自治水下机器人的自主启发式生物启发神经网络路径规划算法

针对复杂海流环境下自治水下机器人(autonomous underwater vehicle, AUV)的路径规划问题,本文在栅格地图的基础上给出了一种基于离散的生物启发神经网络(Glasius bio-inspired neural networks, GBNN)模型的新型自主启发式路径规划和安全避障算法,并考虑海流对路径规划的影响.首先建立GBNN模型,利用此模型表示AUV的工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;其次,根据神经网络中神经元的活性输出值分布情况并结合方向信度算法实现自主规划AUV的运动路径;最后根据矢量合成算法确定AUV实际的航行方向.障碍物环境和海流环境下仿真实验结果表明了生物启发模型在AUV水下环境中路径规划的有效性.     

基于生物启发模型的AUV三维自主路径规划与安全避障算法

针对自治水下机器人(AUV)的路径规划问题,在三维栅格地图的基础上,给出一种基于生物启发模型的三维路径规划和安全避障算法. 首先建立三维生物启发神经网络模型,利用此模型表示AUV的三维工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;然后,根据神经网络中神经元的活性输出值分布情况自主规划AUV的运动路径.静态环境与动态环境下仿真实验结果表明了生物启发模型在AUV三维水下环境中路径规划和安全避障上的有效性.     

多个水下机器人动态任务分配和路径规划的信度自组织算法

针对多个水下机器人(autonomous underwater vehicles,AUVs)动态任务分配和路径规划速度跳变问题,引入栅格信度函数概念,给出一种改进的栅格信度自组织(belief function self-organizing map,BFSOM)算法.目的是控制一组AUV有效地到达所有指定的目标位置,同时保证AUV能够自动的避开障碍物.首先,自组织神经网络(self-organizing map,SOM)算法对多AUV系统进行任务分配,使得每个目标位置都有一个AUV去访问.整个分配过程包括定义SOM神经网络的初始权值、获胜者选择、邻域函数的计算3个步骤;其次,根据栅格信度函数和环境信息更新SOM获胜神经元的权值,使得每个AUV在访问对应目标的过程中能够自动避障并且克服速度跳变,实现AUV自动有效路径规划.最后,通过仿真实验证明了本文提及算法的有效性.     

栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.     

基于D-S信息融合的水下机器人地图构建

针对未知动态环境中自治水下机器人(Autonomous Underwater Vehicle,AUV)的路径规划问题,给出一种基 于D-S (Shafer-Dempster)信息融合的水下栅格地图构建算法.首先通过建立一个声纳传感器模型,将声纳数据转换成栅格的信度函数分配值;接着应用D-S证据理论信息融合算法更新地图数据,从而构建出水下动态栅格地图;最后通过真实地图与融合构建地图比较,说明D-S融合算法在地图构建中的可行性.     

基于人工势场与速度合成的AUV路径规划

水下环境与地面环境有着本质区别,海流对自治水下机器人航行的影响远大于地面移动机器人所受风速的影响,因此,AUV(Autonomous Underwater Vehicle)水下作业的过程中,不仅要避开运动过程中所遇到的障碍物,还要考虑受到海流因素的影响.将人工势场路径规划算法直接应用到AUV路径规划中,显然难以达到路径最优效果.为解决AUV在海流环境下的路径规划问题,本文针对机器人水下航行的特点,在传统人工势场方法的基础上,考虑海流作用,将速度合成的算法与人工势场相结合,克服海流对AUV水下航行的影响,提出一种新的AUV水下路径规划算法.仿真试验表明,所提算法达到了良好的效果.     

基于滚动优化和分散捕食者猎物模型的全覆盖路径规划算法

针对多机器人执行全覆盖任务效果差的问题,提出一种基于滚动优化和分散捕食者猎物模型的多机器人全覆盖路径规划算法.首先,利用栅格地图表示作业的环境空间,并基于栅格地图修正捕食者猎物算法中的避开捕食者奖励,添加移动代价奖励和死区回溯机制构建分散捕食者猎物模型;然后,引入滚动优化方法,避免机器人陷入局部最优,预测周期内机器人覆盖栅格的累计奖励值作为适应度函数,并使用鲸鱼优化算法(WOA)求解最优移动序列;最后,在不同环境下进行仿真实验,得到的平均路径长度与生物激励神经网络算法(BINN)和牛耕式A*算法(BA*)相比分别减少了16.69%sim17.33%、10.32%sim20.03%,验证了所提出算法在多机器人全覆盖路径规划中的可行性和有效性.     

基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.     

基于多AUV间任务协作的水下多目标探测路径规划

利用自主式水下航行器(Autonomous Underwater Vehicle,AUV)对水下多目标进行协同探测是目前海洋技术领域的研究热点.主要研究在水下三维区间内的多AUV任务分配与协作探测路径规划机制,建立了以每个AUV能量耗费与能耗均衡为约束条件的水下三维空间中的多旅行商MTSP(Multiple Traveling Salesman Problem)问题模型,利用遗传算法GA(Genetic Algorithm)对该NP-Complete问题进行启发式求解,同时设计了考虑巡航总路径及访问目标数的适应度函数以提高多AUV间的能耗均衡性,实现多个AUV对多个水下目标的优化协同探测.最后本文利用MATLAB R2014a软件对多AUV任务协作与多目标探测路径规划机制进行了仿真,仿真结果验证了本文方法能均衡多AUV多目标探测问题的能量消耗,进而提高巡航速度和生命周期.     

基于鲁棒Restless Bandits模型的多水下自主航行器任务分配策略

针对水下监测网络中多自主航行器（AUV）协同信息采集任务分配问题进行了研究。首先，为了同时考虑系统中目标传感器的节点状态与声学信道状态对AUV任务分配问题的影响，构建了水声监测网络系统的综合模型；其次，针对水下存在的多未知干扰因素并考虑了模型产生不精确的情况，基于强化学习理论将多AUV任务分配系统建模为鲁棒无休止赌博机问题（RBP）。最后，提出鲁棒Whittle算法求解所建立的RBP，从而求解得出多AUV的任务分配策略。仿真结果表明，在干扰环境下与未考虑干扰因素的分配策略相比，在系统分别选择1、2、3个目标时，鲁棒AUV分配策略对应的系统累计回报值参数的性能分别提升了5.5%、12.3%和9.6%，验证了所提方法的有效性。     

Multi-AUV SOM task allocation algorithm considering initial orientation and ocean current environment

There is an ocean current in the actual underwater working environment. An improved self-organizing neural network task allocation model of multiple autonomous underwater vehicles (AUVs) is proposed for a three-dimensional underwater workspace in the ocean current. Each AUV in the model will be competed, and the shortest path under an ocean current and different azimuths will be selected for task assignment and path planning while guaranteeing the least total consumption. First, the initial position and orientation of each AUV are determined. The velocity and azimuths of the constant ocean current are determined. Then the AUV task assignment problem in the constant ocean current environment is considered. The AUV that has the shortest path is selected for task assignment and path planning. Finally, to prove the effectiveness of the proposed method, simulation results are given.

     

Dynamic Task Assignment and Path Planning for Multi-AUV System in Variable Ocean Current Environment

An integrated multiple autonomous underwater vehicle (multi-AUV) dynamic task assignment and path planning algorithm is proposed by combing the improved self-organizing map (SOM) neural network and a novel velocity synthesis approach. Each target is to be visited by one and only one AUV, and a shortest path between a starting point and the destination is found in the presence of the variable current environment and dynamic targets. Firstly, the SOM neuron network is developed to assign a team of AUVs to achieve multiple target locations in dynamic ocean environment. The working process involves special definition of the rule to select the winner, the computation of the neighborhood function, and the method to update weights. Then, the velocity synthesis approach is applied to plan a shortest path for each AUV to visit the corresponding target in dynamic environment subject to the ocean current being variable and targets being movable. Lastly, to demonstrate the effectiveness of the proposed approach, simulation results are given in this paper.     

一种时变洋流场下AUV最优能耗路径规划方法

在时变洋流场环境下,洋流矢量增加了时间维度,在时间角度上可进一步利用洋流以节约自主水下机器人(AUV)能量消耗.此外,在该环境中无后效性不再成立,基于经典贪婪策略的路径规划算法不再适用.鉴于此,结合路径参数选择和双层规划算法,提出一种适用于时变洋流场环境的能耗最优路径规划算法.出发时间和AUV推进速度均可以在时间维度上等待有利洋流,且推进速度与其能量消耗直接相关,因此,引入出发时间和推进速度作为路径参数.在此基础上,针对无后效性不成立问题,使用双层规划作为路径规划算法,分析该算法在时变洋流场环境下的适用性.算法将路径规划任务分为路径规划与路径优化两部分,路径规划部分采用蚁群系统算法构建通道,路径优化部分由量子粒子群算法对路径参数进一步优化,在保证全局最优的同时能够解决传统基于栅格的路径规划算法中机器人运动方向受限的问题.最后以Kongsberg/Hydroid REMUS 600s型水下机器人为模型,对所提出的路径规划算法进行仿真验证.     

一种改进的多AUV协同导航数学模型

自主式水下航行器(Autonomous Underwater Vehicle,AUV)代表了未来水下航行器发展的方向,多AUV协同导航系统通过信息的共享,可以获得单AUV导航系统无法具备的优势。分析了多AUV协同导航基本原理和两种网络结构的优缺点,提出了一种新的改进的多AUV协同导航网络结构,并推导出了其运动模型和量测模型,为后续协同导航算法的研究打下了基础。     

Coverage Path Planning with Real‐time Replanning and Surface Reconstruction for Inspection of Three‐dimensional Underwater Structures using Autonomous Underwater Vehicles

We present a novel method for planning coverage paths for inspecting complex structures on the ocean floor using an autonomous underwater vehicle (AUV). Our method initially uses a 2.5‐dimensional (2.5D) prior bathymetric map to plan a nominal coverage path that allows the AUV to pass its sensors over all points on the target area. The nominal path uses a standard mowing‐the‐lawn pattern in effectively planar regions, while in regions with substantial 3D relief it follows horizontal contours of the terrain at a given offset distance. We then go beyond previous approaches in the literature by considering the vehicle's state uncertainty rather than relying on the unrealistic assumption of an idealized path execution. Toward that end, we present a replanning algorithm based on a stochastic trajectory optimization that reshapes the nominal path to cope with the actual target structure perceived in situ. The replanning algorithm runs onboard the AUV in real time during the inspection mission, adapting the path according to the measurements provided by the vehicle's range‐sensing sonars. Furthermore, we propose a pipeline of state‐of‐the‐art surface reconstruction techniques we apply to the data acquired by the AUV to obtain 3D models of the inspected structures that show the benefits of our planning method for 3D mapping. We demonstrate the efficacy of our method in experiments at sea using the GIRONA 500 AUV, where we cover part of a breakwater structure in a harbor and an underwater boulder rising from 40 m up to 27 m depth.     

多自治水下机器人多任务分配的自组织算法

针对自治水下机器人（AUV）研究中的多机器人多任务分配问题,提出一种基于自组织映射（SOM）神经网络的多AUV多目标分配策略.将目标点的位置坐标作为SOM神经网络的输入向量进行自组织竞争计算,输出为对应的AUV机器人,从而控制一组AUV在不同的地点完成不同的任务,使机器人按照优化的路径规则到达指定的目标位置.为了表明所提出算法的有效性,给出了二维、三维作业环境中的仿真实验结果.