基于改进的LSTM网络轨迹预测的无人船集群围捕方法技术

本发明专利技术公开了一种基于改进的LSTM网络轨迹预测的无人船集群围捕方法，改进的LSTM网络拓扑结构中增加了障碍物位置关系函数；若目标为船，则对障碍物进行COLREGs约束处理，利用改进的狮群算法在目标附近生成虚拟结构点，作为初始的伏击位置；再利用集中式结构分配虚拟结构点的位置以生成U型阵，使无人船集群提前埋伏在被围捕目标的前进路线上，增加围捕的成功率；第三利用匈牙利算法将U型阵中的虚拟结构点重新分配给无人船集群，并利用a

【技术实现步骤摘要】
基于改进的LSTM网络轨迹预测的无人船集群围捕方法


[0001]本专利技术涉及水域环境中的目标围捕以及路径规划
，更特别地说，是指一种基于改进的LSTM网络轨迹预测的无人船集群围捕方法。

技术介绍

[0002]随着科技的发展与进步，人们对海洋的开发越来越广，对海洋的认知也越来越深入。现如今，大部分科研工作者会选择利用无人船进行水域探索任务，单一的无人船在执行任务的过程中存在自身能源有限、任务负载容量低和探索效率低等缺点。因此，寻找一种能够使无人船集群在短时间内对移动的目标的路径轨迹进行预测并围捕的方法，可以提高无人船集群对目标进行围捕时的工作效率。
[0003]当前已经有多种传统方法和智能方法来解决多船围捕问题，比如深度强化学习法，逼近法和伏击法等。
[0004]LSTM(convolutional long short
‑
term memory network，长短期记忆网络)在门控RNN的基础上添加了长期记忆单元，通过遗忘门、输入门和输出门控制时序信息的流动，通过反向传播更新网络的权重，学习长时依赖关系。使用tanh激活函数和Relu激活函数的RNN神经网络的学习步长过短且不稳定，而LSTM神经网络可以稳定学习多步时序关系。LSTM循环网络细胞框图参考2017.07，人民邮电出版社，作者:(美)伊恩
·
古德费洛著的《深度学习》第248－250页的内容。
[0005]狮群算法是一种通过模拟狮群狩猎对目标进行围捕的算法，狮群有多种捕猎方式，通常情况下狮群的狩猎方式为：多头雌性成年狮组成狩猎围捕小组，进行协同围捕与合围捕猎。由雌狮组成的捕食小组在进行围捕猎物时，通常情况下是由一个雌狮作为指挥者，指挥者通常在队伍中心，负责整体队形的移动与队形的调整，调度其他雌狮移动至被围捕目标的正面、侧面或背后，指挥者同时负责下达攻击指令任务。雌狮合作捕猎成功概率远远大于单独捕猎。狮群的狩猎原则遵循机会主义，整个围捕过程具有众多不确定因素。狮群会在最佳时刻对猎物进行围捕。通常情况下，捕猎小组合作捕猎时，首先会在不惊动猎物的前提下进行大范围包围，待包围圈形成后，再收缩包围圈，直至达到攻击距离，对被围捕目标协同发起攻击。
[0006]面对复杂水域环境下的工作任务，多个无人船通过协同工作，可以极大的提高工作效率。无人船集群控制成为了智能控制系统中的重要研究方向。随着控制技术和通信技术的发展，多无人船协同围捕逐渐成为了无人船集群控制领域的热点之一。无人船集群围捕控制的核心是研究多个无人船通过协同控制来完成对目标的捕获任务。
[0007]目前，对无人船集群提出了许多的围捕策略，围捕策略可分为两步，首先是对目标轨迹进行预测；其次，采用编队的形式对目标进行围捕并实时跟踪。在目标轨迹预测方法中，并未考虑在复杂环境下目标的避障动作。多船协同围捕是无人船集群控制的重点，按照围捕策略可将围捕法分为逼近法和伏击法，其中逼近法的代表算法有：基于人工势场的逼近法、基于虚拟结构的逼近法、基于神经网络的逼近法和基于路径规划的逼近法，上述算法
的实时性较好，但全局性较差，并且效率低。

技术实现思路

[0008]为了实现在复杂水域环境下无人船集群对移动目标的协同围捕任务，本专利技术提出了一种基于改进的LSTM网络轨迹预测的无人船集群围捕方法。该方法利用改进的非线性回归法补全历史路径信息和预测部分的未来路径信息，并基于改进的LSTM神经网络架构构建得到复杂水域环境下的障碍物与移动目标之间的避障轨迹，最后依据避障轨迹对移动目标进行无人船集群的协同围捕。
[0009]本专利技术针对无人船集群面对动态目标的围捕需求，通过模仿狮群围捕猎物的策略，将LSTM算法与虚拟结构法进行结合，提出了一种基于改进的LSTM算法的无人船集群围捕方法。在构建改进的LSTM网络时，先获取目标的历史路径信息，然后利用改进的非线性回归法补全历史路径信息，从而得到预测部分的未来路径信息，最后将障碍物位置关系函数添加LSTM网络中达到对LSTM网络拓扑结构的改进。本专利技术无人船集群的围捕方法，若目标为船，则对复杂水域环境中的障碍物进行COLREGs约束处理，模仿狮群的围捕策略，利用虚拟结构法在目标附近生成虚拟结构点，作为初始的伏击位置。模仿狮群的围捕策略，利用虚拟结构法在被围捕目标的前方生成U型阵，利用集中式结构分配虚拟结构点的位置以生成U型阵，使无人船集群提前埋伏在被围捕目标的前进路线上，增加围捕的成功率。利用匈牙利算法将U型阵中的虚拟结构点重新分配给无人船集群，并利用a
‑
star算法规划无人船到虚拟结构点的路径。利用虚拟结构法在被围捕目标周围生成包围圈，利用混合式结构将虚拟结构点平均布置在包围圈上。缩小包围圈，并在包围圈上重新生成新的虚拟结构点，实施围捕。当被围捕目标进行逃脱时，无人船集群向被围捕目标的逃脱方向进行聚拢。
[0010]本专利技术改进的基于LSTM网络轨迹预测的无人船集群围捕方法的优点：
[0011]①
本专利技术无人船集群围捕方法，利用非线性回归法对被围捕船的轨迹进行预处理，再利用改进的LSTM算法预测其轨迹，使无人船可以提前埋伏在被围捕船的轨迹路线上。
[0012]②
本专利技术无人船集群围捕方法，将协同控制中虚拟结构法的集中式结构、混合式结构和匈牙利算法相结合，提高了无人船集群对被围捕船的围捕效率。
[0013]③
本专利技术无人船集群围捕方法，使无人船集群在被围捕船的轨迹上生成U型阵，并基于U型阵对被围捕船进行包围，当被围捕船进行逃跑时，通过调整无人船集群的队形来封堵被围捕船的逃跑路线，提高了无人船集群对被围捕船的围捕成功率。
附图说明
[0014]图1为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的路径预测流程图。
[0015]图2为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的非线性回归法图示。
[0016]图3为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的偏心椭圆图示。
[0017]图4为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的围捕方法流程图。
[0018]图5为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的阿波罗尼斯圆伏击位置选取方法图示。
[0019]图6为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的U型阵图示。
[0020]图7为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的包围圈图示。
[0021]图8为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的围捕图示。
[0022]图9为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的无人船与x轴夹角图示。
[0023]图10为本专利技术基于LSTM网络轨迹预测的无人船集群围捕方法的被围捕目标逃脱围堵图示。
[0024]图11为采用逼近法、伏击法、本专利技术方法对比的完成围捕所需要的步数图。
[0025]图12为不同速度下对目标进行围捕效果图。...

【技术保护点】

【技术特征摘要】
1.一种基于改进的LSTM网络轨迹预测的无人船集群围捕方法，其特征在于，构建改进的LSTM网络拓扑结构包括有下列步骤：构建步骤A，记录历史路线；发现被围捕船ship
围捕
的时间，记为t0；开始对被围捕船ship
围捕
进行围捕的时间，记为t
s
；所述ship
围捕
从t0到t
s
形成的路径，记为历史路线在历史路线中存在有γ个历史－路径节点，记为历史－路径节点集且且为历史路线上的第1个历史－路径节点；为历史路线上的最后一个历史－路径节点；构建步骤B，获取预测路线；对被围捕船ship
围捕
完成围捕时间，记为t
S
；所述ship
围捕
从t
s
到t
S
形成的路径，记为预测路线采用一元非线性回归法将历史－路径节点集进行处理，得到预测－路径节点集进行处理，得到预测－路径节点集为预测路线上的最后一个预测－路径节点；构建步骤C，修正预测路线；将和
作为LSTM网络的输入，并引入障碍物位置关系对进行修正，得到修正后的预测路线D
o
为障碍物位置关系权重；η为避障学习因子；g为障碍物区域里的边界点总数；t为障碍物区域里的任意一个边界点；x
o,t
为边界点o
t
的边界经度；y
o,t
为边界点o
t
的边界纬度；x表示路径节点的X轴坐标值；y表示路径节点的Y轴坐标值；ρ
O
为障碍物的影响距离。2.根据权利要求1所述的基于改进的LSTM网络轨迹预测的无人船集群围捕方法，其特征在于：利用改进后的LSTM网络拓扑结构进行的无人船集群围捕方法，具体步骤如下：步骤一，利用改进的非线性回归法对被围捕船的轨迹信息进行预处理；步骤101，路径信息获取；对ship
围捕
进行围捕时的路线由n条短路径组成，被围捕－短路径记为下角标i表示被围捕－短路径的标识号，下角标n表示被围捕－短路径的总数；任意一被围捕－短路经上会有c个路径节点，记为径节点，记为表示围捕ship
围捕
时的第1条短路径；表示围捕ship
围捕
时的第2条短路径；表示围捕ship
围捕
时的第i条短路径；表示围捕ship
围捕
时的最后一条短路径；表示短路径中的第1个路径节点；表示短路径中的第2个路径节点；表示短路径中的最后一个路径节点；
步骤102，修正非线性回归的通用模型；为了模拟目标的避障运动，采用非线性回归方法拟合出目标避障波浪线；因此，对非线性回归的通用模型进行了改进，改进后的非线性回归模型表达式如下：x表示路径节点的X轴坐标值；y表示路径节点的Y轴坐标值；a表示非线性回归系数；a
s.c
表示非线性回归中第s行第c列的系数；步骤103，目标避障运动模型；将改进后的非线性回归模型化简为一元一次方程，其表达式如下：采用最小二乘法计算系数，设系数序列为A，目标避障运动模型表达式如下：其中，Y
s
的表达式为：其中，的表达式为：上角标T为X
s
的转置；
步骤二，将水域环境中的障碍物与被围捕船轨迹之间的位置关系函数添加到改进的LSTM神经网络中；步骤201，改进后的LSTM神经网络模型；将障碍物与目标的位置关系添加到了LSTM网络中，其表达式为：f
t
为改进后的LSTM网络中的遗忘门；σ表示sigmoid函数；W
f
是遗忘门权重矩阵；s
t
为隐层序列；s
t
‑1为隐层序列s
t
的前一个隐层序列；为输入的被围捕的目标船的路径信息；D
o
为障碍物位置关系权重；l
t
为障碍物位置关系序列；l
t
‑1为障碍物位置关系序列l
t
的前一个障碍物位置关系序列；b
f
是遗忘门偏执系数；h
t
为改进后的LSTM网络的输出；W
i
是输入门权重矩阵；b
i
是输入门偏执系数；c
t
为记忆细胞序列；c
t
‑1为记忆细胞序列c
t
的前一个记忆细胞序列；i
t
为改进后的LSTM网络中的输入门；为经过tanh函数处理后的记忆细胞；W
c
是记忆细胞权重矩阵；b
c
是记忆细胞偏执系数；o
t
为改进后的LSTM网络中的输出门；W
o
是输出门权重矩阵；b
o
是输出门偏执系数；tanh的作用是将内容归一化到－1到1；Convolution表示卷积函数；步骤202，修正障碍物位置；将障碍物区域记为O，在所述O区域里存在有g个边界点，记为O＝[o1,
…
,o
t
,
…
,o
g
]，在
障碍物坐标系XOY下，任意一个边界点o
t
的边界位置为o
t
(x
o,t
,y
o,t
)；设ρ
O
为障碍物的影响距离，当路径节点与障碍物的距离大于ρ
O
时，D
O
的取值为0；当路径节点与障碍物的距离小于ρ
O
时，D
O
的表达式如下：η为避障学习因子，其值越大，改进后LSTM神经网络就越重视对目标避障动作特征的学习；x
o,t
为边界点o
t
的边界经度；y
o,t
为边界点o
t
的边界纬度；x表示路径节点的X轴坐标值；y表示路径节点的Y轴坐标值；对避障学习因子η进行修正，其表达式如下：ξ为路径学习因子；n为短路径总数；c为任意一条短路径；g为障碍物区域里的边界点总数；t为障碍物区域里的任意一个边界点；x
c
表示短路经上路径节点的X轴坐标值；y
c
表示短路经上路径节点的Y轴坐标值；步骤三，对障碍物进行膨胀处理；若目标为船，则对复杂水域环境中的障碍物进行COLREGs约束处理；障碍物坐标系记为XOY；步骤301，定义障碍物尺寸；由于被围捕船会按照COLREGs进行避障；当障碍物位于Head
‑
on，Overtaking和R
‑
Crossing区域时，目标船舶会遵守右交叉避碰原则；当目标为船时，对环境中的障碍物进行偏心建模；在障碍物坐标系XOY下，以障碍物的中心点为焦点C(c,0)建立椭圆方程，椭圆方程的表达式如下：c2＝a2‑
b2，a＞c＞0且a＞b＞0；a为椭圆在障碍物坐标系X轴上的增益；b为椭圆在障碍物坐标系Y轴上的增益；步骤302，获取障碍物中心点位置；设障碍物的边界点的坐标为o
t
(x
o,t
,y
o,t
)，t＝1,
…
,g；则障碍物中心点坐标，的表达式
为：x
oc
为障碍物中心点经度；y
oc
为碍物物中心点纬度；步骤303，修正障碍物边界；求椭圆的X轴增益a的表达式如下：求椭圆的Y轴增益b的表达式如下：max(x
o.t
)表示障碍物边界点中X轴坐标值最大的边界点；min(x
o.t
)表示障碍物边界点中X轴坐标值最小的边界点；max(y
o.t
)表示障碍物边界点中Y轴坐标值最大的边界点；min(y
o.t
)表示障碍物边界点中Y轴坐标值最小的边界点；步骤四，根据改进后LSTM网络的轨迹预测结果，无人船集群对被围捕船进行伏击；模仿狮群的围捕策略，利用虚拟结构法在目标附近生成虚拟结构点，作为初始的伏击位置；步骤401，设置无人船位置；设目标的速度为v
target
，目标的航向角为r
target
，目标的预测位置为P
target
，其坐标为(x
target
,y
target
)；第q艘无人船的速度为v
ship.q
，第q艘无人船的航向角为r
ship.q
，第q艘无人船的位置为步骤402，生成无人船的初始虚拟结构点；设共有Q艘无人船，分别对应Q个虚拟结构点；生成第q艘船的初始虚拟结构点P
q
，q＝1,
…
,Q，其坐标为(x
virtual.q
,y
virtual.q
)，具体公式如下：)，具体公式如下：ψ为虚拟结构点位置参数，其值会影响虚拟结构点生成的位置；β为角度参数，其值会影响虚拟结构点生成的角度；步骤403，生成U型阵；通过步骤402生成完所有无人船的初始虚拟结构点后，调整初始虚拟结构点的位置，在目标前进的方位上生成U型阵的具体步骤如下：...

【专利技术属性】
技术研发人员：于家斌，陈志豪，赵峙尧，许继平，王立，孙茜，陈阳，陆阳，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：