基于ECS-LSTM网络的大惯量物体运动的控制方法技术

本发明专利技术公开了一种基于ECS

【技术实现步骤摘要】
基于ECS
‑
LSTM网络的大惯量物体运动的控制方法


[0001]本专利技术涉及大惯量物体运动的自动控制领域，尤其是涉及一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法。

技术介绍

[0002]在航天与航海等领域常用的航行器运动控制，就属于大惯量物体的运动控制，这些大惯量物体在所处领域均有很好的性能，然而，对于这些大惯量物体，在遇到突然的环境变化，例如巨大的风力或海浪的影响，突然的物体碰撞等等，在没有自我稳定或运动姿态自控的情况下，很容易发生偏航的情况。目前的大部分解决方法是，在遭受了偏航影响后，逐步回复其运动航线，使大惯量运动物体恢复原有运动状态，这种大惯量物体在受到影响后再逐步恢复其运动状态的方法是被动式的。
[0003]而本专利技术的运动控制方法其优点则是主动式的，大惯量运动的物体利用拥有一定探查范围的传感器，提前感知周边的环境变化，采集可能会导致当前物体运动发生变化的环境因子，并分析形成当前大惯量运动物体的环境态势，然后根据环境态势分析出可能受到力的作用的大小和方向，然后利用运动物体自身提供的动力装置来产生抵消这一外环境作用力对本运动物体产生的影响，从而达到主动保持和稳定当前大惯性物体运动状态的方法，同样的，如果通过环境态势的感知，大惯量物体还可以提前调整运动姿态，或暂时改变原有运动姿态来应对环境作用因子将要带来的作用，当环境作用因子真实作用到运动物体本身的时候，该运动物体就可以通过预先调整的姿态和自己本身的传感系统做二次调整，以达到主动与原运动姿态高保持以及更易运动控制的目的。

技术实现思路

[0004]专利技术目的：针对上述问题，本专利技术提供了一种大惯量物体运动通过对环境态势的感知主动保持运动状态的一种控制方法，该方法利用具有一定范围的环境感知设备的持续感知，在环境因子作用到船体之前，首先形成当前时刻的环境态势并形成相应的应对策略，然后根据应对策略控制动力系统运动，从而克服了现有技术中的不足，提出了一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法。
[0005]技术方案：一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，包括以下步骤
[0006]步骤S1：构建ECS
‑
LSTM网络模型，该模型含有两个LSTM网络，第一个为EC
‑
LSTM网络，第二个为S
‑
LSTM网络；
[0007]步骤S2：训练ECS
‑
LSTM网络模型；
[0008]步骤S3：利用大惯性物体安装的传感器获取数据；
[0009]步骤S4：将采集到的数据通过数据融合、清洗形成当前瞬时的环境态势图像数据与大惯量物体运动参数；
[0010]步骤S5：将环境态势图像数据送入第一层的EC
‑
LSTM网络并将其输出结果结合大惯量物体运动参数送入第二层的S
‑
LSTM网络获得包含环境态势和运动参数的关键节点信
息和全局上下文信息；输入到下一节拍的ECS
‑
LSTM中的两个网络中，与当前节拍获取的新的环境态势图像数据与大惯量物体运动参数进行融合，融合后获得的关键节点信息和全局上下文信息循环输入下一个节拍，进行不断迭代，直到整个系统终止；
[0011]步骤S6：将S
‑
LSTM在每个节拍输出的关键节点信息进行重组，形成可执行的控制动作指令，下发到运动执行机构，完成运动控制。
[0012]进一步的，所述EC
‑
LSTM是一个CNN
‑
LSTM网络，用来构建环境态势，形成环境态势信号，其模型由五部分组成：第一部分为输入层，输入信号数据集；第二部分为CNN网络，用于提取信号数据集的空间特征；第三部分为LSTM网络，用于提取信号数据集的时序特征；第四部分为特征融合层，将CNN网络提取的空间特征与LSTM提取的时序特征进行串联，得到新的信号特征。
[0013]进一步的，所述S
‑
LSTM是用来综合时序特征和运动参数并最终形成动作指令集的LSTM网络，具有长期记忆性，充分考虑了数据的时间相关性，可以根据当前状态自动调整历史信息对当前预测的贡献的循环神经网络，LSTM网络有多个记忆细胞层构成，其中神经元细胞包括细胞状态C(t)，遗忘门Ft，输入门IT和输出门OT，在整个循环周期内通过维护记忆细胞的状态，既对三种门结构做更新，来完成细胞状态的更新，从而实现综合时序特征更新运动参数的目的。
[0014]进一步的，所述步骤S2具体步骤如下：
[0015]2.1利用随机函数，将整个网络的权重及前置值进行初始化；
[0016]2.2从历史数据库中抽取有效的环境态势应对数据集作为训练样本，传入ECS
‑
LSTM网络；
[0017]2.3通过前向传播，获得结果集，并计算损失函数；
[0018]2.4利用反向传播及梯度下降法进一步决定各权重及偏差；
[0019]2.5重复2.2至2.4步，直到ECS
‑
LSTM网络获得正确的输出。
[0020]进一步的，所述步骤S3包括：利用360
°
扫描激光测距雷达获取3D点云数据；利用深度相机获取具有深度信息的深度图像数据；利用陀螺仪获取当前瞬时船体的翻滚角、偏航角、俯仰角数据；利用船载加速度计分别获取船艏左右两侧、船艉左右侧在X轴方向、Y轴方向、Z轴方向的加速度分量；利用北斗卫星定位芯片获得当前船舶的GPS定位；利用伺服电机获得电机参数。
[0021]进一步的，所述步骤S4具体为：将3D点云数据和深度图像数据标定、关联并通过卡尔曼滤波算法配合匈牙利匹配算法融合，形成当前瞬时的环境态势图像数据；将翻滚角、偏航角、俯仰角及当前船艏、船艉的加速度分量融合，得到大惯量物体运动参数。
[0022]进一步的，所述步骤S5中将当前环境态势图像数据送入EC
‑
LSTM网络，得到当前环境参数向量x
e
；将当前环境参数向量x
e
与运动参数向量x
s
，送入S
‑
LSTM网络，获得新的运动参数向量x
ns
，新的运动参数向量x
ns
结构与x
s
相同。
[0023]进一步的，所述环境参数向量
[0024][0025]环境参数向量x
e
是EC
‑
LSTM的输出结果向量，其中f
ha
、f
hal
、f
har
为船艏正前方、船艏正前方偏左45
°
、船艏正前方偏右45
°
受到的力的大小，θ
ha
、θ
hal
、θ
har
为f
ha
、f
hal
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，包括以下步骤步骤S1：构建ECS
‑
LSTM网络模型，该模型含有两个LSTM网络，第一个为EC
‑
LSTM网络，第二个为S
‑
LSTM网络；步骤S2：训练ECS
‑
LSTM网络模型；步骤S3：利用大惯性物体安装的传感器获取数据；步骤S4：将采集到的数据通过数据融合、清洗形成当前瞬时的环境态势图像数据与大惯量物体运动参数；步骤S5：将环境态势图像数据送入第一层的EC
‑
LSTM网络并将其输出结果结合大惯量物体运动参数送入第二层的S
‑
LSTM网络获得包含环境态势和运动参数的关键节点信息和全局上下文信息；输入到下一节拍的ECS
‑
LSTM中的两个网络中，与当前节拍获取的新的环境态势图像数据与大惯量物体运动参数进行融合，融合后获得的关键节点信息和全局上下文信息循环输入下一个节拍，进行不断迭代，直到整个系统终止；步骤S6：将S
‑
LSTM在每个节拍输出的关键节点信息进行重组，形成可执行的控制动作指令，下发到运动执行机构，完成运动控制。2.根据权利要求1所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述EC
‑
LSTM是一个CNN
‑
LSTM网络，用来构建环境态势，形成环境态势信号，其模型由五部分组成：第一部分为输入层，输入信号数据集；第二部分为CNN网络，用于提取信号数据集的空间特征；第三部分为LSTM网络，用于提取信号数据集的时序特征；第四部分为特征融合层，将CNN网络提取的空间特征与LSTM提取的时序特征进行串联，得到新的信号特征。3.根据权利要求1所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述S
‑
LSTM是用来综合时序特征和运动参数并最终形成动作指令集的LSTM网络，具有长期记忆性，充分考虑了数据的时间相关性，可以根据当前状态自动调整历史信息对当前预测的贡献的循环神经网络，LSTM网络有多个记忆细胞层构成，其中神经元细胞包括细胞状态C(t)，遗忘门Ft，输入门IT和输出门OT，在整个循环周期内通过维护记忆细胞的状态，既对三种门结构做更新，来完成细胞状态的更新，从而实现综合时序特征更新运动参数的目的。4.根据权利要求1所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述步骤S2具体步骤如下：2.1利用随机函数，将整个网络的权重及前置值进行初始化；2.2从历史数据库中抽取有效的环境态势应对数据集作为训练样本，传入ECS
‑
LSTM网络；2.3通过前向传播，获得结果集，并计算损失函数；2.4利用反向传播及梯度下降法进一步决定各权重及偏差；2.5重复2.2至2.4步，直到ECS
‑
LSTM网络获得正确的输出。5.根据权利要求1所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述步骤S3包括：利用360
°
扫描激光测距雷达获取3D点云数据；利用深度相机获取具有深度信息的深度图像数据；利用陀螺仪获取当前瞬时船体的翻滚角、偏航角、俯仰角数据；利用船载加速度计分别获取船艏左右两两侧、船艉左右两侧在X轴方向、Y轴方向、Z轴方向的加速度分量；利用北斗卫星定位芯片获得当前船舶的GPS定位；利用伺服电机获得电机
参数。6.根据权利要求5所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述步骤S4具体为：将3D点云数据和深度图像数据标定、关联并通过卡尔曼滤波算法配合匈牙利匹配算法融合，形成当前瞬时的环境态势图像数据；将翻滚角、偏航角、俯仰角及当前船艏、船艉的加速度分量融合，得到大惯量物体运动参数。7.根据权利要求1所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述步骤S5中将当前环境态势图像数据送入EC
‑
LSTM网络，得到当前环境参数向量x
e
；将当前环境参数向量x
e
与运动参数向量x
s
，送入S
‑
LSTM网络，获得新的运动参数向量x
ns
，新的运动参数向量x
ns
结构与x
s
相同。8.根据权利要求7所述的一种基于ECS
‑
LSTM网络的大惯量物体运动的控制方法，其特征在于，所述环境参数向量环境参数向量x
e
是EC
‑
LSTM的输出结果向量，其中f
ha
、f
hal<...

【专利技术属性】
技术研发人员：张旭，杨兴林，成欢，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：