一种基于CW-RNN网络的UUV实时避碰规划方法技术

本发明专利技术提供了一种基于CW‑RNN网络的UUV实时避碰规划方法，属于水下航行器导航领域。本发明专利技术提供的方法如下：步骤1：构建全局坐标系和局部坐标系，建立声纳仿真模型；步骤2：设计用于实时避碰规划的CW‑RNN网络；步骤3：构建数据集用于神经网络的训练阶段和测试阶段；步骤4：利用训练集中数据训练CW‑RNN网络，得到实时避碰规划器；步骤5：将声纳探测信息及目标点信息输入至基于CW‑RNN网络的避碰规划器，获得UUV下一时刻的转艏及速度的调整指令。本发明专利技术提供的方法得到的规划器不仅有强大的学习能力，同时还具有非常强的泛化能力，适用于各种复杂的环境；同时可满足实时性的要求，并且所规划的路径满足UUV运动特性的要求。

【技术实现步骤摘要】
一种基于CW-RNN网络的UUV实时避碰规划方法
本专利技术涉及一种基于时钟装置循环神经网络(ClockWorkRecurrentNeuralNetwork,CW-RNN)的无人水下航行器(UUV)的实时避碰规划方法，属于水下航行器导航领域。
技术介绍
随着人类对海洋资源的不断开发与探索，水下机器人在各个领域都得到了越来越广泛的应用。作为新一代水下机器人具有隐蔽性强、机动性好、活动范围大、安全、智能等优点，是完成各种水下任务的重要工具。为完成各种任务，UUV必须具有在未知环境下工作的能力。这就需要UUV具备实时避碰规划的能力来保证UUV的安全航行。实时避碰规划要求UUV在航行过程中根据传感器探测到的已知的环境信息找到一条从起点到终点的无碰撞安全路径。目前可用于避碰规划的方法主要有蚁群算法、遗传算法、人工免疫算法、人工势场法、粒子群优化算法、A*算法、Dijkstra算法等。对于实时避碰规划问题，除了考虑安全性和避碰运动平滑性等，系统的实时性也是重要的指标，然而基于上述传统算法的实时避碰规划系统，存在环境模型的精度以及路径的优化程度与规划的实时性相互矛盾的问题。深度学习是目前最具潜力的本文档来自技高网...

【技术保护点】
1.一种基于CW‑RNN网络的UUV实时避碰规划方法，其特征在于：所述方法步骤如下，步骤(1)：构建全局坐标系和局部坐标系，建立声纳仿真模型；步骤(2)：设计用于实时避碰规划的CW‑RNN网络；步骤(3)：构建数据集，包括训练集和测试集，分别用于神经网络的训练阶段和测试阶段；步骤(4)：利用训练集中数据训练CW‑RNN网络，得到基于CW‑RNN网络的实时避碰规划器；步骤(5)：将声纳探测信息及目标点信息输入至基于CW‑RNN网络的避碰规划器，获得UUV下一时刻的转艏及速度的调整指令。

【技术特征摘要】
1.一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：所述方法步骤如下，步骤(1)：构建全局坐标系和局部坐标系，建立声纳仿真模型；步骤(2)：设计用于实时避碰规划的CW-RNN网络；步骤(3)：构建数据集，包括训练集和测试集，分别用于神经网络的训练阶段和测试阶段；步骤(4)：利用训练集中数据训练CW-RNN网络，得到基于CW-RNN网络的实时避碰规划器；步骤(5)：将声纳探测信息及目标点信息输入至基于CW-RNN网络的避碰规划器，获得UUV下一时刻的转艏及速度的调整指令。2.根据权利要求1所述的一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：步骤(1)中所述的全局坐标系采用北东坐标系，地图左下角为原点，正北方向为X轴，正东方向为Y轴；局部坐标系原点选在UUV重心处，X’轴取在UUV纵向剖面内，指向UUV艏端，Y’轴与纵剖面垂直，指向右舷；二维多波束声纳仿真模型水平开角为120°，最大探测半径为120m，共80个波束，波束角为1.5°，每个波束上探测噪声为±1％。3.根据权利要求1所述的一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：步骤(2)中所述的CW-RNN网络为端对端模型，可以直接根据传感器探测信息得出规划结果，该网络模型包含四层，分别为输入层、隐藏层、中间层以及输出层；输入层由81个单元组成，其中前80个单元分别对应仿真声纳的80个波束中包含的距离信息，第81个单元对应UUV当前位置与目标点之间的夹角；隐藏层由CW-RNN组成，序列长度为10，上一时刻的隐藏层的输出为下一时刻隐藏层的输入；中间层由23个单元组成；输出层由2个单元组成，分别对应所规划的下一时刻UUV的转艏和速度；输入层与隐藏层、隐藏层与中间层、中间层与输出层间的连接方式为全连接。4.根据权利要求1所述的一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：步骤(3)中构建训练集时，在全局坐标系中生成若干组随机地图及实时路径，并在每个路径节点采集声纳信息，所采集的信息为训练样本，将实时路径中UUV艏向调整的角度(转艏)及速度作为训练标签；构建测试集时，在全局坐标系中生成若干组随机地图及实时路径，并在每个路径节点采集声纳信息，所采集的信息为测试样本，将实时路径中UUV转艏及速度作为测试标签。5.根据权利要求1所述的一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：步骤(4)中所述的获得实时避碰规划器的过程如下，将训练数据中的声纳信息作为输入数据，将训练集中相对应的标签作为输出数据，对CW-RNN网络进行训练，从而获得基于CW-RNN网络的实时避碰规划器；损失函数为均方差函数，在训练过程中，采用小批量梯度下降误差反向传播算法优化CW-RNN网络的权值。6.根据权利要求1或3所述的一种基于CW-RNN网络的UUV实时避碰规划方法，其特征在于：所述的CW-RNN网络实现方...

【专利技术属性】
技术研发人员：王宏健，林常见，袁建亚，练青坡，王成龙，付明玉，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23