本發(fā)明涉及水下機(jī)器人探測(cè)領(lǐng)域，尤其是一種基于神經(jīng)動(dòng)力學(xué)的水下機(jī)器人分層在線路徑規(guī)劃方法。

背景技術(shù)：

1、目前，自主水下機(jī)器人在各類(lèi)水下任務(wù)領(lǐng)域得到了較為廣泛的應(yīng)用。自主水下機(jī)器人航行路徑的優(yōu)劣直接關(guān)乎任務(wù)的執(zhí)行效率。然而，受海洋環(huán)境中的通信困難和有限能源補(bǔ)給的約束，自主水下機(jī)器人無(wú)法獲得足夠的云計(jì)算配套服務(wù)和外部能源供應(yīng)。自主水下機(jī)器人只能依靠其有限的硬件計(jì)算和能源攜帶能力，在強(qiáng)動(dòng)態(tài)復(fù)雜障礙物環(huán)境下獨(dú)立生成執(zhí)行任務(wù)的路徑。因此，存在著兩個(gè)需要迫切解決的關(guān)鍵問(wèn)題。1)如何制定輕量化水下機(jī)器人路徑規(guī)劃方法，增強(qiáng)方法的在線適用性；2)如何設(shè)計(jì)出高效且精準(zhǔn)的避障方法，使自主水下機(jī)器人能夠快速且準(zhǔn)確地規(guī)劃出繞過(guò)復(fù)雜障礙物的最優(yōu)路徑，避免因算法復(fù)雜度過(guò)高而導(dǎo)致計(jì)算負(fù)擔(dān)過(guò)重，影響實(shí)時(shí)性。

2、近年來(lái)，為降低水下機(jī)器人航行的能量消耗，一些圖搜索算法(dijkstra算法、a*算法和d*算法等)被提出用于水下機(jī)器人的路徑規(guī)劃。然而，在面對(duì)復(fù)雜的圖拓?fù)浣Y(jié)構(gòu)時(shí)，上述圖搜索算法路徑搜索效率嚴(yán)重不足，導(dǎo)致路徑規(guī)劃效率低下。與此同時(shí)，諸多群智能優(yōu)化算法受益于優(yōu)越的全局優(yōu)化能力，如雙層混合算法、量子行為粒子群優(yōu)化和自適應(yīng)遺傳算法等被提出以生成可行的路徑。但是，群智能優(yōu)化算法需要先驗(yàn)的全局場(chǎng)景信息，而在動(dòng)態(tài)場(chǎng)景中，這種信息往往是不準(zhǔn)確的。并且，在強(qiáng)動(dòng)態(tài)的場(chǎng)景中，上述算法需要被頻繁地重啟以跟蹤快速動(dòng)態(tài)場(chǎng)景，從而造成巨大的計(jì)算工作量。因此，如何設(shè)計(jì)出一種安全輕量的方法，以實(shí)現(xiàn)動(dòng)態(tài)海洋情景下的路徑規(guī)劃是一個(gè)關(guān)鍵科學(xué)問(wèn)題。另外，在全局環(huán)境下，突發(fā)動(dòng)態(tài)障礙物的信息是難以準(zhǔn)確獲得的。因此如何利用已知環(huán)境信息，快速響應(yīng)強(qiáng)動(dòng)態(tài)海洋環(huán)境中突發(fā)的障礙物是平衡航行的安全性與航行效率的重要一環(huán)。因此，設(shè)計(jì)快速響應(yīng)動(dòng)態(tài)障礙物的分層安全路徑規(guī)劃算法是實(shí)現(xiàn)高質(zhì)量水下機(jī)器人路徑規(guī)劃的另一個(gè)迫切需要解決的關(guān)鍵科學(xué)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明需要解決的技術(shù)問(wèn)題是提供一種基于神經(jīng)動(dòng)力學(xué)的水下機(jī)器人分層在線路徑規(guī)劃方法。旨在解決現(xiàn)有路徑規(guī)劃方法在復(fù)雜環(huán)境下難以高效輕量的完成準(zhǔn)確的路徑規(guī)劃的問(wèn)題，可以保障強(qiáng)動(dòng)態(tài)環(huán)境下機(jī)器人的避障性能，同時(shí)降低了算法計(jì)算復(fù)雜度，實(shí)現(xiàn)了省時(shí)節(jié)能、高效安全的路徑規(guī)劃。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：一種基于神經(jīng)動(dòng)力學(xué)的水下機(jī)器人分層在線路徑規(guī)劃方法，其特征在于：具體步驟如下：

3、步驟1：構(gòu)建傳統(tǒng)的水下機(jī)器人強(qiáng)動(dòng)態(tài)海洋環(huán)境路徑規(guī)劃模型；

4、步驟2：采用基于神經(jīng)動(dòng)力學(xué)方式進(jìn)行全局的路徑規(guī)劃；

5、步驟3：在神經(jīng)力學(xué)網(wǎng)絡(luò)中引入動(dòng)態(tài)柵格機(jī)制；

6、步驟4：在路徑規(guī)劃方法中引入全局-局部分層算法進(jìn)行路徑規(guī)劃；

7、步驟5：在全局-局部分層算法基礎(chǔ)上構(gòu)建融合局部路徑評(píng)價(jià)機(jī)制。

8、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟2具體步驟如下：通過(guò)模擬神經(jīng)系統(tǒng)的動(dòng)態(tài)行為，根據(jù)路徑點(diǎn)位價(jià)值及神經(jīng)元活性值傳播方式建立神經(jīng)元活性值梯度，并選取梯度下降最大的神經(jīng)元作為最終生成的全局最優(yōu)路徑點(diǎn)位集合，神經(jīng)動(dòng)力學(xué)具體實(shí)現(xiàn)方式如下：

9、

10、其中xi(t+1)表示t+1迭代時(shí)當(dāng)前神經(jīng)元i的神經(jīng)活動(dòng)值，相應(yīng)地，xj(t)表示神經(jīng)元j在前一次迭代t時(shí)的神經(jīng)活動(dòng)值，j∈j＝{1,2,...,j}表示i的相鄰神經(jīng)元，i和j之間的連接權(quán)值為wij，其中|pi-pj|為單元i和j的距離，表示動(dòng)態(tài)柵格的外部因子，它由單元i的狀態(tài)來(lái)定義，n為柵格變化次數(shù)，e是一個(gè)無(wú)窮大的正值，轉(zhuǎn)化函數(shù)g(x)確保了xj(t)∈[0,1]。

11、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟3中動(dòng)態(tài)柵格機(jī)制具體為，一種基于事件觸發(fā)機(jī)制的動(dòng)態(tài)柵格放縮方法，根據(jù)水下機(jī)器人不同的行駛狀態(tài)動(dòng)態(tài)的改變場(chǎng)景和單元柵格的大小，具體實(shí)施方法為：

12、

13、其中表示動(dòng)態(tài)柵格的外部因子，它由單元i的狀態(tài)來(lái)定義，n為柵格變化次數(shù)，e是一個(gè)無(wú)窮大的正值。

14、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟4中的全局-局部分層算法旨在結(jié)合全局規(guī)劃的宏觀指導(dǎo)和局部規(guī)劃的實(shí)時(shí)調(diào)整能力，實(shí)現(xiàn)auv在復(fù)雜環(huán)境下的高效路徑規(guī)劃，全局-局部分層算法的路徑生成方法如下：

15、d(pn,pn+1)＝||pn-pn+1||＜dth

16、x＝[x,y,z,θyaw,θpitch,v,ω1,ω2]t

17、v∈[max(0,v-amax·δt),min(vmax,v+amax·δt)]

18、ω1∈[max(-ωmax,ω1-α1,max·δt),min(ωmax,ω1+α1,max·δt)]

19、ω2∈[max(-ωmax,ω2-α2,max·δt),min(ωmax,ω2+α2,max·δt)]

20、其中pn∈p＝{p1,p2,...,pn}表示當(dāng)前路徑坐標(biāo)點(diǎn)位集合，dth是啟動(dòng)局部動(dòng)態(tài)窗口算法的距離閾值，x是auv當(dāng)前運(yùn)動(dòng)狀態(tài)矩陣，他由位置坐標(biāo)(x,y,z)、偏航角θyaw、俯仰角θpitch、線速度v、偏航角速度ω1、俯仰角速度ω2構(gòu)成，其中v、ω1、ω2在局部動(dòng)態(tài)窗口算法中滿足單位時(shí)間δt與最大線加速度amax、最大角加速度α,max的運(yùn)動(dòng)學(xué)約束。

21、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟5中融合局部路徑評(píng)價(jià)機(jī)制分為目標(biāo)評(píng)價(jià)策略和安全評(píng)價(jià)策略。

22、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：融合局部路徑評(píng)價(jià)機(jī)制具體評(píng)價(jià)方法如下：

23、g(v,ω1,ω2)＝a·gheading+b·gdist+c·gvelocity+d·gθ+e·groute_heading

24、其中g(shù)(v,ω1,ω2)是局部路徑選擇的評(píng)價(jià)函數(shù)，a、b、c、d、e是權(quán)重參數(shù)，為評(píng)估路徑所引導(dǎo)方向與期望航向的契合程度，設(shè)定航向評(píng)價(jià)函數(shù)gheading：

25、gheading＝calcheadingeval(xt,goal)

26、為保障航行安全，降低行駛中的碰撞風(fēng)險(xiǎn)，設(shè)定障礙物距離評(píng)價(jià)函數(shù)gdist評(píng)價(jià)當(dāng)前航行路徑與識(shí)別到的障礙物之間的安全距離：

27、

28、為保障局部路徑不偏離全局路徑，設(shè)定全局路徑軌跡評(píng)估函數(shù)groute_heading：

29、

30、為衡量當(dāng)前航向與障礙物之間的夾角，設(shè)定安全角度評(píng)估函數(shù)gθ：

31、

32、為保障機(jī)器人在實(shí)際工作中有較高的工作效率，需要機(jī)器人在保障安全的前提下盡可能有更高的行駛速度，因此加入速度評(píng)價(jià)函數(shù)gvelocity：

33、

34、通過(guò)融合局部路徑評(píng)價(jià)機(jī)制確保路徑規(guī)劃結(jié)果滿足機(jī)器人運(yùn)動(dòng)學(xué)約束，有效地避免由于貪婪地追求略快的導(dǎo)航速度或保守的安全距離而導(dǎo)致的陷入局部最優(yōu)解。

35、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：還包括步驟6：對(duì)路徑規(guī)劃方法進(jìn)行性能評(píng)估，具體為：進(jìn)行了若干組隨機(jī)開(kāi)始和目標(biāo)位置的仿真實(shí)驗(yàn)，并與結(jié)合動(dòng)態(tài)窗口算法的改進(jìn)a*算法(a*+dwa)、改進(jìn)的生物啟發(fā)神經(jīng)網(wǎng)絡(luò)算法(ibinn)、改進(jìn)后的gbnn算法(igbnn)的仿真結(jié)果進(jìn)行對(duì)比。

36、由于采用了上述技術(shù)方案，本發(fā)明取得的技術(shù)進(jìn)步是：在準(zhǔn)確描述場(chǎng)景的前提下，引入基于事件觸發(fā)機(jī)制的動(dòng)態(tài)柵格放縮方法構(gòu)建神經(jīng)動(dòng)力學(xué)動(dòng)態(tài)柵格網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)機(jī)器人行駛狀態(tài)動(dòng)態(tài)改變場(chǎng)景和單元柵格大小，在保障路徑精度的同時(shí)減少計(jì)算復(fù)雜度，提高路徑輸出效率，解決了制定輕量化水下機(jī)器人路徑規(guī)劃方法、增強(qiáng)在線適用性的問(wèn)題。

37、在復(fù)雜水下環(huán)境中，通過(guò)提出全局-局部分層在線路徑規(guī)劃方法?；趯?duì)水下環(huán)境的綜合考量，如任務(wù)起止點(diǎn)、目標(biāo)點(diǎn)及障礙物分布等，為機(jī)器人規(guī)劃出宏觀指導(dǎo)性全局路徑，并分層進(jìn)行局部規(guī)劃，依據(jù)機(jī)器人實(shí)時(shí)位置、運(yùn)動(dòng)狀態(tài)及局部環(huán)境變化做出快速反應(yīng)。本方法確保機(jī)器人及時(shí)應(yīng)對(duì)環(huán)境變化并保障其始終朝著目標(biāo)點(diǎn)航行，此外，避免對(duì)已規(guī)劃區(qū)域重復(fù)計(jì)算，從而提升路徑輸出效率，有力保障了自主水下機(jī)器人在復(fù)雜環(huán)境下的高效路徑規(guī)劃。

38、通過(guò)構(gòu)建融合局部路徑評(píng)價(jià)機(jī)制，使目標(biāo)評(píng)價(jià)策略確保機(jī)器人在局部避障時(shí)不偏離全局路徑點(diǎn)位，避免陷入局部最優(yōu)解，準(zhǔn)確高效到達(dá)任務(wù)目標(biāo)點(diǎn)；通過(guò)安全評(píng)價(jià)策略，在面臨突發(fā)障礙物改變目標(biāo)可達(dá)性時(shí)，判斷繞過(guò)障礙物成本，必要時(shí)局部重新規(guī)劃路徑，確保航行安全性。