)预测模型更新：结合多AUV共享自身特征数据的识别结果，根据识别结果更新高斯回归模型；
步骤B2、某一确定层面的观测路径规划：基于高斯回归模型预测未观测区域的数据，并计算区域梯度极值，基于任务模式以及梯度极值选择观测方向，并最终确定任务执行状态。
进一步的，所述步骤B1中，具体采用以下方式：
(1)每条AUV对实时获取的多种传感器时序信号(MTS)进行同步和关联处理，以数值模拟得出的异常阈值范围作为先验知识，对预处理后的MTS进行局部特征和全局特征建模，得到重构时序信息，并基于重构误差检测异常，实现涡边界的在线识别；
(2)AUV在完成一定时间间隔内的涡旋边界特征数据识别后，将识别结果传输给编队内其他成员；基于自身积累的观测数据识别结果与编队内共享的信息，各AUV根据识别结果更新高斯过程回归(GPR)模型。
进一步的，所述步骤B1中，AUV获取涡边界特征数据的在线识别结果以0或1表示，0代表不是边界，1代表是边界；基于滑动平均滤波法处理识别结果时间序列，依顺序存放n个识别结果，每获取到一个新识别结果，就将最早收到的结果丢掉，而后求解包括新结果在内的n个识别结果的算术平均值，在对应采样点得到的滤波后的边界识别结果平均值记为Y，Y＝{y1,y2,…,yn}，i＝1～n，yi表示第i个边界识别结果。
进一步的，所述步骤B2中，具体采用以下方式：
(1)AUV根据边界识别结果平均值Y判定当前处于哪种观测模式，当AUV处于模式A或模式B时，按照预设路线进行采样，其中，模式A是指涡旋内部采样观测，模式B是指涡旋边界与外测采样观测；
(2)当AUV处于模式A切换模式B时，将AUV下一个采样点前的运动范围限制在以AUV当前位置Pi为原点，以Rs为半径的半圆区域内，Rs＝Ts·vs，Ts是获取识别结果的时间间隔，vs是AUV的速度；计算从Pi向梯度增加的方向移动到Pi+1，根据高斯回归模型获得的观测值的估计/>计算梯度估计值，确保梯度最大且方向为正，预测观测值最大梯度值对应的位置为规划的路径点；
(3)当AUV处于模式B切换模式A时，主要的观测任务是在涡旋边界与外侧搜寻观测，此时以预设路径为约束，在涡旋外侧进行数据采样，并在完成数据采样后尽快回到涡旋内部继续观测任务，此时预测观测值最小梯度值对应的位置为规划的路径点，当路径点超出预设路径范围后，AUV强制回归预设路径。
进一步的，所述步骤D中，完成断面观测后，AUV基于多维传感器融合数据的识别结果得到的上一层面的涡心位置，并运用快速搜索基于密度峰值聚类算法提取出上一观测层面亚中尺度涡的形状；
结合涡心位置与涡的形状，多AUV预测下一待观测层面的涡的结构信息，生成涡的最小外接矩形作为初始观测区域，并按步骤B中的方式生成预设观测路径，进行下一层面的观测。
进一步的，所述步骤B2中，当AUV处于模式切换时，根据Y中元素的变化趋势来判断当前是由模式A切换至模式B还是由模式B切换至模式A，判断方法如下：
其中，yi表示第i个边界识别结果，yi-1表示第i-1个边界识别结果，n表示边界数量。
进一步的，所述步骤B中，在AUV观测过程中，每次路径规划后，都需要判断当前观测处于模式A或模式B；重复步骤B1-B2，直到集群AUV完成亚中尺度涡当前确定层面的观测。
进一步的，所述步骤B2中：
最大梯度计算方法如下：
最小梯度计算方法如下:
其中，表示基于高斯过程估计的第i+1个路径点处的边界识别结果，△P表示AUV位置变化量，在速度确定的情况下可近似于常数Rs，max(*)和min(*)分别表示*的最大值和最小值，/>表示梯度估计值。
与现有技术相比，本发明的优点和积极效果在于：
本方案基于多AUV以协同编队进行亚中尺度涡立体结构与演化过程跟踪观测，AUV上搭载CTD、叶绿素与ADCP等多种传感器，基于数据驱动对确定层面上亚中尺度涡进行追踪观测，然后进行AUV编队断面观测路径规划，再根据亚中尺度涡演化方向，进行下一层面路径规划，结合确定层面、断面与多层面观测，实现对涡旋的整体跟踪观测，获取涡旋的立体结构；
本方案能够大力推进亚中尺度过程观测立体化、自动化、智能化以及灵活化，为实现亚中尺度涡精细化监测与识别、演化过程追踪、跟踪观测提供先进的技术方案，实现开展基于AUV的海洋亚中尺度涡立体结构与跟踪观测典型应用，揭示亚中尺度动力过程演变机制、营养物质输运过程等重大海洋科学规律。
附图说明
图1为本发明实施例所述亚中尺度涡观测方法流程示意图；
图2为亚中尺度涡层面观测路径示意图，(a)为预设路径；(b)为基于数据驱动规划的实际路径；
图3为本发明实施例确定层面上的基于数据驱动的观测方法流程示意图；
图4为本发明实施例模式A切换至模式B的观测方法示意图；
图5为本发明实施例模式B切换至模式A的观测方法示意图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。
本发明方案基于多台高智慧自主式水下航行器(Autonomous UnderwaterVehicle,AUV)进行水面与水下组网协同观测，所述AUV上搭载多种不同类型传感器，所述传感器包括CTD、叶绿素与ADCP等，利用AUV高机动性和多传感器协作性，以编队协同的模式在亚中尺度涡旋中进行多层面、多剖面以及断面自主数据采集，作业过程中各AUV编队内部和各编队之间进行涡结构观测数据与任务信息共商共享。基于涡结构特征数据，每台AUV在涡旋确定层面、断面以及多层面之间进行基于数据驱动的在线路径调整，实现亚中尺度涡高智慧、高效率的跟踪观测。
具体的，如图1所示，本实施例提出一种基于集群高智慧AUV数据驱动的亚中尺度涡观测方法，利用多AUV对亚中尺度涡层面与断面精准观测以采集丰富的多维度观测数据，包括如下步骤：
步骤A、建立观测区域，获取亚中尺度涡位置，并布放多台AUV至指定区域，所述AUV上搭载多种不同类型传感器，传感器包括CTD、叶绿素与ADCP等；步骤B、对多台AUV进行编队，基于亚中尺度涡特征分布密集程度与涡边界特征识别结果实现AUV对亚中尺度涡进行确定层面上的追踪观测；
步骤C、根据亚中尺度涡观测区域进行断面观测，实现AUV编队断面观测路径规划研究；
步骤D、结合涡心位置与涡旋运动轨迹预设下一层面的观测路径，采用步骤B的方式，根据亚中尺度涡演化方向实现下一层面观测；
步骤E、重复步骤B-步骤D直至亚中尺度涡观测完成。
具体的，下面对本发明实施例方案进行详细的说明：
一、首先建立初步的观测区域，基于卫星遥感数据、数值模拟结果与无人机航拍等手段观测海面上亚中尺度涡，然后通过母船搭载多条AUV前往指定区域，本实施例以布放10条AUV为例进行说明；
二、开展基于数据驱动的亚中尺度涡确定层面上的追踪观测；
本实施例以5条AUV为基准分成两个编队，即图1中的编队1和编队2，AUV首先在亚中尺度涡某一确定层面上进行观测，确定层面上的观测方案如图3所示，当前确定层面的路径规划方法包括以下步骤：
步骤21、基于观测数据的环境建模：
(1)数据获取利用：获取涡边界特征数据的在线识别结果，并基于滑动平均滤波法处理识别结果时间序列；
如附图2(a)所示，做出涡旋(亚中尺度涡)待观测区域的外接矩形，生成传统海洋观测中定航观测测线式的预设路径；两个编队按照预设路线进行传感器数据采样作业；每条AUV对实时获取的多传感器时序信号(Multi-sensors Time Series，MTS)进行同步、关联处理，以数值模拟得出的异常阈值范围作为先验知识，预处理后的MTS进行局部特征和全局特征建模，得到更加丰富的重构时序信息，并基于重构误差检测异常，实现涡边界的精准在线识别；
其中，AUV获取边界特征数据的在线识别结果以0或1表示，0代表不是边界，1代表是边界。基于滑动平均滤波法处理识别结果时间序列，依顺序存放n个识别结果，每获取到一个新识别结果，就将最早收到的那个结果丢掉，而后求包括新结果在内的n个识别结果的算术平均值，这样，每收到一个识别结果，就可计算出一个新的平均值。在对应采样点得到的滤波后的边界识别结果平均值记为Y，Y＝{y1,y2,…,yn}，i＝1～n。
(2)预测模型更新：结合多AUV共享自身特征数据的识别结果，根据识别结果更新高斯回归模型：
根据预设路径观测，AUV编队内部和各编队之间实现涡结构观测数据与任务信息共商共享。AUV在完成一定时间间隔内的涡旋边界特征数据识别后，利用水声通信或4/5G通信将识别结果广播给编队内其他成员；基于自身积累的观测数据识别结果与队内共享的信息，各AUV根据识别结果更新高斯过程回归(GPR)模型，利用GPR分析用于预测未观测区域的环境数据；根据预测结果与识别结果，AUV实时更新当前环境模型，根据估计模型预测未采样点的观测数据，随着观测的进行，新的观测点也作为训练样本用于高斯回归模型的更新。
步骤22、某一确定层面的观测路径规划：基于GPR预测未观测区域的数据，并计算区域梯度极值，基于任务模式以及梯度极值选择观测方向，并最终确定任务执行状态；
从图2(a)也可以看出，以预设路径为基准约束，不允许AUV在同一条路径上重复扫测，因此将AUV的前进方向设置在左转90度到右转90度。本实施例将在确定层面上的基于数据驱动的路径规划分为涡旋内部采样观测(模式A)和涡旋边界与外测采样观测(模式B)两种模式。AUV根据Y判定当前处于哪种观测模式，判定条件如下：
(1)当AUV处于模式A或模式B时，按照预设路线进行采样；
(2)当AUV处于模式切换时，根据Y中元素的变化趋势来判断当前是由模式A切换至模式B或相反，判断方法如下：
1)当AUV处于模式A->模式B时，如图4所示，将AUV下一个采样点前的运动范围限制在以AUV当前位置Pi为原点，以Rs为半径，Rs＝Ts·vs的半圆区域内，Ts是获取识别结果的时间间隔，vs是AUV的速度。计算从Pi向梯度增加的方向移动到Pi+1。因为△P＝||Pi+1-Pi||＝Rs是一个常数值，因此，可以根据GPR获得的观测值的估计/>计算梯度估计值，确保梯度最大且方向为正，预测观测值最大值对应的位置为规划的路径点。最大梯度计算方法如下：
判断重规划的路径点是否在预设路径规定的范围内，若超过，则将重规划的路径点限制在预设路径上；若不超过，则将重规划的路径点作为AUV的下一数据采样点；
2)当AUV处于模式B->模式A时，如图5所示，主要的观测任务是在涡旋边界与外侧搜寻观测，此时以预设路径为约束，在涡旋外侧进行数据采样，并在完成数据采样后尽快回到涡旋内部继续观测任务。此时预测观测值最小梯度值(负值)对应的位置为规划的路径点。当路径点超出预设路径范围后，AUV强制回归预设路径。最小梯度计算方法如下:
在AUV观测过程中，每次路径规划后，都需要判断当前观测处于模式A或模式B，以实现根据涡特征数据，进行在线路径规划，重新规划的路径如图2(b)所示，既保证充足的数据量，也提高观测效率；重复步骤21-22，直到集群AUV完成亚中尺度涡当前确定层面的观测。
三、进行AUV编队断面观测路径规划研究；通过多AUV进行断面观测，结合亚中尺度涡演变方向，规划顺应涡旋运动方向、能耗最优的断面观测路径。
四、根据亚中尺度涡演化方向，规划下一层面路径，实现对涡旋的整体跟踪观测，获取涡旋的立体结构。
完成断面观测后，AUV基于多维传感器融合数据的识别结果得到的上一层面的涡心位置，并运用快速搜索基于密度峰值聚类(CFSFDP)算法，提取出上一观测层面亚中尺度涡的形状。结合涡心位置与涡的形状，多AUV预测下一待观测层面的涡的结构信息，生成涡的最小外接矩形作为初始观测区域，并按步骤二中的方式生成预设观测路径，进行下一层面的观测。
五、重复步骤二至步骤四直至亚中尺度涡探测完成。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于，包括以下步骤：
步骤A、建立观测区域，获取亚中尺度涡位置，并布放多台AUV至指定区域，所述AUV上搭载多种不同类型传感器，传感器类型包括但不限于CTD、叶绿素与ADCP；
步骤B、对多台AUV进行编队，基于亚中尺度涡特征分布密集程度与涡边界特征识别结果对亚中尺度涡进行确定层面上的追踪观测；
步骤C、根据亚中尺度涡的运动方向进行AUV编队断面观测路径规划，实现断面观测；
步骤D、结合涡心位置与涡旋运动轨迹预设下一层面的观测路径，采用步骤B的方式，根据亚中尺度涡演化方向对下一层面观测；
步骤E、重复步骤B-步骤D直至亚中尺度涡观测完成。
2.根据权利要求1所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B中，在进行某一确定层面的追踪观测时，具体包括以下步骤：
步骤B1、基于观测数据建立高斯回归模型：
(1)数据获取：获取亚中尺度涡边界特征数据的在线识别结果，并基于滑动平均滤波法处理识别结果时间序列；
(2)预测模型更新：结合多AUV共享自身特征数据的识别结果，根据识别结果更新高斯回归模型；
步骤B2、某一确定层面的观测路径规划：基于高斯回归模型预测未观测区域的数据，并计算区域梯度极值，基于任务模式以及梯度极值选择观测方向，并最终确定任务执行状态。
3.根据权利要求2所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B1中，具体采用以下方式：
(1)每条AUV对实时获取的多种传感器时序信号MTS进行同步和关联处理，以数值模拟得出的异常阈值范围作为先验知识，预处理后的MTS进行局部特征和全局特征建模，得到重构时序信息，并基于重构误差检测异常，实现涡边界的在线识别；
(2)AUV在完成一定时间间隔内的涡旋边界特征数据识别后，将识别结果传输给编队内其他成员；基于自身积累的观测数据识别结果与编队内共享的信息，各AUV根据识别结果更新高斯过程回归GPR模型。
4.根据权利要求3所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B1中，AUV获取本体的涡边界特征数据的在线识别结果以0或1表示，0代表不是边界，1代表是边界；基于滑动平均滤波法处理识别结果时间序列，依顺序存放n个识别结果，每获取到一个新识别结果，就将最早收到的结果丢掉，而后求解包括新结果在内的n个识别结果的算术平均值，在对应采样点得到的滤波后的边界识别结果平均值记为Y，Y＝{y1,y2,…,yn}，i＝1～n，yi表示第i个边界识别结果。
5.根据权利要求4所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B2中，具体采用以下方式：
(1)AUV根据边界识别结果平均值Y判定当前处于哪种观测模式，当AUV处于模式A或模式B时，按照预设路线进行采样，其中，模式A是指涡旋内部采样观测，模式B是指涡旋边界与外测采样观测；
(2)当AUV处于模式A切换模式B时，将AUV下一个采样点前的运动范围限制在以AUV当前位置Pi为原点，以Rs为半径的半圆区域内，Rs＝Ts·vs，Ts是获取识别结果的时间间隔，vs是AUV的速度；计算从Pi向梯度增加的方向移动到Pi+1，根据高斯回归模型获得的观测值的估计/>计算梯度估计值，确保梯度最大且方向为正，预测观测值最大梯度值对应的位置为规划的路径点；
(3)当AUV处于模式B切换模式A时，主要的观测任务是在涡旋边界与外侧搜寻观测，此时以预设路径为约束，在涡旋外侧进行数据采样，并在完成数据采样后尽快回到涡旋内部继续观测任务，此时预测观测值最小梯度值对应的位置为规划的路径点，当路径点超出预设路径范围后，AUV强制回归预设路径。
6.根据权利要求1所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤D中，完成断面观测后，AUV基于多维传感器融合数据的识别结果得到的上一层面的涡心位置，并运用快速搜索基于密度峰值聚类算法提取出上一观测层面亚中尺度涡的形状；
结合涡心位置与涡的形状，多AUV预测下一待观测层面的涡的结构信息，生成涡的最小外接矩形作为初始观测区域，并按步骤B中的方式生成预设观测路径，进行下一层面的观测。
7.根据权利要求5所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B2中，当AUV处于模式切换时，根据Y中元素的变化趋势来判断当前是由模式A切换至模式B还是由模式B切换至模式A，判断方法如下：
其中，yi表示第i个边界识别结果，yi-1表示第i-1个边界识别结果，n表示边界数量。
8.根据权利要求5所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B中，在AUV观测过程中，每次路径规划后，都需要判断当前观测处于模式A或模式B；重复步骤B1-B2，直到集群AUV完成亚中尺度涡当前确定层面的观测。
9.根据权利要求5所述的基于集群AUV数据驱动的亚中尺度涡观测方法，其特征在于：所述步骤B2中：
最大梯度计算方法如下：
最小梯度计算方法如下:
其中，表示基于高斯过程估计的第i+1个路径点处的边界识别结果，△P表示AUV位置变化量，在速度确定的情况下可近似于常数Rs，max(*)和min(*)分别表示*的最大值和最小值，/>表示梯度估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662098.6A CN116907452A (zh) | 2023-06-06 | 2023-06-06 | 基于集群auv数据驱动的亚中尺度涡观测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662098.6A CN116907452A (zh) | 2023-06-06 | 2023-06-06 | 基于集群auv数据驱动的亚中尺度涡观测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116907452A true CN116907452A (zh) | 2023-10-20 |
Family
ID=88361736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310662098.6A Pending CN116907452A (zh) | 2023-06-06 | 2023-06-06 | 基于集群auv数据驱动的亚中尺度涡观测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116907452A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117782108A (zh) * | 2024-02-27 | 2024-03-29 | 南京信息工程大学 | 应用于海洋中尺度漩涡探测的多无人机定位系统及方法 |
-
2023
- 2023-06-06 CN CN202310662098.6A patent/CN116907452A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117782108A (zh) * | 2024-02-27 | 2024-03-29 | 南京信息工程大学 | 应用于海洋中尺度漩涡探测的多无人机定位系统及方法 |
| CN117782108B (zh) * | 2024-02-27 | 2024-05-10 | 南京信息工程大学 | 应用于海洋中尺度漩涡探测的多无人机定位系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3067573A1 (en) | Target tracking systems and methods for uuv | |
| Skulstad et al. | A hybrid approach to motion prediction for ship docking—Integration of a neural network model into the ship dynamic model | |
| Lermusiaux et al. | A future for intelligent autonomous ocean observing systems | |
| CN113741449B (zh) | 一种面向海空协同观测任务的多智能体控制方法 | |
| CN112418521B (zh) | 一种短时海洋鱼群和鱼量的预测方法 | |
| CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
| CN116907452A (zh) | 基于集群auv数据驱动的亚中尺度涡观测方法 | |
| CN109032136A (zh) | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 | |
| CN113084817B (zh) | 扰流环境下水下机器人的物体搜索及抓取控制方法 | |
| Mukhopadhyay et al. | Collaborative autonomous surveys in marine environments affected by oil spills | |
| CN111862165A (zh) | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 | |
| CN114595898A (zh) | 一种考虑航道环境的船舶智能操纵方法 | |
| CN113984061B (zh) | 一种基于因子图优化的uuv多海域综合导航系统设计方法 | |
| CN115435845A (zh) | 一种基于无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法 | |
| CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
| Li et al. | Energy Efficient Space-Air-Ground-Ocean Integrated Network based on Intelligent Autonomous Underwater Glider | |
| CN113917930A (zh) | 一种基于感知数据的无人船航行状态控制方法 | |
| Fonseca et al. | Algal bloom front tracking using an unmanned surface vehicle: Numerical experiments based on baltic sea data | |
| Valada et al. | An intelligent approach to hysteresis compensation while sampling using a fleet of autonomous watercraft | |
| CN113885533A (zh) | 一种无人艇的无人驾驶方法及系统 | |
| Tao | Research on intelligent robot patrol route based on cloud computing | |
| y Alvarado et al. | A coastal distributed autonomous sensor network | |
| Ennasr et al. | Ergodic exploration for adaptive sampling of water columns using gliding robotic fish | |
| CN116520862B (zh) | 一种海流影响下面向多目标优化的auv任务分配方法 | |
| EP4205542A1 (en) | Sonar area scan for fishing |
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 |