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.     

海流环境下多AUV多目标生物启发任务分配与路径规划算法

针对多障碍物海流环境下多自治水下机器人(AUV)目标任务分配与路径规划问题, 本文在栅格地图构建的 基础上给出了一种基于生物启发神经网络(BINN)模型的新型自主任务分配与路径规划算法, 并考虑海流对路径规 划的影响. 首先建立BINN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; 接着, 比较每个目标物在BINN地图中所有AUV的活性值, 并选取活性值最大的AUV作为它的获 胜AUV, 实现多AUV任务分配; 最后, 考虑常值海流影响, 根据矢量合成算法确定AUV实际的航行方向, 实现AUV路 径规划与安全避障. 海流环境下仿真实验结果表明了生物启发模型在多AUV水下任务分配与路径规划中的有效性.     

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.     

基于前视声纳信息的AUV局部路径规划研究

针对水下环境的不确定性,建立了前视声纳的视域模型。主要采用强化学习的方法对自治水下机器人(AUV)进行控制和决策,综合Q学习算法、BP神经网络法、人工势场法对AUV进行局部路径规划。在AUV与环境的试错交互中,借助于来自成功与失败经验的奖励和惩罚值,不断改进水下机器人的自治能力。并设计了AUV局部路径规划器,实现AUV在不确定环境下的避障任务。半实物仿真证明了算法的可行性与可靠性。     

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.     

基于内螺旋搜索的生物激励遍历路径规划算法

针对传统生物激励神经网络遍历路径规划的重复覆盖率高和子区域间路径不是最优的问题,提出了基于内螺旋搜索的生物激励遍历路径规划方法.方法 在未知水下环境信息的情况下通过生物激励神经网络算法完成水下地图环境建模与路径规划,在分割出子区域后通过内螺旋算法占主导完成子区域遍历,避免神经元活性值相同引起重复覆盖,子区域间通过A*算法实现最优路径规划.仿真结果表明,相较原方法,上述方法生成的路径分别在重复覆盖率、运行时间、路径长度指标上均有较大提升.     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

自治水下机器人避碰算法及其仿真研究

为了提高水下机器人(AUV)在复杂海洋环境下的自适应性,文章对传统的避碰方法进行了改进.对AUV的禁入区和潜在碰撞区进行了安全性分析.建立了前视声纳模型以及三维水下规划空间模型.提出了基于强化学习、BP神经网络及人工势场相结合的避碰算法.在AUV与环境的试错交互中,借助于来自成功和失败经验的奖励和惩罚值,不断改进水下机器人的自治能力.设计了AUV深度行为模糊协调器, 对潜深行为和距底高度行为进行协调融合.开发了AUV运动规划与仿真的半实物软件系统,仿真试验证明了算法的合理性与可行性.研究对于提高AUV的自主性和安全性具有重要的应用价值.     

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.

     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

不确定动态环境下移动机器人的完全遍历路径规划

基于生物激励神经网络、滚动窗口和启发式搜索,提出了一种新的完全遍历路径规划方法．该方法用Grossberg的生物神经网络实现移动机器人的局部环境建模,将滚动窗口的概念引入到局部路径规划,由启发式算法决定滚动窗口内的局域路径规划目标．该方法能在不确定动态环境中有效地实现机器人自主避障的完全遍历路径规划．仿真研究证明了该方法的可用性和有效性．     

未知环境下移动机器人遍历路径规划

为提高未知环境下移动机器人遍历路径规划的效率,提出了一种可动态调节启发式规则的滚动路径规划算法.该算法以生物激励神经网络为环境模型,通过在线识别环境信息特征,动态调用静态搜索算法和环绕障碍搜索算法,有效减少了路径的转弯次数.引入虚拟障碍和直接填充算法,解决了u型障碍区域的连续遍历问题.最后通过仿真实验表明了该方法在未知复杂环境下的有效性.     

基于三维成像声纳技术的AUV前视避障方法

针对自主式水下航行器（ AUV）在水下自主航行过程中的避障问题,提出了一种基于三维成像声纳技术的前视避障方法。该方法使用三维成像声纳探测目标,通过声纳目标图像处理提取目标,完成目标的运动状态分析和轨迹预测。通过设置碰撞区域,建立避障模型和设计避障规则,实现了AUV的智能化避障。借助于其他传感器,这些关联模块构成了一个集目标探测、目标提取、轨迹预测、避障与路线回归等功能于一体的闭环系统。     

基于双目视觉的无人船障碍物探测与地图构建

在无人船的巡航过程中，如何探测和躲避障碍物是必须解决的问题。由于无人船自主巡航依赖于其自身对所处环境的精确探测，而目前一般采用的超声波或雷达技术探测距离和精度较低，避障功能弱，因此需引入视觉方法来提升避障精度，并用于轨迹生成、定位或路径规划。本文为无人船搭建双目视觉系统，提出采用双目直接稀疏里程计算法构建无人船所处三维空间模型，将构建的三维点云图转化为二维网格图并标记障碍物，为避障系统进行路径规划提供障碍物数据。实验结果表明，该系统对真实河流环境进行了地图构建，并解决了水上环境构建存在的“虚拟障碍”等问题。