The invention discloses a full coverage path planning method based on neural network, which includes: detecting environmental information around AUV by using pre-sonar model, constructing three-dimensional underwater raster map; mapping environmental information to bio-heuristic neural network model, and introducing excitation input signal into neurons corresponding to uncovered raster of raster map, calculating the activity of each neuron. Output value; Planning full coverage path for AUV detection task according to the active output value and direction wizard function of each neuron; When AUV enters the dead zone, using network reset method to quickly escape the dead zone; If encountering irregular obstacles, using modular method to optimize the full coverage path; Finally, judging whether to complete full coverage of detection target, if completed, end the detection task; Repeat the above steps. The invention adopts a combination of bio-heuristic neural network and template path planning, effectively reduces the problem of repeated coverage, and achieves the effect of path optimization.
【技术实现步骤摘要】
一种基于神经网络的全覆盖路径规划方法
本专利技术涉及水下机器人导航控制领域，具体涉及一种基于神经网络的全覆盖路径规划方法。
技术介绍
自治水下机器人AUV(AutonomousUnderwaterVehicle)的路径规划(PathPlanning)，是指机器人利用已知环境信息或者根据自身传感器对水下环境进行感知，自行规划出一条高效、安全、无碰的航行路线，以支持对水下目标区域的探索，或者执行相关作业使命；可见路径规划是AUV技术的核心研究内容之一。但由于海洋深处的工作环境往往是恶劣、复杂和难以预测的，同时AUV自身感知的局限性，因此AUV水下路径规划比地面移动机器人及空中飞行器的路径规划更加复杂困难，更具挑战性。对AUV来说，由于水下环境复杂、多变、难以预测，其研究成果仍然较少，研究主要集中在模板匹配、地图构建和人工智能路径规划研究上；对于路径选择模板匹配AUV路径规划，无论是早期的简单案例路径规划方法，还是最近研究的自适应样本方法，都存在环境动态变化时，路径选择模板匹配失败的问题；地图构建虽然可以通过在线更新栅格数据来适应水下环境的动态变化，但是由于水下环境干扰...
【技术保护点】
1.一种基于神经网络的全覆盖路径规划方法，其特征在于，包括以下步骤：步骤S10、利用前置声纳模型探测AUV周围的环境信息,动态构建三维水下栅格地图；步骤S20、将探测到的环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算出每个神经元的活性输出值；步骤S30、根据生物启发神经网络模型的每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；步骤S40、判断当前AUV是否进入死区，如果是，执行步骤S50；否则，执行步骤S60；步骤S50、利用网络重置法快速逃离死区；步骤S60、判断是否遇见不规则的障碍物，如果是，执...
【技术特征摘要】
1.一种基于神经网络的全覆盖路径规划方法，其特征在于，包括以下步骤：步骤S10、利用前置声纳模型探测AUV周围的环境信息,动态构建三维水下栅格地图；步骤S20、将探测到的环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算出每个神经元的活性输出值；步骤S30、根据生物启发神经网络模型的每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；步骤S40、判断当前AUV是否进入死区，如果是，执行步骤S50；否则，执行步骤S60；步骤S50、利用网络重置法快速逃离死区；步骤S60、判断是否遇见不规则的障碍物，如果是，执行步骤S70；否则，执行步骤S80；步骤S70、利用模块法优化全覆盖路径；步骤S80、判断是否对探测目标完成全覆盖，如果完成，结束探测任务；否则，执行步骤S10。2.根据权利要求1所述的方法，其特征在于，所述前置声纳模型将声纳采集的环境信息转换成栅格地图中每个栅格的信度分配值，得到了每个栅格的信度分配值，并根据指定的栅格状态判别规则，判断出每个栅格的状态，动态构建水下栅格地图。3.根据权利要求2所述的方法，其特征在于，根据被测障碍物与AUV之间的距离r与声波辐射半径量程R的大小关系，需要两个不同声纳的信度函数进行信度函数分配值的计算；当R-d≤r≤R+d时，称该探测区间为第一区间Ⅰ，该区间的信度函数分配值为：当Rmin≤r≤R-d时，称该探测区间为第二区间Ⅱ，该区间的信度函数分配值为：其中，mO(i,j,k)为栅格占有障碍物的信度函数分配值；mE(i,j,k)为栅格非障碍物的信度函数分配值；m{O、E}(i,j,k)为栅格不确定状态模式的信度函数分配值；i、j、k表示栅格地图中横轴、纵轴、竖轴的坐标值；O表示障碍物；E表示非障碍物；d为辐射误差；α为辐射角度；声纳的探测角为β，计算公式为：x′e、y′e、z′e分别表示障碍物在惯性坐标系中横轴、纵轴和竖轴的坐标值；xr、yr、zr分别表示AUV在惯性坐标系中横轴、纵轴和竖轴的坐标值；A＝(x'e-xr,0,0)为已知在声纳传感器的中心轴线上的某一点坐标，B＝(x'e-xr,y'e-yr,z'e-zr)为某一障碍物的惯性坐标，则表示AUV到障碍物的向量，表示AUV到中心轴线上某一点A的向量。4.根据权利要求1所述的方法，其特征在于，步骤S20具体为：根据栅格地图与生物启发神经网络模型的映射关系，对生物启发神经网络模型进行初始化设置；在将栅格地图上，将未被AUV执行区域覆盖的区域状态置为未覆盖区域“Uncovered”，并在生物启发神经网络模型对应位置的神经元引入激励信号+E；当AUV执行区域覆盖后，将对应区域状态改为已覆盖区...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。