基于最优推进速度的水下机器人最优能耗路径规划方法技术

本发明专利技术公开了基于最优推进速度的水下机器人最优能耗路径规划方法。包括以下步骤：S1：初始化量子粒子群算法参数，建立自主水下运载器能耗模型，获取海流数据及环境模型；S2：使用量子粒子群算法产生B样条曲线形式的候选路径；S3：使用矢量分析法计算各路径段的最优推进速度以及最优推进速度下的能量消耗，累加各路径段的能量消耗得到候选路径的能量消耗；S4：更新个体粒子最佳位置和种群最佳位置；S5：更新粒子速度和位置信息；S6：判断是否符合终止条件，若符合，结束迭代，输出最优结果；若不符合，返回步骤S2。提高了最优能耗路径规划计算效率。算效率。算效率。

【技术实现步骤摘要】
基于最优推进速度的水下机器人最优能耗路径规划方法


[0001]本专利技术涉及机器人智能控制领域，尤其涉及一种基于最优推进速度的自主水下运载器最优能耗路径规划方法。

技术介绍

[0002]在海洋环境中，海流作为一种广泛存在的海水流动现象，其对自主水下运载器(autonomous underwater vehicle，AUV)航行的影响不容忽视。如何合理的利用海流能量已成为近年来AUV研究的主要内容之一。
[0003]当前以节能为目的的AUV路径规划算法主要分为时间最优路径规划和能耗最优路径规划两种。其中时间最优路径规划算法假定AUV推进速度恒定，该假设降低了搜索空间的维度，具有较高的计算效率。然而，AUV不能根据海流调整自身的推进速度，限制了AUV的航行自由度；能耗最优路径规划没有对推进速度进行限制，AUV可根据海流调整其推进速度，能量消耗得以进一步降低。然而，能耗最优路径规划中增加了搜索空间维度，算法计算效率较低，实时性较差。
[0004]例如，一种在中国专利文献上公开的“一种水下无人航行器的能耗优化方法”，其公告号CN112613180B，包括构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，燃料电池系统的等效瞬时氢耗最小；构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，UUV混合动力系统的等效瞬时氢耗最小；构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小；联合求解第一模型、第二模型、第三模型，得到UUV的航行路径和最小等效氢耗。该方案虽然能够有效减少水下无人航行器的能耗，但是其算法计算效率较低，实时性较差。

技术实现思路

[0005]本专利技术主要解决现有技术最优能耗路径规划计算效率较低，实时性较差的问题；提供一种基于最优推进速度的水下机器人最优能耗路径规划方法。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：基于最优推进速度的水下机器人最优能耗路径规划方法，包括以下步骤：S1：初始化量子粒子群算法参数，建立自主水下运载器能耗模型，获取海流数据及环境模型；S2：使用量子粒子群算法产生B样条曲线形式的候选路径；S3：使用矢量分析法计算各路径段的最优推进速度以及最优推进速度下的能量消耗，累加各路径段的能量消耗得到候选路径的能量消耗；S4：更新个体粒子最佳位置和种群最佳位置；S5：更新粒子速度和位置信息；S6：判断是否符合终止条件，若符合，结束迭代，输出最优结果；若不符合，返回步
骤S2。
[0007]本方案通过使用矢量分析法计算各路径段的最优推进速度以及最优推进速度下的能量消耗，累加各路径段的能量消耗得到候选路径的能量消耗；提高了最优能耗路径规划计算效率。
[0008]作为优选，所述的步骤S1包括以下步骤：S101：设置量子粒子群粒子数，设置量子粒子群学习参数；S102：建立自主水下运载器能耗模型：其中，K
d
为阻力系数；表示自主水下运载器相对于水的航行矢量；F
drag
为自主水下航行器航行阻力；为自主水下运载器推进速度；t表示自主水下运载器沿预航行矢量的航行时间；S103：由海流测量或海流预测系统获得海流数据及环境模型。
[0009]作为优选，量子粒子群算法中，每个粒子的维数为空间维度D
×
控制点数量n，表示n个控制点的位置，根据控制点位置生成一条B样条曲线，该B样条曲线作为候选路径。
[0010]作为优选，通过修改控制点位置、节点分布方式和曲线的次数中的一个或多个控制参数改变B样条曲线形状；通过选择控制点位置，对曲线形状进行修改的方式包括：1)强制曲线段变成直线段：令p+1个相邻控制点共线；2)强制B样条曲线经过一个控制点：令p个相邻控制点重合；3)强制B样条曲线与控制折线的一边相切：令控制点C
i
‑
p
，C
i
‑
p+1
＝C
i
‑
p+2
＝
…
＝C
i
‑1及C
i+1
共线。
[0011]控制点位置决定控制折线的形状，曲线次数的大小决定了样条曲线靠近控制折线的程度，节点的重复度决定曲线是否与控制折线相切及曲线的连续性等。
[0012]作为优选，所述的步骤S3包括以下过程：S301：将B样条曲线离散化，按照起点和终点连线为方向，将路径平均分为N段；N越大，离散化后的路径越接近原曲线，但会增加计算量；反之亦然。可根据海流数据分辨率、AUV性能以及路径长度确定N值；S302：针对每一路径段，计算能耗最优推进速度，并通过能耗模型计算每一路径段的能量消耗；S303：累加每一路径段能量消耗，作为评价函数值。
[0013]作为优选，能耗最优推进速度表达式为：作为优选，能耗最优推进速度表达式为：
式中，θ为海流矢量与预航行矢量夹角；为最小可达速度；大小等于方向垂直于预航行矢量方向垂直于预航行矢量为能耗最优推进速度；a
*
为速度系数；为海流矢量。
[0014]作为优选，所述步骤S6的终止条件具体为：除最大迭代次数外，附加终止判断：当W小于设定值时，终止准则被满足。式中，r代表当前迭代次数，E代表相应的适应度值。
[0015]本专利技术的有益效果是：通过使用矢量分析法计算各路径段的最优推进速度以及最优推进速度下的能量消耗，累加各路径段的能量消耗得到候选路径的能量消耗；提高了最优能耗路径规划计算效率。
附图说明
[0016]图1为本专利技术的θ＝0条件下速度矢量关系示意图。
[0017]图2为本专利技术条件下速度矢量关系示意图。
[0018]图3为本专利技术条件下速度矢量关系示意图。
[0019]图4为本专利技术的水下机器人最优能耗路径规划方法流程图。
[0020]图5为本专利技术的控制点分布方式示意图。
具体实施方式
[0021]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。
[0022]实施例：本实施例的基于最优推进速度的水下机器人最优能耗路径规划方法，如图4所示，包括以下步骤：步骤1：初始化量子粒子群算法参数。建立自主水下运载器能耗模型，获取海流数据及环境模型。
[0023]S101：设置量子粒子群粒子数，设置量子粒子群学习参数。
[0024]在本实施例中，量子粒子群粒子数量设为100，最大迭代次数为500。学习参数设置为随迭代次数渐次改变，具体形式为其中，τ为自适应学习系数；X
max
为最大迭代次数；
X
c
为当前迭代次数。
[0025]S102：自主水下运载器能耗模型为：其中，K
d
为阻力系数，其值为常数，由AUV设计决定；表示AUV相对于水的航行矢量；F
drag
为自主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于最优推进速度的水下机器人最优能耗路径规划方法，其特征在于，包括以下步骤：S1：初始化量子粒子群算法参数，建立自主水下运载器能耗模型，获取海流数据及环境模型；S2：使用量子粒子群算法产生B样条曲线形式的候选路径；S3：使用矢量分析法计算各路径段的最优推进速度以及最优推进速度下的能量消耗，累加各路径段的能量消耗得到候选路径的能量消耗；S4：更新个体粒子最佳位置和种群最佳位置；S5：更新粒子速度和位置信息；S6：判断是否符合终止条件，若符合，结束迭代，输出最优结果；若不符合，返回步骤S2。2.根据权利要求1所述的基于最优推进速度的水下机器人最优能耗路径规划方法，其特征在于，所述的步骤S1包括以下步骤：S101：设置量子粒子群粒子数，设置量子粒子群学习参数；S102：建立自主水下运载器能耗模型：其中，K
d
为阻力系数；表示自主水下运载器相对于水的航行矢量；F
drag
为自主水下航行器航行阻力；为自主水下运载器推进速度；t表示自主水下运载器沿预航行矢量的航行时间；S103：由海流测量或海流预测系统获得海流数据及环境模型。3.根据权利要求1所述的基于最优推进速度的水下机器人最优能耗路径规划方法，其特征在于，量子粒子群算法中，每个粒子的维数为空间维度D
×
控制点数量n，表示n个控制点的位置，根据控制点位置生成一条B样条曲线，该B样条曲线作为候选路径。4.根据权利要求3所述的基于最优推进速度的水下机器人最优能耗路径规划方法，其特征在于，通过修改控制点位置、节点分布方式和曲线的次数中的一个或多个控制参数改变B样条曲线形状；通过选择控...

【专利技术属性】
技术研发人员：王峰，陈文亮，李晨龙，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：