CN109471446A - 一种基于神经网络的全覆盖路径规划方法 - Google Patents
一种基于神经网络的全覆盖路径规划方法 Download PDFInfo
- Publication number
- CN109471446A CN109471446A CN201811325956.3A CN201811325956A CN109471446A CN 109471446 A CN109471446 A CN 109471446A CN 201811325956 A CN201811325956 A CN 201811325956A CN 109471446 A CN109471446 A CN 109471446A
- Authority
- CN
- China
- Prior art keywords
- auv
- path
- obstacle
- neural network
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000005284 excitation Effects 0.000 claims abstract description 12
- 230000001788 irregular Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000004888 barrier function Effects 0.000 claims abstract description 6
- 238000013459 approach Methods 0.000 claims abstract description 5
- 230000005855 radiation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000008092 positive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的全覆盖路径规划方法，包括：利用前置声纳模型探测AUV周围的环境信息,构建三维水下栅格地图；将环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算每个神经元的活性输出值；根据每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；当AUV进入死区后，利用网络重置法快速逃离死区；如果遇见不规则的障碍物，利用模块法优化全覆盖路径；最后判断是否对探测目标完成全覆盖，如果完成，结束探测任务；否则，重复上述步骤。本发明采用生物启发神经网络和模板化路径规划相结合的方式，有效减少了重复覆盖问题，达到路径优化效果。
Description
技术领域
本发明涉及水下机器人导航控制领域，具体涉及一种基于神经网络的全覆盖路径规划方法。
背景技术
自治水下机器人AUV(Autonomous Underwater Vehicle)的路径规划(PathPlanning)，是指机器人利用已知环境信息或者根据自身传感器对水下环境进行感知，自行规划出一条高效、安全、无碰的航行路线，以支持对水下目标区域的探索，或者执行相关作业使命；可见路径规划是AUV技术的核心研究内容之一。但由于海洋深处的工作环境往往是恶劣、复杂和难以预测的，同时AUV自身感知的局限性，因此AUV水下路径规划比地面移动机器人及空中飞行器的路径规划更加复杂困难，更具挑战性。
对AUV来说，由于水下环境复杂、多变、难以预测，其研究成果仍然较少，研究主要集中在模板匹配、地图构建和人工智能路径规划研究上；对于路径选择模板匹配AUV路径规划，无论是早期的简单案例路径规划方法，还是最近研究的自适应样本方法，都存在环境动态变化时，路径选择模板匹配失败的问题；地图构建虽然可以通过在线更新栅格数据来适应水下环境的动态变化，但是由于水下环境干扰频繁，同时AUV传感器资源有限，使水下地图构建的可靠性问题一直未得到有效解决，致使路径选择模板匹配失败、路径规划重复覆盖。
发明内容
本发明所要解决的技术问题是现有路径规划技术存在路径选择模板匹配失败、重复覆盖的问题。
为了解决上述技术问题，本发明所采用的技术方案是提供一种基于神经网络的全覆盖路径规划方法，包括以下步骤：
步骤S10、利用前置声纳模型探测AUV周围的环境信息,动态构建三维水下栅格地图；
步骤S20、将探测到的环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算出每个神经元的活性输出值；
步骤S30、根据生物启发神经网络模型的每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；
步骤S40、判断当AUV是否进入死区，如果是，执行步骤S50；否则，执行步骤S60；
步骤S50、利用网络重置法快速逃离死区；
步骤S60、判断是否遇见不规则的障碍物，如果是，执行步骤S70；否则，执行步骤S80；
步骤S70、利用模块法优化全覆盖路径；
步骤S80、判断是否对探测目标完成全覆盖，如果完成，结束探测任务；否则，执行步骤S10。
在上述方法中，所述前置声纳模型将声纳采集的环境信息转换成栅格地图中每个栅格的信度分配值，得到了每个栅格的信度分配值，并根据指定的栅格状态判别规则，判断出每个栅格的状态，动态构建水下栅格地图。
在上述方法中，根据被测障碍物与AUV之间的距离r与声波辐射半径量程R的大小关系，需要两个不同声纳的信度函数进行信度函数分配值的计算；
当R-d≤r≤R+d时，称该探测区间为第一区间Ⅰ，该区间的信度函数分配值为：
当Rmin≤r≤R-d时，称该探测区间为第二区间Ⅱ，该区间的信度函数分配值为：
其中，mO(i,j,k)为栅格占有障碍物的信度函数分配值；mE(i,j,k)为栅格非障碍物的信度函数分配值；m{O、E}(i,j,k)为栅格不确定状态模式的信度函数分配值；i、j、k表示栅格地图中横轴、纵轴、竖轴的坐标值；O表示障碍物；E表示非障碍物；d为辐射误差；α为辐射角度；声纳的探测角为β，计算公式为：
x′e、y′e、z′e分别表示障碍物在惯性坐标系中横轴、纵轴和竖轴的坐标值；xr、yr、zr分别表示AUV在惯性坐标系中横轴、纵轴和竖轴的坐标值；A＝(x'e-xr,0,0)为已知在声纳传感器的中心轴线上的某一点坐标，B＝(x'e-xr,y'e-yr,z'e-zr)为某一障碍物的惯性坐标，则表示AUV到障碍物的向量，表示AUV到中心轴线上某一点A的向量。
在上述方法中，步骤S20具体为：
根据栅格地图与生物启发神经网络模型的映射关系，对生物启发神经网络模型进行初始化设置；
在将栅格地图上，将未被AUV执行区域覆盖的区域状态置为未覆盖区域“Uncovered”，并在生物启发神经网络模型对应位置的神经元引入激励信号+E；当AUV执行区域覆盖后，将对应区域状态改为已覆盖区域“Covered”，并将相应位置神经元的激励信号置零；
在栅格地图上，将障碍物所在区域状态置为障碍物区域“Occupied”，并在生物启发神经网络模型相应位置的神经元引入抑制输入信号-E；
最后根据每个神经元的输入信号计算每个神经元的活性输出值。
在上述方法中，步骤S30具体为：
以弓形路径行走方式为基础，在路径选择策略中加入方向制导进行路径优化，AUV选择的路径Path的计算公式为：
其中，Pn表示在栅格地图上AUV路径的下一步位置；表示所有下一步位置(神经元)中最大的神经元的活性值；xkl表示神经元k周边相邻神经元的活性值；c是一个正值的常数；yl是与AUV艏向偏转角度Δψl相关的一个单调函数，定义如下：
其中，Pc、Pp和Pn分别表示在地图上AUV路径的当前位置、前一步位置和下一步位置，和分别为地图上AUV的当前位置、前一步位置和下一步位置的坐标。
在上述方法中，利用网络重置法快速逃离死区具体如下：
将已覆盖区域的神经元正活性值清零，令方向系数c＝0；
神经网络模型重新计算并生成新的活性值分布；
当AUV离开死区到达未覆盖区后，恢复c原值。
在上述方法中，在步骤S70中，模块法中包括四个路径选择模板，当遇见不规则障碍物时，通过匹配不同路径选择模板完成对不规则障碍物的边缘的路径优化；
对AUV当前位置周边8个位置从左下角位置开始进行从1号到8顺时针编号，四个路径选择模板具体定义为：
第一路径选择模板，如果AUV从下往上移动，且AUV正前方位置有障碍物，判断AUV的6号位置状态是否为未覆盖；
如果6号位置状态是未覆盖，则AUV的下一步路径选择6号位置，并判断7号位置状态是否为未覆盖；如果7号位置状态是未覆盖，则AUV在6号位置的下一步路径选择7号位置；
第二路径选择模板，如果AUV的左下方有障碍物，且AUV从下往上移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
第三路径选择模板，如果AUV的左上方有障碍物，且AUV从上往下移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
第四路径选择模板，如果AUV的右下方有障碍物，且AUV由右至左移动，判断AUV的8号位置状态是否为未覆盖；
如果AUV的8号位置状态为未覆盖，则下一步的路径选择AUV的8号位置。
在上述方法中，如果在四种路径选择模板中无法匹配到相应模板，则按照步骤S30的方法进行下一步的路径选择。
与现有技术相比，本发明具有以下优点：
1、采用前置声纳传感器在水中能辨别的距离远，分辨率较高，同时处理信息的过程简单、实时性强和价格低廉；
2、采用生物启发神经网络和模板化路径规划相结合的方式，有效减少了重复覆盖问题，达到路径优化效果。
附图说明
图1为本发明种基于神经网络的全覆盖路径规划方法的流程图；
图2为本发明中前视声纳模型；
图3为本发明中Glasius生物启发神经网络模型的原理图；
图4为本发明中方向向导原理图；
图5为本发明中第一路径选择模板路径选择示意图；
图6为本发明中第二路径选择模板路径选择示意图；
图7为本发明中第三路径选择模板路径选择示意图；
图8为本发明中第四路径选择模板路径选择示意图。
具体实施方式
本发明针对AUV执行水下局部区域全覆盖搜索的任务，实现地图全覆盖的路径规划，利用神经网络的神经元活性值动态分布特征，以弓形路径遍历为基础，结合机器人的运动方向，制定路径选择和区域覆盖的策略，并对不规则障碍物的边缘，制定有限的路径选择模板作为补充，不仅避免出现路径选择模板匹配失败，而且有效减少了重复覆盖问题，达到路径优化效果。下面结合说明书附图和具体实施方式对本发明做出详细说明。
如图1所示，一种基于神经网络的全覆盖路径规划方法,包括以下步骤：
步骤S10、利用前置声纳模型探测AUV周围的环境信息,动态构建三维水下栅格地图。
在本发明中，动态构建三维水下地图时，本发明采用前置声纳模型(如图2所示)对AUV周围的环境信息进行采集，前置声纳模型能准确地将声纳采集的环境信息转换成栅格地图中每个栅格的信度分配值，得到了每个栅格的信度分配值后，就可以根据指定的栅格状态判别规则判断出每个栅格的状态，从而达到动态构建地图的目的。对于一个三维环境中使用的声纳模型，因为它的对称性，只需在一个二维面上讨论该声纳的探测模型。如图2所示，设声波辐射半径量程为R，辐射误差为d，辐射角度为α，被测障碍物与AUV之间的距离为r，声纳的探测角为β，根据前面坐标转换得到的对应障碍物的惯性坐标求得，如某一障碍物的惯性坐标是B＝(x'e-xr,y'e-yr,z'e-zr)，其中，x'e、y'e、z'e分别表示障碍物在惯性坐标系中横轴、纵轴和竖轴的坐标值；xr、yr、zr分别表示AUV在惯性坐标系中横轴、纵轴和竖轴的坐标值；相应的，已知在声纳传感器的中心轴线上的某一点A＝(x'e-xr,0,0)，于是可求得：
其中，表示AUV到障碍物的向量，表示AUV到中心轴线上某一点A的向量；
根据被测障碍物与AUV之间的距离为r与声波辐射半径量程为R的大小关系，需要利用两个不同声纳的信度函数进行信度函数分配值的计算；
当R-d≤r≤R+d时，称该探测区间为第一区间Ⅰ，该区间的信度函数分配值为：
当Rmin≤r≤R-d时，称该探测区间为第二区间Ⅱ，该区间的信度函数分配值为：
其中，mO(i,j,k)为栅格占有障碍物的信度函数分配值；mE(i,j,k)为栅格非障碍物的信度函数分配值；m{O、E}(i,j,k)为栅格不确定状态模式的信度函数分配值；i、j、k表示栅格地图中横轴、纵轴、竖轴的坐标值；O表示障碍物；E表示非障碍物。
步骤S20、将探测到的AUV周围的环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算出每个神经元的活性输出值。
本发明采用了Glasius生物启发神经网络模型(如图3所示)。以搜索***的二维环境结构为例，将Glasius生物启发神经网络模型中每个神经元与二维的栅格地图对应起来，用每一个神经元代表自治水下机器人在栅格地图中的一个位置；在这个模型中，激励输入来源于代表目标的神经元(未被覆盖区域栅格)，而已知激励只来源于代表障碍物的神经元，通过神经元活性输出值的分布情况来决策出自治水下机器人的行驶位置。在本发明中步骤S20具体为：
根据栅格地图与生物启发神经网络模型的映射关系，对生物启发神经网络模型进行初始化设置；
在将栅格地图上，将未被AUV执行区域覆盖的区域状态置为未覆盖区域“Uncovered”，并在生物启发神经网络模型对应位置的神经元引入激励信号+E；当AUV执行区域覆盖后，将对应区域状态改为已覆盖区域“Covered”，并将相应位置神经元的激励信号置零；
在栅格地图上，将障碍物所在区域状态置为障碍物区域“Occupied”，并在生物启发神经网络模型相应位置的神经元引入抑制输入信号-E；
可见，生物启发神经网络模型的神经元外部输入信号与地图状态之间的对应关系为：
最后根据每个神经元的输入信号计算每个神经元的活性输出值。
步骤S30、根据生物启发神经网络模型的每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；具体路径规划如下：
以弓形路径行走方式为基础，在路径选择策略中加入方向制导进行路径优化，AUV选择的路径Path的计算公式为：
其中，Pn表示在栅格地图上AUV路径的下一步位置；表示所有下一步位置(神经元)中最大的神经元的活性值；xkl表示神经元k周边相邻神经元的活性值；c是一个正值的常数；yl是与AUV艏向偏转角度Δψl相关的一个单调函数，定义如下：
其中，Pc、Pp和Pn分别表示在地图上AUV路径的当前位置、前一步位置和下一步位置，和分别为地图上AUV的当前位置、前一步位置和下一步位置的坐标。
如图4所示为本发明中方向向导原理图的计算，当AUV下一步路径保持当前方向不变，则AUV艏向偏转角度Δψl＝0；当AUV下一步位置是往后退，则AUV艏向偏转角度Δψl＝π，Δψl∈[0,π]；则根据AUV选择的路径Path的计算公式可知，当AUV向前直行的时候(方向未变)，yl＝1；当AUV下一步位置是往后退，yl＝0；当AUV下一步位置与当前位置有一定角度的转向，0＜yl＜1；所以AUV选择的路径Path的计算公式可以理解为AUV选择路径下一步的时候，同时考虑了下一步位置对应神经元的神经元活性值大小以及转向，使得规划出来的路径尽可能保持直行，减少转向，避免重复覆盖。
步骤S40、判断当AUV是否进入死区，如果是，执行步骤S50；否则，执行步骤S60。
步骤S50、利用网络重置法快速逃离死区；网络重置法具体如下：
将已覆盖区域的神经元正活性值清零，令方向系数c＝0(也就是取消方向制导，改用点对点的路径规划方法)，让神经网络模型重新计算并生成新的活性值分布，当AUV离开死锁区到达未覆盖区后，恢复c原值。
步骤S60、判断是否遇见不规则的障碍物，如果是，执行步骤S70；否则，执行步骤S80。
步骤S70、当遇见不规则的障碍物时，利用模块法优化全覆盖路径。
在本发明中，全覆盖路径规划不仅要求避开障碍物，还利用模块法去访问不规则障碍物的边缘和每个角落。在本发明的模块法中制定了四个路径选择模板来完成不规则障碍物边缘的路径优化，如图5至图8所示(其中，C表示AUV当前的位置，P表示AUV路径前一步的位置，obstacles表示障碍物，对AUV当前位置周边8个位置从左下角位置开始进行从1号到8顺时针编号)，具体为：
第一路径选择模板。
该模板定义的是AUV从下往上移动，AUV正前方位置有障碍物、且AUV的6号位置状态是未覆盖时的下一步路径选择策略，优先选择向右拐，以对AUV在拐弯的时候进行方向规范，保证尽可能做直角迂回的拐弯。如图5所示，第一路径模板定义如下：
if(AUV正前方有障碍物)then
if(6号位未覆盖)then
{路径下一步选择6号位}
if(7号位未覆盖)then
{路径下一步选择7号位}
end if
end if
end if
即如果AUV从下往上移动，且AUV正前方位置有障碍物，判断AUV的6号位置状态是否为未覆盖；
如果6号位置状态是未覆盖，则AUV的下一步路径选择6号位置，并判断7号位置状态是否为未覆盖；如果7号位置状态是未覆盖，则AUV在6号位置的下一步路径选择7号位置；
否则，按照步骤S30的方法进行下一步的路径选择。
第二路径选择模板。
该模板定义的是AUV从下往上移动，AUV左下方位置有障碍物、且AUV左侧存在未访问的区域时的下一步路径选择策略，此时优先访问左侧的区域，选择下一步路径向左拐，如图6所示，第二路径模板定义如下：
if(障碍物位于AUV的左下方)then
if(AVU从下往上)then
if(2号位未覆盖)then
{路径下一步选择2号位}
end if
end if
end if
即如果AUV的左下方有障碍物，且AUV从下往上移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
否则，不按照模板进行运动，按照步骤S30的方法进行下一步的路径选择。
第三路径选择模板。
该模板定义的是AUV从上往下移动，AUV左上方位置有障碍物、且AUV左侧存在未访问的区域时的下一步路径选择策略，此时优先访问左侧的区域，选择下一步路径向左拐，如图7所示，第三路径模板定义如下：
if(障碍物位于AUV的左上方)then
if(AUV从上往下移动)then
if(2号位未覆盖)then
{路径下一步选择2号位}
end if
end if
end if
即如果AUV的左上方有障碍物，且AUV从上往下移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
否则，不按照模板进行运动，按照步骤S30的方法进行下一步的路径选择。
第四路径选择模板。
该模板定义的是AUV由右至左移动，AUV右下方位置有障碍物、且AUV正下方存在未访问的区域时的下一步路径选择策略，此时优先访问该区域，如图8所示，第三路径模板定义如下：
if(障碍物在AUV的右下方)then
if(AUV向左移动)then
if(8号位未覆盖)then
{路径下一步选择8号位}
end if
end if
end if
即如果AUV的右下方有障碍物，且AUV由右至左移动，判断AUV的8号位置状态是否为未覆盖；
如果AUV的8号位置状态为未覆盖，则下一步的路径选择AUV的8号位置；
否则，不按照模板进行运动，按照步骤S30的方法进行下一步的路径选择。
步骤S80、判断是否对探测目标完成全覆盖，如果完成，则AUV回到指定位置，结束探测任务；否则，执行步骤S10，继续进行探测任务。
本发明并不局限于上述最佳实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的全覆盖路径规划方法，其特征在于，包括以下步骤：
步骤S10、利用前置声纳模型探测AUV周围的环境信息,动态构建三维水下栅格地图；
步骤S20、将探测到的环境信息映射到生物启发神经网络模型上，并在与栅格地图的未覆盖栅格对应的神经元中引入激励输入信号，计算出每个神经元的活性输出值；
步骤S30、根据生物启发神经网络模型的每个神经元的活性输出值和方向向导函数为AUV的探测任务规划全覆盖路径；
步骤S40、判断当前AUV是否进入死区，如果是，执行步骤S50；否则，执行步骤S60；
步骤S50、利用网络重置法快速逃离死区；
步骤S60、判断是否遇见不规则的障碍物，如果是，执行步骤S70；否则，执行步骤S80；
步骤S70、利用模块法优化全覆盖路径；
步骤S80、判断是否对探测目标完成全覆盖，如果完成，结束探测任务；否则，执行步骤S10。
2.根据权利要求1所述的方法，其特征在于，所述前置声纳模型将声纳采集的环境信息转换成栅格地图中每个栅格的信度分配值，得到了每个栅格的信度分配值，并根据指定的栅格状态判别规则，判断出每个栅格的状态，动态构建水下栅格地图。
3.根据权利要求2所述的方法，其特征在于，根据被测障碍物与AUV之间的距离r与声波辐射半径量程R的大小关系，需要两个不同声纳的信度函数进行信度函数分配值的计算；
当R-d≤r≤R+d时，称该探测区间为第一区间Ⅰ，该区间的信度函数分配值为：
当Rmin≤r≤R-d时，称该探测区间为第二区间Ⅱ，该区间的信度函数分配值为：
其中，mO(i,j,k)为栅格占有障碍物的信度函数分配值；mE(i,j,k)为栅格非障碍物的信度函数分配值；m{O、E}(i,j,k)为栅格不确定状态模式的信度函数分配值；i、j、k表示栅格地图中横轴、纵轴、竖轴的坐标值；O表示障碍物；E表示非障碍物；d为辐射误差；α为辐射角度；声纳的探测角为β，计算公式为：
x′e、y′e、z′e分别表示障碍物在惯性坐标系中横轴、纵轴和竖轴的坐标值；xr、yr、zr分别表示AUV在惯性坐标系中横轴、纵轴和竖轴的坐标值；A＝(x'e-xr,0,0)为已知在声纳传感器的中心轴线上的某一点坐标，B＝(x'e-xr,y'e-yr,z'e-zr)为某一障碍物的惯性坐标，则表示AUV到障碍物的向量，表示AUV到中心轴线上某一点A的向量。
4.根据权利要求1所述的方法，其特征在于，步骤S20具体为：
根据栅格地图与生物启发神经网络模型的映射关系，对生物启发神经网络模型进行初始化设置；
在将栅格地图上，将未被AUV执行区域覆盖的区域状态置为未覆盖区域“Uncovered”，并在生物启发神经网络模型对应位置的神经元引入激励信号+E；当AUV执行区域覆盖后，将对应区域状态改为已覆盖区域“Covered”，并将相应位置神经元的激励信号置零；
在栅格地图上，将障碍物所在区域状态置为障碍物区域“Occupied”，并在生物启发神经网络模型相应位置的神经元引入抑制输入信号-E；
最后根据每个神经元的输入信号计算每个神经元的活性输出值。
5.根据权利要求1所述的方法，其特征在于，步骤S30具体为：
以弓形路径行走方式为基础，在路径选择策略中加入方向制导进行路径优化，AUV选择的路径Path的计算公式为：
其中，Pn表示在栅格地图上AUV路径的下一步位置；表示所有下一步位置(神经元)中最大的神经元的活性值；xkl表示神经元k周边相邻神经元的活性值；c是一个正值的常数；yl是与AUV艏向偏转角度Δψl相关的一个单调函数，定义如下：
其中，Pc、Pp和Pn分别表示在地图上AUV路径的当前位置、前一步位置和下一步位置，(xPc,yPc)、(xPp,yPp)和(xPl,yPl)分别为地图上AUV的当前位置、前一步位置和下一步位置的坐标。
6.根据权利要求1所述的方法，其特征在于，在步骤S50中，利用网络重置法快速逃离死区具体如下：
将已覆盖区域的神经元正活性值清零，令方向系数c＝0；
神经网络模型重新计算并生成新的活性值分布；
当AUV离开死区到达未覆盖区后，恢复c原值。
7.根据权利要求1所述的方法，其特征在于，在步骤S70中，模块法中包括四个路径选择模板，当遇见不规则障碍物时，通过匹配不同路径选择模板完成对不规则障碍物的边缘的路径优化；
对AUV当前位置周边8个位置从左下角位置开始进行从1号到8顺时针编号，四个路径选择模板具体定义为：
第一路径选择模板，如果AUV从下往上移动，且AUV正前方位置有障碍物，判断AUV的6号位置状态是否为未覆盖；
如果6号位置状态是未覆盖，则AUV的下一步路径选择6号位置，并判断7号位置状态是否为未覆盖；如果7号位置状态是未覆盖，则AUV在6号位置的下一步路径选择7号位置；
第二路径选择模板，如果AUV的左下方有障碍物，且AUV从下往上移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
第三路径选择模板，如果AUV的左上方有障碍物，且AUV从上往下移动，判断AUV的2号位置状态是否为未覆盖；
如果AUV的2号位置状态为未覆盖，则下一步的路径选择AUV的2号位置；
第四路径选择模板，如果AUV的右下方有障碍物，且AUV由右至左移动，判断AUV的8号位置状态是否为未覆盖；
如果AUV的8号位置状态为未覆盖，则下一步的路径选择AUV的8号位置。
8.根据权利要求1所述的方法，其特征在于，在步骤S70中，如果在四种路径选择模板中无法匹配到相应模板，则按照步骤S30的方法进行下一步的路径选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811325956.3A CN109471446A (zh) | 2018-11-08 | 2018-11-08 | 一种基于神经网络的全覆盖路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811325956.3A CN109471446A (zh) | 2018-11-08 | 2018-11-08 | 一种基于神经网络的全覆盖路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109471446A true CN109471446A (zh) | 2019-03-15 |
Family
ID=65672409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811325956.3A Pending CN109471446A (zh) | 2018-11-08 | 2018-11-08 | 一种基于神经网络的全覆盖路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109471446A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN110989638A (zh) * | 2019-12-06 | 2020-04-10 | 南京邮电大学 | 一种基于自主航行技术的水下建筑物缺陷检测方法 |
| CN111158401A (zh) * | 2020-01-20 | 2020-05-15 | 北京理工大学 | 一种分布式鼓励时空数据探索的无人机路径规划***及方法 |
| CN111176281A (zh) * | 2019-12-31 | 2020-05-19 | 大连民族大学 | 基于象限法的多水面无人艇覆盖式协同搜索方法及*** |
| CN111290398A (zh) * | 2020-03-13 | 2020-06-16 | 东南大学 | 基于生物启发神经网络和强化学习的无人艇路径规划方法 |
| CN111337930A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
| CN112352530A (zh) * | 2020-10-27 | 2021-02-12 | 点亮明天科技(北京)有限责任公司 | 一种自动除草机器人的工作路径优化方法 |
| CN113627646A (zh) * | 2021-07-08 | 2021-11-09 | 中汽创智科技有限公司 | 一种基于神经网络的路径规划方法、装置、设备及介质 |
| CN114326698A (zh) * | 2021-11-17 | 2022-04-12 | 中国船舶重工集团公司第七0九研究所 | 一种uuv覆盖探测水下目标的任务规划方法及*** |
| CN114815843A (zh) * | 2022-05-10 | 2022-07-29 | 河海大学 | 一种基于改进a*-ccnn算法的无人艇路径规划方法 |
| CN115143970A (zh) * | 2022-09-01 | 2022-10-04 | 安徽大学 | 一种基于威胁度评估的水下航行器避障方法和*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11249734A (ja) * | 1998-03-03 | 1999-09-17 | Mitsubishi Heavy Ind Ltd | 自律誘導装置 |
| CN103869824A (zh) * | 2014-03-05 | 2014-06-18 | 河海大学常州校区 | 基于生物触角模型的多机器人水下目标搜寻方法及装置 |
| CN106843216A (zh) * | 2017-02-15 | 2017-06-13 | 北京大学深圳研究生院 | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 |
| CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策***的水下潜器路径规划方法 |
| CN108762281A (zh) * | 2018-06-08 | 2018-11-06 | 哈尔滨工程大学 | 一种基于记忆关联强化学习的嵌入式实时水下机器人智能决策方法 |
-
2018
- 2018-11-08 CN CN201811325956.3A patent/CN109471446A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11249734A (ja) * | 1998-03-03 | 1999-09-17 | Mitsubishi Heavy Ind Ltd | 自律誘導装置 |
| CN103869824A (zh) * | 2014-03-05 | 2014-06-18 | 河海大学常州校区 | 基于生物触角模型的多机器人水下目标搜寻方法及装置 |
| CN106843216A (zh) * | 2017-02-15 | 2017-06-13 | 北京大学深圳研究生院 | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 |
| CN108444481A (zh) * | 2018-03-25 | 2018-08-24 | 哈尔滨工程大学 | 一种基于辅助决策***的水下潜器路径规划方法 |
| CN108762281A (zh) * | 2018-06-08 | 2018-11-06 | 哈尔滨工程大学 | 一种基于记忆关联强化学习的嵌入式实时水下机器人智能决策方法 |
Non-Patent Citations (3)
| Title |
|---|
| MINGZHONG YAN: "Complete coverage path planning in an unknown underwater environment based on D-S data fusion real-time map building", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
| 张志远等: "基于生物激励神经网络的清洁机器人遍历路径规划算法的改进", 《轻工学报》 * |
| 曹翔等: "栅格地图中多机器人协作搜索目标", 《控制理论与应用》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109782779B (zh) * | 2019-03-19 | 2020-11-06 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN110989638A (zh) * | 2019-12-06 | 2020-04-10 | 南京邮电大学 | 一种基于自主航行技术的水下建筑物缺陷检测方法 |
| CN111176281A (zh) * | 2019-12-31 | 2020-05-19 | 大连民族大学 | 基于象限法的多水面无人艇覆盖式协同搜索方法及*** |
| CN111158401A (zh) * | 2020-01-20 | 2020-05-15 | 北京理工大学 | 一种分布式鼓励时空数据探索的无人机路径规划***及方法 |
| CN111158401B (zh) * | 2020-01-20 | 2021-08-27 | 北京理工大学 | 一种分布式鼓励时空数据探索的无人机路径规划***及方法 |
| CN111290398A (zh) * | 2020-03-13 | 2020-06-16 | 东南大学 | 基于生物启发神经网络和强化学习的无人艇路径规划方法 |
| CN111290398B (zh) * | 2020-03-13 | 2022-10-25 | 东南大学 | 基于生物启发神经网络和强化学习的无人艇路径规划方法 |
| CN111337930A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
| CN111337930B (zh) * | 2020-03-19 | 2022-07-15 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
| CN112352530A (zh) * | 2020-10-27 | 2021-02-12 | 点亮明天科技(北京)有限责任公司 | 一种自动除草机器人的工作路径优化方法 |
| CN113627646A (zh) * | 2021-07-08 | 2021-11-09 | 中汽创智科技有限公司 | 一种基于神经网络的路径规划方法、装置、设备及介质 |
| CN113627646B (zh) * | 2021-07-08 | 2024-07-02 | 中汽创智科技有限公司 | 一种基于神经网络的路径规划方法、装置、设备及介质 |
| CN114326698A (zh) * | 2021-11-17 | 2022-04-12 | 中国船舶重工集团公司第七0九研究所 | 一种uuv覆盖探测水下目标的任务规划方法及*** |
| CN114815843A (zh) * | 2022-05-10 | 2022-07-29 | 河海大学 | 一种基于改进a*-ccnn算法的无人艇路径规划方法 |
| CN115143970A (zh) * | 2022-09-01 | 2022-10-04 | 安徽大学 | 一种基于威胁度评估的水下航行器避障方法和*** |
| CN115143970B (zh) * | 2022-09-01 | 2022-11-29 | 安徽大学 | 一种基于威胁度评估的水下航行器避障方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109471446A (zh) | 一种基于神经网络的全覆盖路径规划方法 | |
| EP3635500B1 (en) | Method of navigating a vehicle and system thereof | |
| CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
| KR101372482B1 (ko) | 이동 로봇의 경로 계획 방법 및 장치 | |
| Hernández et al. | Online motion planning for unexplored underwater environments using autonomous underwater vehicles | |
| CN108628326B (zh) | 一种智能水下机器人运动重规划策略 | |
| CN111176281A (zh) | 基于象限法的多水面无人艇覆盖式协同搜索方法及*** | |
| CN114442625B (zh) | 基于多策略联合控制智能体的环境地图构建方法及装置 | |
| CN109798899B (zh) | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 | |
| CN114967701A (zh) | 一种动态环境下移动机器人自主导航方法 | |
| CN114879660A (zh) | 一种基于目标驱动的机器人环境感知方法 | |
| Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
| Oh et al. | Complete coverage navigation of clean robot based on triangular cell map | |
| Zuo et al. | A path planning framework for indoor low-cost mobile robots | |
| CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
| CN111007518A (zh) | 基于声纳图像处理的水下机器人水下定位和路径规划方法 | |
| You et al. | A novel obstacle avoidance method for low-cost household mobile robot | |
| EP4205084A1 (en) | Multi-agent map generation | |
| CN114489036A (zh) | 一种基于slam的室内机器人导航控制方法 | |
| Luo et al. | Planning optimal trajectory for histogram-enabled mapping and navigation by an efficient PSO algorithm | |
| Bashi et al. | Developing a model for unmanned aerial vehicle with fixed-wing using 3D-map exploring rapidly random tree technique | |
| Xu et al. | Guided Trajectory Filtering for Challenging Long-Range AUV Navigation | |
| Wang et al. | Multistrategy-Based Environment Map Building Using a Mobile Agent | |
| CN114136322B (zh) | 一种基于经验航法的大型无人艇自动航线规划 | |
| Luo et al. | A new hopfield-type neural network approach to multi-goal vehicle navigation in unknown environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190315 |
|
| WD01 | Invention patent application deemed withdrawn after publication |