未知环境中水下无人航行器的路径规划方法

针对水下无人航行器路径规划需要提前获得海图以得到全局障碍物信息,难以做到未知环境下实时规划路径的问题,提出一种对探测空间进行采样并判断采样点是否具有障碍,最终将探测到的障碍结果加权赋值给A*算法待扩展点的方法,实现了探测与路径规划同步进行,同时考虑到航行器的运动学约束,将A*算法的搜索域修正为圆域并且仅搜索在运动学约束...     

USV地形测量路径自主规划研究与应用

针对未知近岸海域水上水下地形一体化测量需求,无人水面艇（Unmanned Surface Vehicle,USV）搭载导航雷达、深度计、POS MV、多波束测深仪及激光扫描仪等设备,通过设计在线地图构建及测量路径规划方法,使得USV在未知环境下自主完成地形一体化测量任务。通过离线电子海图获得待测区域初始基准地图,结合雷达、深度计等传感器实时感知的信息,采用一种基于贝叶斯估计方式的占据栅格建图方法,实现对基准地图的修正、更新,进而根据测量需求自适应调节测量路径间距。同时构建测量地图,使用基于神经元激励方法自主实现完全遍历的测量路径规划,兼顾使用A星算法避免路径规划锁死,以获得合理可行的测量路径实时规划结果。USV按照自主规划的测量路径自主航行,多波束测深仪、激光扫描仪实时测量、获取地形云数据后进行无缝拼接,完成未知近岸海域的水上水下地形一体化测量工作。     

基于改进人工势场法的水下自主航行器路径规划

针对水下自主航行器(AUV)在水下复杂环境下的路径规划问题,提出改进人工势场法的路径规划算法.在传统人工势场法的基础上,提出考虑避障半径的斥力场函数方法,进一步优化规划路径.通过设置子目标点法和距离比较法,有效解决二维和三维空间下的局部最小值点问题和目标不可达问题.通过仿真对比验证提出的基于改进人工势场法的水下自主航行器路径规划算法的有效性.     

基于改进型A*-蚁群混合算法的USV航迹规划

针对高密度复杂环境下的无人水面航行器(USV)航迹规划问题,将A*算法和蚁群算法相结合,提出一种改进型A*-蚁群混合算法。本算法结合A*算法在低密度环境区域航路规划的优势性,同时,当遇到高密度环境区域时引入蚁群算法提高局部规划能力,在传统蚁群算法基础上,改进了信息素的更新模型,增强了可行路径中最优路径的信息浓度,减弱了最差路径的信息浓度,并通过调整信息素浓度总和比例,增强算法的寻优能力。该方法能够有效地平衡全局和局部规划,提高在复杂环境下的USV航迹规划能力。通过仿真,验证了在复杂环境下该算法的有效性和优越性。     

基于混合蚁群算法的无人船航行路径自主规划

路径规划是无人船自主导航的核心问题。由于无人船当前位置以及目标位置的确定受到障碍物影响,最佳航行路径的获取难度较大。为此,提出基于混合蚁群算法的无人船航行路径自主规划方法。采用栅格法构建无人船工作环境模型,由上至下、由左至右的对栅格完成编号处理,划分安全区域与障碍物区域。构建无人船航行路径自主规划数学模型,设定地形与威胁、航程上限以及路径平滑度等约束条件。针对蚁群算法初始搜索效率差等问题,将其与粒子群算法相结合,提出混合蚁群算法。利用该算法求解无人船航行路径自主规划数学模型。实验结果显示,研究方法具有较高的路径规划准确性,路径长度、平均能耗及路径规划时间指标均较优。     

基于改进人工势场的避障路径规划策略研究

随着战争形势的无人化、多样化和跨域化发展,水下无人航行器作为各军事强国抢占水下作战域和海洋不对称作战优势的主要抓手,在未来战争中发挥着越来越重要的作用。由于海洋非结构化环境的复杂性,水下无人航行器在执行任务过程中,需能够在无人干预情况下进行系列操作和任务决策。本文针对水下无人航行器局部路径规划,提出基于速度矢量判断的改进人工势场法的避障航路规划策略,通过增加障碍物斥力场范围,强化目标点附近的引力场,优化障碍物斥力系数,并通过速度矢量判断旋转方向,使得水下无人航行器能够结合环境感知信息进行路径实时调整,最终能够达到安全快速避障。最后结合航行器流体动力与运动控制一体化仿真模型进行仿真分析,验证提出算法的有效性。     

大范围环境下自主式水下潜器两种全局路径规划方法的研究

应用遗传算法(GA)和A·算法对自主式水下潜器(简称AUV)在大范围海洋环境中的全局路径规划问题进行了研究.介绍了基于栅格的环境模型及其数据结构,讨论了GA的染色体编码方式、基于知识的初始种群生成方法与适应度函数,基于领域知识设计了五种遗传算子,给出了A·算法的具体实现方法.通过仿真结果可以看出:GA采用可变长编码方式使路径描述简单、清晰,具有收敛速度快、求解实际问题效率高的特点;A*算法可在较短时间内求得相对栅格优化的路径.两种算法均可满足系统实时性要求.     

基于改进A*算法的无人船路径规划研究

针对无人船路径规划过程中存在的规划结果所占内存较大、耗费时间较长、有较大概率生成"死区"的问题,提出基于改进A*算法的无人船路径规划方法.选取栅格法构建无人船行驶环境模型,采用A*算法确定代价函数,判断代价大小,以代价最小的节点作为下一个轨迹点,由此获取最优无人船行驶路径.为改进A*算法,利用无人船转弯半径下限、路径长...     

基于改进蚁群算法的船舶冰区航行路径规划

在北极航道开通的背景下,针对在冰区航行环境中船舶航行路径选择的特殊性,通过改进蚁群算法提高船舶航行路径的规划效果。综合考虑航线距离、航行操作复杂度和流冰规避在内的冰区航行路径影响因素,建立路径选择多目标规划模型,结合人工势场法对蚁群算法进行改进,通过人工势场法获得初始路径和节点间距离因素构造启发信息,并以电子海图为基础建立海冰覆盖率分别为30%和50%情况下的冰区航道环境栅格模型,将算法应用在栅格模型中对算法进行验证。结果表明:该算法实现简单,规划的路径优良,能够有效地满足船舶在冰区复杂环境中航行路径规划的需要。     

多自主水下航行器区域搜索与协同围捕方法研究

针对多个自主水下航行器(AUVs)执行区域搜索和协同围捕入侵对象的任务案例,设计了多航行器混合分层式体系结构,提出了分区域随机搜索策略和基于势点的优化围捕策略。将蚁群算法和人工势场法相结合,实现了AUVs路径规划与避碰。基于AUV六自由度运动模型和PID控制器,通过仿真实验验证了算法的有效性。仿真结果表明,AUVs具有在障碍环境中执行区域搜索和对入侵对象协同围捕的作业能力,设计的方法可应用于自主水下航行器的围捕任务。     

框架四叉树的自主水下航行器追踪动态目标研究(英文)

An autonomous underwater vehicle (AUV) must use an algorithm to plan its path to distant, mobile offshore objects. Because of the uneven distribution of obstacles in the real world, the efficiency of the algorithm decreases if the global environment is represented by regular grids with all of them at the highest resolution. The framed quadtree data structure is able to more efficiently represent the environment. When planning the path, the dynamic object is expressed instead as several static objects which are used by the path planner to update the path. By taking account of the characteristics of the framed quadtree, objects can be projected on the frame nodes to increase the precision of the path. Analysis and simulations showed the proposed planner could increase efficiency while improving the ability of the AUV to follow an object.     

基于模糊神经网络的水下机器人局部路径规划方法

该文探讨了基于模糊神经网络理论的实时局部路径规划问题,并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。仿真实验结果验证了本文所提方法的有效性和可行性。     

基于强化学习的自主式水下潜器障碍规避技术（英文）

Obstacle avoidance becomes a very challenging task for an autonomous underwater vehicle(AUV) in an unknown underwater environment during exploration process. Successful control in such case may be achieved using the model-based classical control techniques like PID and MPC but it required an accurate mathematical model of AUV and may fail due to parametric uncertainties, disturbance, or plant model mismatch. On the other hand, model-free reinforcement learning(RL) algorithm can be designed using actual behavior of AUV plant in an unknown environment and the learned control may not get affected by model uncertainties like a classical control approach. Unlike model-based control model-free RL based controller does not require to manually tune controller with the changing environment. A standard RL based one-step Q-learning based control can be utilized for obstacle avoidance but it has tendency to explore all possible actions at given state which may increase number of collision.Hence a modified Q-learning based control approach is proposed to deal with these problems in unknown environment.Furthermore, function approximation is utilized using neural network(NN) to overcome the continuous states and large statespace problems which arise in RL-based controller design. The proposed modified Q-learning algorithm is validated using MATLAB simulations by comparing it with standard Q-learning algorithm for single obstacle avoidance. Also, the same algorithm is utilized to deal with multiple obstacle avoidance problems.     

基于差分进化算法的自主式水下航行器在时变水下环境中的快速路径规划方法（英文）

Robust and efficient AUV path planning is a key element for persistence AUV maneuvering in variable underwater environments. To develop such a path planning system, in this study, differential evolution(DE) algorithm is employed. The performance of the DE-based planner in generating time-efficient paths to direct the AUV from its initial conditions to the target of interest is investigated within a complexed 3D underwater environment incorporated with turbulent current vector fields, coastal area,islands, and static/dynamic obstacles. The results of simulations indicate the inherent efficiency of the DE-based path planner as it is capable of extracting feasible areas of a real map to determine the allowed spaces for the vehicle deployment while coping undesired current disturbances, exploiting desirable currents, and avoiding collision boundaries in directing the vehicle to its destination. The results are implementable for a realistic scenario and on-board real AUV as the DE planner satisfies all vehicular and environmental constraints while minimizing the travel time/distance, in a computationally efficient manner.     

基于虚拟势场理论的AUV局部路径规划方法

针对自治式水下潜器（AUV）局部路径规划问题，基于虚拟势场理论研究，提出了虚拟力概念，并设计了一种改进型虚拟势场局部规划算法，解决了经典虚拟势场能算法中存在的零合力与U型障碍的局部极小问题：当AUV陷入局部极小时通过调用相应的逃避算法来摆脱局部极点。仿真结果验证了该算法对于克服虚拟势场能中存在的局部极点的有效性和可行性。     

自主式水下机器人最优路径规划问题的研究

路径规划是水下机器人实现自主航行的重要环节。根据自主式水下机器人的动力学性质，路径规划的特点以及实现智能行为的要求，采用基于案例的遗传算法，实现了自主式水下机器人最优路径规划。给出该方案的基本框架和算法，在基于案例类比的学习方法中引入模糊多属性综合决策的方法建立决策算子进行案例的匹配，在遗传算法中实际知识的指导，适当地改进遗传算子，加快搜索速度。仿真结果证明该路径规划方法能够取得较好的规划结果，使自主式水下机器人具有了一定的自主导航，自主避障和自主作业的能力。     

AUV cluster path planning based on improved RRT* algorithm北大核心CSCD

[目的]针对微小型欠驱动自主式水下机器人(autonomous underwater vehicle,AUV)集群控制问题,设计一种基于改进RRT^(*)算法的编队控制策略。[方法]RRT^(*)算法规划的路径陡变难以跟踪且收敛速度较慢,针对该问题提出改进方法。首先加入偏置函数使随机采样点靠近目标点,然后采用Dubins曲线平滑连接采样点,通过在可变半径范围内重新布线,并设计有关曲线长度与避障的代价函数,选择最优路径。依据代价和最小值为多AUV分配集结点,协调多AUV速度完成最小集结时间约束,随后设计基于Dubins路径的分段向量场构造方法,使得多AUV跟踪规划路径,到达目标集结点时速度与方向保持一致。[结果]仿真结果表明,多AUV编队平均路径长度缩短26.6%,平均集结时间缩短21.7%。[结论]该算法路径规划质量高,可顺利完成编队集结任务。     

基于船舶火灾蔓延态势的路径规划算法研究

船舶作为海上一个独立的建筑实体,非常容易发生火灾。本文以63500DWT油船船舱作为研究对象,通过对火灾蔓延模拟仿真实验数据进行图表分析,得出了在不同工作条件下在固定检测点位置的温度,CO浓度和烟气浓度变化规律。对基于火灾实时态势的导航网格动态生成方法以及对应的逃生路径规划方法进行研究,得出动态更新导航网格的具体算法,并对传统A*算法路径节点选择问题进行改进,得出适应船舱火灾蔓延信息的最短逃生路径规划算法,通过实验验证,该算法寻路效率更优。     

基于蚁群优化的AUV全局路径规划研究(英文)

路径规划是自主式水下潜器(AUV)导航研究的重要课题,AUV可用于未知环境如海洋空间探测.在大范围海洋环境中,应用蚁群优化原理对自主式水下潜器的全局路径规划问题进行了研究.引入栅格建模方法建立了蚁群可视图模型,设计了蚁群信息素更新规则;给出了蚁群全局路径规划的操作步骤;针对蚁群规划路径不平滑问题,设计了切割算予和插点算子.仿真实验结果表明,蚁群全局规划算法非常适合于求解复杂环境中的规划问题,规划时间短、路径平滑,其原型系统可应用于非结构化无人环境监测.