CN117454680A - 一种海洋搜索集群设计系统及方法 - Google Patents
一种海洋搜索集群设计系统及方法 Download PDFInfo
- Publication number
- CN117454680A CN117454680A CN202311395985.8A CN202311395985A CN117454680A CN 117454680 A CN117454680 A CN 117454680A CN 202311395985 A CN202311395985 A CN 202311395985A CN 117454680 A CN117454680 A CN 117454680A
- Authority
- CN
- China
- Prior art keywords
- searched
- underwater
- task points
- points
- determining
- 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
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 17
- 241000251468 Actinopterygii Species 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 13
- 238000005070 sampling Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 239000011664 nicotinic acid Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- VYQRBKCKQCRYEE-UHFFFAOYSA-N ctk1a7239 Chemical compound C12=CC=CC=C2N2CC=CC3=NC=CC1=C32 VYQRBKCKQCRYEE-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/22—Design optimisation, verification or simulation using Petri net models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种海洋搜索集群设计系统及方法，包括：获取模块、第一确定模块、第二确定模块和传输模块；获取模块用于基于水下无人航行器，获取待搜索区域内的多个任务点的状态；第一确定模块用于基于状态从多个任务点中确定待搜索的任务点；第二确定模块用于从待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，目标任务点为水雷分布信息；传输模块用于基于水面搜索艇，通过无线电通讯将待搜索区域内的目标任务点进行无线电实时加密传递。本发明可实现浅海、内陆湖泊环境下对水下或水面目标的搜索与水下环境信息的采集，还可胜任水下水雷标定等军事任务，相较于传统的潜艇声纳探测水雷具有较高的隐蔽性和准确性。
Description
技术领域
本发明属于设备控制技术领域，具体涉及一种海洋搜索集群设计系统及方法。
背景技术
海上搜索一般具有时间紧迫，搜索范围大等特点，若再遇上其它因素的干扰，搜索范围还需要进一步扩大。现实中敌方通常仅在有限的区域内布设水雷，故以此方式确定哪些区域未被布雷至关重要。传统的声纳探测具有高效、快速的优势，但是在面对几十万平方公里的搜索海域，且搜索时间非常紧迫的情况下，若采用现有技术中的声呐探测方法对水下定位装置进行搜索，基本不可能完成任务。也即，现有技术所采取的海上搜索方法，当前针对大范围的海上搜索的可靠性仍不足。
发明内容
针对现有技术的不足，本发明提出了一种海洋搜索集群设计系统及方法，可实现浅海、内陆湖泊环境下对水下或水面目标的搜索与水下环境信息的采集，还可胜任水下水雷标定等军事任务，相较于传统的潜艇声纳探测水雷具有较高的隐蔽性和准确性。
为实现上述目的，本发明提供了如下方案：
一种海洋搜索集群设计系统，包括：获取模块、第一确定模块、第二确定模块和传输模块；
所述获取模块用于基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
所述第一确定模块用于基于所述状态从多个任务点中确定待搜索的任务点；
所述第二确定模块用于从所述待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，所述目标任务点为水雷分布信息；
所述传输模块用于基于所述水面搜索艇，通过无线电通讯将所述待搜索区域内的所述目标任务点进行无线电实时加密传递。
优选的，所述水下无人航行器采用九轴陀螺仪进行姿态解算；其中，姿态解算过程包括：先验部分、测量部分和后验部分。
优选的，获取待搜索区域内的多个任务点的状态的过程包括：
基于角色团体思维和多Agent思维，应用于面向对象的Petri网集群协同控制完成指定的水下搜索使命。
优选的，从所述待搜索的任务点中确定目标任务点的过程包括：
对水下摄像头采集到的矢量光线图像进行矢量光搜索与图像校正，使图像中光线调整为单像素；
利用双边滤波对所述单像素图像进行数据预处理；
搭载优化的PP-YOLOE+神经网络模型，对处理后的图像进行目标识别。
优选的，所述阵列式通讯机采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束。
本发明还提供了一种海洋搜索集群设计方法，包括以下步骤：
基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
基于所述状态从多个任务点中确定待搜索的任务点；
从所述待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，所述目标任务点为水雷分布信息；
基于所述水面搜索艇，通过无线电通讯将所述待搜索区域内的所述目标任务点进行无线电实时加密传递。
优选的，所述水下无人航行器采用九轴陀螺仪进行姿态解算；其中，姿态解算方法包括：先验部分、测量部分和后验部分。
优选的，获取待搜索区域内的多个任务点的状态的方法包括：
基于角色团体思维和多Agent思维，应用于面向对象的Petri网集群协同控制完成指定的水下搜索使命。
优选的，从所述待搜索的任务点中确定目标任务点的方法包括：
对水下摄像头采集到的矢量光线图像进行矢量光搜索与图像校正，使图像中光线调整为单像素；
利用双边滤波对所述单像素图像进行数据预处理；
搭载优化的PP-YOLOE+神经网络模型，对处理后的图像进行目标识别，确定目标任务点。
优选的，所述阵列式通讯机采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束。
与现有技术相比，本发明的有益效果为：
本发明利用水下无人航行器可以对一定区域进行快速搜索，并通过阵列式通讯机将是否存在雷区、水雷个数实时发送给水面搜索艇，舰艇通过无线电通讯将海域中水雷分布信息进行无线电实时加密传递，相较传统的声纳探测具有高效、快速的优势。敌方通常仅在有限的区域内布设水雷，故以此方式确定哪些区域未被布雷至关重要。在可能的舰队作战区内，这种水雷侦察可用于取代缓慢的除雷行动。它可以提高搜索效率，降低人力资源成本，同时减少对海洋环境的干扰，具有较大的应用潜力和市场前景。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的一种海洋搜索集群设计系统整体框架图；
图2为本发明实施例中的面向对象的Petri网决策仿真示意图；
图3为本发明实施例中的仿生鱼结构示意图；
图4为本发明实施例中的水下图像处理与目标识别的流程示意图；
图5为本发明实施例中的PP-YOLOE+与其他算法性能对比示意图；
图6为本发明实施例中的水下目标识别效果示意图；
图7为本发明实施例中的通讯机结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明公开了一种海洋搜索集群设计系统，包括：获取模块、第一确定模块、第二确定模块和传输模块；
获取模块用于基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
第一确定模块用于基于状态从多个任务点中确定待搜索的任务点；
第二确定模块用于从待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，所述目标任务点为水雷分布信息；
传输模块用于基于水面搜索艇，通过无线电通讯将待搜索区域内的目标任务点进行无线电实时加密传递。
在本实施例中，获取待搜索区域内的多个任务点的状态的过程包括：
本水下搜索集群采用基于对象Petri网组网控制技术，该系统是一套全新的可面向多种水下使命的异步协同分布式集群系统，基于角色团体思维和多Agent思维，可应用于协同控制完成指定的水下搜索使命。相较于传统工作模式有着任务分工明确、任务完成高效的优势，每条仿生鱼拥有的知识和能力区别度较大，需要完成的任务难度都较小。针对该水下多目标搜索使命，下表1是该使命的使命、任务和行为定义简化结果：
表1
此方式可以确立组织结构：角色团体中有一个Leader，其余应当为Member，通过角色关系，集群系统具有明确的结构层次。完成专业分工：根据RE网，Leader负责调控整个系统的运作，进行任务分配，从而让各个角色协调起来。相较于传统的集群编队控制方案，该方案能够更有效地利用每个成员的专业知识和能力，提高任务完成的效率。同时，该编队控制方案具有较强的灵活性和适应性，使得编队中的成员能够根据任务需求进行相应的角色切换和协同工作。这种灵活性和适应性使得编队能够应对不同类型的任务和环境，提高了系统的应变能力。
基于对象Petri网仿真框架Tina，本发明针对水下多目标搜索这一使命在海下大背景下建立了集群系统的仿真，如下图2(a)、(b)所示，进行了可达性分析、可达树建立、死点分析等步骤。完成如下图2的Petri网框架，类比决策树的思想，将水下作业任务分解为若干行为与任务点，分别通过门建立协作层，通过控制网实现高效率组网控制。
如图3所示，本结构仿生鱼前进推动力主要尾鳍摆动提供，但尾鳍提供的90％为前进推力，故为了实现在水中的三维运动，本发明通过中心改变法来调整机器鱼姿态。在机器鱼头部放置了配重块，通过360度舵机改变配重块的方位来实现机器鱼俯仰、偏航和滚转运动，以此实现机器鱼中心改变，可以实现机器鱼三维空间灵活运动。
在本实施例中，所述水下无人航行器采用九轴陀螺仪进行姿态解算。
姿态数据采集使用九轴惯性器件RA963一种集成了三轴加速度计、三轴陀螺仪和三轴磁力计的传感器。RA963陀螺仪可测量加速度、角速度和磁场的三个维度。测量范围为±0.2g至±16g的加速度、±50°/s至±2000°/s的角速度和±1.7uT至±48uT的磁场。内置加速度计的灵敏度可达到0.1mV/g，陀螺仪的灵敏度可达到0.1mV/°/s。主控MCU根据IIC总线采集该IMU数据，并进行下述姿态解算过程。
相较于传统的四元数解算，本发明使用的算法对传感器测量值进行融合和优化的同时减小了传感器的噪声和不确定性。传统的四元数解算方法需要对所有测量数据进行历史回溯，计算量较大，导致实时性能较差。本发明只需要保留当前状态和协方差矩阵，减少了计算负担，可以实现更高的实时性能。这种方式可以减小传感器误差对姿态估计的影响，能够显著提高系统的鲁棒性和稳定性。
该集群鱼系统姿态解算算法可分为先验部分、测量部分、后验部分，在下文中导航坐标系为北东天坐标系，载体坐标系固连于机器鱼并且右、前、上(x,y,z)，姿态角的旋转顺序为：z,x,y(偏航、俯仰，滚转)。
该式表示导航系到载体系的转换矩阵。偏航，滚转、俯仰的初始值分别为z0，y0，x0，c、s分别代表余弦和正弦函数。导航坐标系下初始加速度为重力加速度、均分布在Z轴上，故在递推时初始姿态角可由加速度确定：
故初始滚转与俯仰角可由加速度计唯一确定，结果如下：
而偏航角可由初始时的地磁分量计算即
在后续的滤波过程中使用四元数来代替欧拉角进行运算，可以避免因机器鱼在快速转向时存在的万向锁问题，避免误差积累导致测量结果不稳定。
先验估计部分：由陀螺仪数据进行状态更新
上述公式中是从导航坐标系到载体坐标系的四元数，A为四元数微分方程在连续域中使用四阶龙格库塔算求解得到。在实际使用卡尔曼滤波器的时候，最常用的还是离散域，由下述方法转换到离散域
式中T表示陀螺仪采样周期，即为状态转移矩阵的一部分，同时状态转移矩还包含为陀螺仪噪声与陀螺仪偏置噪声。陀螺仪在风浪环境下会受到噪声的影响，这些噪声主要包括随机噪声和系统噪声，系统噪声服从正态分布，同时根据风浪环境的特点，设计自适应滤波算法，根据实时的环境信息动态调整滤波参数，以适应不同的海洋浪涌环境。
对状态转移方程求雅各比矩阵：
通过求解雅各比矩阵，可以评估四元数对在不同方向上的微小变化的响应程度，并在状态更新过程中使用它们来优化姿态或旋转的计算。
测量部份：因在海洋中受到环境电磁干扰较大，测量更新过程信任加度计。通过利用加速度计的测量值，结合先验估计和系统模型，计算出对当前状态的估计值。
这里使用的四元数都是单位四元数，对上式求雅克比矩阵，可以得到观测矩阵
后验部分：通过观测矩阵计算每次更新后增益，
增益K通过比较系统的先验预测值和实际测量值的不确定性，来确定预测值和测量值在姿态估计中的权重，R是由洋流产生的噪声矩阵。海洋航行器容易受到波浪和海流等干扰，该更新方式能够有效地减小这些干扰对姿态解算的影响，使解算结果更加稳定。该方案只在更新偏航角时使用到地磁数据，能避免因海洋磁场干扰导致三个轴输出同时不稳定的情况，同时也应用到海面搜索船中。
在本实施例中，从待搜索的任务点中确定目标任务点的过程包括：
水下实际环境中可能出现图像模糊、颜色偏移、对比度偏移、镜面图像、非均匀照明和噪声光源等现象，这对视觉定位算法提出了极高的要求。本发明首先对水下摄像头采集到矢量光线图片进行矢量光搜索与图像校正、使图像中光线调整为单像素，利用双边滤波完成数据预处理，同时搭载优化PP-YOLOE+神经网络模型，具有更小的模型体积和更高的推理速度，可对处理后的图像进行目标识别过程，可通过特定数据集的训练提高对水下特定的目标的识别准确率。如图4所示。
在完成图像采集后，通过使用相机的标定参数进行图像校正。采用双边滤波共同实现点数据降噪，保证点数据完整性。利用权重计算，让数据点汇集在法向位置，实现数据平滑目的。通过调整高斯滤波参数εc和εs的值来控制滤波效果。将采样点ai转换为滤波后的全新数据点o，并输出新的激光点信息，完成了点数据预处理的过程。
随后，将相机获取的RGB图像转换为HSV图像，HSV模型分别表示颜色的色调(Hue)、饱和度(Saturation)和亮度(Value)。相比于RGB模型，HSV模型更适合进行色彩分析和处理。并基于色调、饱和度和亮度进行多区间限制，通过多区间限制和去除非蓝色噪声，可以准确地识别出目标蓝色光源，减少误检率。接下来进行伽马变换，其是一种非线性灰度变换方法，用于增强图像中的光线和背景亮度差异。通过调整伽马参数，可以灵活控制图像对比度的增强程度，能增强图像中的光线和背景亮度差异。并使用阈值进行二值化，即将图像上的像素分为两类：符合要求的目标区域和非目标区域。阈值的选择根据具体的应用需求和图像特点进行调整，生成二值图像。并进行腐蚀、膨胀等形态学操作，腐蚀可以使目标变细或变小，膨胀则相反，可以填充空隙或连接断裂。通过上述过程可使水下图像的模态图骨骼化，将光线调整为单像素，有助于后续图像检测与水下目标识别，并消除非线性高亮区域对检测的干扰。
在实际水下环境中，由于存在各种未知干扰，传统的基于特征提取的图像重构算法往往无法给出准确的检测结果。因此，本发明采用基于随机采样一致性算法的激光点大数据自动配准技术。为集群中个体提供更精确的水下图像重构信息，在处理后的图像中中将有限选取3组对应且不共线的采样点，并将其配准在相同坐标系中。
偏差处理过程如下：第一，假设在激光点数据集E内，任意挑选不在相同直线上的3个采样点f、g、h；第二，推算f点的曲率ρf、f至其最近领域重心的连线和法线夹角θf和以f、g、h三点为顶点的三角形三条边长|fg|、|gh|、|fh|；第三，在目标点数据集合U内寻找和f具备相同特征的点数据f′，则ρf′＝ρf，θf′＝θf把f′作为球心，|fg|为半径，找出点g′，且|f′g′|＝|fg||；第四，在g′为球心，|gh|为半径的球面上找出点h′，|g′h′|＝|gh|；第五，如果|f′h′|＝|fh|，那么f′、g′、h′就是f、g、h的对应点。
按照以上过程获得采样对应点后，通过奇异值分解得到刚体变换矩阵Lc，把点云数据集采样点使用矩阵Lc变换后，分析各点与实际目标点云的偏差若点数据集E内的采样点是pi，则偏差/>推导公式为
模型点配准率能衡量出激光点云采样数据和真实数据的一致性，倘若采样点pi的偏差小于偏差临界值，则pi是内点，反之为外点。在变换矩阵Lc前提下，设定pt是随机挑选的点两点重合概率，即配准成功率，pr为两个点重叠范围占全部投影面积的比例,设定下限计算值M为
上述过程可去除图像点对之间由图像处理过程造成的的旋转及平移错位，给精确配准提供最优初始值。
在精确配准中，采用改进迭代最近法完成点数据自动配准。假设激光点数据集G、R内依次涵盖Ng、Nr个点，定义为点集{gi}和{ri}。迭代最近法计算时会找出两个点集合的最近点，并令其欧氏距离的平方和最低。
而传统迭代最近法时间复杂度为O{Ng Nr}，若点个数较多，推算相对点的欧氏距离会消耗大量时间，针对此种缺陷，使用如下改进策略：给对应点赋予一定权重，去除权重高于预设临界值的点；使用M-估计方法完善目标函数，提升配准精确性。对点的对应点进行赋权，两个点间距越大，赋予的权重越小。
赋权公式为
该方案通过给对应点赋予一定权重，去除权重高于预设临界值的点；并使用M-估计，其核心思想为：估计值R可让残差v的误差惩罚函数最小。为提升方法可靠性，要让误差惩罚函数/>容忍较多的数据误差，减少对点配准精度的影响。误差惩罚函数/>的解析式为：
该式表示误差惩罚函数的饱和度参数。选择该误差惩罚函数，可以对配准结果的稳健性进行优化。绝对值误差函数直接度量了误差的绝对大小，使得配准结果对所有误差都具有一致的重视。
该方案能有效获取不同角度下图像点数据的旋转平移变换关联，在提升数据平滑性的同时，有机融合随机采样一致性算法和改进迭代最近法，提升配准正确率与速率。该方法克服了传统方法计算量大、易陷入局部最优的缺陷，能够实现对水下矢量图片快速校准与拟合，实现图像的重构。
为了获取重构后图像数据集中特征目标的位置与方位信息，本发明设计了基于PP-YOLOE+的智能检测识别算法，通过部署Objects365预训练模型，减少训练轮数、提高模型训练效率，实现了对目标的高精度、高算力检测。该算法使用Objects365预训练模型并实现自动学习图像特征，无需手动设计特征提取器，减少了人工干预和工程复杂性。同时为端到端训练，从原始图像直接预测目标位置和类别，简化了算法流程。使用EasyEdge端与边缘AI服务平台对水底生物目标检测模型进行部署开发者将自建模型快速部署到设备端。只需上传模型，最快2分种即可获得适配终端硬芯片的模型。如图5所示，在常见的数据集上，PP-YOLOE+相较于传统目标检测算法，平均精度提升了9.6％。其次，PP-YOLOE+引入了更加准确的预测策略。通过使用IoU损失函数和GIoU损失函数，能够更准确地预测目标的位置和边界框，避免了传统算法中存在的误检和漏检问题。
如图6所示，本发明目标识别算法优势：PP-YOLOE+采用了更加精细的特征融合策略效果，通过引入特征金字塔网络和扩张卷积模块，有效提取不同尺度下的特征信息，从而提高了目标检测的精度。在水面复杂场景下，PP-YOLOE+相较于传统算法，误检率降低了25.3％，训练收敛速度提升3.75倍。在不同场景数据集上验证，精度最高提升8.1％，并且支持多种部署方式。PP-YOLOE+在COCO test-dev2017达到了53.3的mAP,同时其速度在TeslaV100上达到了78.1FPS。PP-YOLOE+具有卓越的精度速度性价比,超强性能与超高泛化性使得PP-YOLOE+可以帮助仿生鱼群在最短时间、最少量数据上能得到最优效果。
在本实施例中，由于以大气作为媒介的常用通讯手段在水下难以实施，如WIFI通讯、卫星通讯等，其衰减率大幅提高，加上海水中含有大量的电解质元素，电磁波通讯在水下多信道组网技术几乎不能很好地应用。本项目以水声信道作为信息传输媒介，为提升声波波束主瓣能量，使发射能量更加集中，本项目选择基阵式超声波发生结构，采用自研的阵列式水下超声波通讯机，在搜索船与集群机器鱼之间、集群鱼内部之间进行组网，以便于进行定点传输、广播传输、信道监听等功能。
如图7所示，阵列式水下超声波通讯机：
阵列式水下超声波通讯机结构上采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束，假定水声传播介质是均匀、各向同性的，那么当基阵中振元间隔大于或等于半波长，且忽略阵元间互作用时，在以发射阵列为等效中心的球面上，波束能量分布可以以函数形式表达。用D表示即：
在远离发射阵的声场中，某一距离相应方向上的声强Imax与同距离处各方向上声压有效值平方的平均值p2的比值称作指向性因数，旨在衡量在特定方向上从一定体积的空间中获取能量的能力。表示为：
D与R0有如下关系：
当阵列式水声通讯机工作在主动模式中作为发射机使用时，声电换能器将电信号转换为声信号。根据如上关系，可以求算出在特定外形约束条件下，阵列式通讯机的最佳阵列半径、阵列单元数和阵列数。
本项目采用4+1的方案对超声波探头进行阵列布置，即当通讯频率为40kHz，阵列半径为25mm，阵列单元数为4时。此设备能够产生两两相同的角动量模式复用的声波波束，产生OAM涡旋声波从而提升水下信息传递稳定性与准确率，以实现小型化、高稳定、误码率低等特点，经特殊结构设计可挂载至集群仿生鱼个体下部。
通讯机可实行两种通讯模式：定点发射(16进制)、广播发射(16进制)，以实现组网或特定对象交互。由于能源的限制，搜索系统成员还可以在任务执行过程中实现通讯工作模式的切换，具体包括0-透明传输、1-唤醒模式、2-省电模式、3-休眠模式，以便于发送方的唤醒操作和接收方的省电行为。
两种通讯模式均为16进制通讯，例如发射信息“00 01 03AA BB CC”其中前四位(0011)表征通讯地址、5-6(03)这四位表征通讯信道，最后7-12位表征数据。
通讯机极限参数如表2所示：
表2
通讯机工作参数如表3、表4所示：
表3
表4
| 主要参数 | 数值 |
| 参考距离 | 200m |
| 分包方式 | 58Btye |
| 缓存容量 | 512Btye |
| 调制方式 | 2FSK |
| 通信接口 | USART |
| 封装方式 | 直插式 |
| 天线接口 | SMA-K |
| 外形尺寸 | 100*100*40mm |
实施例二
本发明还提供了一种海洋搜索集群设计方法，包括以下步骤：
基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
基于状态从多个任务点中确定待搜索的任务点；
从待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，目标任务点为水雷分布信息；
基于水面搜索艇，通过无线电通讯将所述待搜索区域内的所述目标任务点进行无线电实时加密传递。
在本实施例中，水下无人航行器采用九轴陀螺仪进行姿态解算；其中，姿态解算方法包括：先验部分、测量部分和后验部分。
在本实施例中，获取待搜索区域内的多个任务点的状态的方法包括：
基于角色团体思维和多Agent思维，应用于面向对象的Petri网集群协同控制完成指定的水下搜索使命。
在本实施例中，从待搜索的任务点中确定目标任务点的方法包括：
对水下摄像头采集到的矢量光线图像进行矢量光搜索与图像校正，使图像中光线调整为单像素；
利用双边滤波对单像素图像进行数据预处理；
搭载优化的PP-YOLOE+神经网络模型，对处理后的图像进行目标识别，确定目标任务点。
在本实施例中，阵列式通讯机采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种海洋搜索集群设计系统，其特征在于，包括：获取模块、第一确定模块、第二确定模块和传输模块；
所述获取模块用于基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
所述第一确定模块用于基于所述状态从多个任务点中确定待搜索的任务点；
所述第二确定模块用于从所述待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，所述目标任务点为水雷分布信息；
所述传输模块用于基于所述水面搜索艇，通过无线电通讯将所述待搜索区域内的所述目标任务点进行无线电实时加密传递。
2.根据权利要求1所述的海洋搜索集群设计系统，其特征在于，所述水下无人航行器采用九轴陀螺仪进行姿态解算；其中，姿态解算过程包括：先验部分、测量部分和后验部分。
3.根据权利要求1所述的海洋搜索集群设计系统，其特征在于，获取待搜索区域内的多个任务点的状态的过程包括：
基于角色团体思维和多Agent思维，应用于面向对象的Petri网集群协同控制完成指定的水下搜索使命。
4.根据权利要求1所述的海洋搜索集群设计系统，其特征在于，从所述待搜索的任务点中确定目标任务点的过程包括：
对水下摄像头采集到的矢量光线图像进行矢量光搜索与图像校正，使图像中光线调整为单像素；
利用双边滤波对所述单像素图像进行数据预处理；
搭载优化的PP-YOLOE+神经网络模型，对处理后的图像进行目标识别。
5.根据权利要求1所述的海洋搜索集群设计系统，其特征在于，所述阵列式通讯机采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束。
6.一种海洋搜索集群设计方法，其特征在于，包括以下步骤：
基于水下无人航行器，获取待搜索区域内的多个任务点的状态；
基于所述状态从多个任务点中确定待搜索的任务点；
从所述待搜索的任务点中确定目标任务点，并通过阵列式通讯机实时发送给水面搜索艇；其中，所述目标任务点为水雷分布信息；
基于所述水面搜索艇，通过无线电通讯将所述待搜索区域内的所述目标任务点进行无线电实时加密传递。
7.根据权利要求6所述的海洋搜索集群设计方法，其特征在于，所述水下无人航行器采用九轴陀螺仪进行姿态解算；其中，姿态解算方法包括：先验部分、测量部分和后验部分。
8.根据权利要求6所述的海洋搜索集群设计方法，其特征在于，获取待搜索区域内的多个任务点的状态的方法包括：
基于角色团体思维和多Agent思维，应用于面向对象的Petri网集群协同控制完成指定的水下搜索使命。
9.根据权利要求6所述的海洋搜索集群设计方法，其特征在于，从所述待搜索的任务点中确定目标任务点的方法包括：
对水下摄像头采集到的矢量光线图像进行矢量光搜索与图像校正，使图像中光线调整为单像素；
利用双边滤波对所述单像素图像进行数据预处理；
搭载优化的PP-YOLOE+神经网络模型，对处理后的图像进行目标识别，确定目标任务点。
10.根据权利要求6所述的海洋搜索集群设计方法，其特征在于，所述阵列式通讯机采用涡旋声波复用的C-UCA换能器阵列设计，模拟柱坐标下换能器阵列产生的L-G型OAM复合波束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395985.8A CN117454680A (zh) | 2023-10-26 | 2023-10-26 | 一种海洋搜索集群设计系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395985.8A CN117454680A (zh) | 2023-10-26 | 2023-10-26 | 一种海洋搜索集群设计系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117454680A true CN117454680A (zh) | 2024-01-26 |
Family
ID=89581117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311395985.8A Pending CN117454680A (zh) | 2023-10-26 | 2023-10-26 | 一种海洋搜索集群设计系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454680A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118025458A (zh) * | 2024-04-12 | 2024-05-14 | 中国海洋大学 | 一种蝠鲼式仿生鱼及其水下通信方法 |
-
2023
- 2023-10-26 CN CN202311395985.8A patent/CN117454680A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118025458A (zh) * | 2024-04-12 | 2024-05-14 | 中国海洋大学 | 一种蝠鲼式仿生鱼及其水下通信方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Survey of underwater robot positioning navigation | |
| US12072705B2 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
| Liu et al. | Detection and pose estimation for short-range vision-based underwater docking | |
| CN111340868B (zh) | 基于视觉深度估计的无人水下航行器自主决策控制方法 | |
| CN109859202B (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| CN112146654B (zh) | 基于关键约束帧的前视成像声呐水下定位与导航方法 | |
| CN117454680A (zh) | 一种海洋搜索集群设计系统及方法 | |
| CN114217303B (zh) | 目标定位跟踪方法及装置、水下机器人和存储介质 | |
| CN115761286A (zh) | 复杂海况下基于激光雷达的水面无人艇航行障碍物检测方法 | |
| CN107730539B (zh) | 自主水下机器人控制系统及声纳目标跟踪方法 | |
| CN111144208A (zh) | 一种海上船舶目标的自动检测和识别方法及目标检测器 | |
| CN117214904A (zh) | 一种基于多传感器数据的鱼类智能识别监测方法和系统 | |
| CN116486243A (zh) | 基于DP-ViT的声呐图像目标检测方法 | |
| CN116468995A (zh) | 一种联合slic超像素和图注意力网络的声呐图像分类方法 | |
| Sreekala et al. | Deep convolutional neural network with Kalman filter based objected tracking and detection in underwater communications | |
| CN116597141A (zh) | 一种基于声呐图像语义分割的海底电缆检测跟踪方法 | |
| CN113822297B (zh) | 一种海上舰艇目标识别装置及方法 | |
| Jamieson et al. | DeepSeeColor: Realtime Adaptive Color Correction for Autonomous Underwater Vehicles via Deep Learning Methods | |
| Lin et al. | The fuzzy-based visual intelligent guidance system of an autonomous underwater vehicle: realization of identifying and tracking underwater target objects | |
| Fayaz et al. | Intelligent underwater object detection and image restoration for autonomous underwater vehicles | |
| Zhou et al. | A real-time algorithm for visual detection of high-speed unmanned surface vehicle based on deep learning | |
| CN116029123A (zh) | 水下航行器地形扫测过程仿真方法、系统及介质 | |
| Sporyshev et al. | Reinforcement learning approach for cooperative AUVs in underwater surveillance operations | |
| Shakirzyanov et al. | Method for unmanned vehicles automatic positioning based on signal radially symmetric markers recognition of underwater targets | |
| Franchi et al. | Underwater robotics competitions: The European Robotics League emergency robots experience with FeelHippo AUV |
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 |