CN109634308B - 基于动力学的速度模型辅助水下智能导航方法 - Google Patents
基于动力学的速度模型辅助水下智能导航方法 Download PDFInfo
- Publication number
- CN109634308B CN109634308B CN201910038062.4A CN201910038062A CN109634308B CN 109634308 B CN109634308 B CN 109634308B CN 201910038062 A CN201910038062 A CN 201910038062A CN 109634308 B CN109634308 B CN 109634308B
- Authority
- CN
- China
- Prior art keywords
- speed
- model
- rudder
- angle
- dvl
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000005871 repellent Substances 0.000 claims description 2
- 101000881206 Homo sapiens Spermine synthase Proteins 0.000 claims 2
- 102100037616 Spermine synthase Human genes 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 description 6
- 206010033799 Paralysis Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B9/00—Safety arrangements
- G05B9/02—Safety arrangements electric
- G05B9/03—Safety arrangements electric with multiple-channel loop, i.e. redundant control systems
-
- 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
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
- G05D1/0077—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements using redundant signals or controls
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开一种基于动力学的速度模型辅助水下智能导航方法,包括步骤:(1)周期性采集机载传感器信息;(2)确定待建立速度模型的输入变量和输出变量;(3)构建速度模型并对其进行训练;(4)当DVL被检测到故障或数据失效时,基于所训练模型的输出速度作为对底速度进行导航分析,进而实现模型辅助导航。本方案借鉴动力学模型思想,提出一种新的AUV速度模型,且考虑了舵片舵角、航向角等因素的影响,运行过程中,只要未检测到DVL的故障数据,都可随时增加训练集进行模型训练,在检测到DVL故障数据后可用模型输出速度进行替代,有效避免因DVL失效或故障引起的导航误差增大的问题,在不增加硬件成本的前提下,提供速度传感器的冗余方法,***鲁棒性好,且能够保障高精度的导航。
Description
技术领域
本发明涉及AUV智能导航领域,具体涉及一种基于动力学的速度模型辅助水下智能导航方法。
背景技术
海洋是人类发展的四大战略空间中继陆地之后的第二大空间,是能源、生物资源、金属资源、水资源的战略性开发基地,对经济社会的发展有着巨大的支撑作用。对海洋进行广泛而深入的探索开发已成为21世纪的发展主题之一,国家也将“关心海洋、认识海洋、经略海洋”提到前所未有的战略高度,深入开展了“两洋一海”、“透明海洋”、“健康海洋”等计划,构建了“21世纪海上丝绸之路”海洋环境安全保障体系。
作为人类探索开发海洋的重要助手,自主式水下航行器(Autonomous UnderwaterVehicle,AUV)在海洋开发中的作用不亚于人造卫星之于宇宙探索,拥有高性能水下作业能力的AUV已成为一个国家海洋竞争力的综合体现。AUV是海洋科学研究、资源调查、应急搜救等民用领域的重要手段,被视为现代海军力量的倍增器,AUV完成海洋科学研究、资源调查、应急搜救等预定任务离不开水下导航技术,导航定位信息的精度是决定AUV发展与应用的瓶颈问题。
AUV精准定位对AUV执行任务非常重要,对只配备航姿参考***(AttitudeHeading and Reference System,AHRS)、多普勒测速仪(Doppler Velocity Log,DVL)、深度计(Intelligent Pressure System,INS)等传感器的标准型AUV来说,只配备了单一导航相关传感器,缺乏冗余传感器,在单个传感器故障,尤其是易受干扰的DVL,随机或突然的噪声、鱼群或者突然遇到超过探测范围的海沟时,无速度输出,隔离或使用上一稳定时刻的值会对导航定位造成很大的偏差,甚至会导致AUV导航***瘫痪。
发明内容
本发明针对在单个传感器发生故障,尤其是易受干扰的DVL出现数据故障甚至传感器意外故障无速度输出时,隔离或使用上一稳定时刻的值会对导航定位造成很大的偏差的缺陷,可能会导致AUV导航***误差增大甚至***瘫痪,提出一种基于动力学的速度模型辅助水下智能导航方法,在不增加硬件成本的前提下,提出一种传感器替代/冗余方案,主要用于只含一套导航***并在浅水区航行的标准型AUV。
本发明是采用以下的技术方案实现的:一种基于动力学的速度模型辅助水下智能导航方法,包括以下步骤:
步骤A、AUV下水航行,周期性采集机载传感器信息,所述传感器信息包括DVL的速度信息,AHRS的加速度、角速度和角度信息,螺旋桨的转速信息,以及舵片的舵角信息;
步骤B、基于步骤A所采集的传感器数据,确定待建立速度模型的输入变量和输出变量:
所述输入变量包括方向舵舵角、垂直舵舵角、螺旋桨转速、横滚角、俯仰角和航向角,所述输出变量为DVL的对底速度;
步骤C、根据所确定的速度模型的输入变量和输出变量,构建速度模型并对其进行训练,在DVL未检到故障数据时,均可不断丰富训练集;
步骤D、当DVL被检测到故障或者数据失效时,基于步骤C所训练模型输出的速度作为对底速度进行导航分析,进而实现模型辅助导航。
进一步的,所述步骤B中,确定输入变量时,具体通过以下方式实现:
步骤B1、基于动力学模型思想,根据动力学模型中变量对对水速度的影响,初步确定方向舵舵角、垂直舵舵角、螺旋桨转速、横滚角和俯仰角作为输入变量:
由于动力学模型未考虑海流因素的影响,故输出为对水速度,建立三自由度动力学模型,运动方程如下:
其中V=[u,v,r]为AUV机载坐标系下的广义速度,且u、v分别代表AUV前向和右向的速度,r表示绕法线方向的角速度;τRB=[X,Y,N]代表外力和外力矩,其中X、Y分别代表通过AUV坐标系原点的前向和右向力,N表示航向角的力矩,MRB和CRB分别为惯性矩阵和刚体科氏向心力矩阵,表示如下:
其中m为AUV在水中的重量,IZ为绕AUV法向量(z轴)产生的刚体转动惯量,对上述运动方程的力和力矩向量进行求解,首先,将其分解为以下五个影响项,并分别得出每个项的具体表达式:
其中,附加质量惯性项的公式表示如下:
阻尼项的式子表示如下:
其中,Xvr、Xvv、Xrr、X|u|u、Y|v|v、Y|r|r、Yuv、Yur、Nuv、Nur、N|v|v、N|r|r也均为水动力系数;
恢复力及力矩的式子表示如下:
上下两个方向舵和左右两个垂直舵片产生的影响式子表示如下:
其中,Xδδuu、Yδuu、Nδuu也均为水动力系数;δrt、δrb为上下舵片的偏转角、δep、δes为左舷和右舷的偏转角;
推进器产生的力及力矩的式子表示如下:
其中,X|n|n、X|n|u为水动力系数,n表示螺旋桨转速,w表示尾流分数,根据上述式子可知,求解出水动力系数后,带入方向舵舵角、垂直舵舵角、俯仰角、横滚角、螺旋桨转速变量可以求得对水速度,即初步确定使用的速度模型的输入变量包括方向舵舵角、垂直舵舵角、俯仰角、航向角和螺旋桨转速;
步骤B2、考虑到标准型AUV所配备的DVL只具有输出对底速度的功能,而对底速度由水流速度和对水速度求和得到,考虑DVL所测速度为对底速度且短时间内水流速度大小、方向不变,则在步骤B1的基础上,增加水流速度部分的影响变量,包括航向角、方向舵舵角、垂直舵舵角,故增添航向角作为输入变量。
进一步的,所述步骤C中,构建速度模型时具体包括以下步骤:
步骤C1、通过ELM构建SLFN:
构建训练数据集X={(xi,yi|xi∈Rn,yi∈Rm,i=1,2,…,M)},xi和yi分别表示n维输入向量和m维输出向量,采用ELM算法构建具有N个隐藏层节点的SLFN网络,其输出函数的数学表达式如下:
其中βi是连接第i个隐藏层节点和输出节点的参数,ωi和bi是隐层的节点参数,将式(1)简化为如下向量形式:
Hβ=Y
其中
H是神经网络隐藏层节点的输出矩阵,其第i列hi是第i个隐藏层节点对输入的输出,随机初始化隐藏层节点的参数ωi和bi,其中i=1,2,…,N;计算隐藏层节点的输出矩阵H;根据求解参数β,其中是H的Moore-Penrose转置;
步骤C2、基于MRSR进行重要性排序:
基于多重响应稀疏回归将回归矩阵HTH的每一列逐一添加到速度模型中,实现对隐藏层节点的重要性排序;
步骤C3、基于LOO确定隐藏层神经元数,进而得到优化的速度模型:
步骤C4、不断丰富速度模型的训练集,以多次训练模型输出的均值作为最终的输出速度;AUV下水过程中,只要DVL未被检测到故障数据,均可不断丰富训练数据集,训练得到最优的速度模型之后,输入对应变量值可得到理想的当前速度,为了输出速度的精确性,可将10次模型输出的均值作为最终得到的速度。
进一步的,所述步骤D中,AUV在水面航行时,根据GPS、DVL、AHRS和IPS数据进行导航定位,其中GPS作为校正量;AUV在水下航行时,依据DVL、AHRS、IPS的数值,基于卡尔曼滤波或粒子滤波算法或基于图优化的优化算法计算AUV位置,在检测到DVL数据故障后,使用基于动力学的速度模型输出的速度继续导航定位。
与现有技术相比,本发明的优点和积极效果在于:
本发明借鉴动力学模型思想,提出一种新的AUV速度模型,模型中水流速度在不同方向的分解都自动添加到速度输出,且考虑了舵片舵角、航向角等因素的影响;运行过程中,只要未检测到DVL的故障数据,都可随时增加训练集进行模型训练,在检测到DVL的故障数据后可用模型输出速度进行替代,在不增加硬件成本的前提下,提供速度传感器的冗余方法,在DVL被检测到出现故障时提供有效的速度输出,保持高精度的导航,主要用于只含一套导航***并在浅水区航行的标准型AUV;
且该速度模型参数修改方便,比传统的水动力车辆模型计算简单,AUV配重、舵片或螺旋桨的替换不会对其产生影响,只需在正式试验开始前在水中以不同转速、不同舵角、不同角度进行AUV运行即可得到对应的速度模型;可有效避免因DVL失效或故障引起的导航误差增大的问题,增强导航***的鲁棒性。
附图说明
图1为本发明实施例所述导航方法的原理示意图;
图2为DVL速度生成轨迹与本发明方法拟合速度生成轨迹对比图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点,下面结合附图及实施例对本发明做进一步说明。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
基于动力学的速度模型辅助水下智能导航方法,其原理图如图1所示,包括以下步骤:
步骤一、AUV下水航行,周期性采集机载传感器信息,所述传感器信息包括DVL的速度信息,AHRS的加速度、角速度和角度信息,螺旋桨的转速信息,以及舵片的舵角信息;
步骤二、借鉴动力学模型思想,根据动力学模型中变量对对水速度的影响确定速度模型中对水速度部分的输入变量,所述输入变量包括方向舵舵角、垂直舵舵角、螺旋桨转速、横滚角和俯仰角,考虑DVL所测速度为对底速度且短时间内水流速度大小、方向不变,增加水流速度部分的影响变量,包括航向角、方向舵舵角、垂直舵舵角,故增添航向角作为输入变量,输出变量为DVL的对底速度,具体分析如下:
本实施例中,考虑到短时间内水流速度大小、方向不变,增加舵角、航向角等作为速度模型的输入变量,以DVL的对底速度作为输出变量,具体的,首先,列出方向舵、垂直舵、螺旋桨、AUV在流体中的重量、阻尼项等对速度的影响公式;由于动力学模型未考虑海流等因素的影响,因此输出为对水速度,以三自由度动力学模型为例,运动方程如下:
其中V=[u,v,r]为AUV机载坐标系下的广义速度,且u、v分别代表AUV前向和右向的速度,r表示绕法线方向的角速度;τRB=[X,Y,N]代表外力和外力矩,其中X、Y分别代表通过AUV坐标系原点的前向和右向力,N表示航向角的力矩,MRB和CRB分别为惯性矩阵和刚体科氏向心力矩阵,表示如下
其中m为AUV在液体(海水或湖水)中的重量,IZ为绕AUV法向量(z轴)产生的刚体转动惯量,对上述运动方程的力和力矩向量求解采用以下方式,将其分解为附加质量惯性、阻尼、恢复力及力矩、控制舵和螺旋桨五个方面,具体如下:
其中,附加质量惯性项的公式表示如下:
其中,Xvr、Xvv、Xrr、X|u|u、Y|v|v、Y|r|r、Yuv、Yur、Nuv、Nur、N|v|v、N|r|r均为耦合水动力系数,分别表示X、Y、N中由速度u、v与r分别引起的耦合水动力系数,后面水动力系数均可如此解释。恢复力及力矩的式子表示如下:
上下两个方向舵和左右两个垂直舵片产生的影响的式子表示如下:
其中,Xδδuu、Yδuu、Nδuu也均为耦合水动力系数;δrt、δrb为上下舵片的偏转角、δep、δes为左舷和右舷的偏转角。
推进器产生的力及力矩的式子表示如下:
其中,X|n|n、X|n|u同样为耦合水动力系数;n表示螺旋桨转速,w表示尾流分数,根据上面所述式子可知,求解出水动力系数后,代入方向舵舵角、垂直舵舵角、俯仰角、横滚角、螺旋桨转速等变量可以求得对水速度,即初步确定将方向舵舵角、垂直舵舵角、俯仰角、航向角、螺旋桨转速作为速度模型的输入变量。
考虑到标准型AUV的成本问题,所配备的DVL一般只具有输出对底速度功能,这是输出只能选用对底速度的原因之一,而对底速度由水流速度和对水速度求和得到,需要考虑水流速度部分的影响变量,使用动力学模型辅助导航过程中,一般假设短时间内水流速度大小、方向不变,求解出水流速度后按照航向角将其直接分解到AUV的绝对速度上,未考虑舵角变化对其影响。本发明在速度模型中加入同样假设的水流速度,并将方向舵、垂直舵、航向角等变量对水流速度分量的影响添加进去,模型更为准确,继续添加方向舵舵角、垂直舵,舵角,以及航向角等影响水流速度在AUV各个方向上的分量的因素。
综上所述,选择方向舵、垂直舵、螺旋桨转速、航向角、横滚角、俯仰角等变量作为输入变量,选择DVL的对底速度作为输出变量,模型中水流速度在AUV不同方向的分解都自动添加到速度输出,且考虑了舵片舵角、航向角等因素对水流速度的影响,使得本方案的速度模型更加完整。
步骤三、根据步骤二中获得的速度模型的输入变量和输出变量,构建速度模型并对其进行训练,具体实施时,AUV行进过程中,只要DVL未检测出故障,均可不断丰富训练集,速度模型的具体构建过程如下:
(1)根据上述所获得的输入变量和输出输出变量,构建训练数据集X={(xi,yi|xi∈Rn,yi∈Rm,i=1,2,…,M)},xi和yi分别表示n维输入向量和m维输出向量,采用ELM算法构建具有N个隐藏层节点的SLFN网络,其输出函数的数学表达式如下:
其中βi是连接第i个隐藏层节点和输出节点的参数,ωi和bi是隐层节点参数,上式可简化为如下向量形式:
Hβ=Y
其中
H是神经网络隐藏层节点的输出矩阵,其第i列hi是第i个隐藏层节点对输入的输出。随机初始化隐藏层节点的参数ωi和bi是,其中i=1,2,…,N;计算隐藏层节点的输出矩阵H;根据求解参数β,其中是H的Moore-Penrose转置。
(2)针对ELM模型在训练数据集中有相关或不相关变量时出现的问题,使用多重响应稀疏回归(Multiresponse Sparse Regression,MRSR)将回归矩阵HTH的每一列逐一添加到速度模型中,实现对隐藏层节点进行重要性排序。
(3)根据MRSR提供的重要性排名,使用留一法(Leave-One-Out,LOO)来修剪掉部分不重要的隐藏层节点,主要借助如下公式评估LOO误差与神经元数量,最终确定保留的隐藏层神经元数量。
AUV下水过程中均可丰富训练数据集,训练得到最优的速度模型之后,输入对应变量值可得到理想的当前速度,为了输出速度的精确性,可将多次(比如10次)模型输出的均值作为最终得到的对底速度。
步骤四、在DVL被检测到故障或者数据失效时,基于步骤三中所训练模型的输出速度作为对底速度进行导航计算,在不增加硬件成本的前提下,提供一种传感器替代/冗余方案,实现导航精度的提高;
AUV在水面航行时,根据GPS、DVL、AHRS、IPS等数据进行导航定位,其中GPS作为校正量;AUV在水下航行时,由于GPS信号在水下衰减很快,无法测得位置数据,主要根据DVL、AHRS、IPS的数值,借助基于卡尔曼滤波(Kalman Filter,KF)、基于粒子滤波(PF)等滤波算法或基于图优化的优化算法计算AUV位置。
通过状态的残差检验、KF的特征检验法等检测到DVL故障之后,传统的隔离故障源或降低信息依赖度等方法具有一定的事后性,且会导致导航***误差增大甚至***瘫痪,而本发明提出的基于动力学的速度模型辅助方法,在不增加硬件成本的前提下,为AUV在水下航行提供一种传感器替代/冗余方案,这维持了高精度导航结果,且增强了***的鲁棒性。结果图2中实线表示DVL无故障数据时结合其他传感器数据推算得到的位置轨迹,虚线表示训练的模型得到的速度集合其他传感器数据推算得到的位置轨迹,由结果图可知模型提供的速度能够得到与DVL速度精度相当的速度,在检测到速度传感器故障的情况下可保障导航精度,提高导航***的鲁棒性。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (3)
1.基于动力学的速度模型辅助水下智能导航方法,其特征在于,包括以下步骤:
步骤A、AUV下水航行,周期性采集机载传感器信息,所述传感器信息包括DVL的速度信息,AHRS的加速度、角速度和角度信息,螺旋桨的转速信息,以及舵片的舵角信息;
步骤B、基于步骤A所采集的传感器数据,确定待建立速度模型的输入变量和输出变量:
所述输入变量包括方向舵舵角、垂直舵舵角、螺旋桨转速、横滚角、俯仰角和航向角,所述输出变量为DVL的对底速度,在确定输入变量时,具体通过以下方式实现:
步骤B1、基于动力学模型思想,根据动力学模型中变量对对水速度的影响,初步确定方向舵舵角、垂直舵舵角、螺旋桨转速、横滚角和俯仰角作为输入变量:
由于动力学模型未考虑海流因素的影响,故输出为对水速度,建立三自由度动力学模型,运动方程如下:
其中V=[u,v,r]为AUV机载坐标系下的广义速度,且u、v分别代表AUV前向和右向的速度,r表示绕法线方向的角速度;τRB=[X,Y,N]代表外力和外力矩,其中X、Y分别代表通过AUV坐标系原点的前向和右向力,N表示航向角的力矩,MRB和CRB分别为惯性矩阵和刚体科氏向心力矩阵,表示如下:
其中m为AUV在水中的重量,IZ为绕AUV法向量产生的刚体转动惯量;对上述运动方程的力和力矩向量进行分析,首先,将其分解为以下五个影响项,并分别得出每一项的具体表达式:
其中,附加质量惯性项表示如下:
阻尼项表示如下:
其中,Xvr、Xvv、Xrr、X|u|u、Y|v|v、Y|r|r、Yuv、Yur、Nuv、Nur、N|v|v、N|r|r也均为水动力系数;
恢复力及力矩表示如下:
上下两个方向舵和左右两个垂直舵片产生的影响式子表示如下:
其中,Xδδuu、Yδuu、Nδuu也均为水动力系数;δrt、δrb为上下舵片的偏转角、δep、δes为左舷和右舷的偏转角;
推进器产生的力及力矩表示如下:
其中,X|n|n、X|n|u为水动力系数,n表示螺旋桨转速,w表示尾流分数,进而得到水动力系数后,带入方向舵舵角、垂直舵舵角、俯仰角、横滚角、螺旋桨转速变量可以得到对水速度,即初步确定使用的速度模型的输入变量包括方向舵舵角、垂直舵舵角、俯仰角、航向角和螺旋桨转速;
步骤B2、考虑DVL所测速度为对底速度且短时间内水流速度大小、方向不变,则在步骤B1的基础上,考虑水流速度部分的影响变量,包括航向角、方向舵舵角和垂直舵舵角;
步骤C、根据所确定的速度模型的输入变量和输出变量,构建速度模型并对其进行训练,在DVL未检到故障数据时,均可不断丰富训练集;
步骤D、当DVL被检测到故障或者数据失效时,基于步骤C所训练模型输出的速度作为对底速度进行导航分析,进而实现模型辅助导航。
2.根据权利要求1所述的基于动力学的速度模型辅助水下智能导航方法,其特征在于:所述步骤C中,构建速度模型时具体包括以下步骤:
步骤C1、通过ELM构建SLFN:
构建训练数据集X={(xi,yi|xi∈Rn,yi∈Rm,i=1,2,…,M)},xi和yi分别表示n维输入向量和m维输出向量,采用ELM算法构建具有N个隐藏层节点的SLFN网络,其输出函数的数学表达式如下:
其中βi是连接第i个隐藏层节点和输出节点的参数,ωi和bi是隐层的节点参数,将式(1)简化为如下向量形式:
Hβ=Y
其中
H是神经网络隐藏层节点的输出矩阵,其第i列hi是第i个隐藏层节点对输入的输出,随机初始化隐藏层节点的参数ωi和bi,其中i=1,2,…,N;计算隐藏层节点的输出矩阵H;根据求解参数β,其中是H的Moore-Penrose转置;
步骤C2、基于MRSR进行重要性排序:
基于多重响应稀疏回归将回归矩阵HTH的每一列逐一添加到速度模型中,实现对隐藏层节点的重要性排序;
步骤C3、基于LOO确定隐藏层神经元数,进而得到优化的速度模型:
步骤C4、DVL未检测到故障数据时,不断丰富速度模型的训练集,出现故障数据后,以多次模型输出的均值作为最终的输出速度。
3.根据权利要求1所述的基于动力学的速度模型辅助水下智能导航方法,其特征在于:所述步骤D中,AUV在水面航行时,根据GPS、DVL、AHRS和IPS数据进行导航定位,其中GPS作为校正量;AUV在水下航行时,依据DVL、AHRS、IPS的数值,基于卡尔曼滤波或粒子滤波算法或基于图优化的优化算法计算AUV位置,在检测到DVL数据故障后,使用基于动力学的速度模型输出的速度继续导航定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038062.4A CN109634308B (zh) | 2019-01-16 | 2019-01-16 | 基于动力学的速度模型辅助水下智能导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038062.4A CN109634308B (zh) | 2019-01-16 | 2019-01-16 | 基于动力学的速度模型辅助水下智能导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109634308A CN109634308A (zh) | 2019-04-16 |
CN109634308B true CN109634308B (zh) | 2020-07-07 |
Family
ID=66060959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910038062.4A Active CN109634308B (zh) | 2019-01-16 | 2019-01-16 | 基于动力学的速度模型辅助水下智能导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109634308B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209197B (zh) * | 2019-06-25 | 2022-03-25 | 湖北航天技术研究院总体设计所 | 一种飞行器控制***设计方法 |
CN110554359B (zh) * | 2019-09-11 | 2021-07-09 | 哈尔滨工程大学 | 一种融合长基线与单信标定位的海底飞行节点定位方法 |
CN110906933B (zh) * | 2019-11-06 | 2021-10-22 | 中国海洋大学 | 一种基于深度神经网络的auv辅助导航方法 |
CN111026145B (zh) * | 2019-12-24 | 2023-06-23 | 上海海事大学 | 一种适用于上层海洋机器人沉浮及姿态控制*** |
CN111091159B (zh) * | 2019-12-27 | 2023-03-17 | 哈尔滨工程大学 | 一种自主式水下机器人推进器弱故障特征提取方法 |
CN111258326B (zh) * | 2020-02-27 | 2021-04-23 | 中国科学院自动化研究所 | 基于反作用轮的仿生机器鱼横滚稳定控制方法及*** |
CN111811536B (zh) * | 2020-05-29 | 2022-09-16 | 中国船舶重工集团公司第七0七研究所 | 一种基于重力及对底速度信息的惯导位置误差估计方法 |
CN112818819B (zh) * | 2021-01-28 | 2022-08-26 | 青岛澎湃海洋探索技术有限公司 | 一种基于动态模型和复杂网络理论的auv状态监测方法 |
CN113934159A (zh) * | 2021-10-25 | 2022-01-14 | 中国船舶工业综合技术经济研究院 | 一种无人船可靠性测试环境模型构建方法 |
CN117250970B (zh) * | 2023-11-13 | 2024-02-02 | 青岛澎湃海洋探索技术有限公司 | 基于模型嵌入生成对抗网络实现auv故障检测的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576693B (zh) * | 2013-11-11 | 2016-06-29 | 哈尔滨工程大学 | 基于二阶滤波器的水下机器人三维路径跟踪控制方法 |
CN103942383B (zh) * | 2014-04-17 | 2017-06-20 | 哈尔滨工程大学 | 一种深海作业型水下机器人的动力学和运动学估计方法 |
CN104881038A (zh) * | 2015-04-22 | 2015-09-02 | 哈尔滨工业大学 | 环境干扰下的水下无人航行器航迹跟踪控制优化方法 |
CN108663939A (zh) * | 2018-06-12 | 2018-10-16 | 哈尔滨工程大学 | 考虑通讯丢包的uuv集群水平面路径跟踪控制方法 |
-
2019
- 2019-01-16 CN CN201910038062.4A patent/CN109634308B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109634308A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634308B (zh) | 基于动力学的速度模型辅助水下智能导航方法 | |
Roberts et al. | Advances in unmanned marine vehicles | |
Skjetne et al. | A nonlinear ship manoeuvering model: Identification and adaptive control with experiments for a model ship | |
Kim et al. | Estimation of hydrodynamic coefficients for an AUV using nonlinear observers | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
CN111736617B (zh) | 一种基于速度观测器的可底栖式水下机器人预设性能轨迹跟踪控制方法 | |
Karmozdi et al. | INS-DVL navigation improvement using rotational motion dynamic model of AUV | |
Lv et al. | Underwater navigation methodology based on intelligent velocity model for standard AUV | |
Yoshimura | Mathematical model for manoeuvring ship motion (MMG Model) | |
Randeni P et al. | Parameter identification of a nonlinear model: replicating the motion response of an autonomous underwater vehicle for dynamic environments | |
CN110906933B (zh) | 一种基于深度神经网络的auv辅助导航方法 | |
Meurer et al. | Differential pressure sensor speedometer for autonomous underwater vehicle velocity estimation | |
Mukhopadhyay et al. | Collaborative autonomous surveys in marine environments affected by oil spills | |
CN109579850B (zh) | 基于对水速度辅助惯导的深水智能导航方法 | |
Barisic et al. | Sigma-point Unscented Kalman Filter used for AUV navigation | |
Saksvik et al. | A deep learning approach to dead-reckoning navigation for autonomous underwater vehicles with limited sensor payloads | |
Tomera | Dynamic positioning system for a ship on harbour manoeuvring with different observers. Experimental results | |
Yu et al. | Output feedback spatial trajectory tracking control of underactuated unmanned undersea vehicles | |
Tran et al. | Least squares optimisation algorithm based system identification of an autonomous underwater vehicle | |
Yan et al. | A navigation accuracy compensation algorithm for low-cost unmanned surface vehicles based on models and event triggers | |
Ko et al. | Fault detection and diagnosis of sensors and actuators for unmanned surface vehicles | |
CN113934159A (zh) | 一种无人船可靠性测试环境模型构建方法 | |
CN103616026B (zh) | 一种基于h∞滤波的auv操纵模型辅助捷联惯导组合导航方法 | |
Ramezanifard et al. | Enhancing the robustness of INS-DVL navigation using rotational model of AUV in the presence of model uncertainty | |
Nelson et al. | Hydrodynamic force decoupling using a distributed sensory system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |