存在障碍物影响的多AUV间距离量测识别与平滑算法
UUV与AUV国内外发展情况
USV与AUV国内外发展情况一、USV国内发展情况1.1上海海事大学“海腾01”上海海事大学日前对外发布最新科研成果，由该校科学研究院航运技术与控制工程交通行业重点实验室无人水面艇课题组开发研制的“‘海腾01’号智能高速无人水面艇”成功落水。
作为国际研究热点，“海腾01”号瞄准世界最先进无人水面艇技术，开发具有全天候、高海况下自主航行，实时进行水面监视监测、水下测量勘探功能,多操控模式、大载荷特点的高速无人水面艇。
“海腾01”号可在海事巡航、航道测量、水文监测、水面防污染监测、进出港与过境船舶监测监视、水上消防、水上溢油控制与回收、海上搜寻救助、沉船勘探打捞、水上反恐、专属经济区守护与活动取证、海洋资源调查与取样等领域无人作业。
该项目获得2010年中央财政支持地方高校发展专项资金支持，并在国内首次实现海上溢油处理水面机器人技术及其装备的试验性应用。
据介绍，“海腾01”号智能高速无人水面艇长10.5米，宽3.6米，满载排水量8.5吨，吃水0.8米。
使用喷水推进，最大航速40节，巡航速度30节。
由艇体、推进系统、能源系统、导航系统、通讯系统、控制系统和任务系统等组成。
具有全自航模式、半自航模式和全遥控模式三种工作模式。
配备有毫米波雷达、激光雷达、前视声纳、立体视觉和360度监控摄像机等监测设备，可进行水上和水下障碍物的全方位探测。
并通过多源信息融合提高障碍物探测的准确性和可靠性，为自主避障提供足够信息。
“海腾01”号既可无人驾驶，也可人工驾驶，驾控台上的人工驾驶具有最高优先级，便于无人艇调试过程中的监控与紧急情况处置。
1.2上海海事大学“Silver frog”上海海事大学研制的“Silver frog”号USV 为双体型铝合金小船，是一个多任务通用平台，艇长2.7m、宽1.48m、型深0.36m，艇重60kg，有效载荷100kg。
采用双螺旋桨推进，由DC 电机驱动，依靠推力差进行转向控制。
航速可达6kn（艇重60kg 时），使用60Ah 的锂电池组供电。
融合粒子群与改进蚁群算法的AUV路径规划算法
2021576海洋资源已经成为人类开发的重点，但复杂的海洋环境对人类水下作业有着极大的限制，水下机器人正在成为海洋作业的主角，自主式水下机器人（Autono-mous Underwater Vehicle，AUV）依靠自身携带的能源进行水下作业。
由于在整个过程中无法补充能源，因此利用路径规划与安全避障技术对AUV导航控制，是其能否精确、安全和完整地完成水下作业的关键。
AUV 路径规划问题已经成为了一个研究热点[1]，主要涉及两方面问题：一是对海洋环境进行三维建模；二是选取合适的算法进行全局路径规划。
海洋环境建模主要有两类方法：一类是规则地形模型，主要利用正方形、矩形等规则形状进行组合来表示海底表面；另一类是不规则地形模型，将三角形、多边形等不规则形状作为模型单元的基础[2]。
文献[3]使用Voronoi图法简化三维水下环境，生成全局路线图；文献[4]将Delaunay三角模型应用于被测地标，建立拓扑模型。
文献[5]利用八叉树模型来反映AUV工作环境，但主要应用于较大障碍物之间的路径规划，不适合存在许多小障碍物的环境；文献[6-7]不考虑水深，将三维空间简化为二维栅格模型，节省了空间，但却丢失了环境信息；文献[8-9]将三维空间划分为若干平面，然后利用二维栅格模型将每个平面栅格化，有效实现三维栅格建融合粒子群与改进蚁群算法的AUV路径规划算法朱佳莹，高茂庭上海海事大学信息工程学院，上海201306摘要：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。
基于盲区概念减少通信量的多AUV编队控制
兵 工 自 动 化
Ｏｒ ａ ｃ ｎ ｕｓ ｒ ｔ ｍ ａ ｉ ｄｎ ｎ ｅ Ｉ ｄ ｔ ｙ Ａｕ ｏ ｔｏｎ ・６ １・
３ （） ０９
基 于盲 区概念减 少通信 量 的多 ＡＵＶ编 队控制
周 添 １ 康 风举 ， ， ２ （． １ 西北 工业大 学航海 学 院，西安 ７ ０ ７ ；２ 西北 工业 大学水 下信 息处理和 控制 国家实 验室 ，西安 ７ ０ ７ ） １０ ２ ． １０ ２
， 、 ● ＿ 。
Ｏ ｍ ｍ Ｕｎ ｌ Ｃａｔ Ｏｎ Ｓ １
Ｚ ｏ ｉｎ 一 Ｋ ｎ ｅ ｇｕ ｈ ｕＴ ａ ． ａ ｇＦ ｎ ｊ
（ ． ｌｅ ｅｏ ａ ｉ， ｒｈ ｓｅ ｎＰ ｌ ｔｃ ｎ ｃ ｌ ｉｅ ｓｔ ， ’ ｎ７１ ０ ２ Ｃｈ ｎ ； １ Ｃｏ ｌｇ ｆ Ｍ ｒｎ Ｎｏ ｔ ｗｅ ｔｒ ｏ ｙ ｅ ｈ ｉａ ｖ ｒ ｉ Ｘｉａ ０ ７ ， ｉ ａ Ｕｎ ｙ
・ ２・ ６
兵 工 自 动 化
第 ３ 卷 ０
制 ；缺 点 是 存 在 局 部 极 值 点 ，势 场 函 数 的设 计 比较
困难 。
引 力 和 斥 力 ，并 未 通 过 人 工 势 场 求 虚 拟 力 ，但 也 应 属 于 势 场 法 的 范 畴 ） 设 计 控 制 规 则 ， 并 给 每 个 来 ＡＵＶ 引入 盲 区 （ ｌ ｄ ａｅ ） ｂｉ ｒａ 的概念 。 以 ３个 Ａ ｎ ＵＶ 形 成三 角形 编 队 为例 进 行 设 计 ，如 图 １ 。
Ｋｅ ｗｏ ｄ ： ｙ ｒ ｓ ＡＵＶｓ ｆ ｒ ｔｏ ｏ ｔｏ ； ｌ ｄ ａ ｅ ； ｅ ｕ ｅ ｏ ｍｕ ｉ ａ ｉ ｎ ： ｏ ｍａ ｉ ｎ ｃ ｎ ｒ ｌ ｂ ｉ ｒ ａ ｒ ｄ ｃ ｄ ｃ ｍ ｎ ｎ ｃ ｔｏ ｓ
一种NLOS量测平滑算法在MAUVs协同定位中的应用
８ ３ ０ ０ ０ １Ａ Ｕ Ｖ ｓ 协 同定位过程 中， 为 了减 轻 Ｎ Ｌ Ｏ Ｓ量测误 差 的影响 ， 在 假设 Ｎ Ｌ Ｏ Ｓ
修 正偏差先验 已知的前提 下 ， 以 ４状 态 Ｍａ ｒ ｋ ｏ ｖ链描述 了 ４种 Ｌ Ｏ Ｓ ／ Ｎ Ｌ Ｏ Ｓ量测模 型 间相 互独 立转换过
线 均值 与变 量 估 计 法 设计 了 Ｎ Ｌ Ｏ Ｓ识 别 方 法 ， 有 效
间的相对 距离 量测估 计精 度 。
１ 问题 描 述
在 实 际海 洋 环境 中 ， 特 别 是 浅 海 海域 ， 由海 面 、
海底及 目标障碍物所引起的信号多径传输效应会对 水 声 换 能 器 之 间 的 距 离 测 量 造 成 影 响 。研 究 发
息主要 通 过测量 水 声信 号 传 播 到 达 时 间 （ Ｔ Ｏ Ａ） ， 信
号接 收强 度 （ Ｒ Ｓ Ｓ ） 等 手段 来 获得 ， 在 实 际 复 杂 环境
距（ １ ｉ ｎ ｅ ｏ ｆ ｓ ｉ ｇ ｈ ｔ ， Ｌ Ｏ Ｓ ） 量 测 。针对 此 问题 ， 本 文基 于 双领航 者 的 ＭＡ Ｕ Ｖ ｓ 协 同定 位 系 统 ， 在无 法 实 时 识
２ ０ １ ５年 １ Ｏ月
西 北 工 业 大 学 学 报
Ｊ ｏ ｕ ｍａ ｌ ｏ ｆ Ｎｏ ｒ ｔ ｈ ｗ ｅ ｓ ｔ ｅ ｎ ｒ Ｐ ｏ ｌ ｙ ｔ ｅ ｅ ｈ ｎ ｉ ｅ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
０ｅ ｔ ． ２ ０１ ５ Ｖｏ １ ． ３ ３ Ｎｏ． ５
第 ３ ３卷第 ５期
一
种Ｎ Ｌ ＯＳ量 测 平 滑算 法在 ＭＡ Ｕ Ｖ ｓ 协 同定 位 中 的 应 用
马 朋 ，张福 斌 ，田冰 ，徐 德 民
AUV 精确定位技术研究
AUV 精确定位技术研究AUV（Autonomous Underwater Vehicle）是一种自主水下机器人，通常用于水下勘探、海底地形测绘、救援等领域。
在大海深处，AUV需要具备高精度的定位能力，以确保它能够到达指定的目的地、避开海底障碍物并完成任务。
因此，精确定位成为AUV技术研究的重要方向之一，本文将从多个方面探讨这一主题。
一、定位技术概述AUV定位技术有很多种，主要包括声纳定位、惯性导航定位、星导航定位、视觉技术定位等。
不同的定位技术在应用场景和准确度上存在差异，下面将分别介绍各种定位技术的优缺点。
声纳定位：是指通过声波在水中的传播来测量声源与接收器的距离、方向等信息，从而确定AUV当前的位置。
该技术准确度较高，但受到海水温度、盐度、流速等自然因素的影响较大，同时声纳在水下环境中易受到噪声干扰，应用范围受限。
惯性导航定位：是通过安装陀螺仪和加速度计等传感器设备，记录AUV运动状态和姿态信息，进而实现定位。
该技术可以在水下环境中独立作业，定位准确度较高，但会受到累计误差的影响，需要不断地进行误差补偿。
星导航定位：是通过信号接收器接收卫星发射的信号，进行测量和计算，得出AUV的位置信息。
该技术定位准确度高，应用范围广，但在水下环境中受到信号衰减、多径效应等影响，无法实现精确的三维定位。
视觉技术定位：是通过安装相机等光学设备，对水下环境进行拍照或录像，利用图像处理算法进行位置估计，实现定位。
该技术可以实现高精度的三维定位，但在水下环境中，光线传播受限，画面模糊、失真等问题需要克服。
二、精确定位技术综合应用AUV精确定位技术变革发展迅速，但不同的技术往往需要相互协作，以实现更高水平的精度和可靠度。
在大海深处，声纳定位和惯性导航定位是一种应用广泛的组合，可以通过安装两个或多个声纳和多传感器，使用卡尔曼滤波等算法，来实现高精度的三维定位。
这种组合可以在精度和成本之间找到一个比较好的平衡点，可以满足各种应用场景的需求。
AUV协同导航定位算法研究
AUV协同导航定位算法研究AUV(自主无人水下车辆)是一种具有自主控制和导航定位功能的智能水下机器人。
在实际应用中，多个AUV之间需要协同工作，实现各自的任务目标。
协同导航定位算法是AUV协同工作的关键之一，在AUV探索和监测海洋环境、搜索和打捞等许多应用领域具有广泛应用前景。
本文主要介绍AUV协同导航定位算法的研究现状及关键技术。
AUV协同导航定位算法的研究现状AUV协同导航定位算法是当前AUV导航定位领域的研究热点之一。
目前已经有很多研究成果，主要包括三种方法：基于测距设备、基于机器视觉以及基于声纳的协同导航定位算法。
其中，基于测距设备的算法主要利用AUV上搭载的超声波、激光器等测距设备，进行相互距离测量，以确定各个AUV之间的位置关系。
这种方法实现起来简单，但对设备和环境的要求较高，且精度难以满足高精度要求。
基于机器视觉的算法是利用AUV上搭载的摄像头对周围的环境进行采集，经过处理后提取出目标物体的位置信息。
这种方法实现起来较为复杂，但对环境的要求较低，且可以实现较高的精度。
基于声纳的算法是利用AUV上搭载的各种传感器感知水下环境，根据声强数据实现声学跟踪，通过计算声反演得到AUV 之间的位置关系。
这种方法适用性较广，但需要处理大量的声数据，计算量较大，需要相对较高的计算能力。
关键技术协同导航定位算法的研究需要解决的关键技术包括：合理的多机构构型设计、协同目标检测及跟踪、多机构位置信息共享和整合等方面。
在多机构构型设计方面，需要考虑AUV间的距离、角度及相对于目标的位置等因素，以达到最佳的协同效果。
协同目标检测及跟踪需要实时提取目标的位置、速度、方向等信息，以便AUV之间实现协同导航。
多机构位置信息共享和整合需要实现AUV之间的信息交流，共同确定位置、速度和方向等信息，以实现精确的协同导航。
未来展望目前，AUV协同导航定位算法的研究还存在一些困难和挑战，如AUV间信号通信的实现、多机构的运动控制和路径规划、复杂环境下导航精度的提高等问题。
基于生物启发自组织神经网络的任务分配与路径规划
基于生物启发自组织神经网络的任务分配与路径规划刘雨;朱大奇【摘要】针对自治水下机器人(AUV)系统的任务分配与路径规划问题,提出一种生物启发自组织映射(GBSOM)神经网络任务分配与路径规划算法.根据AUV的水下工作环境建立二维生物启发神经网络(GBNN)模型,神经网络中每一个神经元的活性值与水下栅格地图中的位置单元一一对应;使用自组织神经网络(SOM)算法将水下目标分配给一组AUV并确定AUV访问目标点的顺序;在SOM任务分配的基础上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下一步的目标点.重复上述3步直至完成所有目标点的访问.最后,通过二维静态与动态环境下的仿真实验证明该算法的有效性.%For the task assignment and path planning of multiple autonomous underwater vehicle (AUV) system,a glasius bio-inspired self-organizing map (GBSOM)neural network algorithm was proposed based on two-dimension grid map.Firstly,a two-dimension glasius bio-inspired neural network (GBNN) model was established to represent two-dimension underwater working environment.The active value of each neuron in the neural network corresponds to the location unit in the grid map respectively.Secondly,a self-organizing map (SOM) was used to assign the targets to a set of AUVs and determine the order of AUV to access the target point.Thirdly,AUV next target point can be planned autonomously according to the distribution of the output value of the neuron in the neural network based on SOM task allocation.By repeating the above three steps,the access to all target points wascompleted.Simulation results verified the effectiveness of the proposed algorithm in two-dimension static and dynamic environment.【期刊名称】《系统仿真技术》【年(卷),期】2017(013)003【总页数】6页(P230-234,240)【关键词】自治水下机器人(AUV);生物启发神经网络(GBNN);自组织神经网络(SOM)算法;任务分配;路径规划【作者】刘雨;朱大奇【作者单位】上海海事大学水下机器人与智能系统实验室,上海201306;上海海事大学水下机器人与智能系统实验室,上海201306【正文语种】中文【中图分类】TP242随着人们对海洋资源的深入了解,有关海洋的科学研究也随之增多,自治水下机器人(AUV)作为研究海洋科学必不可少的工具,得到了很多专家学者的青睐。
激光雷达障碍物检测点云聚类算法
激光雷达障碍物检测点云聚类算法激光雷达（LiDAR）是一种通过发射脉冲激光来测量距离和生成三维点云的传感器。
在自动驾驶、环境感知、机器人导航等领域中，激光雷达被广泛应用于障碍物检测和目标识别。
障碍物检测是自动驾驶系统中的一个重要功能，它能够帮助车辆感知周围环境中的障碍物并作出相应的决策和控制。
激光雷达通过扫描周围环境并生成一系列的点云数据，这些数据可以用来识别和分析障碍物。
点云聚类算法是一种常用的方法，用于将点云数据中的点按照其空间关系进行分组，以便更好地理解和处理数据。
点云聚类算法的主要目标是将点云数据中的点根据其空间位置和特征进行分类。
最常用的点云聚类算法之一是基于欧几里德距离的K均值算法。
该算法首先选择K个随机初始点作为聚类中心，然后将每个数据点分配给距离最近的聚类中心。
接下来，计算每个聚类的质心，并将质心作为新的聚类中心。
不断重复这个过程，直到算法收敛为止。
然而，在处理激光雷达数据时，由于点云中的数据点具有高度的稀疏性和不均匀分布性，传统的K均值算法可能无法有效地处理这些特征。
因此，研究人员提出了一些改进的点云聚类算法。
一种改进的点云聚类算法是基于密度的DBSCAN算法。
该算法通过定义一个邻域半径和一个最小点数来定义核心点，并通过不断扩展核心点的邻域来形成一个聚类。
该算法对数据的密度分布敏感，适合处理稀疏和不均匀分布的点云数据。
另一种改进的点云聚类算法是基于凸包的CHAMELEON算法。
该算法通过构建数据点的凸包来识别聚类，并通过合并和拆分凸包来实现动态调整聚类的数量和形状。
该算法能够有效地处理包含不同大小和形状聚类的点云数据。
此外，还有一些其他的点云聚类算法，如基于统计学的聚类算法和基于图论的聚类算法。
这些算法通过统计特征或图结构来识别聚类，并在一些场景下具有较好的性能。
总而言之，点云聚类算法是激光雷达障碍物检测中的重要环节。
它能够将激光雷达测得的点云数据按照其空间位置和特征进行分类，以便更好地理解和处理数据。
自主水下航行器导航与定位技术
Value Engineering0引言众所周知，海洋所蕴含的自然资源是地球上最丰富的但同时也是人类目前探索最少的地方。
随着人类在利用海洋和开发海洋上的投入不断增大，自主水下航行器（AUV）引起了越来越多的关注[1]，特别是在海洋石油勘探开发领域得到了快速发展。
AUV是能够在水下自主航行、自动控制、并能按照程序预先规划路径自主完成预定任务的水下集成系统。
导航定位技术是AUV的关键技术之一，高精度水下导航定位技术对AUV的安全航行和高效率完成任务具有决定性的作用。
由于无线电信号在水中迅速衰减，AUV无法借助无线电导航系统实现水下远距离、大范围的准确定位，卫星导航定位系统在水下不可用是AUV水下导航定位面临的主要技术挑战之一。
在不使用声学基线定位系统的情况下，AUV在水下主要依靠自身搭载的罗经、多普勒计程仪（Doppler Velocity Logger，DVL）或惯性导航系统提供的各类导航信息，通过航位推算模式实现水下导航定位。
惯性导航/航位推算方法精度受传感器本身测量精度影响，会随时间迅速积累。
在DVL锁定海底并且能够提供有效对地速度辅助导航的情况下，惯性导航/航位推算的导航误差一般为航行距离的0.5-2%，如果使用高精度的惯性导航设备，导航误差能够优于航行距离的0.1%。
当在水面时，AUV可以通过GNSS（Global Navigation Satellite System）获得的绝对位置来实时修正惯性导航系统误差。
但是定时上浮接收GNSS信号来实现对惯性导航误差的校正在实际应用过程中往往是不现实的，尤其在深水调查作业中。
在过去的二十年间，AUV水下导航定位技术研究取得了实质性的进展。
以视觉导航和地磁匹配导航技术为代表的非传统导航方式逐步开始在水下导航中得到应用，并取得了一定的成果。
除此之外，用于解决机器人导航定位的同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）算法技术日渐成熟，在水下导航定位方面的应用研究也取得了一定的理论和实践成果[2]。
自主式水下航行器AUV导航技术探讨
自主式水下航行器AUV导航技术探讨发布时间：2021-03-25T04:53:30.059Z 来源：《现代电信科技》2020年第16期作者：张宝贵[导读] 针对组合导航技术在AUV发展与应用中的重要地位，文中详细介绍了各种AUV导航技术发展概况，并着重对各种组合导航技术的发展情况进行了分析研究。
（中国船舶集团有限公司第七一〇研究所湖北宜昌 443003）摘要：针对组合导航技术在AUV发展与应用中的重要地位，文中详细介绍了各种AUV导航技术发展概况，并着重对各种组合导航技术的发展情况进行了分析研究。
可以看出，未来AUV的导航技术仍将是以INS为主的组合导航。
INS/地磁匹配组合导航、INS/重力匹配组合导航等地球物理组合导航将在军事领域发挥更加强大的作用；INS/LBL组合导航技术则将更加广泛地应用于民用领域。
关键词：自主式；水下航行器；AUV导航技术引言21世纪以来，随着人类在利用海洋和开发海洋上的投入不断增大，自主式水下航行器（AUV）引起了越来越多的关注，无论在战场监视、隐蔽打击等军用领域还是在海水检测、海洋地质勘探等民用领域都得到快速发展。
导航是指移动机器人借助传感器获知本体状态，完成从初始位置到达目标位置的自主运动过程。
导航技术作为AUV的核心技术，也是最难以解决的关键技术之一。
组合导航方法，是由2种及以上导航技术结合形成的综合导航系统。
组合导航结合不同导航技术的优点，能够增强导航系统的稳定性、精确性和持久性，是当前使用最广泛的导航方法，也是未来AUV导航技术的发展方向。
目前，针对AUV的导航技术大体可分为传统导航和非传统导航技术2类。
传统导航技术主要包括航位推算导航、惯性导航和声学导航等。
与非传统导航相比技术更为成熟，使用范围更加广泛。
非传统导航技术主要包括地球物理导航、视觉导航等，是发达国家大力研发的新兴导航技术，通常用来辅助惯性导航。
1 航位推算导航航位推算导航最早于16世纪提出，但当时很少用于水下。
基于多波束前视声呐的水下障碍物检测及避障算法
图2障碍物检测算法流程图∗国家科技重大专项(2016ZX05057005)自主式水下航行器(AUV )是在没有任何人为操作和指示的情况下在海洋中行动的,它们可以被应用于拍摄海底照片、海底设施检修等方面。
但是,海洋中经常会有诸如山脉、人造结构等障碍物,因此避障系统在使用AUV 进行海底勘察中起着非常重要的作用[1]。
目前,避障系统已存在很多的研究成果,它们采用各式各样的方法。
在声呐图像处理方面,文献[2]为了消除声呐图像中的噪声,采用了自适应滤波的方法;文献[3]根据声呐图像匹配处理的实时性需求,采用了正态分布算法;文献[4-5]通过特征测量信息区分探测区域以及改进鲁棒性;传统的Otsu [6]算法常用于声呐图像中的目标检测[7],但对于较为复杂的场景检测质量不佳。
K 均值聚类[8]在声呐图像处理中可用来分割出障碍物,但是在处理数据量很大的情况下,运算耗时很大。
在避障算法方面,文献[9]将Dijkstra 算法应用于水下环境中AUV 的全局路径搜索,从而可有效地避开障碍物到达指定位置;文献[10]基于人工势场法,实现了动态环境下的全局路径规划;文献[11]基于概率抽样的算法实现了AUV 路径搜索,但完成该算法的前提是具有操作区域的相应环境信息。
本文提出了一种基于类间方差及小区域抑制的障碍物检测算法和一种基于障碍物轮廓的避障算法。
1基于多波束前视声呐的AUV 水下避障系统简介基于多波束前视声呐的AUV 水下避障系统分为声呐图像中障碍物检测模块和面向自主导航的避障模块,本文分别提出并实现了两个模块的算法,并最终将两个模块结合,移植到一块PC104板上,使之成为AUV 的避障板卡。
整个避障流程如图1所示,AUV 搭载的前视声呐采集声呐数据,并将数据传送到装在AUV 上的一块避障板卡上,板卡对声呐采集到的数据进行实时处理与障碍物检测,然后基于障碍物检测的结果以及AUV 的避障指令系统[12-13],估算出一个合理的避障角度,并将避障航向角通过RS232协议的串口通信传送给主控,使得主控根据避障航向角控制AUV 转向来避开障碍物。
基于移动长基线的多AUV协同导航
2、路径规划问题：在复杂室内环境中，如何生成最优路径是一个具有挑战性 的问题。本次演示采用基于图搜索的路径规划算法，根据机器人当前位置和目 标位置生成最优路径。
3、位置估计问题：由于室内环境的复杂性，单一传感器无法实现对机器人位 置的精确估计。本次演示采用卡尔曼滤波器将IMU和GPS的数据进行融合，提 高位置估计的精度。
1、研究更加高效的多传感器融合方法，提高信息融合的质量和稳定性；
2、深入研究机器学习算法在室内移动机器人定位与导航中的应用，提高机器 人的自主导航能力；
3、针对复杂室内环境，研究更加智能的路径规划和障碍物避让算法；
4、将室内移动机器人的定位与导航技术应用于实际场景中，例如医疗服务、 智能家居、仓储物流等。
4、环境感知问题：多模态传感器融合可以提高环境感知的鲁棒性，但如何选 择合适的传感器以及如何进行传感器之间的数据融合是一个难点。本次演示采 用特征融合和数据融合两种方法，提高环境感知的鲁棒性。
实验结果与分析
为了验证本次演示所述方法的有效性，我们进行了一系列实验。首先，我们进 行路径导航实验，将机器人置于一个未知的室内环境中，让它自主规划并跟踪 一条最优路径。实验结果表明，该方法可以有效地实现室内路径导航，并在一 定程度上克服了传统路径规划方法的局限性。
结论与展望ቤተ መጻሕፍቲ ባይዱ
本次演示研究了基于多传感器融合的室内移动机器人定位与导航问题，提出了 一种有效的研究方法。通过实验验证，该方法在室内移动机器人的路径导航、 位置定位和环境感知方面均表现出良好的性能。然而，该研究仍存在一些不足 之处，例如多传感器之间的信息融合仍存在一定的问题，环境感知的鲁棒性仍 需进一步提高等。未来研究方向可以包括以下几个方面：
3、系统软件设计：采用模块化设计方法，将系统软件分为数据采集、数据处 理、控制和实现等多个模块。同时，采用高级编程语言，如Python或C++，以 提高代码的可读性和可维护性。
基于前视声呐信息的AUV避障策略
基于前视声呐信息的AUV避障策略自主水下机器人AUV能够自主地从一个地方到另一个地方，其本质上是一个能够感知、决策和行动的智能系统。
AUV在进行任务时需要避免海洋中的障碍物，确保安全、高效地完成任务。
本文将介绍一种基于前视声呐信息的AUV避障策略。
前视声呐是AUV实现感知的重要传感器之一，其能够准确地检测到前方的水下障碍物。
本文中的AUV避障策略基于前视声呐信息实现。
AUV避障的主要思想是通过前视声呐检测前方的障碍物并采取相应的动作避让。
在实际应用中，需要根据不同场景和任务需求，制定不同的避障策略。
本文中我们将阐述一种基于前视声呐信息的简单避障策略。
避障策略包括两个主要阶段——感知阶段和行动阶段。
感知阶段会检测前方的障碍物并对其进行分类和定位，行动阶段依据感知结果进行相应的行动。
感知阶段在感知阶段，前视声呐传感器将检测前方的障碍物并输出相应的信息。
由于水下环境下的特殊性，声波在水中传输的速度远远快于机器人作出响应的时间。
因此，在实际应用中，需要采取一些措施减少AUV与障碍物之间的距离，如降低机器人的速度、增加声呐传感器的范围等。
检测到障碍物后，需要对其进行分类和定位。
具体来说，需要对障碍物进行距离、大小、形状等特征的提取和描述。
常见的方法是使用机器学习算法对声呐数据进行处理和识别。
对于一些已知形状和大小的障碍物，也可以采用模板匹配等方法进行检测和识别。
行动阶段在进入行动阶段前，需要根据感知结果和任务需求制定相应的避障策略。
本文中，我们采用基于速度调整的简单避障策略，即AUV会根据障碍物距离进行速度的调整，避免与障碍物碰撞。
具体来说，如果检测到前方出现障碍物，则机器人会降低速度，并始终保持一定的安全距离。
当障碍物消失后，则会回复到原有的速度。
此外，为了减少避障策略的执行对机器人路径规划的影响，机器人还需要具备预判能力。
即根据之前的运动轨迹和当前的位置，预测未来一段时间内可能出现的障碍物，从而提前进行避让。
水流环境中多AUV协作目标搜索算法
水流环境中多AUV协作目标搜索算法徐丽雯;曹翔;肖旭;孙奥林【摘要】多AUV(Autonomous Underwater Vehicle)在实际水下环境中执行搜索任务时,水流对AUV的航行造成较大影响,使得搜索路径增长,整个搜索团队消耗更多能量.提出了一种将速度矢量合成算法嵌入生物启发神经网络的综合算法.利用生物启发神经网络规划出搜索路径,由于水流影响,其规划的路径较长,引入速度矢量合成算法抵消水流对AUV的影响,优化每个AUV的搜索路径,在不同水流环境中进行多AUV目标搜索仿真.通过与没有引入速度矢量合成的生物启发神经网络算法对比,证明所提方法搜索路径更短、更节省能量.【期刊名称】《淮阴师范学院学报（自然科学版）》【年(卷),期】2019(018)001【总页数】6页(P24-29)【关键词】自治水下机器人;目标搜索;水流环境;速度矢量合成【作者】徐丽雯;曹翔;肖旭;孙奥林【作者单位】淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安 223300;淮阴师范学院物理与电子电气工程学院,江苏淮安223300【正文语种】中文【中图分类】TP2730 引言随着对海洋的深入开发,水下机器人作为重要的海洋开发工具得到广泛关注．水下机器人领域一个重要的研究方向是协作目标搜索算法,近年来取得了大量的研究成果．作为早期目标搜索常用的方法之一,行为策略算法是将一些简单的行为集赋予机器人,使机器人具有沿边界搜索、躲避障碍物等功能．同时,通过对简单的搜索行为进行组合,机器人能够实现复杂环境中的目标搜索任务．Balch T等[1]提出一种基于行为的启发式多机器人目标搜索算法．该算法能够引导多机器人完成对地图的全覆盖搜索．Magid等[2]进一步分析了行为搜索策略在花费和利益方面的优点.利用行为策略搜索目标,机器人不需要昂贵的定位传感器，不需要花费大量的计算资源求解机器人的精确位置,从而降低了搜索目标的成本.行为搜索策略不需要事先规划出机器人的搜索路径,而是多个机器人作为一个整体随机的选择搜索方向．但是基于行为的目标搜索还存在一些不足,如:不能保证全覆盖搜索，搜索路径的重复率高,多机器人之间基本无协作等．这些缺点使得基于行为策略的目标搜索算法搜索效率低,并且没有充分发挥多机器人协作性．针对行为搜索策略的缺点,Simmons等[3]提出一种基于边界的目标搜索算法,用于提升多机器人之间的协作性．该算法控制机器人始终向着边界进行搜索,对于参与搜索的机器人该向哪一条边界搜索,则由中央机器人根据每个机器人到达各个边界的花费和到达边界后获得的增益进行任务分配．边界将被分配给利益最大的搜索机器人．通过任务分配能够使搜索任务在各个机器人之间得到合理的协调,提高了多机器人之间的协作性,同时避免了对同一边界的重复搜索,提高了目标搜索的效率．但是该算法采用集中式的控制结构,一旦中央机器人出现故障整个系统将崩溃．Berhault M等[4]提出了另一种多机器人协作搜索策略,该策略基于组合拍卖算法,充分考虑各个目标之间的关系,对多个目标进行组合拍卖实现任务分配．该算法明显提高了搜索效率,但存在组合的数量以目标数的指数级增加,目标分配计算量大的缺点．因此该策略适用于静态已知环境下的小规模的多机器人系统,而不适用于未知环境中大规模多机器人系统的搜索任务．对于未知环境中多机器人协作搜索目标的策略,Ferranti等[5]提出一种自主搜索的方法．该方法是机器人通过向未知环境加入标签的方式间接与其他机器人实现交流,从而实现了在不可靠、距离短的无线通信环境中的目标搜索，不需要环境的先验知识就能够协调多机器人在具有不同拓扑特点的地形中运动．Cai Y[6]和Hashemi A B[7]提出了另一种未知环境中的多机器人目标搜索策略．该算法基于粒子群优化模型的分布式自组织,将抽象解空间中对最优解的搜索过程转化为在未知地图中对未搜索区域的搜索过程,以此来实现对未知环境的目标搜索．但是这些方法都需要记录机器人的移动路径,一旦搜索区域较大、机器人数量较多时,系统需要的存储空间则需要很大．因此,该算法不适合大范围、大规模的目标搜索任务．对于多AUV(Autonomous Underwater Vehicle)水下协作搜索来说,目前研究报道还较少．Yoon和Qiao[8]提出一种基于同步的多AUV搜索算法,该算法能够实现大范围的目标搜索．AUV通过定时的相聚完成数据的交换,实现对目标的协作搜索．该算法还具有冗错能力,在部分AUV出现故障以后,同样能完成搜索任务．Cao 和Zhu[9]将生物启发神经动力学模型用于多AUV目标搜索,该方法不仅能够完成搜索任务,而且能够自动躲避障碍物．但是这些算法将环境理想化,没有考虑水流影响,因此降低了该算法的实用性．由于水下环境的复杂性,多AUV目标搜索完全是三维立体搜索路径规划,水下环境中海流对AUV的运动影响很大,而且海流还是动态变化的.AUV水动力参数的时变特性,也增加了目标搜索的难度．目前,虽然多AUV协作目标搜索控制算法研究在国际上已有一定进展,但是水流环境下的AUV搜索路径规划等问题还未解决．因此,本文针对水流环境中目标搜索算法进行研究,将速度矢量合成算法嵌入到生物启发神经网络中,克服目标搜索过程中水流对AUV航行的影响．根据水下栅格地图构建生物启发神经网络,使得水下栅格地图中的每一个栅格对应着神经网络中的一个神经元,根据该神经网络中神经元的在线活性输出值分布情况规划AUV的搜索路径.应用速度矢量合成算法优化AUV的航行路径,克服水流的影响．仿真实验证明本文提及的算法在常值和时变水流环境中都能实现有效的目标搜索．1 协作目标搜索算法1.1 基于生物启发神经网络的目标搜索算法基于生物启发神经网络的目标搜索算法是将搜索路径规划问题变为寻找出AUV的下一个航行位置,只要准确找出了该位置,就能够快速的发现未知目标,且不会与障碍物发生碰撞．因此,基于生物启发神经网络的目标搜索策略是将动态环境和AUV的位置相结合,决定AUV下一步的航行位置．首先,根据水下目标搜索空间建立三维的生物启发神经网络模型,并且搜索空间中的每一个栅格对应神经网络中的一个神经元;然后,将动态环境和AUV根据神经网络中每一个神经元的活性输出值分布情况来规划AUV的搜索路径．因此,基于生物启发的神经网络的搜索路径规划就转换为求解神经网络中神经元的活性输出值,并根据其活性值的分布寻找下一步航行位置．该方法的具体步骤为:1) 根据环境信息,应用神经网络活性值求解公式计算出相邻神经元的活性输出值;2) 寻找出相邻最大活性输出值的神经元;3) AUV将最大活性输出值的神经元对应于地图中的位置作为下一时刻的航行位置．当存在多个最大相邻神经元活性输出值时,AUV随机选择其中一个最大值对应的地图位置作为下一步航行的位置,该决策方式并不会影响整个搜索路径规划的过程．基于生物启发神经网络的多AUV目标搜索已有研究成果[9-10],本文不再赘述．1.2 速度矢量合成算法生物启发神经网络较好的实现了无水流环境中的多AUV的目标搜索,但是该算法不能克服水流对AUV航行的影响．下一步的任务是研究在加入水流模型后如何克服水流对AUV航行的影响,实现AUV搜索路径的优化．在生物启发神经网络模型中引入速度矢量合成算法为AUV克服水流影响、优化搜索路径提供了良好的解决方案．速度矢量合成算法的基本思想是通过控制AUV的速度方向,使水流速度和AUV速度的合速度方向指向无水流环境中规划的下一步位置,如图1所示．图1 三维速度矢量合成算法图2 矢量Uc和矢量L确定的平面在有限的三维空间中,深色的圆点表示AUV,浅色的圆点代表AUV下一步位置．Uc 是一个矢量,表示水流的速度．L是一个从AUV当前位置坐标指向下一步位置坐标的矢量,表示该AUV在无水流环境中规划的搜索路径．同时,V也是一个矢量,表示AUV的速度．由于水下机器人速度的大小已知,所以三维速度矢量合成算法可以简化为如何控制AUV的速度方向,使水流速度与AUV速度的合成方向指向矢量L的方向．设矢量Uc和矢量L的夹角为ai4,矢量V和矢量L的夹角为ai3．由几何知识可知,要满足矢量Uc和矢量V的合矢量方向沿着L的指向,必须满足矢量Uc、矢量V以及矢量L在同一个平面上,即矢量V在矢量Uc和矢量L所确定的平面上[10]．为此,引入一个矢量T,表示垂直于矢量Uc和矢量L确定的平面,可由如下公式给出:T=Uc×L(1)由于矢量T垂直于矢量Uc和矢量L确定的平面,且矢量V在矢量Uc和矢量L确定的平面上,所以可以得到:T×V=0(2)此外,根据向量的内积定理可以得出如下公式[11]:ai4=arccos(Uc×L/|Uc|·|L|)(3)由以上分析总结,式(1)、式(2)和式(3)可以保证矢量V在矢量Uc和矢量L确定的平面上．假定矢量Uc和矢量L确定的平面为xy平面,如图2所示．图2中深色的圆点表示自治水下机器人AUV,浅色的圆点表示AUV下一步的位置．此外,Ucn表示表示矢量Uc垂直于矢量L的分矢量,Vcn表示矢量V垂直于矢量L的分矢量．问题的关键变为如何计算ai3,保证矢量V和矢量Uc的合矢量平行于矢量L,且合矢量的方向沿着矢量L的指向．控制矢量Uc和矢量V的合矢量方向平行于矢量L,需满足如下公式[12]:|V|×sin(ai3)=|Uc|×sin(ai4)(4)满足式(4)的矢量V有两个,如图2所示,其中一个位于二维坐标下的第一象限,另一个位于二维坐标系下第四象限．所以必须给出限制条件,控制矢量V的方向,如下公式:ai3+ai4=arccos(Uc×L/|Uc|·|L|)(5)结合以上几个公式可以算出矢量V的速度方向．2 水流环境中的多AUV目标搜索仿真及分析2.1 常值水流环境下的多AUV目标搜索仿真实验中,首先在工作环境中构造一个三维常值水流,设三维常值水流为B(t)=y-1.859,λ=0,与xz平面的夹角为20°,即工作空间中三维常值水流的速度大小为0.1,其速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°．为了验证三维速度矢量合成算法在解决三维常值水流影响中起的作用,本节给出了有无速度矢量合成算法的对比仿真结果(图3)．如图3所示在三维常值水流的水下环境中,有5个AUV需要搜索5个目标．其中图3a给出了不加入三维速度矢量合成算法下的多AUV的搜索路径,图3b给出了加入三维速度矢量合成算法后的多AUV的搜索轨迹．由图3a看出,5个目标分别被5个AUV发现,最终,R1发现了目标T1,R2发现了目标T3,R3发现了目标T4,R4发现了目标T2,R5发现了目标T5．由于图3a没有考虑到三维速度矢量合成算法,所以AUV在航行中都会受到水流的影响,航行轨迹向着水流方向偏转．在加入了三维速度矢量合成算法后,多AUV的搜索路径如图3b所示,每个AUV都能沿着直线段航行,用更短的路径完成目标搜索任务．(a) 不加入速度矢量合成算法的搜索路径 (b) 加入速度矢量合成算法的搜索路径图3 三维常值水流环境下的多AUV目标搜索表1给出了基于上述两种算法多AUV系统的航行距离．从表中数据可知,在应用了三维速度矢量合成算法后,每个AUV的航行距离都缩短了．可见三维速度矢量合成算法能够克服水流对多AUV航行的影响,可以提高搜索效率,节省电池能量,在相同条件下能够完成更多的搜索任务．表1 基于不同算法多AUV系统的航行距离算法AUV航行距离R1R2R3R4R5 无速度矢量合成算法50.3275.1671.4564.3884.56 有速度矢量合成算法33.5450.0249.7550.9963.28(a) 不加入速度矢量合成算法的搜索轨迹 (b) 加入速度矢量合成算法的搜索轨迹图4 三维时变水流环境下的多AUV目标搜索2.2 动态水流环境下的多AUV目标搜索三维速度矢量合成算法还可以为时变水流环境下的多AUV优化搜索路径．首先设置一个变水流模型,开始搜索时,水流模型设置为B(t)=y-arctanh(1.000),λ=0,与xz 平面的夹角为5°,此时水流的大小变为0.1,速度矢量与xy平面的夹角为90°,与xz平面的夹角为5°;当AUV到达此位置时,水流变化为B(t)=y-1.4866,λ=0,与xz平面的夹角为20°,即水流大小变为0.2,速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°．为验证该算法在解决上述变水流影响的效果,本节同样给出了一组对比的仿真结果．如图4a所示,在变水流环境中,有5个AUV需要搜索5个目标．首先,生物启发神经网络用来完成多AUV目标搜索的路径规划．然后,考虑到时变水流对AUV搜索路径的影响,速度矢量合成算法用来优化AUV的搜索路径．其中图4a表示不加入三维速度矢量合成算法下的多AUV系统的目标搜索路径,图4b表示加入三维速度矢量合成算法的多AUV系统的目标搜索路径．为了进一步研究水流对AUV航行的影响,对水下机器人R4基于这两种不同算法的搜索轨迹进行比较,如图5所示．图5a给出在不考虑速度矢量合成算法AUV的搜索轨迹,图5b表示在结合了三维速度矢量合成算法后AUV的搜索轨迹．当AUV 由初始位置开始搜索时,水流的大小变为0.1,速度矢量与xy平面的夹角为90°,与xz平面的夹角为5°,水流的影响使R4偏离规划的轨迹．当R4到达此位置坐标时,水流大小变为0.2,速度矢量与xy平面的夹角为10°、与xz平面的夹角为20°,可以看出,此时AUV的航行轨迹不再是沿着一个平滑的弧线运动,而是突然有了一个大的转向,最后搜索到T2．加入三维速度矢量合成算法后,R4的搜索轨迹如图5b所示,可以看出R4始终沿着抵消了水流影响的路径搜索到目标T2．(a)不加入速度矢量合成算法的搜索路径 (b) 加入速度矢量合成算法的搜索路径图5 R4基于不同算法的搜索轨迹综上所述,在生物启发神经网络中引入速度矢量合成算法以后,该算法能够在每次水流发生变化时,将改变的水流信息传输到三维速度矢量算法中,保证算法在完成多目标搜索任务的同时为AUV优化航行路径．算法在三维时变水流环境中的应用拓展了算法的适用范围．但是,对于时变水流和移动目标的复杂情况,算法并没有给出相应的仿真结果．3 总结针对水流环境下的多AUV目标搜索问题进行了研究．由于水流的影响使得AUV航行偏离规划的搜索路径,使得搜索效率降低;并且可能使AUV和障碍物相撞,增加AUV航行的不安全性．为了克服水流对AUV航行的不利影响,在生物启发神经网络中引入速度矢量合成算法优化AUV搜索路径,以实现AUV搜索路径与无水流环境中规划的搜索路径相同．通过对引入速度矢量合成算法和没有引入速度矢量合成算法的AUV搜索路径比较,证明了本文提及算法的有效性．分别进行常值和变水流情况下的仿真实验,进一步验证了所提及的算法能够实现各种水流下的目标搜索,有较强的适应性．虽然本文提及的算法有上述优点,但仍有一些不足,如:水流模型比较简单，在搜索过程中没有考虑AUV自身的体积等．这些都是将来工作需要解决的问题．参考文献：【相关文献】[1] Balch T, Arkin R C. Communication in reactive multiagent robotic systems[J]. Autonomous Robots, 1994, 1(1): 27-52.[2] Magid E, Tsubouchi T, Koyanagi E, et al. Building a search tree for a pilot system of a rescue search robot in a discretized random step environment[J]. Journal of Robotics and Mechatronics, 2011, 23(4): 567-581.[3] Simmons R, Apfelbaum D, Burgard W, et al.Coordination for multi-robot exploration and mapping[M].∥Proceedings of the National Conference on Artificial Intelligence, Austin, USA, 2000: 852-858.[4] Berhault M,Huang H, Keskinocak E,et al.Robot exploration with combinatorial auctions[M].∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems, Raleign, USA, 2003: 1957-1962.[5] Ferranti E, Trigoni N. Practical issues in deploying mobile agents to explore a sensor-instrumented enviro-nment[J]. Computer Journal, 2011, 54(3): 309-320.[6] Cai Y F, Yang S X. An improved PSO-based approach with dynamic parameter tuning for cooperative multi-robot target searching in complex unknown environments[J]. International Journal of Control, 2013, 86(10): 1720-1732.[7] Hashemi A B, Meybodi M R. A note on the learning automata based algorithms for adaptive parameter selection in PSO[J]. Applied Soft Computing Journal, 2011, 11(1): 689-705.[8] Yoon S, Qiao C. Cooperative search and survey using autonomous underwater vehicles (AUVs)[J]. IEEE Transactions on Parallel and Distributed Systems, 2011, 22(3): 364-379. [9] Cao X, Zhu D Q, Yang S X. Multi-AUV cooperative target search based on biological inspired neurodynamics model in three-dimensional underwater environments[J]. IEEE Transactions on Neural Networks and Learning Systems. 2016, 27(11): 2364-2374. [10] 王佳丽,曹翔. 基于生物启发反步级联控制方法的多AUV主从式编队[J]. 淮阴师范学院学报(自然科学版)， 2018, 17(1): 22-26.[11] Alberto A, Andrea C, Reiner O. Evolutionary path planning for autonomous underwater vehicles in a variable ocean[J]. IEEE Journal Oceanic Engineering, 2004, 29(2): 418-429.[12] 徐玉如,姚耀中.考虑水流影响的水下机器人全局路径规划研究[J].中国造船,2008, 49(4): 109-114.。
基于交互式模型的多AUV协同导航鲁棒性滤波算法
基于交互式模型的多AUV协同导航鲁棒性滤波算法徐博;刘德政;张勋【摘要】To deal with the problems of abnormal measurement of multiple autonomous underwater vehicle (AUV) in cooperative navigation process, a new cooperative navigation algorithm based on the interacting model is proposed to meet the requirement of navigation.Firstly, on the basis of the multiple AUV cooperative navigation model, the basic cooperative navigation filtering process is presented.Then, a generalized maximum likelihood estimation filtering algorithm is carried out to deal with the measured noise.Further, the generalized maximum likelihood estimation in the form of Schweppe is used to solve the anomaly of measurement.Finally, the interactive multiple model algorithm is used to solve the problem of the decrease of the filtering accuracy caused by the measurement noise.Simulation results show that the proposed algorithm is adaptive robust.%针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法.首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题.最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性.【期刊名称】《系统工程与电子技术》【年(卷),期】2017(039)009【总页数】7页(P2087-2093)【关键词】交互式多模型;协同导航;广义最大似然估计;自适应鲁棒卡尔曼滤波【作者】徐博;刘德政;张勋【作者单位】哈尔滨工程大学自动化学院, 黑龙江哈尔滨 150001;哈尔滨工程大学自动化学院, 黑龙江哈尔滨 150001;哈尔滨工程大学自动化学院, 黑龙江哈尔滨150001【正文语种】中文【中图分类】U666多自主式水下潜器(autonomous underwater vehicle,AUV)协同导航使得导航信息能够共享,摆脱了基阵或水面船只的束缚,使用区域更加灵活。
地磁异常影响下的 AUV 仿生导航方法研究
地磁异常影响下的 AUV 仿生导航方法研究刘明雍;李红;刘坤;杨盼盼【摘要】A navigation method is presented to drive a network of autonomous underwater vehicle (AUV) to an op⁃timal coverage configuration within the geomagnetic environment. Firstly, the environmental change operator of geo⁃magnetic components is proposed with the disturbance due to geomagnetic anomaly considered. The change operator is used to judge whether the proposed search algorithm works in the geomagnetic anomaly area or not. Secondly, a⁃dopting the direction guidance is to avoid being trapped in local minimum point. At last, experimental simulations have been carried out on and the results showthe effectiveness of the proposed approach.%针对 AUV 地磁仿生导航中，由于地磁参量在磁异常区域变化规律异常，搜索算法极易陷入局部极小问题，提出了一种基于地磁参量变化的进化搜索方法。
该搜索方法在考虑地磁异常存在的情况下，引入环境变化算子对搜索算法是否进入磁异常区域进行判断，采用方向导引使其避免算法陷于局部极小点，从而摆脱磁异常区域对导航搜索的影响。
轨迹平滑算法
轨迹平滑算法轨迹平滑算法是一种旨在减少轨迹噪声的算法，由于GPS或传感器的误差，轨迹上可能存在一些异常点，例如，当GPS信号不足时，定位会产生偏差。
此外，传感器可能会读取不准确的数据。
这些异常点会导致轨迹显得不真实、曲折，从而影响轨迹分析的准确性。
因此，需要使用轨迹平滑算法来消除这些噪声。
轨迹平滑算法主要有基于滤波和基于模型的两种方法。
基于滤波方法通过均值滤波、中值滤波、高斯滤波等滤波算法对原始轨迹数据进行过滤，以降低轨迹中的噪声点，而基于模型的方法则是将轨迹视为一维或多维曲线，采用线性回归、指数平滑、Savitzky-Golay滤波等模型进行拟合，从而消除轨迹中的噪声点。
基于滤波的轨迹平滑方法主要是利用窗口中的点来代替原始点，将滤波过程看作是一个窗口函数，将窗口中的点看作是一个区间，经过滤波后，窗口中的点会被替换为该区间内的一个平均值，从而降低轨迹中的噪声点。
常用的基于滤波的轨迹平滑方法有均值滤波、中值滤波和高斯滤波。
均值滤波是将窗口内的所有点的值相加，然后除以窗口内的点数。
均值滤波的优点是算法简单，但由于其对噪声的抑制能力不强，可能会引入一些不必要的抖动，使轨迹变得不平滑。
中值滤波是将窗口内所有点的值按照大小顺序排列，取中间值作为窗口内点的新值。
中值滤波可以有效抑制噪声，但它可能会改变原始轨迹的形状，使轨迹变得不真实。
高斯滤波是采用高斯函数作为窗口函数，将窗口中的点作为一个高斯函数的参数，将窗口内的点看作是一个高斯函数的参数，采用高斯函数的拟合方法，将窗口内的点作为一个高斯函数的参数，然后经过计算，得到窗口内点的新值。
高斯滤波可以很好地抑制噪声，同时也可以保留轨迹的真实性，但是计算量较大，收敛速度慢。
基于模型的轨迹平滑方法是将轨迹看作一维或多维曲线，采用线性回归、指数平滑、Savitzky-Golay滤波等模型进行拟合，达到消除轨迹中的噪声点的目的。
线性回归是一种常见的轨迹平滑方法，它利用轨迹上的两个点进行线性拟合，并通过剔除与拟合结果相差较大的点，从而消除轨迹中的噪声点。
基于电子海图的AUV多约束航路规划方法
基于电子海图的AUV多约束航路规划方法赵玉新;金娜;刘厂【摘要】电子海图涵盖丰富的地物信息,通过对S-57标准电子海图进行信息提取和融合,得到接近真实航行环境的三维规划空间.在此基础上,根据三维规划的需要扩展二维A*算法,并结合航路规划中常考虑的多种约束对A*规划算法进行改进.试验结果表明:基于电子海图的自主式水下航行器(Autonomous Underwater Vehicle,AUV)多约束航路规划方法能模拟出较为真实的规划空间,提出的规划算法能规划出符合多种规划约束的三维路径.【期刊名称】《中国航海》【年(卷),期】2016(039)002【总页数】5页(P11-14,23)【关键词】水路运输;S-57电子海图;自主式水下航行器;三维航路规划;A*算法【作者】赵玉新;金娜;刘厂【作者单位】哈尔滨工程大学自动化学院,哈尔滨 150000;空间物理重点实验室,北京 100076;哈尔滨工程大学自动化学院,哈尔滨 150000【正文语种】中文【中图分类】U612.1Abstract: The way to abstract geometric information from an S-57 electronic chart and fuse different element data is illustrated to define a 3D planning domain. The 2D A* algorithm is extended into 3D, and adaptedto the constraints for path planning. The trial operation shows that the proposed method can simulate real 3D planning environment and the algorithm can produce 3D paths complying with given constraints.Key words: waterway transportation; S-57 electronic chart; AUV; 3D path planning; A* algorithm随着现代航海技术不断发展，电子海图与导航应用技术的结合越来越紧密，航路规划就是其中一种很重要的结合方式。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
传播行为十分复杂 ， 其中即包括由于海面、 海底以及 水下 目标 障碍 物等 界面 的反 射与 折射所 引起 的信 号 非视距（ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ｏ ｆ ｓ ｉ ｇ ｈ ｔ ， Ｎ Ｌ Ｏ Ｓ ） 传播 。 Ｊ ， 从而造成
Ａ Ｕ Ｖ所 携带 水声换 能器 间 相 对距 离 测量 误 差 增 大 ， 进 而影 响多 Ａ Ｕ Ｖ 协作 任务 的 完 成 。对 于 Ｎ Ｌ Ｏ Ｓ量
２ ０ １ ７年 ８月 第３ ５卷第 ４期
西 北 工 业 大 学 学 报
Ｊ ｏ ｕ ｎａ ｒ ｌ ｏ ｆ Ｎｏ ｒ ｔ ｈ ｗｅ ｓ ｔ ｅ ｎ ｒ Ｐ ｏ ｌ ｙ ｔ ｅ ｃ ｈ ｎ ｉ ｃ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
Ａｕ ｇ． ２ ０１ ７
Ｖｏ １ ． ３ ５ Ｎ ｏ ． ４
的影 响， 通过设计障碍物影响下的 Ｎ Ｌ Ｏ Ｓ 量测识别 与平滑算法 ， 以求提高领航与跟随 Ａ Ｕ Ｖ间距离量测 估计精度 ， 改善多 Ａ Ｕ Ｖ协同定位整体性能。
１ 问题 描 述
在实际复杂水下多障碍物环境 中， 由于 目 标 障 碍物（ 如礁石 、 船壳等 ） 对Ａ Ｕ Ｖ编队 内部通信信号 的遮挡阻碍 ， 会引起水声 通信信号更加明显的多径 传播效应。研究 发现 ， 相较 于海面 、 海底及温跃
Ｏ Ｎ Ｌ Ｏ Ｓ距离量测误差平滑算法。仿真结果表明， 该算法可有效提高领航与跟随 Ａ Ｕ Ｖ间的相对距 离量 测估计精度 ， 减轻 Ｏ Ｎ Ｌ Ｏ Ｓ量测误 差对 多 Ａ Ｕ Ｖ协 同定位性 能的影响 。
关 键 词： 多 自主 水下航行 器 ； 水 下障碍 物 ； 非视距 量测 ； 朗伯 ｗ 函数 ； 量测识 别 ； 距 离平 滑 ； 协同
定位
中 图分 类号 ： Ｔ Ｐ ３ ９ １
文献标 志码 ： Ａ
文章 编号 ： １ ０ ０ ０ — ２ ７ ５ ８ （ ２ ０ １ ７ ） ０ ４ — ０ ６ ４ ３ — ０ ５
多 自主 水 下 航 行 器 （ ａ ｕ ｔ ｏ ｎ ｏ ｍｏ ｕ ｓ ｕ ｎ ｄ ｅ ｒ ｗ ａ ｔ ｅ ｒ ｖ ｅ —
作者 简介 ： 马朋（ １ ９ ８ ７ 一） ， 西北工业大学博士研究生 ， 主要从 事水下协同导航研究 。
・
６ ４ ４・
西
北
工
业
大
学
学
报
第３ ５卷
层对 水 声信 号 的反 射 与散 射 影 响 ， 障 碍 物所 引起 的
２ ． ２ Ｒ Ｓ Ｓ测 距
非视距传播 （ ｏ ｂ ｓ ｔ ａ ｃ ｌ ｅ — ｒ ｅ ｌ ａ ｔ ｅ ｄ Ｎ Ｌ Ｏ Ｓ ， Ｏ Ｎ Ｌ Ｏ Ｓ ） 会对通
对 于算 法 的应 当前 ， 各Ａ Ｕ Ｖ间相对距离主要通过水声通信信 制 了平 滑算法 的 自适 应 性 与 实 时性 ， 号的测量与计算来获得 ， 包括信号到达时间（ ｔ ｉ ｍ ｅ ｏ ｆ 用 环境 具有较 高要 求 。 本 文 以双主交 替 领 航 下 的多 Ａ Ｕ Ｖ协 同定 位 系 ａ ｒ ｒ ｉ ｖ ａ ｌ ， Ｔ Ｏ Ａ） 、信 号 接 收 强 度 （ ｒ ｅ ｃ ｅ ｉ ｖ ｅ ｄ ｓ ｉ ｇ ｎ ａ ｌ ｌ 为研究对象 ， 考虑到由于水下障碍物的存在而 ｓ ｔ ｒ ｅ ｎ ｇ ｔ ｈ ， Ｒ Ｓ Ｓ ） 等， 且均建立在假设通信信号为视距 统＿ 引起 的信号 Ｎ Ｌ Ｏ Ｓ 传播对各 Ａ Ｕ Ｖ间距离测量精度 （ １ ｉ ｎ ｅ ｏ ｆ ｓ ｉ ｇ ｈ ｔ ， Ｌ Ｏ Ｓ ） 传播 的基 础上。然而 ， 由于海洋 介 质是个 复杂 的声 传播 信道 ， 易受 各种 自然 条件 、 地 理 条件 及随机 因 素 的影 响 ， 使 得 水 声信 号 在 其 中的
存 在 障碍 物 影 响 的 多 ＡＵ Ｖ 间距 离 量 测 识 别 与 平滑 算 法
马 朋 ，张福 斌 ，刘 书强 ， 徐 德 民
（ 西北工业大学 航海学 院 ， 陕西 西安 ７ １ ０ ０ ７ ２ ）
摘
要： 相互间距 离量测信息是 多Ａ Ｕ Ｖ协同定位的基础。利用朗伯 Ｗ函数求解 Ａ Ｕ Ｖ间的 Ｒ Ｓ Ｓ 距离
ｈ ｉ ｃ ｌ ｅ ， Ａ Ｕ Ｖ ） 协同作业系统利用水声通信技术 ， 交换 共享各单体 Ａ Ｕ Ｖ的实时位置与相对距离等信息 ， 实 现了单体 Ａ Ｕ Ｖ难以完成的复杂任务 ， 具有广阔的应 用前景 和重要 的实用价值 ， 与此 同时也 带来 了多 Ａ Ｕ Ｖ编队协同控制、 协 同定位等新的研究问题¨ Ｊ 。
信节 点 间 的距 离 量测 造成 更 大且难 以忽略 的误 差 。
基金项 目： 国家 自然科 学基 金（ ６ １ ２ ７ ３ ３ ３ ３ ） 资助
测误差的处理 ， 文献 ［ ４ ］ 利用在线 均值与变量估计 法 而有 效 识 别 Ｎ Ｌ Ｏ Ｓ量 测 的基 础 上 ， 设计 Ｎ Ｌ Ｏ Ｓ量 测平滑算法来减小距离量测估计 的有偏误差 ， 但其
收稿 日期 ： ２ ０ １ ７ ． ０ ３ ． Ｏ １ 、
识别方法对距离量测频率具有较高的要求 ， 很难被 直接应用于通信速率很慢 的水下环境 中。文献 ［ ５ ］ 将交 互 多模理 论 与 Ｋ ａ ｌ ｍ ａ ｎ滤波 算 法 应 用 于无 线 电 与水声 Ｎ Ｌ Ｏ Ｓ 距离量测平滑算法 的设计 中， 其所设 计的相关平滑算法虽然避免 了 Ｎ Ｌ Ｏ Ｓ 量测识别的要 求， 但是 严重 依赖 于 Ｎ Ｌ Ｏ Ｓ量测 的先验 修 正偏 差 ， 限
估计 ， 并通过 Ｔ Ｏ Ａ及 Ｒ Ｓ Ｓ ２种距 离量测 结果 的比较 ， 引入 一种 障碍 物 引起 的 非视 距 （ Ｏ Ｎ Ｌ Ｏ Ｓ ） 量 测识 别 方法。在此识 别基 础上 ， 建 立 了多 Ａ Ｕ Ｖ 间距 离量测动 态变化模 型 ， 并 利用 Ｋ ａ ｌ ｍ ａ ｎ滤波 方法设 计 了