面向复杂海洋环境的多无人艇系统协同路径规划方法技术方案

本发明专利技术提出一种面向复杂海洋环境的多无人艇系统协同路径规划方法，包括以下步骤：将待搜索目标划分为若干目标点集，计算点集中待搜索目标之间的相似度，构建相似度矩阵；利用谱聚类方法，将目标点集划分为若干目标子集，将目标子集分配给无人艇；基于各目标子集，生成环形拓扑SOM网络，选取初始目标节点，并基于初始目标节点计算获胜目标节点，对获胜目标节点及其邻居目标节点进行权值更新；对非获胜节点进行权值更新，输出SOM网络输出层节点组成路径，无人艇按节点组成路径访问目标。本发明专利技术针对复杂海洋环境下多无人艇系统的协同路径规划问题，提出一种基于窗口更新SOM以及谱聚类的双层规划方法，以最优序列无碰撞地访问多个目标。个目标。个目标。

【技术实现步骤摘要】
面向复杂海洋环境的多无人艇系统协同路径规划方法


[0001]本专利技术涉及无人航行器控制
，尤其涉及一种面向复杂海洋环境的多无人艇系统协同路径规划方法。

技术介绍

[0002]近年来，随着无人化、智能化技术的迅速发展，无人机(Unmanned Aerial Vehicle,UAV)、无人驾驶车(Unmanned Ground Vehicle,UGV)、无人艇(Unmanned Surface Vessel,USV)、水下及其人(Autonomous Underwater Vehicle,AUV)等受到广泛关注。特别是无人艇以其成本低、机动性强、隐蔽性能好等优点，在军事和民用领域中发挥着越来越重要的作用。通常来说，路径规划即根据环境地图的所有信息实现两点(起点和目标点)之间的避障导航的过程。相比于单艘USV观测范围窄且能量供应有限，多艘USV联合起来构成的协同系统，具有更强的鲁棒性、通信能力、机动性、更高的作业效率和更广的作业范围。为了提升协同工作效率，考虑将多个任务目标分别合理分配给各艘USV，然后各艘USV对各自任务目标执行路径规划即可。
[0003]目前根据空间的建模类型，路径规划包括基于网格的启发式方法(如A
*
和最小一致性方法)、进化方法(如粒子群优化算法(particle swarm optimization,PSO)、蚁群算法(ant colony optimization,ACO)和遗传算法(generic algorithm,GA))。针对多目标路径规划，需要确定USV对目标的访问顺序，该问题类似于传统的旅行商问题(traveling salesman problem,TSP)。启发式方法在TSP中往往容易陷入局部最优，无法充分利用多机协同的优势从而影响全局规划效益。自组织映射神经网络(self
‑
organizing map,SOM)在TSP的应用中对访问顺序进行规划，该方法也可结合动态增删节点策略、人工势场法等。然而，在非结构化环境中针对多目标进行路径规划仍需进一步研究。
[0004]当海洋任务环境中存在多个目标和多艘无人艇时，前者应合理分配给后者，即多无人艇系统的目标分配问题。此外，在未知的动态环境中，通常基于当前有限的环境信息进行决策，每个无人艇只分配一个目标，从而将问题转化为单目标路径规划问题。现阶段用于多及其人系统任务分配的方法主要包括各种聚类算法，如k
‑
means算法、模糊c均值算法(fuzzy c
‑
means,FCM)、期望最大化算法(expectation
‑
maximum,EM)等。它们虽然原理简单，但缺乏处理复杂结构数据的能力，而且由于通过仅输入数据点之间的欧氏距离作为聚类的依据，所以在有障碍物的非结构化环境中，聚类结果通常不佳。

技术实现思路

[0005]本专利技术的目的在于提供一种面向复杂海洋环境的多无人艇系统协同路径规划方法，以提高无人艇的搜索效率。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种面向复杂海洋环境的多无人艇系统协同路径规划方法，用于多无人艇多目标搜索系统的协同规划，所述方法包括以下步骤：
[0008]S1：将待搜索目标划分为若干目标点集T，针对每个目标点集，计算其中任意两个待搜索目标之间的相似度，根据待搜索目标之间的相似度，将目标分组，构建相似度矩阵；
[0009]S2：利用谱聚类方法，依据最小化同组目标间的总体能量代价、最大化各组之间的总能量代价的原则，进行目标聚类，将目标点集划分为若干目标子集，将目标子集分配给无人艇；
[0010]S3：基于各目标子集，生成环形拓扑SOM网络，随机选取初始目标节点，并基于初始目标节点计算获胜目标节点，对获胜目标节点及其邻居目标节点进行权值更新；
[0011]S4：通过滑动窗口，对非获胜节点进行权值更新，输出SOM网络输出层节点组成路径，在目标子集中，无人艇按节点组成路径访问目标。
[0012]本专利技术一些实施例中，计算任意两个待搜索目标之间相似度并构建相似度矩阵的方法包括：
[0013]S11：计算任意两个待搜索目标之间的搜索能量代价：假设目标t
i
与t
j
之间最优路径为直线段P
ij
＝(p1,p2,...,p
n
)，p1＝t
i
,p
n
＝t
j
；
[0014][0015]其中：
[0016][0017][0018]t
i
表示第一个待搜索目标的点位置，t
j
表示第二个待搜索目标的点位置，λ
ij
为惩罚因子，表示在待搜索目标点t
i
与待搜索目标点t
j
之间障碍区距离f(t
i
,t
j
)与总的欧氏距离d(t
i
,t
j
)的比值；k表示无人艇拖动常量，V
r
表示无人艇相对于洋流的速度，V
a
表示无人艇相对于大地的速度，V
a
为已知且恒定速度，e(p
k
,p
k+1
)表示按最优路径搜索时，任意一路径的能量损耗，p
k
和p
k+1
表示路径端点；
[0019]S12：基于能量代价计算两个待搜索目标之间的相似度：
[0020][0021]其中，σ表示高斯核函数的带宽参数，参数σ的值越大目标之间的相似性越高，根据本专利技术实际情况σ设为10
‑5；
[0022]S13：基于相似度构建相似度矩阵S＝(s(t
i
,t
j
))
i,j＝1,2,...,m
。
[0023]本专利技术一些实施例中，采用谱聚类的方法进行目标子集划分的方法包括：
[0024]S21：将每组目标点集T分为两个互补的集合：A与
[0025]S22：计算集合A中某个目标的度：
[0026][0027]其中，t
i
、t
j
均表示每组目标点集T中任意一个待搜索目标的点位置，均被视为空间中的顶点；
[0028]S23：计算集合A与之间的连接权重和：
[0029][0030]S24：计算集合A中所有顶点的总度数：
[0031]vol(A)＝∑
i∈A
d
i
；
[0032]S25：定义目标函数N
cut
(A1,...A
n
)，并对其进行归一化处理：
[0033][0034]S26：基于归一化处理后的结果，获得目标子集。
[0035]本专利技术一些实施例中，步骤S3的方法包括：
[0036]S31：随机选取带搜索目标t...

【技术保护点】

【技术特征摘要】
1.一种面向复杂海洋环境的多无人艇系统协同路径规划方法，其特征在于，用于多无人艇多目标搜索系统的协同规划，所述方法包括以下步骤：S1：将待搜索目标划分为若干目标点集T，针对每个目标点集，计算其中任意两个待搜索目标之间的相似度，根据待搜索目标之间的相似度，构建相似度矩阵；S2：利用谱聚类方法，依据最小化同组目标间的总体能量代价、最大化各组之间的总能量代价的原则，进行目标聚类，将目标点集划分为若干目标子集，将目标子集分配给无人艇；S3：基于各目标子集，生成环形拓扑SOM网络，随机选取初始目标节点，并基于初始目标节点计算获胜目标节点，对获胜目标节点及其邻居目标节点进行权值更新；S4：通过滑动窗口，对非获胜节点进行权值更新，输出SOM网络输出层节点组成路径，在目标子集中，无人艇按节点组成路径访问目标。2.如权利要求1所述的面向复杂海洋环境的多无人艇系统协同路径规划方法，其特征在于，计算任意两个待搜索目标之间相似度并构建相似度矩阵的方法包括：S11：计算任意两个待搜索目标之间的搜索能量代价：假设目标t
i
与t
j
之间最优路径为直线段P
ij
＝(p1,p2,...,p
n
)，p1＝t
i
,p
n
＝t
j
；其中：其中：t
i
表示第一个待搜索目标的点位置，t
j
表示第二个待搜索目标的点位置，λ
ij
为惩罚因子，表示在待搜索目标点t
i
与待搜索目标点t
j
之间障碍区距离f(t
i
,t
j
)与总的欧氏距离d(t
i
,t
j
)的比值；k表示无人艇拖动常量，V
r
表示无人艇相对于洋流的速度，V
a
表示无人艇相对于大地的速度，V
a
为已知且恒定速度，e(p
k
,p
k+1
)表示按最优路径搜索时，任意一路径的能量损耗，p
k
和p
k+1
表示路径端点；S12：基于能量代价计算两个待搜索目标之间的相似度：其中，σ表示高斯核函数的带宽参数，参数σ的值越大目标之间的相似性越高；S13：基于相似度构建相似度矩阵S＝(s(t
i
,t
j
))
i,j＝1,2,...,m
。3.如权利要求2所述的面向复杂海洋环境的多无人艇系统协同路径规划方法，其特征在于，采用谱聚类的方法进行目标子集划分的方法包括：S21：将每组目标点集T分为两个互补的集合：A与S22：计算集合A中某个目标t
i
的度：
其中,t
i
...

【专利技术属性】
技术研发人员：姚鹏，娄雅亭，钟晨，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：