CN117406757B - 一种基于三维全局视觉的水下自主航行方法 - Google Patents
一种基于三维全局视觉的水下自主航行方法 Download PDFInfo
- Publication number
- CN117406757B CN117406757B CN202311695614.1A CN202311695614A CN117406757B CN 117406757 B CN117406757 B CN 117406757B CN 202311695614 A CN202311695614 A CN 202311695614A CN 117406757 B CN117406757 B CN 117406757B
- Authority
- CN
- China
- Prior art keywords
- underwater vehicle
- underwater
- representing
- path
- water tank
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 230000009182 swimming Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000010355 oscillation Effects 0.000 claims abstract description 15
- 230000033001 locomotion Effects 0.000 claims description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 230000036544 posture Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000011664 nicotinic acid Substances 0.000 description 3
- 210000000006 pectoral fin Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241001175904 Labeo bata Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000001032 spinal nerve Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于三维全局视觉的水下自主航行方法，包括：步骤S1，获取环境图像数据和第一运行数据；步骤S2，构建三维坐标系，并根据环境图像数据得到水下航行器的第一位置数据和水下障碍物的第二位置数据；步骤S3，通过路径分析模型进行数据分析生成初始路径并控制水下航行器沿初始路径游动；步骤S4，判断水下航行器的目标位置和实时位置是否相同：若是则控制水下航行器继续游动，随后转向步骤S5；若否则返回步骤S1；步骤S5，获取水下航行器的第二运行数据并输入至CPG相位振荡模型中得到输出角度以进行姿态调整，随后返回步骤S4。有益效果是本发明能够自动对水下航行器进行路径规划和姿态调整，并进行偏航修正和障碍物避让，能提升安全性。
Description
技术领域
本发明涉及水下航行器的技术领域，具体而言，涉及一种基于三维全局视觉的水下自主航行方法。
背景技术
水下探测和作业是一项具有挑战性和重要性的任务，涉及到海洋科学研究、资源勘探、环境监测等领域，在水下环境中，传统的无人潜水器通常通过人工遥控或预先编程的路径来完成任务，然而，由于水下环境复杂多变，包括水流的影响、障碍物的存在以及通信限制等问题，传统的控制方法在实现水下自主游行方面存在一定的局限性。
研究表明，节律运动由动物的脊髓神经中的中央模式发生器（Central PatternGenerator，CPG）控制，CPG是一种神经网络，是由多个神经元构成的振荡网络，通过神经元的相互连接实现自激振荡，产生具有稳定相位关系的周期信号，CPG内的所有单元通过拓扑连接关系形成CPG神经网络，从而控制生物的诸多参数，利用CPG相位振荡器模型可以让仿生机器人的运动模式更加贴合生物的行为，也可以为其他需要重复执行相同动作的机械提供更简便的控制方式。
在传统的控制方法下，水下航行器在水下作业时，无法根据自身的位置信息和姿态信息进行自适应的路径调整和姿态调整，不仅会影响游动速度，而且在障碍物的影响下，还会导致水下航行器受到阻碍停止作业，甚至造成安全隐患。
发明内容
本发明要解决的问题是：提供一种基于三维全局视觉的水下自主航行方法，能够自适应的控制水下航行器进行路径调整和姿态调整，保证游动速度的同时提高安全性。
为解决上述问题，本发明提供一种基于三维全局视觉的水下自主航行方法，水下航行器包括多个运动单元，针对水下航行器的工作水池，预先将两个数码相机分别安装在所述工作水池的上方和其中任一侧壁上，并预先于所述工作水池内标定一参照点，所述水下自主航行方法包括以下步骤：
步骤S1，于所述水下航行器在所述工作水池内游动时，分别控制两个所述数码相机实时获取所述工作水池内的一环境图像数据，并实时获取所述水下航行器的第一运行数据；
步骤S2，以所述参照点为坐标原点构建得到三维坐标系，并根据两个所述数码相机输出的各所述环境图像数据得到所述水下航行器的第一位置数据和水下障碍物的第二位置数据；
步骤S3，将所述第一运行数据、所述第一位置数据和所述第二位置数据输入至预先构建的路径分析模型中生成初始路径，并控制所述水下航行器沿所述初始路径游动进行工作；
步骤S4，实时采集所述水下航行器的实时位置，并判断在所述初始路径中所述水下航行器于当前时刻下应处的目标位置和所述实时位置是否相同：
若是，则控制所述水下航行器沿所述初始路径游动，并转向步骤S5；
若否，则返回所述步骤S1；
步骤S5，实时获取所述水下航行器的第二运行数据，并将所述第二运行数据输入至CPG相位振荡模型中得到所述水下航行器的各所述运动单元的输出角度，以及根据各所述输出角度控制对应的所述运动单元进行姿态调整，随后返回所述步骤S4。
优选的，预先于距离所述工作水池的水表面2米的位置架设一支架，将其中一所述数码相机安装于所述支架的底端并使所述数码相机的镜头朝向所述工作水池。
优选的，位于所述工作水池上方的所述数码相机为第一数码相机，位于所述工作水池的其中任一侧壁上的所述数码相机为第二数码相机，则所述步骤S1中，控制所述第一数码相机实时获取所述工作水池的水平面环境图像并包含于所述环境图像数据内，以及控制所述第二数码相机实时获取所述工作水池的垂直面环境图像并包含于所述环境图像数据内。
优选的，所述步骤S2包括：
步骤S21，以所述参照点为坐标原点，以经过所述参照点并与所述工作水池的水表面相平行的任一水平直线作为X轴，以经过所述参照点的、与所述工作水池的水表面相平行的并与所述X轴相垂直的水平直线作为Y轴，构建得到所述三维坐标系；
步骤S22，根据所述水平面环境图像得到所述水下航行器的第一水平面坐标和所述水下障碍物的第二水平面坐标，并将所述第一水平面坐标包含于所述第一位置数据内，以及将所述第二水平面坐标包含于所述第二位置数据内；
步骤S23，根据所述垂直面环境图像得到所述水下航行器的第一垂直面坐标和所述水下障碍物的第二垂直面坐标，并将所述第一垂直面坐标包含于所述第一位置数据内，以及将所述第二垂直面坐标包含于所述第二位置数据内。
优选的，所述第一运行数据包括自变量时间、游动的初始时间和游动的结束时间，所述第一位置数据包括所述水下航行器的状态量和控制量，所述第二位置数据包括所述水下障碍物的状态量，则所述步骤S3中，所述路径分析模型的架构如下：
目标函数：；
一阶动态限制：；
几何路径限制：；
终点条件：；
表示衡量系统性能或达到预期目标的程度系数；
表示结束点成本；
表示运行成本；
表示约束函数；
表示终点条件；
表示自变量时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示自变量时间对应的所述水下航行器的所述控制量；
表示初始时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示结束时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示初始时间；
表示结束时间。
优选的，所述水下航行器包括多个运动单元，所述第二运行数据包括各所述运动单元的当前振幅、当前相位，所述步骤S5中，所述CPG相位振荡模型的架构如下：
;
其中,
表示第/>个所述运动单元的所述当前振幅的二阶导数；
表示预设状态参数；
表示预设的期望振幅；
表示第/>个所述运动单元的所述当前振幅；
表示第/>个所述运动单元的所述当前振幅的一阶导数；
表示第/>个所述运动单元的所述当前相位的一阶导数；
表示预设的固有频率；
表示第j个所述运动单元对第/>个所述运动单元的耦合权重；
表示第j个所述运动单元的所述当前相位；
表示第/>个所述运动单元的所述当前相位;
表示预设的期望相位差；
表示第/>个所述运动单元的所述输出角度。
优选的，所述步骤S3中，通过所述路径分析模型中生成初始位置和结束位置坐标相同的所述初始路径，以使所述水下航行器沿着所述初始路径游回至初始位置。
本发明具有以下有益效果：本发明中通过设置数码相机来实时获取工作水池内的环境图像数据，以此来处理得到水下航行器的位置信息和水下障碍物的位置信息作为路径分析模型的数据来源，通过路径分析模型生成规避水下障碍物的初始路径，使得水下航行器可以沿着初始路径安全的作业，一旦发现目标位置与实时位置发生偏差，路径分析模型则会重新规划路径进行修正，并且通过CPG相位振荡模型分析得到水下航行器各个运动单元的输出角度，以此控制水下航行器进行姿态切换，保证游动速度，实现自适应的控制水下航行器进行路径调整和姿态调整。
附图说明
图1为本发明的水下航行器的结构示意图；
图2为本发明的步骤流程图；
图3为本发明的步骤S2的具体流程图；
附图标记说明：1、身体；2、胸鳍；3、尾鳍。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种基于三维全局视觉的水下自主航行方法，水下航行器包括多个运动单元，水下航行器的结构如图1所示，针对水下航行器的工作水池，预先将两个数码相机分别安装在工作水池的上方和其中任一侧壁上，并预先于工作水池内标定一参照点，水下自主航行方法如图2所示，包括以下步骤：
步骤S1，于水下航行器在工作水池内游动时，分别控制两个数码相机实时获取工作水池内的一环境图像数据，并实时获取水下航行器的第一运行数据；
步骤S2，以参照点为坐标原点构建得到三维坐标系，并根据两个数码相机输出的各环境图像数据得到水下航行器的第一位置数据和水下障碍物的第二位置数据；
步骤S3，将第一运行数据、第一位置数据和第二位置数据输入至预先构建的路径分析模型中生成初始路径，并控制水下航行器沿初始路径游动进行工作；
步骤S4，实时采集水下航行器的实时位置，并判断在初始路径中水下航行器于当前时刻下应处的目标位置和实时位置是否相同：
若是，则控制水下航行器沿初始路径游动，并转向步骤S5；
若否，则返回步骤S1；
步骤S5，实时获取水下航行器的第二运行数据，并将第二运行数据输入至CPG相位振荡模型中得到水下航行器的各运动单元的输出角度，以及根据各输出角度控制对应的运动单元进行姿态调整，随后返回步骤S4。
具体地，本实施例中，考虑到数码相机是一种主要的光视觉传感器，其体积小且成本低，能够提供相对全面的外界信息，增加完成任务的灵活性和准确性，同时将视觉控制器从机器人控制器中分离出来，从而降低了视觉系统标定误差对控制效果的影响，因此本实施例中，通过数码相机来实时获取工作水池的环境图像数据，通过获取更广阔的水下视野来捕捉到更多的环境信息。
优选的，当工作水池的区域面积扩大时，可以加设工作水池上方及侧壁上的数码相机数量来获取更准确的环境图像数据。
具体地，本实施例中，考虑到仿蝠鲼航行器的高机动性和稳定性，本发明采用该航行器说明，参考图1，仿蝠鲼航行器由身体1和两个胸鳍2和尾鳍3组成，每个胸鳍2有两个舵机控制，尾鳍3由一个舵机控制，整体覆盖仿生外皮，航行器置于实验平台的水面之中，顶部和底部设有数码相机，在实验平台之外有上位机远程发送和接受指令，同时还要确保数码相机的防水性能。
具体地，本实施例中，CPG（Central Pattern Generator，中央模式发生器）是存在于动物体内的用于产生周期性节律信号的神经网络，控制生物的周期性运动以及它们之间的相互切换，如人的行走、鸟的飞翔，本实施例中引入CPG相位振荡模型的概念，计算出各个运动单元的输出角度，使得水下航行器在根据初始路径进行游动作业时能够自主完成游动姿态之间的光滑过度，其能够很好的解决多驱动机器人系统的自由度协调、步态切换问题。
优选的，本发明基于数码相机提供的全局视觉，可以获取更广阔的水下视野，能够捕捉到更多的环境信息，相比之下，传感器通常只能提供有限范围内的局部信息，并且本发明可以实时地感知和分析水下环境的特征和变化，通过图像处理和计算机视觉算法，上位机可以提取出水下目标的位置、形状、运动等信息，从而实现更准确的位置定位和目标识别，而相较于传感器获取位置信息的方法，全局视觉通常具有较低的成本和复杂性，数码相机和计算机视觉算法的开发和应用相对容易，可以节省传感器的成本和安装调试的复杂性，相较于传统的水下自主游动方法，能够大幅度减小算力，基于全局视觉，其可实现水下航行器的集群跟随运动，有助于研究仿生鱼的集群控制，如将一个机器鱼设置为领导者，另外两条机器鱼根据全局视觉的坐标信息，依据算法，对领导者进行跟随运动。
优选的，在实际操作时，上位机比对三维视觉定位结果（水下航行器的实时位置）与路径规划轨迹，计算三维视觉定位结果与路径规划轨迹之间的误差,作为路径跟踪的反馈检测水下航行器是否存在偏航情况，如果上位机检测到水下航行器发生偏航，根据当前的实时位置和姿态信息重新计算修正初始路径，使用路径规划算法，来生成一条修正后的初始路径，重新下发给水下航行器，最终实现自主游动。
具体地，本实施例中，采用“先判断位置、后调整姿态”的方式，使得只有在目标位置和实时位置相同的前提下，才会继续进行数据分析继而完成姿态调整，避免水下航行器做多余的姿态调整工作浪费自身所储存能源，提高能源利用率。
本发明的较佳的实施例中，预先于距离工作水池的水表面2米的位置架设一支架，将其中一数码相机安装于支架的底端并使数码相机的镜头朝向工作水池。
本发明的较佳的实施例中，位于工作水池上方的数码相机为第一数码相机，位于工作水池的其中任一侧壁上的数码相机为第二数码相机，则步骤S1中，控制第一数码相机实时获取工作水池的水平面环境图像并包含于环境图像数据内，以及控制第二数码相机实时获取工作水池的垂直面环境图像并包含于环境图像数据内。
本发明的较佳的实施例中，步骤S2如图3所示，包括：
步骤S21，以参照点为坐标原点，以经过参照点并与工作水池的水表面相平行的任一水平直线作为X轴，以经过参照点的、与工作水池的水表面相平行的并与X轴相垂直的水平直线作为Y轴，构建得到三维坐标系；
步骤S22，根据水平面环境图像得到水下航行器的第一水平面坐标和水下障碍物的第二水平面坐标，并将第一水平面坐标包含于第一位置数据内，以及将第二水平面坐标包含于第二位置数据内；
步骤S23，根据垂直面环境图像得到水下航行器的第一垂直面坐标和水下障碍物的第二垂直面坐标，并将第一垂直面坐标包含于第一位置数据内，以及将第二垂直面坐标包含于第二位置数据内。
具体地，本实施例中，基于数码相机获取的水平面环境图像和垂直面环境图像，通过计算机视觉算法和图像处理算法进行坐标转换，得到第一水平面坐标、第二水平面坐标、第一垂直面坐标和第二垂直面坐标。
优选的，作为一种实施方式，通过建立神经网络架构分别对水平面环境图像和垂直面环境图像进行特征识别得到包含水下航行器的特征图和包含水下障碍物的特征图，通过层层的卷积层不断的对特征图进行特征加强，随后对特征图进行区域分割，分别筛选得到带有水下航行器及水下障碍物特征属性的中心区域，以特征图左右两端的X、Y坐标为参照，计算中心区域与特征图左右两端之间的像素距离，将像素距离转换为坐标距离得到第一水平面坐标、第二水平面坐标、第一垂直面坐标和第二垂直面坐标。
优选的，作为另一种实施方式，直接对水平面环境图像和垂直面环境图像进行特征识别得到水下航行器和水下障碍物的区域范围，计算区域范围的面积，若面积大于预设阈值，则计算区域范围的中心点的坐标作为第一水平面坐标、第二水平面坐标、第一垂直面坐标和第二垂直面坐标，若面积不大于预设阈值，则计算区域范围的最高点或最低点的坐标作为第一水平面坐标、第二水平面坐标、第一垂直面坐标和第二垂直面坐标。
具体地，本实施例中，在工作水池中心建立一个三维坐标系，水面分为x轴和y轴，水深方向为z轴，在x、y轴平面上，水下航行器与x轴夹角为方向角α，俯仰角为β，顶部数码相机可根据全局信息获取水下航行器的x坐标、y坐标和方向角α，侧面数码相机可以获取z坐标和下倾角β。
优选的，考虑到坐标获取的实时性和准确性，数码相机将获取的仿蝠鲼航行器的初始位置坐标x、y、z坐标以及α、β角度等姿态信息通过高速数据传送接口来实现数码相机与计算机之间的数据传输，也可将水中周围情况发送给上位机。
本发明的较佳的实施例中，第一运行数据包括自变量时间、游动的初始时间和游动的结束时间，第一位置数据包括水下航行器的状态量和控制量，第二位置数据包括水下障碍物的状态量，则步骤S3中，路径分析模型的架构如下：
目标函数：；
一阶动态限制：；
几何路径限制：；
终点条件：；
表示衡量系统性能或达到预期目标的程度系数；
表示结束点成本；
表示运行成本；
表示约束函数；
表示终点条件；
表示自变量时间对应的水下航行器和水下障碍物的状态量；
表示自变量时间对应的水下航行器的控制量；
表示初始时间对应的水下航行器和水下障碍物的状态量；
表示结束时间对应的水下航行器和水下障碍物的状态量；
表示初始时间；
表示结束时间。
具体地，本实施例中，整个路径分析模型的分析目的就是寻找一个最好的控制量使得目标函数最小从而生成一条最优路径作为初始路径，并且，状态量和控制量与周围环境相关，自变量时间由最优控制理论中的数学方法计算得出，结束点成本和运行成本为自由变量，根据优化的过程决定。
优选的，上位机下发初始路径至水下航行器后，水下航行器将连续的路径信息离散化，得出所需跟踪的路径点三维坐标，在游动过程中，利用CPG相位振荡模型控制水下航行器的航向、速度及深度，用以跟踪每个离散的路径点，同时数码相机会实时不断将三维视觉定位结果即环境图像数据实时发送给上位机处理并转化为三维坐标进行路径调整。
优选的，目标函数是最小化路径长度，避开障碍物，水下航行器的周围环境中可能有一些水下障碍物，工作水池四周也是有边界的，最优控制就是使水下航行器在游动的时候避开障碍物找到最短的安全路径，状态量是如水下航行器的位置、速度，控制量是如水下航行器胸鳍2的拍动频率、相位差、振幅等，通过改变控制量去改变状态量。
优选的，一阶动态限制如位置与速度的限制：dx/dt = v，避免撞到工作水池的边界和水下障碍物，几何限制就是路径限制，包含两个限制，第一个为障碍物避让限制:水下航行器不在任何水下障碍物区域内；第二个为边界限制:水下障碍物在工作水池的区域内。
优选的，h为几何路径限制的约束函数，可以表示水下航行器离工作水池边界的距离小于等于0即水下航行器位于工作水池内，也可以表示水下航行器与水下障碍物之间的距离小于等于0即水下航行器与水下障碍物不发生碰撞，e为终点条件，如水下航行器达到特定的目标位置坐标（x,y,z）。
优选的，结束点成本可以根据结束时间对应的水下航行器和水下障碍物的状态量与预设参数得到，具体为结束时间对应的水下航行器和水下障碍物的状态量与预设参数求差后对差值进行平方计算得到，运行成本可以根据尾鳍3的角速度控制变量得到，具体为对尾鳍3的角速度控制变量进行平方计算得到。
本发明的较佳的实施例中，水下航行器包括多个运动单元，第二运行数据包括各运动单元的当前振幅、当前相位，步骤S5中，CPG相位振荡模型的架构如下：
;
其中,
表示第/>个运动单元的当前振幅的二阶导数；
表示预设状态参数；
表示预设的期望振幅；
表示第/>个运动单元的当前振幅；
表示第/>个运动单元的当前振幅的一阶导数；
表示第/>个运动单元的当前相位的一阶导数；
表示预设的固有频率；
表示第j个运动单元对第/>个运动单元的耦合权重；
表示第j个运动单元的当前相位；
表示第/>个运动单元的当前相位;
表示预设的期望相位差；
表示第/>个运动单元的输出角度。
具体地，本实施例中，用CPG相位振荡模型控制水下航行器的相位差、摆动频率、摆动角度等，在水下航行器按照初始路径规划游动时，其可实现水下航行器的不同游动姿态的切换调整，如样机转弯时，设置胸鳍2一侧振幅为30，相位差为+20°，另一侧振幅为15，相位差为-20°，尾鳍偏转角度为0°即可转弯；样机下潜时，尾鳍向下偏转20°，两侧胸鳍2相位差与振幅相同。
本发明的较佳的实施例中，步骤S3中，通过路径分析模型中生成初始位置和结束位置坐标相同的初始路径，以使水下航行器沿着初始路径游回至初始位置。
具体地，本实施例中，水下航行器从某一选定的初始位置出发，上位机生成一条初始路径，并设置初始路径初始位置的三维坐标与初始路径结束位置的三维坐标相同，使得水下航行器沿初始路径自主游动后会返回至初始位置，在游动过程中，上位机始终收到水下航行器的位置信息和姿态信息，并不断生成指令发送给水下航行器修正航行路线。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员，在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (4)
1.一种基于三维全局视觉的水下自主航行方法，其特征在于，水下航行器包括多个运动单元，针对水下航行器的工作水池，预先将两个数码相机分别安装在所述工作水池的上方和其中任一侧壁上，并预先于所述工作水池内标定一参照点，所述水下自主航行方法包括以下步骤：
步骤S1，于所述水下航行器在所述工作水池内游动时，分别控制两个所述数码相机实时获取所述工作水池内的一环境图像数据，并实时获取所述水下航行器的第一运行数据；
步骤S2，以所述参照点为坐标原点构建得到三维坐标系，并根据两个所述数码相机输出的各所述环境图像数据得到所述水下航行器的第一位置数据和水下障碍物的第二位置数据；
步骤S3，将所述第一运行数据、所述第一位置数据和所述第二位置数据输入至预先构建的路径分析模型中生成初始路径，并控制所述水下航行器沿所述初始路径游动进行工作；
步骤S4，实时采集所述水下航行器的实时位置，并判断在所述初始路径中所述水下航行器于当前时刻下应处的目标位置和所述实时位置是否相同：
若是，则控制所述水下航行器沿所述初始路径游动，并转向步骤S5；
若否，则返回所述步骤S1；
步骤S5，实时获取所述水下航行器的第二运行数据，并将所述第二运行数据输入至CPG相位振荡模型中得到所述水下航行器的各所述运动单元的输出角度，以及根据各所述输出角度控制对应的所述运动单元进行姿态调整，随后返回所述步骤S4；
位于所述工作水池上方的所述数码相机为第一数码相机，位于所述工作水池的其中任一侧壁上的所述数码相机为第二数码相机，则所述步骤S1中，控制所述第一数码相机实时获取所述工作水池的水平面环境图像并包含于所述环境图像数据内，以及控制所述第二数码相机实时获取所述工作水池的垂直面环境图像并包含于所述环境图像数据内；
所述步骤S2包括：
步骤S21，以所述参照点为坐标原点，以经过所述参照点并与所述工作水池的水表面相平行的任一水平直线作为X轴，以经过所述参照点的、与所述工作水池的水表面相平行的并与所述X轴相垂直的水平直线作为Y轴，构建得到所述三维坐标系；
步骤S22，根据所述水平面环境图像得到所述水下航行器的第一水平面坐标和所述水下障碍物的第二水平面坐标，并将所述第一水平面坐标包含于所述第一位置数据内，以及将所述第二水平面坐标包含于所述第二位置数据内；
步骤S23，根据所述垂直面环境图像得到所述水下航行器的第一垂直面坐标和所述水下障碍物的第二垂直面坐标，并将所述第一垂直面坐标包含于所述第一位置数据内，以及将所述第二垂直面坐标包含于所述第二位置数据内；
所述第一运行数据包括自变量时间、游动的初始时间和游动的结束时间，所述第一位置数据包括所述水下航行器的状态量和控制量，所述第二位置数据包括所述水下障碍物的状态量，则所述步骤S3中，所述路径分析模型的架构如下：
目标函数：；
一阶动态限制：；
几何路径限制：；
终点条件：；
表示衡量系统性能或达到预期目标的程度系数；
表示结束点成本；
表示运行成本；
表示约束函数；
表示终点条件；
表示自变量时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示自变量时间对应的所述水下航行器的所述控制量；
表示初始时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示结束时间对应的所述水下航行器和所述水下障碍物的所述状态量；
表示初始时间；
表示结束时间。
2.根据权利要求1所述的水下自主航行方法，其特征在于，预先于距离所述工作水池的水表面2米的位置架设一支架，将其中一所述数码相机安装于所述支架的底端并使所述数码相机的镜头朝向所述工作水池。
3.根据权利要求1所述的水下自主航行方法，其特征在于，所述第二运行数据包括各所述运动单元的当前振幅、当前相位，所述步骤S5中，所述CPG相位振荡模型的架构如下：
;
其中,
表示第/>个所述运动单元的所述当前振幅的二阶导数；
表示预设状态参数；
表示预设的期望振幅；
表示第/>个所述运动单元的所述当前振幅；
表示第/>个所述运动单元的所述当前振幅的一阶导数；
表示第/>个所述运动单元的所述当前相位的一阶导数；
表示预设的固有频率；
表示第j个所述运动单元对第/>个所述运动单元的耦合权重；
表示第j个所述运动单元的所述当前相位；
表示第/>个所述运动单元的所述当前相位;
表示预设的期望相位差；
表示第/>个所述运动单元的所述输出角度。
4.根据权利要求1所述的水下自主航行方法，其特征在于，所述步骤S3中，通过所述路径分析模型中生成初始位置和结束位置坐标相同的所述初始路径，以使所述水下航行器沿着所述初始路径游回至初始位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311695614.1A CN117406757B (zh) | 2023-12-12 | 2023-12-12 | 一种基于三维全局视觉的水下自主航行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311695614.1A CN117406757B (zh) | 2023-12-12 | 2023-12-12 | 一种基于三维全局视觉的水下自主航行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117406757A CN117406757A (zh) | 2024-01-16 |
| CN117406757B true CN117406757B (zh) | 2024-04-19 |
Family
ID=89496446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311695614.1A Active CN117406757B (zh) | 2023-12-12 | 2023-12-12 | 一种基于三维全局视觉的水下自主航行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117406757B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2737026A1 (fr) * | 1995-07-18 | 1997-01-24 | Sirehna Societe D Ingenierie D | Engin marin automoteur capable de s'autoguider |
| JPH107084A (ja) * | 1996-06-21 | 1998-01-13 | Chugoku Electric Power Co Inc:The | 水中ロボットの操縦装置 |
| CN111324126A (zh) * | 2020-03-12 | 2020-06-23 | 集美大学 | 一种视觉无人船及其视觉导航方法 |
| CN111348161A (zh) * | 2020-04-23 | 2020-06-30 | 上海海洋大学 | 一种应用于海洋牧场的资源环境监测系统及其操作方法 |
| CN112180943A (zh) * | 2020-10-19 | 2021-01-05 | 山东交通学院 | 一种基于视觉图像和激光雷达的水下机器人导航避障方法 |
| CN112241176A (zh) * | 2020-10-16 | 2021-01-19 | 哈尔滨工程大学 | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 |
| WO2021045679A1 (en) * | 2019-09-02 | 2021-03-11 | National University Of Singapore | Method and system for object localization, and controlling movement of an autonomous underwater vehicle for object intervention |
| CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
| CN113325858A (zh) * | 2021-06-08 | 2021-08-31 | 西北工业大学 | 一种基于扑翼幅值的仿蝠鲼航行器航向控制方法 |
| CN113985419A (zh) * | 2021-10-22 | 2022-01-28 | 中国科学院合肥物质科学研究院 | 水面机器人协同障碍物检测及避障方法及系统 |
| CN116974278A (zh) * | 2023-06-30 | 2023-10-31 | 集美大学 | 基于改进los的滑模无人船路径跟踪控制系统及方法 |
| WO2023221586A1 (zh) * | 2022-05-16 | 2023-11-23 | 江苏科技大学 | 一种无人船自主航行系统及其方法 |
| CN117148727A (zh) * | 2023-10-31 | 2023-12-01 | 西北工业大学 | 基于尾鳍与变浮力系统的仿蝠鲼航行器底栖下潜控制方法 |
| CN117170251A (zh) * | 2023-10-31 | 2023-12-05 | 西北工业大学宁波研究院 | 一种基于cpg相位振荡器的间歇性驱动控制方法及其装置 |
-
2023
- 2023-12-12 CN CN202311695614.1A patent/CN117406757B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2737026A1 (fr) * | 1995-07-18 | 1997-01-24 | Sirehna Societe D Ingenierie D | Engin marin automoteur capable de s'autoguider |
| JPH107084A (ja) * | 1996-06-21 | 1998-01-13 | Chugoku Electric Power Co Inc:The | 水中ロボットの操縦装置 |
| WO2021045679A1 (en) * | 2019-09-02 | 2021-03-11 | National University Of Singapore | Method and system for object localization, and controlling movement of an autonomous underwater vehicle for object intervention |
| CN111324126A (zh) * | 2020-03-12 | 2020-06-23 | 集美大学 | 一种视觉无人船及其视觉导航方法 |
| CN111348161A (zh) * | 2020-04-23 | 2020-06-30 | 上海海洋大学 | 一种应用于海洋牧场的资源环境监测系统及其操作方法 |
| CN112241176A (zh) * | 2020-10-16 | 2021-01-19 | 哈尔滨工程大学 | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 |
| CN112180943A (zh) * | 2020-10-19 | 2021-01-05 | 山东交通学院 | 一种基于视觉图像和激光雷达的水下机器人导航避障方法 |
| CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
| CN113325858A (zh) * | 2021-06-08 | 2021-08-31 | 西北工业大学 | 一种基于扑翼幅值的仿蝠鲼航行器航向控制方法 |
| CN113985419A (zh) * | 2021-10-22 | 2022-01-28 | 中国科学院合肥物质科学研究院 | 水面机器人协同障碍物检测及避障方法及系统 |
| WO2023221586A1 (zh) * | 2022-05-16 | 2023-11-23 | 江苏科技大学 | 一种无人船自主航行系统及其方法 |
| CN116974278A (zh) * | 2023-06-30 | 2023-10-31 | 集美大学 | 基于改进los的滑模无人船路径跟踪控制系统及方法 |
| CN117148727A (zh) * | 2023-10-31 | 2023-12-01 | 西北工业大学 | 基于尾鳍与变浮力系统的仿蝠鲼航行器底栖下潜控制方法 |
| CN117170251A (zh) * | 2023-10-31 | 2023-12-05 | 西北工业大学宁波研究院 | 一种基于cpg相位振荡器的间歇性驱动控制方法及其装置 |
Non-Patent Citations (2)
| Title |
|---|
| 王扬威，等.基于CPG的仿生环形长鳍波动推进器运动控制.ROBOT.2016,第38卷(第6期),746-753. * |
| 高鹏骋，等.蝠鲼集群滑翔水动力 性能研究.西北工业大学学报.2023,第41卷(第3期),595-600. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117406757A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107562052B (zh) | 一种基于深度强化学习的六足机器人步态规划方法 | |
| Chen et al. | Bioinspired closed-loop CPG-based control of a robot fish for obstacle avoidance and direction tracking | |
| CN112097769B (zh) | 仿信鸽脑-海马的无人机同时定位与建图导航系统及方法 | |
| CN109240279B (zh) | 一种基于视觉感知和空间认知神经机制的机器人导航方法 | |
| CN111338384B (zh) | 一种仿蛇机器人自适应路径跟踪方法 | |
| CN107966153A (zh) | 水下航行器路径规划算法 | |
| CN115143964A (zh) | 一种基于2.5d代价地图的四足机器人自主导航方法 | |
| CN109470248A (zh) | 一种水下航行器导航系统及导航方法 | |
| Dai et al. | Barrier-based adaptive line-of-sight 3-D path-following system for a multijoint robotic fish with sideslip compensation | |
| Koca et al. | Implementations of the route planning scenarios for the autonomous robotic fish with the optimized propulsion mechanism | |
| CN115373388A (zh) | 一种舰载机器人的路径规划系统及方法 | |
| Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
| Barasuol et al. | Reactive trotting with foot placement corrections through visual pattern classification | |
| CN112212867B (zh) | 一种机器人自定位与导航的方法及系统 | |
| CN117406757B (zh) | 一种基于三维全局视觉的水下自主航行方法 | |
| Yan et al. | Research on motion mode switching method based on CPG network reconstruction | |
| Bender et al. | Map-based drone homing using shortcuts | |
| Liu et al. | Goal-driven motion control of snake robots with onboard cameras via policy improvement with path integrals | |
| Zhang et al. | Residual Reinforcement Learning for Motion Control of a Bionic Exploration Robot—RoboDact | |
| CN115167425A (zh) | 一种四足机器人的地图构建与路径规划方法 | |
| CN114609925A (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
| CN113989350A (zh) | 无人船自主探索和未知环境三维重构的监控系统 | |
| Emrani et al. | An adaptive leader-follower formation controller for multiple AUVs in spatial motions | |
| Yu et al. | Design and analysis of path planning for robotic fish based on neural dynamics model | |
| CN115047875B (zh) | 任务驱动的四足机器人粗粒度迭代模型 |
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 |