專利名稱：Auv智能避碰裝置及避碰方法
技術領域：
本發(fā)明涉及一種使用多波束前視聲納檢測障礙物，確定障礙物位置，給出避 碰指令，實現(xiàn)AUV智能避碰的避碰裝置和避碰方法。
(二)
背景技術：
在復雜和未知的水下環(huán)境中航行的AUV，確保其安全的一個基本要求是 AUV要具有避碰能力，這也是AUV自主能力和智能化的體現(xiàn)。在避碰過程中， 傳感器作為底層控制的一部分起著舉足輕重的作用。目前廣泛使用的主要有超聲 波傳感器、紅外線傳感器、激光測距儀、攝像機、聲納等等。在大范圍海域中航 行的AUV大都采用聲納作為避碰的主要設備。我們所采用的這種多波束前視聲 納安裝在AUV前部，實時地獲取障礙物的位置信息，為AUV避碰提供前提條 件。由于存在環(huán)境干擾，聲納常常會提供"偽信息"。這種"偽信息"的存在會導 致AUV的誤判，使AUV不能向正確的方向前進。這就需要我們通過對噪聲的 濾除提高障礙物探測的準確度。同時，由于障礙物的多樣性和未知性，基于傳感 器信息，采用怎樣的避碰算法，如何進行避碰規(guī)劃，確保AUV能夠及時快速地 對障礙物做出反應也是一個研究重點。
專利申請?zhí)枮?00720007317.3的專利申請文件中公開了一種"船用智能避碰 導航儀"。該導航儀集成了來自雷達、AIS、 GPS、計程儀和測深儀的動態(tài)信息與 來自電子海圖的靜態(tài)信息，當船舶接近危險物或匯遇來船時，該導航儀可通過聲 光、圖形、符號等方式發(fā)出報警信號，并自動給出安全避讓決策，輔助船舶駕駛 員操縱船舶。該導航儀用雷達作為障礙物探測設備，最終的避碰決策支持系統(tǒng)通 過機器學習識別和利用障礙物的信息，采用正向推理控制策略、啟發(fā)式搜索方法 來實現(xiàn)避碰。該避碰決策支持系統(tǒng)建立在《國際海上避碰規(guī)則》及一定的航海知 識和航海經(jīng)驗的基礎上，當不具備先驗知識或者先驗知識比較少時，該避碰系統(tǒng) 就無法給出正確的決策。
(三)

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種應用多波束前視聲納及其它相關傳感器信息，使AUV做出正確的避碰決策的AUV智能避碰裝置和避碰方法。 本發(fā)明的目的是這樣實現(xiàn)的
本發(fā)明的AUV智能避碰裝置包括水面工作站1、使命管理機2和動態(tài)控制 機3，水面工作站l、使命管理機2和動態(tài)控制機3中嵌裝有軟件系統(tǒng)，水面工 作站1、使命管理機2和動態(tài)控制機3之間通過網(wǎng)絡連接，動態(tài)控制機3通過串 口連接光纖陀螺儀7、多普勒測速儀8、測高聲納9、姿態(tài)傳感器IO，多波束前 視聲納系統(tǒng)6與使命管理機2通過串口連接，使命管理機2中加載有基于神經(jīng)網(wǎng) 絡的障礙物判定系統(tǒng)軟件4和避碰規(guī)劃系統(tǒng)軟件5，動態(tài)控制機3通過電信號連 接舵11和推進器12。
基于本發(fā)明的AUV智能避碰裝置的避碰方法為
(1) 傳感器采集AUV的狀態(tài)信息，通過串口傳給動態(tài)控制機，動態(tài)控制機將 這些信息通過網(wǎng)絡以2Hz的頻率發(fā)送給使命管理機；
(2) 多波束前視聲納采集障礙物信息，將探測到的模擬信號轉換為描述局部 環(huán)境的數(shù)字信號；
(3) 使命管理機通過串口接收局部環(huán)境的數(shù)字信號，用AUV障礙物判定系統(tǒng) 確定障礙物位置，濾除環(huán)境噪聲，建立局部環(huán)境模型并發(fā)送給避碰規(guī)劃系統(tǒng)；
(4) 避碰規(guī)劃系統(tǒng)根據(jù)AUV當前狀態(tài)和障礙物所在的位置，通過避碰算法計 算出AUV航向、速度、深度，并把這三個指令通過網(wǎng)絡傳遞給動態(tài)控制機；
(5) 動態(tài)控制機通過運動控制解算，利用控制電壓驅動執(zhí)行機構，按控制指 令調整AUV的航向、速度和深度，高航速時采用舵控制航向，低航速時采用推 進器控制航向，實現(xiàn)AUV避碰。
本發(fā)明的方法還可以包括
1、 所述的AUV狀態(tài)信息包括AUV經(jīng)緯度、航向、速度、深度、縱傾、 橫傾，測量狀態(tài)信息的傳感器設備為光纖陀螺儀、多普勒測速儀、測高聲納、
姿態(tài)傳感器。
2、 所述的把模擬信號轉為數(shù)字信號的設備為多波束前視聲納的嵌入式計算機。
3、 所述的AUV障礙物判定系統(tǒng)為一個基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)，由 量化模塊、數(shù)據(jù)庫、神經(jīng)網(wǎng)絡模塊、反量化模塊和解釋器5個部分組成。量化模塊以每個柵格gr/4z'][/]周圍的若干個相鄰柵格為一組，被占用的
柵格量化為0.8，未被占用的柵格量化為0.3;
數(shù)據(jù)庫存放初始事實，推理的中間結論以及推理出的最終結果的數(shù)據(jù)； 神經(jīng)網(wǎng)絡模塊采用BP網(wǎng)絡，網(wǎng)絡輸入取8個或者更多，BP網(wǎng)絡離線訓 練，在線使用；八個輸入為量化后的相鄰柵格數(shù)據(jù)，輸出為中心柵格的估計值 gn'40[刀'；當越多的相鄰柵格被占用時，gn'40[刀被占用的可能性越大；如果
相鄰柵格分值比較低，則gn'4z']L/]的分值不應該增加太多；同時，對于中心柵 格，它自身占用信息應優(yōu)先考慮，讓其自身所占權重為l，而通過相鄰柵格得到
的分值所占權重為0.5;得到中心柵格的分值為
g〃鄧]m=w4/〗m'x 0.5+g/v'4/]L/]x i
反量化模塊根據(jù)多次試驗取定一個閾值《，grz'c/[。[刀〉《時柵格賦1， ^'40[/]<《時柵格賦0;
解釋器輸出最終推理結果，即障礙物信息的兩種情況l為有障礙物，0 為無障礙物。
第一次量化后的信息數(shù)據(jù)送入神經(jīng)網(wǎng)絡模塊，經(jīng)神經(jīng)網(wǎng)絡推理后把判定結果 直接傳給解釋器，同時存入數(shù)據(jù)庫；下一次數(shù)據(jù)傳來時，檢査數(shù)據(jù)庫中是否有相
匹配的類型，若有，不再用神經(jīng)網(wǎng)絡模塊作重復判定，直接在數(shù)據(jù)庫中通過匹配 得出結論，否則送到神經(jīng)網(wǎng)絡模塊重新判定。
4、所述的避碰算法為改進的人工勢場法
(l)人工勢場避碰模型
構造目標位姿引力場和障礙物周圍斥力場共同作用的人工勢力場，搜索勢函 數(shù)的下降方向來尋找無碰撞路徑。 斥力為斥力勢場的負梯度，艮p-
<formula>formula see original document page 9</formula>
其中/7為位置增益系數(shù)，p為AUV與障礙物之間的最短距離，/ 。是一個常數(shù)，代表障礙物的影響距離。
引力為目標勢場的負梯度，即
<formula>formula see original document page 10</formula>
當AUV到達目標Xg。。,的過程中，這個力收斂于零，斥力與引力的合力為
AUV下一步的運動方向由合力的方向3w決定，定義AUV當前的位置 (x,，h)，則根據(jù)目標點位置和障礙物信息得到AUV下一步的路徑點坐標
(A+i，^+i)為
<formula>formula see original document page 10</formula>其中，A、 4為常量，是AUV每次移動的絕對位移參數(shù)，求得路徑點的地
球坐標，進而轉化為AUV的航向、速度、深度，反饋給AUV運動模型，從而 構成一個閉環(huán)。
(2)人工勢場法的改進算法
傳統(tǒng)的人工勢場法的缺陷在于把所有信息合并為單個合力，并以該合力方向 控制AUV下一步的運動，不考慮局部障礙物分布的其它有價值的信息，使得 AUV在避碰過程中可能會出現(xiàn)陷入勢場的局部極小點或者在局部極小點的周圍 位置徘徊，以及AUV在局部勢場環(huán)境中徘徊抖動的現(xiàn)象，這兩種情形統(tǒng)一稱為 "勢場陷阱"。
AUV陷入局部極小是因為會有AUV在環(huán)境中某一點受到的吸引力和排斥
力的合力為零的情況。當—a)2—>o2《"一為一個無窮小的量)，
其中附=2，3，4...，表明AUV在第A步和A: + w-l步的m個點上依次周期性地徘
徊，無法達到目標。針對這一現(xiàn)象，給出了"隨機擾動法"。其基本思路是當AUV 陷入了這種"勢場陷阱"后，通過隨機產(chǎn)生一個-l80 +180度之間的擾動角度 來提供下一步的運動方向，經(jīng)過安全處理，確保AUV沿著該方向航行時，不會 出現(xiàn)與障礙物相撞的情形。此時AUV的下一目標點為AUV航跡出現(xiàn)抖動是因為在障礙物附近合力方向會發(fā)生突然變化，在合力 控制下，AUV下一步運動方向會有大角度突變，于是就產(chǎn)生了徘徊抖動現(xiàn)象。 這種情況的產(chǎn)生嚴重影響了 AUV避碰效果和到達目標的效率。為了解決這一問 題，本發(fā)明采用一種優(yōu)化位移參數(shù)的方法，給出一個參數(shù)調節(jié)因子f ，通過試驗，
找到最佳的位移參數(shù)調整因子&。此時有
<formula>formula see original document page 11</formula>
這樣就可以得到AUV從當前點到下一目標點的最佳路徑。 本發(fā)明的AUV智能避碰系統(tǒng)，采用多波束前視聲納作為障礙物探測設備， 將聲納、光纖陀螺儀、多普勒測速儀、測高聲納、姿態(tài)傳感器、舵、推進器等設 備組合在一起，將軟件嵌入水面工作站、使命管理機和動態(tài)控制機，使AUV具 備實時避讓水面或者水下障礙物的自主決策功能。該發(fā)明的核心部分是設計了一 個基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)，采用改進的人工勢場法作為避碰規(guī)劃系統(tǒng)的 核心算法計算航向，并求出相應的速度、深度，最后由動態(tài)控制機執(zhí)行控制指令， 實現(xiàn)避碰。
此發(fā)明的優(yōu)點在于無需先驗知識，能夠實時實現(xiàn)避碰，且通過湖試證明了該 發(fā)明方案的可靠性和有效性。

圖1為AUV智能避碰系統(tǒng)總體結構圖； 圖2為基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)結構圖； 圖3為BP神經(jīng)網(wǎng)絡結構圖4a和圖4b為障礙物判定前后效果對比圖，其中圖4a為障礙物判定前的 原始聲納圖像，圖4b為障礙物判定后的圖像；
圖5a和圖5b描述了 AUV陷入"勢場陷阱"的現(xiàn)象，其中圖5a為陷入局部 極小的情形，圖5b為存在"抖動"的情形；
圖6為應用改進后的人工勢場法作避碰規(guī)劃的仿真結果；
圖7是實際避碰效果圖。
具體實施方式
下面結合附圖對本發(fā)明做更詳細地描述
1、 AUV智能避碰系統(tǒng)總體結構
如圖1所示，發(fā)明的AUV智能避碰裝置采用多波束前視聲納作為障礙物探
測設備，將聲納6、光纖陀螺儀7、多普勒測速儀8、測高聲納9、姿態(tài)傳感器 10、舵ll、推進器12等儀器設備組合在一起，將軟件系統(tǒng)嵌入水面工作站1、 使命管理機2和動態(tài)控制機3，使AUV具備實時避讓水面或者水下障礙物的自 主決策功能。水面工作站l、使命管理機2和動態(tài)控制機3之間通過網(wǎng)絡連接； 傳感器7、 8、 9、 10通過串口與動態(tài)控制機3連接；多波束前視聲納系統(tǒng)6與使 命管理機2通過串口連接；基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)軟件4和避碰規(guī)劃系 統(tǒng)軟件5加載到使命管理機2。
本發(fā)明是一種基于多波束前視聲納的具備智能化和可靠性的避碰系統(tǒng)，主要 應用于AUV。它由水面工作站1、使命管理機2和動態(tài)控制機3以及各種傳感 器6、 7、 8、 9、 IO組成。水面工作站1和動態(tài)控制機3是PC機，使命管理機2 是PC104總線的計算機，三臺機器通過局域網(wǎng)相連。除了上述硬件設備，該發(fā) 明還包括安裝在使命管理機上的基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)軟件5和避碰 規(guī)劃系統(tǒng)軟件4，這是該發(fā)明的核心部分。 水面工作站1將聲納工作參數(shù)和聲納開機指令通過網(wǎng)絡傳遞給使命管理機 2，由使命管理機2通過串口發(fā)送給聲納6。聲納6接收指令后，開啟探測功能， 通過串口把局部環(huán)境信息發(fā)送到使命管理機2，當發(fā)現(xiàn)障礙物時，聲納6把障礙 物信息傳遞到使命管理機2上的障礙物判定系統(tǒng)5做數(shù)據(jù)處理，確定障礙物的真 實位置，建立局部環(huán)境模型。與此同時動態(tài)控制機2把傳感器7、 8、 9、 10采集 到的AUV姿態(tài)和速度信息通過網(wǎng)絡傳遞給使命管理機2上的避碰規(guī)劃系統(tǒng)4。 避碰規(guī)劃系統(tǒng)4根據(jù)障礙物位置結合AUV姿態(tài)、速度和環(huán)境信息，規(guī)劃出恰當 的避碰方向，把計算出的航向、速度、深度發(fā)送到動態(tài)控制機3，由動態(tài)控制機 3控制舵11或推進器12來執(zhí)行控制指令。
2、 基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)
采用一個56x40的柵格數(shù)組描述聲納探測到的信息，每個柵格代表實際探測 到5x5n^正方形區(qū)域。由于水面波浪、水底粗糙不平、水介質起伏、內(nèi)波以及聲納載體的運動，使得這些多途徑信號隨機時變，而海洋噪聲場或混響干擾場均不 能滿足均勻各向同性的條件，會使前視聲納返回的障礙物信息不夠準確，使得測 量結果達不到避碰要求，導致AUV無法確定下一步的航向。
針對這個問題，本發(fā)明設計了一個基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)來濾除環(huán) 境噪聲。該方法的依據(jù)是對某個柵格，如果它相鄰單元中被占用的柵格越多， 它自身被占用的可能性就越大，相應取值也就應該增加。在柵格中，考慮越多的 相鄰單元，判定結果越準確，但同時也加大了計算量，為了加快計算速度，此處 采用神經(jīng)網(wǎng)絡來作柵格數(shù)據(jù)的處理。
基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)結構如圖2所示，由量化模塊、數(shù)據(jù)庫、神 經(jīng)網(wǎng)絡模塊、反量化模塊和解釋器5個部分組成。
量化模塊以每個柵格gn'4。[刀周圍的若干個相鄰柵格為一組，具體個數(shù)
根據(jù)AUV航速和濾波所要求的精確度為依據(jù)來選擇。被占用的柵格量化為0.8， 未被占用的柵格量化為0.3。
數(shù)據(jù)庫存放初始事實，推理的中間結論以及推理出的最終結果的數(shù)據(jù)。 神經(jīng)網(wǎng)絡模塊本發(fā)明采用BP網(wǎng)絡，網(wǎng)絡輸入可以取8個或者更多，根據(jù)
量化模塊給出的數(shù)據(jù)來確定，BP網(wǎng)絡離線訓練，在線使用。以8-6-1結構為例， 見圖3，八個輸入為量化后的相鄰柵格數(shù)據(jù)，輸出為中心柵格的估計值gn'4z'][/]'。
當越多的相鄰柵格被占用時，gr/4z']m被占用的可能性越大。但如果相鄰柵格 分值比較低，則gWc^][j']的分值不應該增加太多。同時，對于中心柵格，它自
身占用信息應該優(yōu)先考慮，讓其自身所占權重為l，而通過相鄰柵格得到的分值 所占權重為0.5。這樣得到中心柵格的分值為
g =g崎][;]'x 0.5+g i
反量化模塊根據(jù)多次試驗取定一個閾值《，gn'4。L/]〉《時柵格賦1，
gr/4。[/l〈《時柵格賦0。
解釋器輸出最終推理結果，即障礙物信息的兩種情況l為有障礙物，0 為無障礙物。
第一次量化后的信息數(shù)據(jù)送入神經(jīng)網(wǎng)絡模塊，經(jīng)神經(jīng)網(wǎng)絡推理后把判定結果直接傳給解釋器，同時存入數(shù)據(jù)庫。下一次數(shù)據(jù)傳來時，檢查數(shù)據(jù)庫中是否有相 匹配的類型，若有，不再用神經(jīng)網(wǎng)絡模塊作重復判定，直接在數(shù)據(jù)庫中通過匹配 得出結論，否則送到神經(jīng)網(wǎng)絡模塊重新判定。 '
在湖試中，AUV試驗航速通常在1~3節(jié)，假定前視聲納在2.5m之內(nèi)對于同 一障礙物的觀測結果相同，根據(jù)相對應的AUV航速確定每一組感興趣的柵格區(qū) 域的個數(shù)。前視聲納有數(shù)據(jù)返回時，釆用基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)對聲納 信息作濾波處理，得到濾波結果如圖4所示。由圖4可見，經(jīng)過該判定系統(tǒng)，環(huán) 境噪聲被有效濾除，準確地得到了障礙物的輪廓圖，其中圖4a為障礙物判定前 的原始聲納圖像，圖4b為障礙物判定后的圖像。
3.避碰算法
(l)人工勢場避碰模型
人工勢場法的基本思想是構造目標位姿引力場和障礙物周圍斥力場共同作 用的人工勢力場，搜索勢函數(shù)的下降方向來尋找無碰撞路徑。 斥力為斥力勢場的負梯度，艮P:
"(---)1; P《A
0 /9>p0
其中7為位置增益系數(shù)，P為AUV與障礙物之間的最短距離，p。是一個常
數(shù)，代表障礙物的影響距離。
引力為目標勢場的負梯度，即
當AUV到達目標X^,的過程中，這個力收斂于零。由此得到斥力與引力的
合力為
AUV下一步的運動方向由合力的方向3w決定。定義AUV當前的位置 (A,h)，則根據(jù)目標點位置和障礙物信息得到AUV下一步的路徑點坐標<formula>formula see original document page 15</formula>
其中，4、 A為常量，是AUV每次移動的絕對位移參數(shù)，可以根據(jù)實際情
況選擇。求得路徑點的地球坐標，進而轉化為AUV的航向、速度、深度，反饋 給AUV運動模型，從而構成一個閉環(huán)。 (2)人工勢場法的改進算法
傳統(tǒng)的人工勢場法的缺陷在于把所有信息合并為單個合力，并以該合力方向 控制AUV下一步的運動，不考慮局部障礙物分布的其它有價值的信息，使得 AUV在避碰過程中可能會出現(xiàn)陷入勢場的局部極小點或者在局部極小點的周圍 位置徘徊，如圖5(a)，以及AUV在局部勢場環(huán)境中徘徊抖動的現(xiàn)象，如圖5(b)， 這兩種情形統(tǒng)一稱為"勢場陷阱"。
AUV陷入局部極小是因為會有AUV在環(huán)境中某一點受到的吸引力和排斥
力的合力為零的情況。當-.A)2 +0^ _ A)2《a("為一個無窮小的量)，
其中m-2,3，4...，表明AUV在第A:步和A:十w-l步的w個點上依次周期性地徘
徊，無法達到目標。針對這一現(xiàn)象，給出了"隨機擾動法"。其基本思路是當AUV 陷入了這種"勢場陷阱"后，通過隨機產(chǎn)生一個-180~+180度之間的擾動角度A^ 來提供下一步的運動方向，經(jīng)過安全處理，確保AUV沿著該方向航行時，不會 出現(xiàn)與障礙物相撞的情形。此時AUV的下一目標點為
AUV航跡出現(xiàn)抖動是因為在障礙物附近合力方向會發(fā)生突然變化，在合力 控制下，AUV下一步運動方向會有大角度突變，于是就產(chǎn)生了徘徊抖動現(xiàn)象。 這種情況的產(chǎn)生嚴重影響了 AUV避碰效果和到達目標的效率。為了解決這一問 題，本發(fā)明采用一種優(yōu)化位移參數(shù)的方法，給出一個參數(shù)調節(jié)因子s，通過試驗，
找到最佳的位移參數(shù)調整因子&。此時有 A+i = A +A cos(《+ △《)
這樣就可以得到AUV從當前點到下一目標點的最佳路徑，如圖6所示。湖試中采用了本發(fā)明所述的避碰規(guī)劃系統(tǒng)。障礙物是位于湖中心的一個獨立 小島。AUV起點A,目標點B。 A—U—V從A點出發(fā)，前視聲納探測到小島時，根 據(jù)傳感器信息以及安全半徑，由AUV智能避碰系統(tǒng)規(guī)劃出局部路徑。每一個規(guī) 劃好的點包含AUV躲避障礙物的航向、速度、深度及航向控制模式信息，低速 下由推進器控制航向，高速時用舵控制航向，使AUV轉艏避開障礙物。圖7是 湖試時的避碰結果截圖，單位是米。
權利要求
1、一種AUV智能避碰裝置，包括水面工作站1、使命管理機2和動態(tài)控制機3，其特征是水面工作站1、使命管理機2和動態(tài)控制機3中嵌裝有軟件系統(tǒng)，水面工作站1、使命管理機2和動態(tài)控制機3之間通過網(wǎng)絡連接，動態(tài)控制機3通過串口連接光纖陀螺儀7、多普勒測速儀8、測高聲納9、姿態(tài)傳感器10，多波束前視聲納系統(tǒng)6與使命管理機2通過串口連接，使命管理機2中加載有基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)軟件4和避碰規(guī)劃系統(tǒng)軟件5，動態(tài)控制機3通過電信號連接舵11和推進器12。
2、 一種AUV智能避碰方法，其特征是-(1) 傳感器采集AUV的狀態(tài)信息，通過串口傳給動態(tài)控制機，動態(tài)控制機 將這些信息通過網(wǎng)絡以2Hz的頻率發(fā)送給使命管理機；(2) 多波束前視聲納釆集障礙物信息，將探測到的模擬信號轉換為描述局部 環(huán)境的數(shù)字信號；(3) 使命管理機通過串口接收局部環(huán)境的數(shù)字信號，用AUV障礙物判定系 統(tǒng)確定障礙物位置，濾除環(huán)境噪聲，建立局部環(huán)境模型并發(fā)送給避碰規(guī)劃系統(tǒng)；(4) 避碰規(guī)劃系統(tǒng)根據(jù)AUV當前狀態(tài)和障礙物所在的位置，通過避碰算法 計算出AUV航向、速度、深度，并把這三個指令通過網(wǎng)絡傳遞給動態(tài)控制機；(5) 動態(tài)控制機通過運動控制解算，利用控制電壓驅動執(zhí)行機構，按控制指 令調整AUV的航向、速度和深度，高航速時釆用舵控制航向，低航速時采用 推進器控制航向，實現(xiàn)AUV避碰。
3、 根據(jù)權利要求2所述的AUV智能避碰方法，其特征是所述的AUV 狀態(tài)信息包括AUV經(jīng)緯度、航向、速度、深度、縱傾、橫傾，測量狀態(tài)信息 的傳感器設備為光纖陀螺儀、多普勒測速儀、測高聲納、姿態(tài)傳感器。
4、 根據(jù)權利要求2或3所述的AUV智能避碰方法，其特征是所述的 AUV障礙物判定系統(tǒng)為一個基于神經(jīng)網(wǎng)絡的障礙物判定系統(tǒng)，由量化模塊、數(shù) 據(jù)庫、神經(jīng)網(wǎng)絡模塊、反量化模塊和解釋器5個部分組成；量化模塊以每個柵格gn'4。L/]周圍的若干個相鄰柵格為一組，被占用的柵格量化為0.8，未被占用的柵格量化為0.3;數(shù)據(jù)庫存放初始事實，推理的中間結論以及推理出的最終結果的數(shù)據(jù)； 神經(jīng)網(wǎng)絡模塊采用BP網(wǎng)絡，網(wǎng)絡輸入取8個或者更多，BP網(wǎng)絡離線 訓練，在線使用；八個輸入為量化后的相鄰柵格數(shù)據(jù)，輸出為中心柵格的估計值g^4z']m';當越多的相鄰柵格被占用時，『w[/][y]被占用的可能性越大；如果相鄰柵格分值比較低，則gnW[。[刀的分值不應該增加太多；同時，對于中心 柵格，它自身占用信息應優(yōu)先考慮，讓其自身所占權重為1，而通過相鄰柵格得到的分值所占權重為0.5;得到中心柵格的分值為 W鄧][刀=W4/][刀'x 0.5 + gn鄧][刀x 1反量化模塊根據(jù)多次試驗取定一個閾值《，gn'4z'][刀〉《時柵格賦1， ^W[/][J']〈《時柵格賦0;解釋器輸出最終推理結果，即障礙物信息的兩種情況1為有障礙物，0 為無障礙物；第一次量化后的信息數(shù)據(jù)送入神經(jīng)網(wǎng)絡模塊，經(jīng)神經(jīng)網(wǎng)絡推理后把判定結果直接傳給解釋器，同時存入數(shù)據(jù)庫；下一次數(shù)據(jù)傳來時，檢査數(shù)據(jù)庫中是否 有相匹配的類型，若有，不再用神經(jīng)網(wǎng)絡模塊作重復判定，直接在數(shù)據(jù)庫中通 過匹配得出結論，否則送到神經(jīng)網(wǎng)絡模塊重新判定。
5、根據(jù)權利要求2或3所述的AUV智能避碰方法，其特征是所述的避 碰算法為改進的人工勢場法；(l)人工勢場避碰模型構造目標位姿引力場和障礙物周圍斥力場共同作用的人工勢力場，搜索勢 函數(shù)的下降方向來尋找無碰撞路徑； 斥力為斥力勢場的負梯度，艮P:<formula>formula see original document page 3</formula>其中/7為位置增益系數(shù)，P為AUV與障礙物之間的最短距離，p。是一個常數(shù)，代表障礙物的影響距離；引力為目標勢場的負梯度，即-<formula>formula see original document page 4</formula>當AUV到達目標X^,的過程中，這個力收斂于零，斥力與引力的合力為AUV下一步的運動方向由合力的方向3"決定，定義AUV當前的位置 (xA,j^)，則根據(jù)目標點位置和障礙物信息得到AUV下一步的路徑點坐標(A+i,h+i)為& sin(洲陽、其中，4、 ^為常量，是AUV每次移動的絕對位移參數(shù)，求得路徑點的地球坐標，進而轉化為AUV的航向、速度、深度，反饋給AUV運動模型，從 而構成一個閉環(huán)；(2)人工勢場法的改進算法傳統(tǒng)的人工勢場法的缺陷在于把所有信息合并為單個合力，并以該合力方 向控制AUV下一步的運動，不考慮局部障礙物分布的其它有價值的信息，使 得AUV在避碰過程中可能會出現(xiàn)陷入勢場的局部極小點或者在局部極小點的 周圍位置徘徊，以及AUV在局部勢場環(huán)境中徘徊抖動的現(xiàn)象，這兩種情形統(tǒng) 一稱為"勢場陷阱"；AUV陷入局部極小是因為會有AUV在環(huán)境中某一點受到的吸引力和排斥力的合力為零的情況；當V(H)2+(H)2 "， o"為一個無窮小的量，其中w = 2,3,4...，表明AUV在第A步和A: + m-l步的m個點上依次周期性地徘徊，無法達到目標；針對這一現(xiàn)象，給出了"隨機擾動法"，即當AUV陷入了這 種"勢場陷阱"后，通過隨機產(chǎn)生一個-180 ~ +180度之間的擾動角度么6>來提供 下一步的運動方向，經(jīng)過安全處理，確保AUV沿著該方向航行時，不會出現(xiàn) 與障礙物相撞的情形；此時AUV的下一目標點為AUV航跡出現(xiàn)抖動是因為在障礙物附近合力方向會發(fā)生突然變化，在合力4控制下，AUV下一步運動方向會有大角度突變，于是就產(chǎn)生了徘徊抖動現(xiàn)象； 采用一種優(yōu)化位移參數(shù)的方法，給出一個參數(shù)調節(jié)因子S，找到最佳的位移參 數(shù)調整因子&;此時有{ A+1 = W A cos(《+ △《)這樣得到AUV從當前點到下一目標點的最佳路徑。
6、根據(jù)權利要求4所述的AUV智能避碰方法，其特征是所述的避碰算 法為改進的人工勢場法； (l)人工勢場避碰模型構造目標位姿引力場和障礙物周圍斥力場共同作用的人工勢力場，搜索勢 函數(shù)的下降方向來尋找無碰撞路徑； 斥力為斥力勢場的負梯度，艮P-<formula>formula see original document page 0</formula>其中/7為位置增益系數(shù)，p為AUV與障礙物之間的最短距離，戶。是一個常數(shù)，代表障礙物的影響距離；引力為目標勢場的負梯度，艮P:& (X) = -(X)] = /z(X - X—)當AUV到達目標X^,的過程中，這個力收斂于零，斥力與引力的合力為AUV下一步的運動方向由合力的方向^決定，定義AUV當前的位置 (A,h)，則根據(jù)目標點位置和障礙物信息得到AUV下一步的路徑點坐標(Ww)為<formula>formula see original document page 5</formula>其中，4、 ^為常量，是AUV每次移動的絕對位移參數(shù)，求得路徑點的地球坐標，進而轉化為AUV的航向、速度、深度，反饋給AUV運動模型，從而構成一個閉環(huán).(2)人工勢場法的改進算法傳統(tǒng)的人工勢場法的缺陷在于把所有信息合并為單個合力，并以該合力方 向控制AUV下一步的運動，不考慮局部障礙物分布的其它有價值的信息，使 得AUV在避碰過程中可能會出現(xiàn)陷入勢場的局部極小點或者在局部極小點的 周圍位置徘徊，以及AUV在局部勢場環(huán)境中徘徊抖動的現(xiàn)象，這兩種情形統(tǒng) 一稱為"勢場陷阱"；AUV陷入局部極小是因為會有AUV在環(huán)境中某一點受到的吸引力和排斥力的合力為零的情況；當<formula>formula see original document page 6</formula>為一個無窮小的量，其中m-2，3，4...，表明AUV在第A:步和A: + w-l步的m個點上依次周期性地徘徊，無法達到目標；針對這一現(xiàn)象，給出了"隨機擾動法"，即當AUV陷入了這 種"勢場陷阱"后，通過隨機產(chǎn)生一個-180 ~ +180度之間的擾動角度^^來提供 下一步的運動方向，經(jīng)過安全處理，確保AUV沿著該方向航行時，不會出現(xiàn) 與障礙物相撞的情形；此時AUV的下一目標點為AUV航跡出現(xiàn)抖動是因為在障礙物附近合力方向會發(fā)生突然變化，在合力 控制下，AUV下一步運動方向會有大角度突變，于是就產(chǎn)生了徘徊抖動現(xiàn)象； 采用一種優(yōu)化位移參數(shù)的方法，給出一個參數(shù)調節(jié)因子e，找到最佳的位移參 數(shù)調整因子^;此時有<formula>formula see original document page 6</formula>這樣得到AUV從當前點到下一目標點的最佳路徑。全文摘要
本發(fā)明提供的是一種AUV智能避碰裝置及避碰方法。傳感器采集AUV的狀態(tài)信息，通過串口傳給動態(tài)控制機，動態(tài)控制機在將這些信息通過網(wǎng)絡發(fā)送給使命管理機；多波束前視聲納采集障礙物信息，轉換為描述局部環(huán)境的數(shù)字信號；使命管理機接收局部環(huán)境的數(shù)字信號，用AUV障礙物判定系統(tǒng)確定障礙物位置，建立局部環(huán)境模型并傳遞給避碰規(guī)劃系統(tǒng)；避碰規(guī)劃系統(tǒng)通過避碰算法計算出AUV航向、速度、深度，并把這三個指令通過網(wǎng)絡傳遞給動態(tài)控制機；動態(tài)控制機通過運動控制解算，利用控制電壓驅動執(zhí)行機構，按控制指令調整AUV的航向、速度和深度，實現(xiàn)AUV避碰。此發(fā)明的優(yōu)點在于無需先驗知識，能夠實時實現(xiàn)避碰，且通過湖試驗證了該發(fā)明方案的可靠性和有效性。
文檔編號G01C21/00GK101408772SQ200810137590
公開日2009年4月15日 申請日期2008年11月21日 優(yōu)先權日2008年11月21日
發(fā)明者嚴浙平, 夏國清, 健 徐, 莉 湯, 政 秦, 邊信黔 申請人:哈爾濱工程大學