了得網工業技術_自主水下機器人實時避踫方法

編輯推薦

水下作業機器人,避踫,方法

內容簡介

《自主水下機器人實時避踫方法》聚焦於如何設計一個完整的AUV實時避踫繫統，分別介紹實時避踫繫統中涉及的各個部分，主要包括：如何根據不同類別避踫聲吶輸出信息進行避踫場景的表達和判斷(第2、3章)；如何根據避踫場景和繫統狀態實時決策避踫行為(第4、5章)；如何實時更新地圖並進行實時路徑規劃(第6章)；*後，針對避踫性能評價提出一種實時避踫能力的定量評價方法(第7章)。

目錄
叢書前言一
叢書前言二
前言
1 緒論 1
1.1 引言 1
1.2 AUV避踫傳感器 3
1.2.1 測距聲吶 3
1.2.2 機械掃描聲吶 4
1.2.3 多波束圖像聲吶 4
1.2.4 其他避踫傳感器 5
1.2.5 小結 5
1.3 避踫聲吶數據融合方法 6
1.3.1 測距聲吶數據融合方法 6
1.3.2 圖像聲吶數據融合方法 7
1.3.3 小結 8
1.4 實時避踫方法 8
1.4.1 人工勢場法 9
1.4.2 人工智能方法 9
1.4.3 強化學習方法 11
1.4.4 優化搜索方法 11
1.4.5 其他方法 12
1.4.6 小結 13
參考文獻 14
2 基於測距聲吶的踫撞危險度估計 19
2.1 引言 19
2.2 測距聲吶數據不確定性分析 19
2.2.1 測距聲吶數據的不確定性 19
2.2.2 測距聲吶數據不確定性對AUV航行的影響 20
2.3 D-S證據理論概述 21
2.4 基於D-S證據理論的測距聲吶數據融合方法 22
2.4.1 測距聲吶動態模型 23
2.4.2 基於占有柵格的環境建模 26
2.4.3 一致性決策規則 27
2.4.4 改進的證據融合公式 28
2.5 仿真和湖試數據驗證 32
2.5.1 仿真驗證 32
2.5.2 湖試數據驗證 36
2.6 基於傳感器信息的海底地形估計 38
2.6.1 擴展卡爾曼濾波 38
2.6.2 *小二乘法 39
2.6.3 仿真驗證 41
參考文獻 43
3 基於聲吶圖像的水下障礙特征提取 45
3.1 引言 45
3.2 圖像聲吶成像原理及特點 45
3.3 聲吶圖像處理方法 49
3.3.1 聲吶圖像濾波方法 50
3.3.2 聲吶圖像分割 55
3.3.3 聲吶圖像形態學處理方法 67
3.3.4 障礙物特征提取 68
參考文獻 77
4 自主水下機器人實時避踫決策方法 78
4.1 引言 78
4.2 自主水下機器人模糊避踫決策 79
4.2.1 自主水下機器人模糊避踫規劃 80
4.2.2 輸入輸出變量的模糊化 81
4.2.3 建立模糊控制規則 82
4.2.4 輸出變量的去模糊化 84
4.3 基於有限自動機的三維避踫過程建模 84
4.3.1 奔向目標行為 87
4.3.2 緊急轉向行為 88
4.3.3 緊急上浮行為 89
4.3.4 保持距離行為 89
4.3.5 保持高度行為 91
4.4 基於事件反饋的避踫監控器 91
4.4.1 監控器自動機的設計 93
4.4.2 受控自動機的設計 94
參考文獻 96
5 自主水下機器人實時避踫學習方法 97
5.1 引言 97
5.2 神經網絡原理 97
5.2.1 人簡述 98
5.2.2 人工神經網絡模型 100
5.2.3 人工神經網絡學習 101
5.3 基於BP算法的避踫神經網絡設計 101
5.3.1 BP算法原理 101
5.3.2 避踫神經網絡設計 103
5.3.3 避踫神經網絡訓練 104
5.4 仿真驗證 106
5.4.1 垂直面避踫場景 106
5.4.2 水平面避踫場景 108
5.4.3 兩個障礙避踫場景 109
5.4.4 多障礙避踫場景 110
參考文獻 111
6 自主水下機器人實時路徑規劃方法 112
6.1 引言 112
6.2 基於免疫遺傳算法的實時路徑規劃 113
6.2.1 實時路徑規劃問題的遺傳表示 113
6.2.2 改進的小生境遺傳實時路徑規劃算法 114
6.2.3 免疫遺傳算法 119
6.2.4 仿真驗證 124
6.3 基於改進蟻群算法的實時路徑規劃 125
6.3.1 蟻群算法基本原理 125
6.3.2 改進算法 127
6.3.3 仿真分析 128
參考文獻 131
7 實時避踫繫統的評價與驗證 132
7.1 引言 132
7.2 實時避踫繫統的結構模型 132
7.2.1 感知子繫統 133
7.2.2 決策規劃子繫統 134
7.2.3 推進子繫統 136
7.3 AUV實時避踫能力綜合評價體繫 137
7.3.1 建立AUV實時避踫能力綜合評價體繫的原則 137
7.3.2 建立AUV實時避踫能力綜合評價體繫的步驟 138
7.3.3 AUV實時避踫能力綜合評價方法 139
7.4 實時避踫繫統驗證 142
7.4.1 障礙的含義 143
7.4.2 典型障礙場景設計 143
參考文獻 145
索引 146
彩圖

在線試讀

1 緒論
1.1 引言
國際機器人聯合會(International Federation of Robotics，IFR)將機器人定義為一種半自主或全自主工作的機器，它能完成有益於人類的工作。其中應用於水下環境的機器人稱為水下機器人。水下機器人以操作者(人)與被操作對像(機器人水下載體)之間的相對位置可以分為三類：人位於機器人載體內部(屬直接操作方式)稱為載人潛水器(human operated vehicle，HOV)；人在機器人載體外部(如母船上)通過臍帶纜操作則稱為遙控水下機器人(remotely operated vehicle，ROV)；由載體內的計算機控制繫統代替人自動/自主操作稱為自主水下機器人(autonomous underwater vehicle，AUV)[1]。AUV是一種具有獨立推進繫統、傳感器和自動，能夠在極少干預或無人干預下自主完成采樣、測量等任務的智能水下運載/作業平臺。與HOV和ROV相比，AUV更適用於搭載探測傳感器和采樣工具進行大範圍、遠距離的探測與作業。
歷經數十年的發展，AUV單體技術日趨成熟，市場上在售的中小型AUV能自主執行大部分探測類任務(即以搜集數據為主，不使用作業工具，不采集水樣)。但是目前AUV產品的智能水平和適應復雜海洋環境的能力還非常有限；即使具備自主避踫能力，也多僅能應對障礙稀疏(探測範圍內僅有一個障礙)的簡單場景。未來隨著各種應用需求的日益增長，對AUV復雜環境適應能力要求將越來越高：從已知地圖、平坦海底區域向近岸、近海底的未知復雜地形海區擴展。實際未知環境給AUV引入大量不確定性，其中對其產生昀大危險的是未知障礙。那些海底突起的山脊、珊瑚礁、沉船、水雷、繫泊平臺、人工結構物，以及潛艇、大型海洋生物都可能給AUV帶來致命的傷害。如何規避實際海洋環境中的未知障礙是制約AUV廣泛應用的關鍵問題之一。
機器人要實時躲避未知障礙，必須具備兩種能力：一是感知和識別環境中障礙的能力，即環境建模——處理和融合探測傳感器數據、提取和描述障礙物特征、更新環境地圖；二是以實時環境中的障礙為約束進行避踫決策和規劃的能力，即實時避踫規劃——為避開未知障礙不斷規劃機器人運動行為的過程。兩者緊密相連，環境建模是基礎和前提，為實時避踫提供實時障礙物約束；實時避踫是核心，根據障礙物約束、繫統當前狀態，以優化的方式選擇避開障礙物的行為。
實際未知環境中的環境建模與實時避踫是智能機器人面臨的共性難題。目前，針對結構化、準結構化環境中的實時避踫技術已取得顯著進展，一些智能移動機器人已具備在室內或道路環境中自主執行任務的能力。但是，AUV與移動機器人、無人機等其他智能機器人相比，具有一定的特殊性。首先，AUV的作業空間是一種典型的非結構化的三維動態空間，空間尺度可達幾十公裡乃至數百公裡，空間中的障礙物有的是有規則外形的結構物，有的是不規則的復雜洋中脊地形，此外還存在海流、潮汐、內波、風暴潮等其他未知因素。其次，AUV所攜帶的探測傳感器受外界環境影響較大，傳感器感知信息存在較大的不確定性。比如海水溫度、鹽度的變化將導致聲速的不確定性，進而影響聲吶探測距離等。另外，AUV多屬於欠驅動的載體，雖然其運動是三維空間的六自由度運動，但可控自由度通常隻有三到四個(沒有橫滾角和側移控制)，使得避踫行為執行的效果具有不確定性。AUV通常也沒有懸停能力，不能像移動機器人遇到危險障礙時可以緊急剎車、停下來看清楚後再決定向哪個方向前進，AUV必須在航行過程中決策和執行避踫行為。由此，AUV環境建模與實時避踫方法研究更具有創新性且面臨非常大的挑戰。
實時避踫是指AUV基於傳感器信息在線判別前方是否有阻礙航行的障礙，若發現障礙則制訂出規避障礙的行動方案。因而，實時避踫是AUV具有環境適應能力的一種具體體現，也是其在未知海洋環境中作業所必需的一種智能行為能力；它不僅關繫到是否能順利完成作業使命，而且直接關繫到AUV自身安全。因此，無論是從實際應用前景還是從理論研究意義方面看，AUV實時避踫方法都具有重要的研究價值。
實時避踫是利用環境傳感器提供的局部環境信息產生下一時刻機器人期望行為的決策過程。它的前提是AUV在航行過程中具有感知和識別環境變化的能力，這取決於避踫傳感器及其數據融合方法。它的核心是基於傳感器信息的在線行為決策或軌跡規劃，這取決於實時避踫規劃方法。由此，一個完整的AUV實時避踫繫統包括避踫傳感器、傳感器數據處理和實時避踫算法三個部分。避踫傳感器是AUV感知環境變化的手段，數據處理用於從傳感器數據中獲得可靠的障礙信息，實時避踫算法是應用實時障礙信息實現躲避障礙、到達給定目標的方法。本章將從上述三個方面分別概述國內外發展現狀。
1.2 AUV避踫傳感器
避踫傳感器是AUV探測障礙的手段，是實現實時避障行為的前提和基礎。在航行過程中AUV完全依賴避踫傳感器提供的數據來確定是否出現阻礙其前行的障礙和障礙的基本信息。避踫傳感器單位時間內所能提供的信息量將直接影響實時避踫的結構和方法。在AUV實時避踫過程中，避踫傳感器起著舉足輕重的作用。
聲波是目前在海洋中**能夠遠距離傳播的能量輻射形式，因此聲吶是常用的AUV避踫傳感器。按照功能可將聲吶劃分為測距聲吶、機械掃描聲吶和多波束成像聲吶。早期測距聲吶(有時把高度計用於測距)是AUV常用的避踫傳感器。2010年以後，隨著成像聲吶技術和產品的成熟和不斷發展，機械掃描聲吶和多波束圖像聲吶(可統稱為成像聲吶)更多地應用於AUV避踫繫統之中。近年來，大多數AUV選用多波束圖像聲吶作為避踫傳感器。
1.2.1 測距聲吶
測距聲吶通常是指主動發射單個波束、能夠測量波束範圍內*近障礙的相對距離的回聲測距儀。如圖1.1所示，測距聲吶波束以換能器為中心，呈一定開角的圓錐狀向外輻射，當遇到障礙時產生回波，通過計算接收回波的時間測算與障礙的距離[2]。因而，測距聲吶隻輸出障礙距離信息。由於測量方向的單一性，測距聲吶多成組使用，且以矢量布置在AUV艏部居多。例如，7個開角為10°的測距聲吶可覆蓋AUV正前方向.35°至35°的範圍；艏部布置4個、艉部布置2個可實現前後照應[3]。
圖1.1 測距聲吶工作原理[2]
測距聲吶具有簡單、經濟、實用等優點。根據測距聲吶輸出的與昀近障礙的距離信息可直接判斷該方向上踫撞的危險度，而無須復雜的處理過程。因此，測距聲吶在早期的AUV避踫中應用較多。但是，每個測距聲吶隻能獲得一個固定方向上的障礙距離信息，要讓AUV具有覆蓋整個前進方向的視野，需要在空間布置多個測距聲吶纔能實現。而隨著測距聲吶個數的增加，所需的安裝空間也增大。此外，測距聲吶在實際海洋環境中虛警率較高，會導致AUV頻繁誤入避踫狀態的問題。
1.2.2 機械掃描聲吶
機械掃描聲吶(圖1.2)采用機械旋轉裝置使得波束旋轉起來，能完成整周360°的掃描；將每次掃描所獲得的信息拼接到一幅聲吶圖像上，則呈現出掃描平面上障礙的基本信息。Kongsberg Maritime EM 2000和英國Marine Electronics Ltd.生產的Dolphin Model 6201聲吶即屬於這類聲吶。
通過對機械掃描聲吶圖像的融合處理，不僅可以獲得障礙的距離信息，還可以提取出障礙方位和聲吶波束內的障礙輪廓信息等。機械掃描聲吶用於避踫的缺點是掃描一周的時間較長，使得AUV正前方向數據更新較慢，難以滿足高速航行時實時判斷AUV航行方向安全的需求。另外，如圖1.2(b)所示，聲吶的工作原理使其“看”近處的、較小的障礙沒有陰影，“看”遠處的、較大的障礙可能有陰影，在接近海底或障礙時視距會變得非常小。
圖1.2 機械掃描聲吶工作原理[4]
1.2.3 多波束圖像聲吶
為了在距離和角度方向上均獲得更高的分辨率，多波束成像技術不斷發展，並在近些年逐漸發展成為小型化低功耗的多波束成像聲吶產品。如圖1.3所示，波束多個換能器之間相差較小的角度，通過觸發多個換能器發射較窄的波束達到覆蓋一定角度範圍的目的。因而，多波束圖像聲吶可實時獲得開角範圍內回波強度的偽彩色處理的圖像信息。據此，通過聲吶圖像處理算法可提取出障礙的位置、輪廓等信息。
圖1.3 多波束圖像聲吶原理圖[2]
與機械掃描聲吶相比，多波束圖像聲吶的優點是顯而易見的：多個波束同時測量使得實時性更好，並且不同波束對同一物體的回波處理也使得測量分辨率和準確性更高。當然，多波束聲吶輸出圖像需要專門的采集和處理繫統來實現實時障礙判別，但這在微處理器運算和存儲能力日益強大的今天是沒有問題的。多波束圖像聲吶已成為當今AUV避踫傳感器的**。
1.2.4 其他避踫傳感器
除上述聲學傳感器外，一些研究者也嘗試將其他原理的傳感器用於水下機器人避踫，如紅外傳感器[5]、水下攝像機[6]、激光測距儀[7]、超聲傳感器[8]等。但由於這些傳感器在水下的作用距離比較有限——例如，水下攝像機在良好水質中**作用距離僅十幾米，在渾濁水質中可視距離可能僅有1～2m；超聲傳感器在水中作用距離是幾英尺(1英尺=0.3048米)——常在室內水池試驗中用於驗證避踫方法，而無法在實際海洋中作為AUV避踫傳感器應用。
1.2.5 小結
每種聲吶都有自身的優勢和局限。表1.1為測距聲吶、機械掃描聲吶和多波束圖像聲吶的典型貨架產品的主要技術指標對比。從表中可以看出，聲吶的**探測距離主要由工作頻率來決定，通常來說工作頻率越高，**探測距離越小。
因而在選擇避踫傳感器時，首先應根據水下機器人的巡航速度測算所需的昀大探測距離，從而選定聲吶的工作頻率。
表1.1 三類聲吶避踫特性對比
測距聲吶和機械掃描聲吶在距離分辨率指標方面具有優勢，但是對於識別較大尺度的水中障礙物來說意義並不大。它們結構簡單、尺寸較小，在2010年以前是AUV的主流避踫傳感器。後來隨著多波束圖像聲吶技術的成熟，並考慮到其低功耗、小型化的特點，目前越來越多的AUV采用多波束圖像聲吶作為避踫傳感器。而基於聲吶圖像的障礙自主判別對AUV的處理速度和存儲能力提出了較高要求，通常采用單獨的圖像來實現。
無論是哪一類聲吶，受水聲特性和海洋環境影響，其輸出數據均具有較大的不確定性，均需一定的數據融合方法從原始傳感器數據中提取出準確、可靠的障礙信息。
1.3 避踫聲吶數據融合方法
1.3.1 測距聲吶數據融合方法
測距聲吶是一種低分辨率的避踫聲吶，隻輸出與障礙的相對距離信息，因此，測距聲吶常成組、空間分布使用。用於多個測距聲吶的數據融合方法致力於將各個方向的障礙距離信息加以綜合，從而降低單個測距聲吶的不確定性。
測距聲吶與移動機器人常用的超聲測距儀類似，都屬於在一定角度範圍內測量與物體相對距離的測距傳感器。所測得的距離屬於一維信息，要借助傳感器模

商品搜索

商品分类

【醫學】

【各大出版社】