海域搜索中基于人工蜂群与人工势场的多AUV协作方法技术

发明专利技术涉及海域搜索中基于人工蜂群与人工势场的多AUV协作方法，其步骤包括：对任务区域进行细粒度和粗粒度的环境建模，将该区域划分为可行域和不可行域。然后采用改进的voronoi聚类策略将粗粒度的立方体模型合理地划分为几个小区域，一一分配给AUV。接着为采用人工蜂群算法为每个AUV规划一条路径较短、转向角较小的全局路径，并采用视线技术对所规划的全局路径进行平滑处理。同时，考虑到避障和避碰需要，当AUV探测到位于其全局路径上的障碍物或其他AUV时，采用人工势场法规划局部路径以避开。开。开。

【技术实现步骤摘要】
海域搜索中基于人工蜂群与人工势场的多AUV协作方法


[0001]本专利技术涉及一种海域搜索中基于人工蜂群与人工势场的多AUV协作方法，属于水下数据收集


技术介绍

[0002]海洋环境中的AUV搜索方法经历了一定的发展，可以分为对于单AUV的研究和对于多AUV集群的研究，主要包括环境建模、全局路径规划、局部路径规划等步骤。对于单AUV任务，高效实时的路径规划、对区域的高效搜索等问题都值得重点关注；对于多AUV集群任务，通信方式、编队控制和协同作业都是未来的重点研究方向。
[0003]现今，空中环境中的无人机及陆地环境中智能车相关的路径规划算法经过国内外学者的广泛研究已逐步趋于完善。然而，水下环境中的路径规划问题不同于大多使用二维建模方法的陆地与空中环境，这是一个充满随机性与不确定性的复杂动态三维环境，遍布着湍流、涡流等水下自然环境因素。另外，水下环境中还具有较多复杂的障碍物，除了AUV通过静态海图获取到的静态环境障碍之外，由未知地形等静态障碍或水下鱼群及各种其它因素组成的动态障碍也充斥在AUV的航行路径之上。
[0004]在环境建模中，较为常见的方法有拓扑法、栅格法和可视图等，其中拓扑法的建模工作复杂，占据大量储存空间，因而研究进展有限；而由于海洋环境是三维空间，且洋流因素产生的影响较大，栅格法和可视图法都仅限于二维平面，实用性较差。在路径规划中，较为常见的方法有A*算法及其各种改进算法、RRT算法及其各种改进算法、人工势场法、群智能算法、强化学习算法、神经网络算法等。其中，人工势场法将机器人的运动抽象为在虚拟势力场中的运动，障碍物对机器人有斥力作用，目标会对机器人有引力作用，通过两种作用力的综合作用来指导机器人的运动；群智能算法的基本思想是仿照生物的社会行为，通过个体之间的合作机制，实现信息的相互传达，从而不断更新整个群体中的最优解，直至收敛到全局最优。在群智能算法中，人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。
[0005]为了在海洋环境中实现高效、节能的搜索，国内外许多研究者提出了许多搜索方案，相关文献如下：
[0006]1、朱大奇等在《Biologically Inspired Self
‑
Organizing Map Applied to Task Assignment and Path Planning of an AUV System》提出了一种仿生的自组织映射算法BISOM，用于AUV系统在三维水下环境中的避障任务分配和路径规划，该算法将仿生神经网络嵌入到自组织映射神经网络中。任务分配和路径规划的目标是安排一组AUV访问所有指定的目标位置，同时保证无速度跳变的避障。将自组织映射神经网络用于分配一组AUV在水下环境中到达多个目标位置。然后，为了使每个到达目标位置的AUV避免障碍物和速度跳变，利用仿生神经网络更新自组织映射的获胜者的权重，实现AUV的路径规划和有效导航。虽然该方法具有优越的性能，但仍有一些问题没有得到充分考虑，如洋流、通信、定位
等。
[0007]2、崔荣鑫等在《Mutual Information
‑
Based Multi
‑
AUV Path Planning for Scalar Field Sampling Using Multidimensional RRT*》提出了一种多AUV自适应路径规划算法，用于估计兴趣区域的标量场。在该方法中，将多AUV的协作采样分为两步：1)通过传感器获取的数据对标量场进行分散建模；2)利用估计的模型为每个AUV规划路径，以提高下一次采样位置的质量。本文提出选择性基函数卡尔曼滤波器SBF
‑
KF来使用一致性算法以分布式方式估计标量场模型。在传统的路径规划问题中，通常给出一个明确的初始状态和一个目标状态。对于标量场采样问题，只有AUV的初始状态是可用的。每个AUV必须根据实时传感器数据确定下一个采样位置。为了找到最小化观测不确定性的可用路径，本文使用互信息来表示标量场模型的不确定性。基于此，本文提出了一种基于互信息的多维RRT*算法MDMI
‑
RRT*，该算法同时构建多个路线图，可以将AUV导向可以收集更多信息的位置。此外，互信息被用来表示采样成本，这不同于使用路径长度或路径上经过的时间的传统路径规划。
[0008]3、张兰勇等在《Three
‑
Dimensional Underwater Path Planning Based on Modified Wolf Pack Algorithm》提出了一种改进的狼群算法，通过改进狼群算法的三种智能行为，即侦察、召唤和围攻，克服了狼群算法收敛速度慢、收敛精度低等缺点。为了改善搜索行为，提出了交互式搜索来增加狼群之间的交互性。此外，为了改进召唤行为，建立了基于猎物的自适应步长模型以提高搜索能力。最后，设计了新的围攻行为的计算规则，大大增强了局部精细搜索能力。人工狼不仅能感知同伴的信息，还能传递猎物的信息，从而有效地控制全局搜索和局部搜索之间的平衡。此外，将突袭步长由固定值改为自适应值，以提高算法的全局搜索能力，防止算法陷入局部最优。此外，为了满足AUV的约束，提出了一种基于dubins路径的快速路径规划方法，利用dubins路径规划满足角度控制约束，并调整转弯半径满足控制约束。通过建立水下环境威胁模型，提出了基于改进狼群算法的dubins路径规划方法。在不考虑洋流的情况下，路径点之间的路径最短，威胁最小，能量消耗最少。然而，改进的狼群算法需要设置的参数太多，一些参数的设置显著影响收敛速度和结果的准确性，并且不适当的参数设置可能导致准确性低或收敛过快或过慢。
[0009]4、Stefano Basagni等在《Path Finding for Maximum Value of Information in Multi
‑
Modal Underwater Wireless Sensor Networks》提出了一种贪婪的自适应AUV路径规划启发式算法GAAP，驱动AUV根据节点数据的信息价值从节点收集数据。为了对AUV路径规划启发式算法的性能进行基准测试，定义了一个整数线性规划公式，该公式精确地模拟了所考虑的场景，得到了一条路径，该路径驱动AUV以最大的信息价值收集和传送数据。然后，为AUV路径规划定义了一个现实可部署的启发式算法，它适应于在不可预测的位置和时间发生的事件。AUV基于它期望在下一个位置收集的信息价值来选择要访问的下一个节点。做出这一决定所需的信息通过声学传输的短事件包传播到AUV。当且仅当访问一个已经发送了事件包的节点能够增加AUV传送到接收器的数据的信息价值时，AUV才会计划访问该节点。
[0010]5、Narc
í
s Palomeras等在《Autonom本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.海域搜索中基于人工蜂群与人工势场的多AUV协作方法，其特征在于：包括以下步骤：步骤一：对于任务区域的环境建模将任务区域划分为可行域和不可行域，采用粗粒度和细粒度的立方体建模方法对任务区域进行环境建模；步骤二：任务区域的划分与分配采用改进的voronoi聚类策略将任务区域划分为若干个小区域，并一一分配给每个AUV，使每个AUV负责侦察一个小区域；步骤一中产生的粗粒度立方体的中心作为voronoi聚类策略的目标位置，将每个目标位置分配给到达其所需时间最少的AUV，在其中加入已分配的目标位置数量项及连续性约束，避免分配不均并保证小区域的连续性；步骤三：全局路径的规划采用人工蜂群算法规划一条路径短、转向角小的全局路径，并引入视线技术对人工蜂群算法所规划的路径进行平滑处理；步骤四：局部路径的规划AUV在步骤三中所规划的全局路径上航行时，会探测到障碍物或其他AUV，其所处区域即不可行域；若不可行域位于全局路径上，采用人工势场法规划局部路径以避开。2.根据权利要求1所述的海域搜索中基于人工蜂群与人工势场的多AUV协作方法，其特征在于：所述步骤一中，对于任务区域的环境建模方法如下：首先假设任务区域为一个立方体，然后将其划分为若干个小立方体，小立方体的边长根据AUV的探测距离来设置；在粗粒度的立方体建模中，取所有立方体的中心作为任务区域的划分与分配中的目标位置；在细粒度的立方体建模中，将立方体的中心作为路径规划中的路径点。3.根据权利要求1所述的海域搜索中基于人工蜂群与人工势场的多AUV协作方法，其特征在于：所述步骤二中，任务区域的划分与分配方法如下：在使用改进的voronoi聚类策略进行任务区域的划分与分配时，采用粗粒度的立方体建模，其中每个立方体的中心都作为目标位置；假设有m个AUV随机分布在任务区域之外，结合每个AUV的位置，voronoi聚类策略公式化为：其中p
j
是第j个AUV的位置，t(pj,k)表示第j个AUV从其位置到达目标k所需时间；改进的voronoi聚类策略即将关于时间的目标函数改为关于已分配的目标位置与未分配的目标位置之间距离的目标函数，并加入已分配的目标位置的数量约束；改进的voronoi聚类策略公式化为：其中T
j
是已经分配给第j个AUV的目标位置的集合，T
u
是未聚类的目标位置的集合，而d(i,k)表示目标位置i和目标位置k之间的欧式距离。n
j
是已经分配给第j个AUV的目标位置的数量，α、β是人为设置的两个参数。
4.根据权利要求1所述的海域搜索中...

【专利技术属性】
技术研发人员：韩光洁，赖威哲，
申请(专利权)人：河海大学，
类型：发明
国别省市：