1 海军工程大学, 武汉 430000
2 中国人民解放军91867部队, 浙江 义乌 322000
面对复杂的三维环境, 传统的路径规划算法计算复杂度极度增加, 失去了原有的效果。深度强化学习可以不依赖于精确的环境模型, 其总体效率远高于传统算法。针对三维环境下的AUV路径规划问题, 在建立避碰探测模型和gym仿真环境的基础上, 改进网络结构的PPO算法设计及模型训练。通过仿真实验, 验证了算法的准确率与有效性。
路径规划 近端策略优化 深度强化学习 AUV AUV path planning proximal policy optimization deep reinforcement learning
江苏科技大学电子信息学院, 江苏 镇江 212000
针对复杂水文环境下无人自治水下机器人(AUV)轨迹跟踪实时性较慢、精度较低的问题, 设计了一种基于拉盖尔函数的自适应预测轨迹跟踪控制方法。首先, 基于预测控制将轨迹跟踪问题转化为二次规划设计; 其次, 为解决AUV 轨迹变化以及外部干扰所造成的控制量突变, 融合递推最小二乘法设计了自适应预测控制器; 接着, 采用拉盖尔函数重构控制器, 以解决运算量过大导致的系统响应速度变慢的问题; 最后, 仿真证明了该方法能够提升系统的响应速度、抗干扰性和鲁棒性。
水下机器人 轨迹跟踪 模型预测控制 参数自适应 拉盖尔函数 Autonomous Underwater Vehicle(AUV) trajectory tracking model predictive control parameter self-adaption Laguerre function
针对多AUV系统的传统领航者队形控制方法中存在的易受环境扰动影响和易崩溃等问题, 提出了基于人工势场的改进虚拟领航者方法。设计了一种四层结构的编队体系分层框架, 并对其中队形设计层与行为控制层进行了描述; 分别针对虚拟领航者对AUV成员施加的斥力与引力、AUV成员间的斥力与引力、障碍物对AUV施加的斥力设计了适当的人工势场函数, 并考虑了最大通信距离带来的约束。通过仿真验证, 对比分析了传统领航者-跟随者法与改进虚拟领航者法的队形轨迹与位置偏差的误差曲线, 证明了所设计的算法能完成队形控制任务, 编队控制效果优于传统领航者方法。
多AUV系统 队形控制 虚拟领航者 人工势场 multi-AUV system formation control virtual leader artificial potential field
1 江苏科技大学电子信息学院, 江苏 镇江 212000
2 中科探海(苏州)海洋科技有限责任公司, 江苏 苏州 215000
针对回收对接过程中, 自主式水下机器人(AUV)的组合导航系统由于子传感器量测信息发生阶跃性突变而导致导航系统滤波发散的问题, 以分布式联邦滤波结构为基础, 提出了一种基于无迹卡尔曼滤波(UKF)的自适应容错异步融合算法。该算法以传感器的采样率为依据, 建立分布式组合导航多尺度系统模型, 在辅助信息突变时利用自适应渐消因子优化UKF动态调整增益矩阵、削弱故障信息对滤波精度的影响, 使得多源导航系统更加稳定、容错性更高。仿真实验表明, 提出的自适应容错UKF异步融合算法能更好地抑制滤波发散, 提升导航系统的精度与可靠性, 有效提高AUV的导航系统在回收对接过程中的稳定性与容错性。
自主水下机器人 回收对接 联邦滤波 异步融合 容错滤波 组合导航 AUV recovery and docking federated filtering asynchronous fusion fault-tolerant filtering UKF UKF integrated navigation
1 徐州徐工汽车制造有限公司, 江苏 徐州 221000
2 江苏科技大学电子信息学院, 江苏 镇江 212000
为解决欠驱动AUV轨迹跟踪中系统收敛速度慢、易发散、模型不确定等问题, 提出了一种有限时间和降阶状态观测器双环闭合的运动控制策略。根据时间尺度原理分为位置控制环和姿态控制环, 位置控制环使用有限时间控制方法来加快位置量的收敛速度; 姿态控制环采用基于降阶扩张状态观测器的动态积分滑模来实现对姿态角的快速收敛和补偿混合不确定项。在三维仿真环境下模拟AUV轨迹跟踪的控制效果, 通过仿真结果可看出: 所设计的控制器在收敛速度、控制精度、鲁棒性及跟踪效果方面均高于常见的轨迹跟踪器, 能较好地满足欠驱动AUV的轨迹跟踪控制需要。
轨迹跟踪控制 有限时间控制 降阶扩张状态观测器 AUV AUV trajectory tracking control limited time control reduced-order extended state observer
针对自主无人水下潜航器在执行任务时面临导航手段少、传统航位推算存在定位误差漂移、单一导航方式不足以满足执行水下精确任务的要求等问题, 提出了一种基于超短基线水声定位系统、全球卫星定位系统和磁罗盘等传感器组合导航的方法, 并对其中涉及的坐标转换进行了详细说明。利用卡尔曼滤波对潜航器的位置进行估计, 以获取控制和导航所需的位置信息及速度信息, 不存在定位漂移问题, 导航定位精度优于10 m, 满足自主无人潜航器在水下长时间执行任务的要求。该方法在自主无人水下潜航器上进行了试验验证。
自主无人水下潜航器 组合导航 全球定位系统 超短基线 AUV integrated navigation GPS USBL
大连海事大学 信息科学技术学院,辽宁 大连 116026
提出了基于水下自主航行器的EMCCD微光照相机驱动系统设计方法。首先,分析了EMCCD输出噪声的组成,根据暗电流噪声和时钟感生噪声的关系,给出了常规功率驱动的器件选型原则和设计方法; 讨论了使用图腾柱电路实现电子倍增驱动的功耗问题,并给出了改进方案; 使用高频系统时钟实现了驱动相位和脉宽的微调,解决了驱动时序波形幅度重叠率不足的问题; 最后,给出了使用CCD201-20搭建的水下相机结构和实验结果。实验结果表明,系统产生的常规驱动信号频率为时钟频率10 MHz,串行转移时钟的幅度重叠率优于50%,并行转移时钟的幅度重叠率优于90%,驱动信号的相位调整精度为18°,脉宽调整精度为5 ns,驱动波形稳定、平整,电子倍增驱动信号高电平可调,功耗相较于优化前降低7.2%。本文所介绍的EMCCD驱动系统设计方法充分兼顾了驱动系统的噪声、体积和功耗问题,可以广泛应用在水下微光成像乃至常规CCD领域。
电子倍增电荷耦合器件 低照度相机 CCD驱动 自主水下航行器 现场可编程门阵列 EMCCD low-light level camera CCD driver Autonomous Underwater Vehicle(AUV) Field Programmable Gate Array(FPGA) 光学 精密工程
2018, 26(10): 2605
1 海军潜艇学院,山东 青岛 266199
2 海军航空工程学院青岛校区,山东 青岛 266045
3 海军航空兵学院,辽宁 葫芦岛 125000
由于感知能力限制,远程AUV自主决策属性模糊隶属度不明确,传统模糊Petri网决策方法无法进行知识的表达与推理。将模糊Petri网的模糊集进行拓展,提出了区间值直觉模糊Petri网的概念,并重新设计了推理方法和决策步骤; 在此基础上,建立了远程AUV行动决策模型,通过算例实现了远程AUV自主行动决策。决策过程形象、快速、清晰,决策结果验证了方法的有效性。该方法可为多属性决策问题提供新的参考思路。
远程AUV Petri网 区间值直觉模糊集 自主决策 remote AUV Petri net interval-valued intuitionistic fuzzy set autonomous decision-making
中国人民解放军92941部队95分队, 辽宁 葫芦岛 125001
为适应水下导航对高精度的要求,以捷联惯性导航系统(SINS)、多普勒计程仪(DVL)和地形匹配系统(TAN)构成的水下航行器(AUV)组合导航系统为研究对象,提出了神经网络滤波技术。按照数学模型进行了仿真试验,位置误差从3″减小至1.5″,结果表明使用传感器和智能卡尔曼滤波器可以使水下组合导航系统的定位精度和自适应能力明显提高。
文字间用 号隔开空半格组合导航 BP神经网络 联邦卡尔曼滤波器 水下航行器 integrated navigation system BP neural network federated Kalman filter AUV
1 东南大学 仪器科学与工程学院, 江苏 南京 210096
2 东南大学 微惯性仪表与先进导航技术教育部重点实验室, 江苏 南京 210096
针对复杂环境下自主水下航行器(AUV)组合导航系统中存在的模型不完全确定或者模型参数发生变化的情况, 提出一种基于期望模式修正的交互式多模型(EMA-IMM)滤波算法。该算法利用滤波估计过程中所得到的模型概率完成决策。首先对固定结构的基础网格进行滤波, 得到细化的修正模型集, 接着对修正模型集进行滤波, 得到与真实模型最为邻近的若干个修正模型网格共同构成的期望模型集, 然后将系统真实的模型覆盖在精简的期望模型集范围之中, 最后通过对期望模型集滤波, 得到接近真实模型状态变量的估计结果。在AUV组合导航系统中的仿真结果表明, 相对于传统Kalman滤波算法, 改进的EMA-IMM使AUV的经度估计精度提高了97%, 纬度估计精度提高了44%; 相对于IMM算法, AUV的经度估计精度提高了22%, 纬度估计精度提高了19%; 得到的结果验证了提出的EMA-IMM算法的优越性。
自主水下航行器 组合导航 交互式多模型 期望模式修正 Autonomous Underwater Vehicle(AUV) integrated navigation interacting multiple model expected-mode augmentation