CN117647981A - 一种无人艇智能航行控制方法、装置及设备 - Google Patents
一种无人艇智能航行控制方法、装置及设备 Download PDFInfo
- Publication number
- CN117647981A CN117647981A CN202311574278.5A CN202311574278A CN117647981A CN 117647981 A CN117647981 A CN 117647981A CN 202311574278 A CN202311574278 A CN 202311574278A CN 117647981 A CN117647981 A CN 117647981A
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- navigation
- unmanned
- current
- speed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种无人艇智能航行控制方法、装置及设备，涉及自主航行控制技术领域。所述方法包括：根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。本发明的方案实现了无人艇在复杂多变环境条件下的自主航行控制。
Description
技术领域
本发明涉及自主航行控制技术领域，具体涉及一种无人艇智能航行控制方法、装置及设备。
背景技术
近年来，伴随着计算机技术、通信技术、传感器技术以及材料科技等一系列技术的突破与进步，水面无人艇技术也在不断地发展。作为一种智能化水面航行器，水面无人艇具有无人化、自主能力强的突出优势，在军民领域均有广泛的应用价值。第一方面，水面无人艇主要用来对恶劣环境条件下的海洋、湖泊、江河等环境执行气象探测、地理测绘、水质勘测等公务任务。第二方面，水面无人艇主要用来完成侦查巡逻、搜潜反潜、空海目标打击等特殊作战任务。水面无人艇技术涉及多门学科、多个领域，相对于普通有人船艇，最大的不同是将原本由人完成的识别、决策等任务交由自动化设备与算法来完成，这就使得水面无人艇需要拥有像人类一样甚至超越人类的识别、判断、推理以及决策能力，从而能够独立、自主地完成航行等任务。对于无人艇而言，自主航行能力是其基本能力，自主航行控制技术是其必备的技术手段。水面无人艇在自主航行过程中，简单环境中的定速、定向航行是基础功能，但在执行任务过程中，水面无人艇需要经过港池码头、进出港狭窄水道、临港航行区域、海上锚泊地、繁忙航道、养殖区等复杂环境区域，同时在同一航次中，航行至不同海域还存在气象水文条件差异较大的情况。因此，需要水面无人艇能够根据不同的环境条件和艇型性能参数，自适应调整参数智能控制水面无人艇安全航行。当前，无人艇的航行控制主要以人工调整参数进行手动输入方式进行，还无法实现复杂环境条件下的自适应智能航行控制。
发明内容
本发明要解决的技术问题是提供一种无人艇智能航行控制方法、装置及设备，解决了现有无人艇的航行控制参数无法实现复杂多变环境条件下的自适应智能航行控制的问题。
为解决上述技术问题，本发明的技术方案如下：
本发明的实施例提出一种无人艇智能航行控制方法，包括：
根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；
根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；
根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
可选的，根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势包括：
通过不同类型传感器获取无人艇周围的目标物信息；
对所述目标物信息进行融合处理，确定目标物状态及目标物与无人艇的距离；
根据所述目标物状态、目标物与无人艇的距离、无人艇艇体航纵横摇信息以及气象水文信息，确定无人艇当前所处环境的环境态势。
可选的，根据所述环境态势，确定无人艇所处的航行场景包括：
当水面无人艇周围目标物个数小于第一预设值，且所述目标物距离无人艇的距离均大于第二预设值时，将无人艇所处的航行场景确定为开阔海域；
当水面无人艇周围目标物航迹稳定或目标物位置固定时，将无人艇所处的航行场景确定为锚地航道区域；
当水面无人艇周围目标物个数大于第一预设值、所述目标物距离无人艇的距离均小于第二预设值，且环境态势中包括码头泊位时，将无人艇所处的航行场景确定为港池码头环境。
可选的，根据所述无人艇当前所处航行场景，确定无人艇当前航行模式，包括：
当所述无人艇当前航行场景为开阔海域时，将无人艇当前航行模式确定为高速机动航行模式；
当所述无人艇当前航行场景为锚地航道区域时，将无人艇当前航行模式确定为常规巡航航行模式；
当所述无人艇当前航行场景为港池码头环境时，将无人艇当前航行模式确定为低速缓行模式。
可选的，根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行包括：
根据所述航行模式，通过第一预设算法控制所述无人艇的航速；
根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向。
可选的，根据所述航行模式，通过第一预设算法控制所述无人艇的航速，包括：
根据航行模式，获取航速控制系统的期望输入航速sexp；
基于航速控制系统的期望输入航速sexp，通过 eu＝sexp-sr、/>Tru(k+1)＝Tru(k)+ΔTru(k)以及/>获取航速控制指令输出Tru(k+1)；
其中，其中，k＝0,1,2…表示某一时刻，sexp为航速控制系统期望输入航速，sr为航速控制系统实际航速值，为航速控制滑模面，eu为期望航速与实际航速之差，/>表示eu的一阶导数，ΔTru(k)为航速控制滑模解算步长增益值，Tru(k+1)为航速控制指令输出，W＝[w1,w2,…,wn]T为航速控制神经网络的权值向量，wn为神经网络n节点权值，[w1,w2,...,wn]T为[w1,w2,...,wn]的转置向量；H(x)＝[h1(x),h2(x),…,hn(x)]T为神经网络模型的核函数，hn(x)为核函数参数，[h1(x),h2(x),…,hn(x)]T为[h1(x),h2(x),...,hn(x)]的转置向量；x为航速控制神经网络模型的输入向量，/>为W的一阶导数，λ1为航速控制过程滑模面参数，λ2为航速趋近过程的控制参数，λ3为航速控制滑模切换参数，λ4为航速神经网络的控制参数，λ5为航速自适应学习参数权值，λ6为航速控制阻尼参数权值。
可选的，根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向，包括：
根据所述预设航线和无人艇当前姿态，通过跟踪误差算法、控制输出舵角命令算法、参数迭代学习更新算法以及重置算法控制所述无人艇的航向；
其中，跟踪误差算法为：err(m+1,i)＝Yawd(m+1)-Yaw(m+1,i)-p2r(m+1,i)；控制输出舵角命令算法为： 参数迭代学习更新算法为：/> 重置算法为/>当/>|Δud(m,i-1)|≤ε或时进行重置；
其中，m＝0,1,2…表示第m个采样点，i＝0,1,2…表示序列号，r(m+1,i)为第i次迭代第m个采样时刻的艏向角速度，err(m+1,i)为m+1采样时刻i次迭代的误差，err(m+1,i-1)为m+1采样时刻i-1次迭代的误差，Yaw(m+1,i)为第i次迭代第m个采样时刻的艏向，Yawd(m+1)为期望艏向角，ud(m,i)为m次迭代控制输出舵角命令，ud(m,i-1)为m采样时刻i-1次迭代的控制输出舵角命令，Δud(m,i-1)为ud(m,i)和ud(m,i-1)的差值，ε为一个充分小的正数，为控制系统迭代m次第i次解算伪偏导数值，/>为初始迭代时/>的初值，/>为控制系统迭代m次第i-1次解算伪偏导数值，ΔYaw(m+1,i-1)为Yaw(m+1,i-1)和Yaw(m,i-1)差值，ε＝0.00001，μ>0为权重系数，p，p1，p2，ρ，η均为初始化控制参数。
本发明的实施例还提供一种无人艇智能航行控制装置，包括：
获取模块，用于根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
处理模块，用于根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行上述的无人艇智能航行控制方法。
本发明的实施例还提供一种计算机可读存储介质，包括：存储指令，当所述指令在计算机上运行时，使得计算机执行上述的无人艇智能航行控制方法。
本发明的上述方案至少包括以下有益效果：
本发明所述的无人艇智能航行控制方法，通过根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。实现了无人艇在复杂多变环境条件下的自主航行控制。
附图说明
图1是本发明的无人艇智能航行控制方法的流程示意图；
图2是本发明的无人艇智能航行控制方法的具体流程示意图；
图3是本发明的无人艇智能航行控制装置的模块框示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1和图2所示，本发明的实施例提出一种无人艇智能航行控制方法，包括：
步骤11，根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
步骤12，根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；
步骤13，根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；
步骤14，根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
本实施例中，所述无人艇在使用前可根据需求在控制系统中预设多个不同类型的航行模式且每个航行模式与航行场景相对应，然后使用状态时通过环境感知及气象水文信息获取无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，并形成无人艇当前所处环境的环境态势，根据无人艇当前姿态及所述环境态势，确定无人艇当前航线所处的航行场景，当触发预设场景时，根据所述无人艇当前所处航行场景，确定无人艇当前航行模式，然后根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行具体可为通过对航速、航向控制模型参数的自适应调整，控制无人艇自主航行；所述无人艇智能航行控制方法通过根据无人艇航行时无人艇所处的环境态势切换不同的航行模式，解决了现有无人艇的航行控制参数无法实现复杂多变环境条件下的自适应智能航行控制的问题，实现了无人艇在复杂多变环境条件下的自主航行控制，同时所述无人艇智能航行控制方法还可用于辅助智能船舶安全便捷地完成全流程自主航行控制，减少智能船舶监控人员工作强度，降低船舶航行的安全风险。
本发明的一个可选的实施例中，步骤11可以包括：
通过不同类型传感器获取无人艇周围的目标物信息；
对所述目标物信息进行融合处理，确定目标物状态及目标物与无人艇的距离；
根据所述目标物状态、目标物与无人艇的距离、无人艇艇体航纵横摇信息以及气象水文信息，确定无人艇当前所处环境的环境态势。
本实施例中，可利用水面无人艇上搭载的导航雷达、光电设备、激光雷达等多个不同设备对周围目标物进行探测，获取目标物信息，通过综合利用不同类型传感器的优势，并采用适当的融合处理技术，从而排除干扰实现对目标物信息进行精准确认，从而获取目标物状态及目标物与无人艇的距离；然后根据所述目标物状态、目标物与无人艇的距离、无人艇艇体航纵横摇信息以及气象水文信息，确定无人艇当前所处环境的环境态势；其中，所述无人艇艇体航纵横摇信息是通过无人艇艇的惯性导航设备获取的，所述气象水文信息包括气象预报的天气状况以及无人艇上气象仪实时感知的风速、风向、温度、湿度、风浪流等信息。
本发明的一个可选的实施例中，步骤12可以包括：
当水面无人艇周围目标物个数小于第一预设值，且所述目标物距离无人艇的距离均大于第二预设值时，将无人艇所处的航行场景确定为开阔海域；
当水面无人艇周围目标物航迹稳定或目标物位置固定时，将无人艇所处的航行场景确定为锚地航道区域；
当水面无人艇周围目标物个数大于第一预设值、所述目标物距离无人艇的距离均小于第二预设值，且环境态势中包括码头泊位时，将无人艇所处的航行场景确定为港池码头环境。
本发明的一个可选的实施例中，步骤13可以包括：
当所述无人艇当前航行场景为开阔海域时，将无人艇当前航行模式确定为高速机动航行模式；
当所述无人艇当前航行场景为锚地航道区域时，将无人艇当前航行模式确定为常规巡航航行模式；
当所述无人艇当前航行场景为港池码头环境时，将无人艇当前航行模式确定为低速缓行模式。
本实施例中，所述无人艇的当前航行场景可根据航行需求在无人艇控制系统中进行提前设置，且所述航行场景所对应的航行模式的具体控制参数也需同时设置，所述控制参数包括期望航行速度以及期望航行速度所对应的航行所需的基本参数，一种优选的实施例中，所述高速机动航行模式下的期望航行速度和基本参数为期望航速sexp＝30kn、滑模面参数λ1＝3、航速趋近控制参数λ2＝0.08、航速控制滑模切换参数λ3＝0.02、航速神经网络的控制参数λ4＝0.1、航速自适应学习参数权值λ5＝0.6、航速控制阻尼参数权值λ6＝5；常规巡航航行模式下的期望航行速度和基本参数为期望航速sexp＝18kn、滑模面参数λ1＝2、航速趋近控制参数λ2＝0.02、航速控制滑模切换参数λ3＝0.05、航速神经网络的控制参数λ4＝0.2、航速自适应学习参数权值λ5＝0.3、航速控制阻尼参数权值λ6＝3；低速缓行模式下的期望航行速度和基本参数为期望航速sexp＝6kn、滑模面参数λ1＝1、航速趋近控制参数λ2＝0.1、航速控制滑模切换参数λ3＝0.06、航速神经网络的控制参数λ4＝0.3、航速自适应学习参数权值λ5＝0.4、航速控制阻尼参数权值λ6＝2；
所述无人艇智能航行控制方法的具体控制过程为：所述无人艇航行过程中，实时获取无人艇当前的环境态势，然后根据环境态势对周围目标物及环境构建进行判断，当水面无人艇周围海面空旷(水面无人艇周围目标物个数小于第一预设值)，目标物距离在第二预设值以上时，将无人艇所处的航行场景确定为开阔海域，此时根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态将无人艇切换为高速机动航行模式；航行过程中当水面无人艇周围目标物航迹稳定或目标物位置固定时，将无人艇所处的航行场景确定为锚地航道区域，即可切换为常规巡航航行模式，当水面无人艇周围目标物个数大于第一预设值、所述目标物距离无人艇的距离均小于第二预设值，且环境态势中包括码头泊位时，将无人艇所处的航行场景确定为港池码头环境，即可切换为低速缓行模式；其中，所述第一预设值为3个，所述第二预设值为3千米。
本发明的一个可选的实施例中，步骤14可以包括：
步骤141，根据所述航行模式，通过第一预设算法控制所述无人艇的航速；
步骤142，根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向。
本发明的一个可选的实施例中，步骤141可以包括：
根据航行模式，获取航速控制系统的期望输入航速sexp；
基于航速控制系统的期望输入航速sexp，通过 eu＝sexp-sr、/>Tru(k+1)＝Tru(k)+ΔTru(k)以及/>获取航速控制指令输出Tru(k+1)；
其中，其中，k＝0,1,2…表示某一时刻，sexp为航速控制系统期望输入航速，sr为航速控制系统实际航速值，为航速控制滑模面，eu为期望航速与实际航速之差，/>表示eu的一阶导数，ΔTru(k)为航速控制滑模解算步长增益值，Tru(k+1)为航速控制指令输出，W＝[w1,w2,…,wn]T为航速控制神经网络的权值向量，wn为神经网络n节点权值，[w1,w2,...,wn]T为[w1,w2,...,wn]的转置向量；H(x)＝[h1(x),h2(x),…,hn(x)]T为神经网络模型的核函数，hn(x)为核函数参数，[h1(x),h2(x),…,hn(x)]T为[h1(x),h2(x),...,hn(x)]的转置向量；x为航速控制神经网络模型的输入向量，/>为W的一阶导数，λ1为航速控制过程滑模面参数，λ2为航速趋近过程的控制参数，λ3为航速控制滑模切换参数，λ4为航速神经网络的控制参数，λ5为航速自适应学习参数权值，λ6为航速控制阻尼参数权值。
本实施例中，所述无人艇智能航行控制方法中的航速控制，是基于无人艇水动力特性、外界环境干扰不确定性及控制系统的时滞性然后采用第一预设算法来实现的，所述第一预设算法在滑模控制响应快速、对参数变化及扰动不灵敏、控制实现简单的基础上，结合径向基函数神经网络，从而改善系统不确定性存在下到达过程的控制性能，减少到达过程对切换控制的依赖，通过两者相互弥补不足，提高控制性能，实现对航速的快速、稳定控制。
本发明的一个可选的实施例中，步骤142可以包括：
根据所述预设航线和无人艇当前姿态，通过跟踪误差算法、控制输出舵角命令算法、参数迭代学习更新算法以及重置算法控制所述无人艇的航向；
其中，跟踪误差算法为：err(m+1,i)＝Yawd(m+1)-Yaw(m+1,i)-p2r(m+1,i)；控制输出舵角命令算法为： 参数迭代学习更新算法为：/> 重置算法为/>当/>|Δud(m,i-1)|≤ε或时进行重置；
其中，m＝0,1,2…表示第m个采样点，i＝0,1,2…表示序列号，r(m+1,i)为第i次迭代第m个采样时刻的艏向角速度，err(m+1,i)为m+1采样时刻i次迭代的误差，err(m+1,i-1)为m+1采样时刻i-1次迭代的误差，Yaw(m+1,i)为第i次迭代第m个采样时刻的艏向，Yawd(m+1)为期望艏向角，ud(m,i)为m次迭代控制输出舵角命令，ud(m,i-1)为m采样时刻i-1次迭代的控制输出舵角命令，Δud(m,i-1)为ud(m,i)和ud(m,i-1)的差值，ε为一个充分小的正数，为控制系统迭代m次第i次解算伪偏导数值，/>为初始迭代时/>的初值，/>为控制系统迭代m次第i-1次解算伪偏导数值，ΔYaw(m+1,i-1)为Yaw(m+1,i-1)和Yaw(m,i-1)差值，ε＝0.00001，μ>0为权重系数，p，p1，p2，ρ，η均为人工设置的初始化控制参数。
本实施例中，针对航向的控制易受复杂海洋环境的干扰的问题，所述无人艇智能航行控制方法根据鲁棒性和自适应性要求，通过第二预设算法实现了无人艇切换模式的过程中对所述无人艇航向的进准控制。
本发明所述无人艇智能航行控制方法能够适用多种不同场景的自主航行控制，能够为无人艇全流程自主航行提供一个安全实用的自主控制流程，具体为针对水面无人艇航行过程中所遇到的高机动航行、常规巡航航行、低速航行等情况能够根据场景变化自适应对水面无人艇的航速、航向进行控制；本发明所述无人艇智能航行控制方法可使无人艇整个航行过程的参数调整通过环境变化、自主控制来完成，能够适用三种不同环境的自主航行控制，能够对典型的开阔海域、锚地航道、港池码头等典型场景进行自主航行参数调整及控制，具有适用性强、操作方便的特点；通过实时获取船舶的周围环境和所述船舶姿态信息，根据变化情况确定航行控制所采用的模型参数，能够根据实际情况实时调整航行控制参数，提高船舶自主航行控制过程中船舶的安全。
如图3所示，本发明的实施例还提供一种无人艇智能航行控制装置20，包括：
获取模块21，用于根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
处理模块22，用于根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
可选的，根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势包括：
通过不同类型传感器获取无人艇周围的目标物信息；
对所述目标物信息进行融合处理，确定目标物状态及目标物与无人艇的距离；
根据所述目标物状态、目标物与无人艇的距离、无人艇艇体航纵横摇信息以及气象水文信息，确定无人艇当前所处环境的环境态势。
可选的，根据所述环境态势，确定无人艇所处的航行场景包括：
当水面无人艇周围目标物个数小于第一预设值，且所述目标物距离无人艇的距离均大于第二预设值时，将无人艇所处的航行场景确定为开阔海域；
当水面无人艇周围目标物航迹稳定或目标物位置固定时，将无人艇所处的航行场景确定为锚地航道区域；
当水面无人艇周围目标物个数大于第一预设值、所述目标物距离无人艇的距离均小于第二预设值，且环境态势中包括码头泊位时，将无人艇所处的航行场景确定为港池码头环境。
可选的，根据所述无人艇当前所处航行场景，确定无人艇当前航行模式，包括：
当所述无人艇当前航行场景为开阔海域时，将无人艇当前航行模式确定为高速机动航行模式；
当所述无人艇当前航行场景为锚地航道区域时，将无人艇当前航行模式确定为常规巡航航行模式；
当所述无人艇当前航行场景为港池码头环境时，将无人艇当前航行模式确定为低速缓行模式。
可选的，根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行包括：
根据所述航行模式，通过第一预设算法控制所述无人艇的航速；
根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向。
可选的，根据所述航行模式，通过第一预设算法控制所述无人艇的航速，包括：
根据航行模式，获取航速控制系统的期望输入航速sexp；
基于航速控制系统的期望输入航速sexp，通过 eu＝sexp-sr、/>Tru(k+1)＝Tru(k)+ΔTru(k)以及/>获取航速控制指令输出Tru(k+1)；
其中，其中，k＝0,1,2…表示某一时刻，sexp为航速控制系统期望输入航速，sr为航速控制系统实际航速值，为航速控制滑模面，eu为期望航速与实际航速之差，/>表示eu的一阶导数，ΔTru(k)为航速控制滑模解算步长增益值，Tru(k+1)为航速控制指令输出，W＝[w1,w2,…,wn]T为航速控制神经网络的权值向量，wn为神经网络n节点权值，[w1,w2,...,n]T为[w1,w2,...,wn]的转置向量；H(x)＝[h1(x),h2(x),…,hn(x)]T为神经网络模型的核函数，hn(x)为核函数参数，[h1(x),h2(x),…,hn(x)]T为[h1(x),h2(x),...,hn(x)]的转置向量；x为航速控制神经网络模型的输入向量，/>为W的一阶导数，λ1为航速控制过程滑模面参数，λ2为航速趋近过程的控制参数，λ3为航速控制滑模切换参数，λ4为航速神经网络的控制参数，λ5为航速自适应学习参数权值，λ6为航速控制阻尼参数权值。
可选的，根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向，包括：
根据所述预设航线和无人艇当前姿态，通过跟踪误差算法、控制输出舵角命令算法、参数迭代学习更新算法以及重置算法控制所述无人艇的航向；
其中，跟踪误差算法为：err(m+1,i)＝Yawd(m+1)-Yaw(m+1,i)-p2r(m+1,i)；控制输出舵角命令算法为： 参数迭代学习更新算法为：/> 重置算法为/>当/>|Δud(m,i-1)|≤ε或时进行重置；
其中，m＝0,1,2…表示第m个采样点，i＝0,1,2…表示序列号，r(m+1,i)为第i次迭代第m个采样时刻的艏向角速度，err(m+1,i)为m+1采样时刻i次迭代的误差，err(m+1,i-1)为m+1采样时刻i-1次迭代的误差，Yaw(m+1,i)为第i次迭代第m个采样时刻的艏向，Yawd(m+1)为期望艏向角，ud(m,i)为m次迭代控制输出舵角命令，ud(m,i-1)为m采样时刻i-1次迭代的控制输出舵角命令，Δud(m,i-1)为ud(m,i)和ud(m,i-1)的差值，ε为一个充分小的正数，为控制系统迭代m次第i次解算伪偏导数值，/>为初始迭代时/>的初值，/>为控制系统迭代m次第i-1次解算伪偏导数值，ΔYaw(m+1,i-1)为Yaw(m+1,i-1)和Yaw(m,i-1)差值，ε＝0.00001，μ>0为权重系数，p，p1，p2，ρ，η均为初始化控制参数。
需要说明的是，该装置是与上述无人艇智能航行控制方法对应的装置，上述方法中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行上述的无人艇智能航行控制方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，包括：存储指令，当所述指令在计算机上运行时，使得计算机执行上述的无人艇智能航行控制方法。上述各方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所发明的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种无人艇智能航行控制方法，其特征在于，包括：
根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；
根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；
根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
2.根据权利要求1所述的无人艇智能航行控制方法，其特征在于，根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势包括：
通过不同类型传感器获取无人艇周围的目标物信息；
对所述目标物信息进行融合处理，确定目标物状态及目标物与无人艇的距离；
根据所述目标物状态、目标物与无人艇的距离、无人艇艇体航纵横摇信息以及气象水文信息，确定无人艇当前所处环境的环境态势。
3.根据权利要求1所述的无人艇智能航行控制方法，其特征在于，根据所述环境态势，确定无人艇所处的航行场景包括：
当水面无人艇周围目标物个数小于第一预设值，且所述目标物距离无人艇的距离均大于第二预设值时，将无人艇所处的航行场景确定为开阔海域；
当水面无人艇周围目标物航迹稳定或目标物位置固定时，将无人艇所处的航行场景确定为锚地航道区域；
当水面无人艇周围目标物个数大于第一预设值、所述目标物距离无人艇的距离均小于第二预设值，且环境态势中包括码头泊位时，将无人艇所处的航行场景确定为港池码头环境。
4.根据权利要求3所述的无人艇智能航行控制方法，其特征在于，根据所述无人艇当前所处航行场景，确定无人艇当前航行模式，包括：
当所述无人艇当前航行场景为开阔海域时，将无人艇当前航行模式确定为高速机动航行模式；
当所述无人艇当前航行场景为锚地航道区域时，将无人艇当前航行模式确定为常规巡航航行模式；
当所述无人艇当前航行场景为港池码头环境时，将无人艇当前航行模式确定为低速缓行模式。
5.根据权利要求1所述的无人艇智能航行控制方法，其特征在于，根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行包括：
根据所述航行模式，通过第一预设算法控制所述无人艇的航速；
根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向。
6.根据权利要求1所述的无人艇智能航行控制方法，其特征在于，根据所述航行模式，通过第一预设算法控制所述无人艇的航速，包括：
根据航行模式，获取航速控制系统的期望输入航速sexp；
基于航速控制系统的期望输入航速sexp，通过 eu＝Sexp-Sr、/>Tru(k+1)＝Tru(k)+ΔTru(k)以及/>获取航速控制指令输出Tru(k+1)；
其中，其中，k＝0，1，2...表示某一时刻，sexp为航速控制系统期望输入航速，sr为航速控制系统实际航速值，为航速控制滑模面，eu为期望航速与实际航速之差，/>表示eu的一阶导数，ΔTru(k)为航速控制滑模解算步长增益值，Tru(k+1)为航速控制指令输出，W＝[w1，w2，...，wn]T为航速控制神经网络的权值向量，wn为神经网络n节点权值，[w1，w2，...，wn]T为[w1，w2，...，wn]的转置向量；H(x)＝[h1(x)，h2(x)，...，hn(x)]T为神经网络模型的核函数，hn(x)为核函数参数，[h1(x)，h2(x)，...，hn(x)]r为[h1(x)，h2(x)，...，hn(x)]的转置向量；x为航速控制神经网络模型的输入向量，/>为W的一阶导数，λ1为航速控制过程滑模面参数，λ2为航速趋近过程的控制参数，λ3为航速控制滑模切换参数，λ4为航速神经网络的控制参数，λ5为航速自适应学习参数权值，λ6为航速控制阻尼参数权值。
7.根据权利要求1所述的无人艇智能航行控制方法，其特征在于，根据所述预设航线和无人艇当前姿态，通过第二预设算法控制所述无人艇的航向，包括：
根据所述预设航线和无人艇当前姿态，通过跟踪误差算法、控制输出舵角命令算法、参数迭代学习更新算法以及重置算法控制所述无人艇的航向；
其中，跟踪误差算法为：err(m+1，i)＝Yawd(m+1)-Yaw(m+1，i)-p2r(m+1，i)；控制输出舵角命令算法为： 参数迭代学习更新算法为：/> 重置算法为/>当/>|Δud(m，i-1)|≤ε或时进行重置；
其中，m＝0，1，2...表示第m个采样点，i＝0，1，2....表示序列号，r(m+1，i)为第i次迭代第m个采样时刻的艏向角速度，err(m+1，i)为m+1采样时刻i次迭代的误差，err(m+1，i-1)为m+1采样时刻i-1次迭代的误差，Yaw(m+1，i)为第i次迭代第m个采样时刻的艏向，Yawd(m+1)为期望艏向角，ud(m，i)为m次迭代控制输出舵角命令，ud(m，i-1)为m采样时刻i-1次迭代的控制输出舵角命令，ΔUd(m，i-1)为ud(m，i)和ud(m，i-1)的差值，ε为一个充分小的正数，为控制系统迭代m次第i次解算伪偏导数值，/>为初始迭代时/>的初值，/>为控制系统迭代m次第i-1次解算伪偏导数值，ΔYaw(m+1，i-1)为Yaw(m+1，i-1)和Yaw(m，i-1)差值，ε＝0.00001，μ＞0为权重系数，p，p1，p2，p，η均为初始化控制参数。
8.一种无人艇智能航行控制装置，其特征在于，包括：
获取模块，用于根据无人艇周围的目标物信息、无人艇艇体航纵横摇信息以及气象水文信息，获取无人艇当前所处环境的环境态势；
处理模块，用于根据无人艇姿态及所述环境态势，确定无人艇所处的航行场景；根据所述无人艇当前所处航行场景，确定无人艇当前航行模式；根据所述无人艇当前航行模式、预设航线以及无人艇当前姿态，控制所述无人艇自主航行。
9.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括：存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574278.5A CN117647981B (zh) | 2023-11-23 | 2023-11-23 | 一种无人艇智能航行控制方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311574278.5A CN117647981B (zh) | 2023-11-23 | 2023-11-23 | 一种无人艇智能航行控制方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647981A true CN117647981A (zh) | 2024-03-05 |
| CN117647981B CN117647981B (zh) | 2024-06-21 |
Family
ID=90047030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311574278.5A Active CN117647981B (zh) | 2023-11-23 | 2023-11-23 | 一种无人艇智能航行控制方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647981B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118228904A (zh) * | 2024-05-24 | 2024-06-21 | 中船(北京)智能装备科技有限公司 | 一种无人艇自主行动关键路径的生成方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564202A (zh) * | 2018-03-18 | 2018-09-21 | 哈尔滨工程大学 | 一种基于环境预报信息的无人艇航线优化方法 |
| CN109808853A (zh) * | 2019-03-05 | 2019-05-28 | 上海大学 | 一种无人艇艏向航速分级控制系统及其控制方法 |
| CN109828570A (zh) * | 2019-02-18 | 2019-05-31 | 哈尔滨工程大学 | 一种自适应边界层水面无人艇控制导引方法 |
| CN110658829A (zh) * | 2019-10-30 | 2020-01-07 | 武汉理工大学 | 一种基于深度强化学习的群无人艇智能避碰方法 |
| CN111026135A (zh) * | 2020-01-18 | 2020-04-17 | 上海大学 | 一种无人艇高性能航行前馈控制系统及其控制方法 |
| CN112462792A (zh) * | 2020-12-09 | 2021-03-09 | 哈尔滨工程大学 | 一种基于Actor-Critic算法的水下机器人运动控制方法 |
| CN114089749A (zh) * | 2021-11-09 | 2022-02-25 | 武汉量宇智能科技有限公司 | 无人艇运动控制抗扰控制器及方法 |
| CN116088367A (zh) * | 2022-12-15 | 2023-05-09 | 北京航天兴科高新技术有限公司 | 一种无人舰艇航行控制系统、方法、计算机设备及介质 |
-
2023
- 2023-11-23 CN CN202311574278.5A patent/CN117647981B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564202A (zh) * | 2018-03-18 | 2018-09-21 | 哈尔滨工程大学 | 一种基于环境预报信息的无人艇航线优化方法 |
| CN109828570A (zh) * | 2019-02-18 | 2019-05-31 | 哈尔滨工程大学 | 一种自适应边界层水面无人艇控制导引方法 |
| CN109808853A (zh) * | 2019-03-05 | 2019-05-28 | 上海大学 | 一种无人艇艏向航速分级控制系统及其控制方法 |
| CN110658829A (zh) * | 2019-10-30 | 2020-01-07 | 武汉理工大学 | 一种基于深度强化学习的群无人艇智能避碰方法 |
| CN111026135A (zh) * | 2020-01-18 | 2020-04-17 | 上海大学 | 一种无人艇高性能航行前馈控制系统及其控制方法 |
| CN112462792A (zh) * | 2020-12-09 | 2021-03-09 | 哈尔滨工程大学 | 一种基于Actor-Critic算法的水下机器人运动控制方法 |
| CN114089749A (zh) * | 2021-11-09 | 2022-02-25 | 武汉量宇智能科技有限公司 | 无人艇运动控制抗扰控制器及方法 |
| CN116088367A (zh) * | 2022-12-15 | 2023-05-09 | 北京航天兴科高新技术有限公司 | 一种无人舰艇航行控制系统、方法、计算机设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 周彬等: "基于前视角引导的欠驱动水面无人艇自适应路径跟踪控制", 《哈尔滨工程大学学报》, vol. 44, no. 1, 31 January 2023 (2023-01-31), pages 73 - 80 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118228904A (zh) * | 2024-05-24 | 2024-06-21 | 中船(北京)智能装备科技有限公司 | 一种无人艇自主行动关键路径的生成方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647981B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110850403B (zh) | 一种多传感器决策级融合的智能船水面目标感知识别方法 | |
| Liu et al. | Unmanned surface vehicles: An overview of developments and challenges | |
| Caccia et al. | A practical approach to modeling and identification of small autonomous surface craft | |
| Bibuli et al. | Guidance of unmanned surface vehicles: Experiments in vehicle following | |
| Dunbabin et al. | An autonomous surface vehicle for water quality monitoring | |
| Teo et al. | Fuzzy docking guidance using augmented navigation system on an AUV | |
| WO2019126755A1 (en) | Generating and classifying training data for machine learning functions | |
| Feraru et al. | Towards an autonomous UAV-based system to assist search and rescue operations in man overboard incidents | |
| CN111580518B (zh) | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 | |
| CN108803313A (zh) | 一种基于海流预测模型的路径规划方法 | |
| CN117647981B (zh) | 一种无人艇智能航行控制方法、装置及设备 | |
| Watt et al. | A concept for docking a UUV with a slowly moving submarine under waves | |
| Zhang et al. | NavNet: AUV navigation through deep sequential learning | |
| CN109001725B (zh) | 一种海上无人艇海上多目标跟踪方法 | |
| CN109239709A (zh) | 一种无人船的局部环境地图自主构建方法 | |
| Johansen et al. | Unmanned aerial surveillance system for hazard collision avoidance in autonomous shipping | |
| Qu et al. | Wind feed-forward control of a USV | |
| Mukhopadhyay et al. | Collaborative autonomous surveys in marine environments affected by oil spills | |
| Zhuang et al. | Navigating high‐speed unmanned surface vehicles: System approach and validations | |
| CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
| EP3420312B1 (de) | Routenoptimierung für ein fluidfahrzeug | |
| Wu et al. | An overview of developments and challenges for unmanned surface vehicle autonomous berthing | |
| CN110806760B (zh) | 一种无人水下航行器的目标跟踪控制方法 | |
| Zhang et al. | Research on the maneuverability and path following control of the wave glider with a propeller-rudder system | |
| Ljulj et al. | Unmanned surface vehicle–Tritor |
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 |