【技术实现步骤摘要】
一种基于深度学习的AUV光学引导与测向方法
本专利技术属于AUV定位导航的
，具体涉及一种基于深度学习的AUV光学引导与测向方法。
技术介绍
随着对海洋的探索与开发，水下机器人逐渐在深海资源探测、水下地形测量、海洋研究等领域起着重要作用。自主式水下潜器，即AUV是一种有较强环境适应能力的水下机器人，由于受资源限制，在长时间作业后需对AUV进行回收，因此AUV的水下定位及回坞成为研究的重要方向。目前AUV的水下定位主要有惯性导航系统(INS)、全球定位系统(GPS)、水声导航系统、航位推算系统等技术。惯性导航系统(INS)指通过惯性参考系下的加速度进行导航，自主性较强，但容易发生误差累积现象；全球定位系统(GPS)通过卫星进行定位，精度较高，在水下时会受信号不稳定影响，不能进行深海导航；水声导航包括超短基线定位声呐(USBL)、短基线定位声呐(SBL)和长基线定位声呐(LBL)等，适用于浅海的场景下，由于工作量较大，多用于短距离导航；航位推算系统指根据上一时刻的速度、加速度等信息，推算当前的位置，对传感器的精度有...
【技术保护点】
1.一种基于深度学习的AUV光学引导与测向方法，其特征在于，包括：/nS1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；/nS2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；/nS3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角和方位角信息，并计算出AUV与回坞口的相对位置；/nS4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。/n
【技术特征摘要】
1.一种基于深度学习的AUV光学引导与测向方法，其特征在于，包括：
S1、当AUV与回坞口之间的直线距离大于L时，采用超短基线定位系统定位、导航，引导AUV朝回坞口方向移动；
S2、当AUV与回坞口之间的直线距离小于L且在导流罩张角Φ覆盖范围内时，回坞口采用激光源旋转扫描，直至AUV上的接收器接收到的光强达到预设值时，读取接收到的n个光强数值；
S3、根据接收的n个光强数值，并基于深度学习神经网络，判断当前接收器与激光源之间的斜角和方位角信息，并计算出AUV与回坞口的相对位置；
S4、根据相对位置信息引导AUV朝回坞口移动靠近，重复S2和S3，直至AUV回坞。
2.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于：所述回坞口安装可在导流罩张角Φ范围内朝向任意方向发射激光束的激光发射装置，AUV前端紧贴设置接收装置；所述接收装置包括n个棱镜和用于获取棱镜光强的光强接收器；n个所述棱镜呈环形贴合分布于AUV前端。
3.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于：所述S3中深度学习神经网络通过蒙特卡洛仿真模拟光子的水下传播，获取训练与测试数据。
4.根据权利要求3所述的基于深度学习的AUV光学引导与测向方法，其特征在于，基于蒙特卡洛仿真对单个光子的散射及传播过程进行模拟，并通过积分得到整个光束在某一位置的光强，包括：
S3.1、初始化单个光子的位置信息，定义激光源为坐标轴原点，定义光子的初始坐标、方向余弦、初始权重及初始步长；
S3.2、计算光子在传播过程中与其他粒子碰撞，发生散射现象时的散射角；
S3.3、将激光源与AUV的距离看作累积步长，根据棱镜的位置得到到达每个棱镜范围的光子数量，并计算棱镜对应的接收器所接收到的光强。
5.根据权利要求4所述的基于深度学习的AUV光学引导与测向方法，其特征在于，所述S3.2中计算光子在传播过程中与其他粒子碰撞，发生散射现象时的散射角β：
其中，g为散射因子，ξ是一个在[0,1]区间内均匀分布的随机变量。
6.根据权利要求4所述的基于深度学习的AUV光学引导与测向方法，其特征在于，基于蒙特卡洛仿真，构建AUV的光强-位置数据库，针对参数的不同取值，获得若干种组合，对每种组合进行若干次仿真，得到一个数据量几十万以上的训练集。
7.根据权利要求1所述的基于深度学习的AUV光学引导与测向方法，其特征在于，所述深度学习采用二阶学习，包括：
第一级深度学习用于判断方位角区域；
第二级深度...
【专利技术属性】
技术研发人员：杨帆，庞琬佳，陈实，苟柳燕，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
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。