CN111142538B - 一种水环境监测的无人船运行策略实时决策方法 - Google Patents
一种水环境监测的无人船运行策略实时决策方法 Download PDFInfo
- Publication number
- CN111142538B CN111142538B CN202010018560.5A CN202010018560A CN111142538B CN 111142538 B CN111142538 B CN 111142538B CN 202010018560 A CN202010018560 A CN 202010018560A CN 111142538 B CN111142538 B CN 111142538B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- strategy
- decision
- data
- real
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000013486 operation strategy Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 238000011217 control strategy Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 101150055297 SET1 gene Proteins 0.000 claims description 9
- 101100042371 Caenorhabditis elegans set-3 gene Proteins 0.000 claims description 8
- 101150117538 Set2 gene Proteins 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 229920002160 Celluloid Polymers 0.000 description 1
- 241000949477 Toona ciliata Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000003786 synthesis reaction 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0875—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted to 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种水环境监测的无人船运行策略实时决策方法,属于水环境监测、控制工程等技术领域。包括:步骤1,无人船搭载的传感器实时采集船体及周边环境的数据;步骤2,无人船的控制***对采集的数据进行预处理,形成状态评价信息源X;步骤3,根据状态评价信息源,建立无人船运行状态等级评估的分类器;步骤4,构建水环境监测无人船运行策略决策层次模型;步骤5,分别针对模型中目标层和备选策略层,备选策略层和属性层,计算输出的备选策略排序,根据排序结果输出当前无人船的控制策略。本发明考虑多维信息,综合考虑目标约束和实时属性数据约束,形成水环境监测任务中无人船安全运行策略的自动决策机制,决策策略更加符合实际应用。
Description
技术领域
本发明涉及一种基于状态评价的水环境监测无人船运行决策方法,属于水环境监测、控制工程等技术领域。
背景技术
水环境质量直接影响人民健康、生态稳定和社会发展,在现有环境保护工作基础上,我国水环境仍面临饮用水资源匮乏、水污染严重等问题。调研发现,现有水环境自动监测建设相对落后,以北京为例,目前建有10个地表水、13个地下水自动监测站与1个中心站,而全市有需要监测的河流95条段、湖泊22个、水库17座,现有自动监测站数量明显不能满足监测需求,很多水域仍采用人工监测方式,监测覆盖率较低且实时性差。随着物联网、移动互联网等技术发展,以无人船为代表的无人移动监测改变了传统的定点监测方式,扩展监测范围,并可对突发水污染、临时监测点进行柔性监测。
为实现水环境监测无人船的安全运行,在控制过程中需要实时掌握运动状态信息,并对运动状态进行评估。当无人船运行安全程度较低时,应对操控策略进行决策。在自动监测过程中,上述过程应由无人船自主实现,为此需要研究无人船运行状态的评价方法,并根据多维度信息进行科学自主决策。
目前对于无人船运行策略决策的相关研究较少,在其他无人***中,学者探索了基于本体论的行为决策模型[参考文献1]、复杂情景下的自动驾驶决策解耦模型[参考文献2]、面向无人机与地面的协同决策方法[参考文献3]等。对于无人船运行策略决策问题,实际工程中多直接给定固定的运行策略,无人船仅根据预设规则来对如何运行做出直接判断,尚未考虑环境、船体、监测需求等多方面因素。
参考文献:
[1]黄璐,基于本体论的无人驾驶车辆场景评估与行为决策方法研究[D].中国科学技术大学,2019.
[2]陈永尚,智能汽车城区复杂交通情景的驾驶行为决策方法研究[D].吉林大学,2019.
[3]朱疆成,空中机器人的层次化决策与控制***研究[D].浙江大学,2019.
发明内容
本发明针对目前无人船水质检测的应用场景,以多源信息融合为总体思路,提供了一种水环境监测的无人船运行策略实时决策方法,通过对多类型数据的分析与处理提升信息本体的准确性,增强水环境监测无人船在复杂环境下保持安全运行的可靠性。
本发明的水环境监测的无人船运行策略实时决策方法,包括如下步骤:
步骤1,无人船搭载的传感器实时采集船体及周边环境的数据,包括无人船的角速度、姿态角、加速度和经纬度,环境的气温、风速、风向和降水;
步骤2,无人船的控制***对采集的数据进行预处理,获得基础测量数据Xset1、控制偏差数据Xset2和时序特征数据Xset3,形成状态评价信息源X;
所述的基础测量数据Xset1包括无人船的角速度、加速度、姿态角和速度;
所述的控制偏差数据Xset2包括无人机的实际速度与设定速度的偏差、实际位置与设定位置的偏差;
所述的时序特征数据Xset3包括无人船的姿态角和速度的时序变化率和信息熵;
步骤3,根据状态评价信息源,建立无人船运行状态等级评估的分类器;对无人船实时采集的数据经步骤2处理后得到状态评价信息源,输入建好的分类器,可获得无人船当前的运行状态等级;
步骤4,构建水环境监测无人船运行策略决策层次模型,包括目标层、备选策略层和属性层;其中,目标层中的决策目标包括监测覆盖程度、巡航监测时间、巡航监测成本、运行安全程度、应急程度;备选策略层中存储控制无人船如何运行的策略;属性层是指无人机测量的无人船和周边环境的数据;
步骤5,针对目标层和备选策略层,根据专家知识信息来计算各备选策略的执行排序;
根据专家评价结果计算各备选策略的评价等级,评价等级越高,表示对应的备选策略越优先执行;
步骤6,针对备选策略层和属性层,计算实时属性下的各备选策略的执行排序;
首先,构建属性-策略权重矩阵W,矩阵的行对应备选策略,矩阵的列对应属性,矩阵中的元素代表属性对备选策略的影响程度;属性包括:风力、降水、是否雷电、河湖水位、运行状态等级、无人船的y轴速度偏差、无人船的x轴加速度、无人船的y轴加速度;
然后,对无人船实时采集的属性值进行零-均值标准化,设标准化后的实时数据为s*,计算s*与矩阵W中每行元素的欧式距离,作为每个备选策略与实时数据s*的接近程度,所计算的欧式距离越小,表示备选策略越优先执行;
步骤7,综合步骤5和6输出的备选策略排序,确定最终的排序;根据排序结果输出当前无人船的控制策略。
本发明与现有技术相比,具有以下优势和积极效果:
(1)本发明改变了传统对水环境监测的无人船简单的规则决策方式,形成水环境监测任务中无人船安全运行策略的自动决策机制;
(2)本发明方法考虑多维信息,对无人船测量的感知数据进行预处理,形成比较全面的信息源数据;本发明方法形成运行状态评价和运行策略决策的一体化过程,对语言变量、传感器数据等不同类型数据融合处理,综合考虑目标约束和实时属性数据约束,使得最终确定的决策策略更加符合实际应用,为无人船的安全运行提供保证。
附图说明
图1是本发明水环境监测无人船安全运行操控策略决策方法的流程图;
图2是本发明无人船安全运行决策层次模型示意图;
图3是本发明实施例中无人船运行数据反映的状态变化情况示意图;
图4是本发明实施例中备选操控策略排序结果示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细和深入描述。
水环境监测无人船在运行过程中可按照既定路线和运动状态运行,但在面临气象突变、环境异常等现象时,固定的运行操控策略可能导致无人船搁浅、翻转甚至毁坏。为此,需要对无人船运行状态进行实时监测,当安全程度降低时,需要根据当前环境与船体状态进行动态调整,选择出最为合理的运行操控策略。为此,本发明首先提出水环境监测无人船安全运行操控策略决策机制,并提出决策过程中的数据处理与计算方法。
如图1所示,本发明的水环境监测无人船安全运行操控策略的实时决策方法,分为下面6个步骤来说明。
步骤1:利用无人船搭载的传感器实时地、周期性地采集船体及环境原始数据,包括无人船的角速度、姿态角、加速度和经纬度,周围环境的气温、风速、风向和降水等。
步骤2:无人船的控制***对采集的原始数据进行预处理,形成对水环境监测无人船运行状态评价的信息源,本发明实施例包括如下三种信息源数据,以比较全面和准确的分析水环境监测无人船的运行状态。
(1)提取基础测量数据。
选择无人船的角速度、加速度、姿态角和速度作为基础测量数据Xset1,即
Xset1={ωx ωy ωz ψ θ γ ax ay az Vx Vy} (1)
其中,{ωx ωy ωz}为无人船在x、y、z轴的三轴角速度;{ψ θ γ}为无人船的姿态角,分别为航向角、横滚角和俯仰角;{ax ay az}为无人船的三轴加速度;{Vx Vy}为无人船在水面x、y轴方向的实时速度,水面近似于平面,在水面所在平面建立x轴和y轴。
(2)提取控制偏差数据。
无人船实际运行状态与设定目标之间的偏差即为控制偏差数据。将控制偏差数据Xset2选定为速度偏差和位置偏差,即
其中,ΔVx=Vtx-Vx,ΔVy=Vty-Vy,Vtx和Vty分别为无人船在x轴和y轴的设定速度;ΔVx为无人船在x轴的速度偏差,ΔVy为无人船在y轴的速度偏差;Δλ=λt-λ,λ和/>分别为无人船当前位置的经度和维度,λt和/>为无人船设定路线上位置的经纬度;Δλ为无人船的经度位置偏差,/>为无人船的纬度位置偏差。
(3)提取时序特征数据。
将无人船的姿态角和速度的部分时序特征作为信息源来进行分析,提出两种时序特征表示变量K和E,获取时序特征数据Xset3为:
其中,
数据时序变化率K的计算方式为:K=|dt-dt-1|/|dt-d1|,t≥2;
d为要计算数据时序变化率的变量的通用表示,此处d对应为航向角ψ、横滚角θ、俯仰角γ、x轴速度Vx或y轴速度Vy;
根据上面数据时序变化率和信息熵的计算方式,计算获得无人船的航向角ψ、横滚角θ、俯仰角γ、x轴速度Vx、y轴速度Vy的时序变化率Kψ,Kθ,Kγ,KVx,KVy,以及无人船的航向角、横滚角、俯仰角、x轴速度、y轴速度的信息熵Eψ,Eθ,Eγ,EVx,EVy。
最后将基础测量数据、控制偏差数据、时序特征数据综合,形成状态评价信息源X,如下:
X={Xset1 Xset2 Xset3} (4)
状态评价信息源X中包含了11个基础测量数据、4个控制偏差数据变量和10个时序特征数据变量,共有25个变量。
无人船的控制***对步骤1实时测量的一组数据提取出一个状态评价信息源X。
步骤3:根据状态评价信息源,对无人船运行状态进行等级评估。
本发明中将无人船运行状态的安全等级结果从低到高分为5级,用数字1-5分别表示低、较低、中、较高、高。本步骤的目的是训练能自动识别当前无人船运行状态等级的分类器。在获得一批状态评价信息源数据的基础上,建立AdaBoost分类器,对无人船运行状态安全等级进行分类。AdaBoost分类器的建立包括线性加法模型和前向迭代算法两部分。
(1)线性加法模型F(D;P)为:
其中,D为分类源数据,本发明对应为状态评价信息源数据;Fm(D;am)为第m个弱分类器,αm为第m个弱分类器内部的最优参数,βm是第m个弱分类器的权重,P是各分类器的最优参数和权重的集合;N表示弱分类器个数。最终分类器F(D;P)的输出为无人船当前运行状态的等级。
(2)前向迭代算法可表示为:
Fk(D)=Fk-1(D)+βmFm(D;αm) (6)
其中,Fk(D)表示第k次迭代得到的分类器。在迭代过程中采用指数损失函数,同时选用基本SVM作为弱分类器,对SVM进行多分类改造。使用步骤2中的状态评价信息源数据作为弱分类器的输入,得到当前代弱分类器。
预先测量获得一批状态评价信息源数据,为每个状态评价信息源标记无人机的运行状态等级,分为训练集和测试集,对分类器进行训练。在获得用于无人船运行状态等级评估的分类器后,无人船在运行过程中,通过传感器测量、***解算等过程获取评价信息源数据,将其输入训练好的分类器便可得到无人船运行状态评价等级结果。
步骤4:构建水环境监测无人船运行策略决策层次模型。
根据无人船安全状态等级,当安全等级低于预设值时启动无人船操控策略决策过程,即当状态评价结果为危险甚至很危险时,则需要根据当前的多方面因素对操控策略进行调整,对操控策略的选择即为决策。预设值可根据实际情况来设置。
无人船的安全运行应急决策主要解决在一定环境下根据设定的目标如何选择操控策略以维持安全稳定的运行状态。建立本发明无人船安全运行决策层次模型,如图2所示,模型由目标层、备选策略层和属性层组成,其中目标层包括监测覆盖程度、巡航监测时间、巡航监测成本、运行安全程度、应急程度;备选策略层包含m个备选策略,每个备选策略对应一组控制无人船如何运行的参数,包括控制无人船的加速度和方向等;属性层包括***环境和无人船状态两大类属性,相邻层次间均有计算方法对关联元素进行分析。将决策层次模型表示为:
其中,f表示将决策模型内元素和方法进行集合的计算方法,Af为经过计算选择的最优操控策略。C为目标层元素集合,是运行策略选择的总体依据,是最终预期达到的效果;A为备选策略层元素集合,是对无人船的不同操控指令的集合,以使无人船按照不同路线和速度航行;B为属性层元素集合,是影响因素的集合,描述了运行环境、船体自身的实时状态;g表示对目标层元素的处理方法及目标约束下备选策略的评价方法,h与g类似,表示对属性层的处理与计算。符号表示层级元素间的集结运算,对应于步骤5和步骤6的计算方法。
步骤5:目标层约束下的专家知识群决策方法。
在决策层次模型的目标层-备选策略层之间,引入专家知识信息用于评价不同候选策略对多个管理目标的满足程度。此层信息时间粒度较大,同时为保证评价的客观性,采用多名专家共同决策的方式。
(1)首先构建目标-策略决策矩阵。
目标-策略决策矩阵中涉及的因素包括备选策略、目标及评价等级。设备选策略层的元素集A={a1,a2,…,am},aj表示第j个备选策略,j=1,2,…,m,m为备选策略总数;决策目标集C={c1,c2,…,cn},ci表示第i个决策目标,i=1,2,…,n,n为目标总数;选择多名专家作为决策者同时发表决策意见,专家集S={s1,s2,…,sT},sv表示第v个专家评价,v=1,2,…,T,T为专家总数。则第v个专家对第j个备选策略满足第i个决策目标的程度进行评价,记为可将每个专家的意见表示为如下矩阵形式:
其中,专家意见以二元语义rji=(pji,Simji)的形式给出,pji表示第j个备选策略在第i个决策目标下的评价等级,Simji表示评价值与当前等级pji的偏差。
(2)其次根据目标-策略决策矩阵计算各备选策略的综合评价等级。
对于每个专家给出的目标-策略决策矩阵,需要将矩阵内部元素进行综合,即综合多个目标下对各个备选策略的评价信息。本发明提出二元语义偏差权重综合算子如下:
(3)最后,对各备选策略根据群专家评价结果综合确定执行排序。
在计算得到每个专家评价结果基础上,对多个专家的评价结果进行综合得到第j个备选策略的评价等级zj,计算方式如下:
根据综合评价结果zj对备选操控策略进行优劣排序,即可得到目标约束下的最优策略决策结果。一般情况下,评价等级zj的值越大,表示对应的备选策略越优先执行。
步骤6:实施属性约束下的实时决策。
除考虑宏观的管理目标外,对无人船运行策略进行决策还需要考虑实时的环境和船体状态。为此在决策层次模型中,考虑实时属性约束下的策略选择方法。
(1)首先,构建属性-策略矩阵及其权重矩阵。
构建属性-策略矩阵AB,矩阵的行对应备选策略集A={a1,a2,…,am},矩阵的列对应属性集B={b1,b2,…,bu,…,bQ},本发明实施例中,属性集B中的属性包括:风力、降水、是否雷电、河湖水位、运行状态等级、y轴速度偏差、x轴加速度、y轴加速度。属性-策略权重矩阵W与属性-策略矩阵AB具有相同规模,如下:
矩阵W中的元素ωju表示第u个属性对第j个备选策略的影响程度,实际管理中可由层次分析法确定。本发明实施例中,可设置ωju的取值范围为[0,1]。
(2)实施基于实时属性数据的决策方法。
以属性-策略决策矩阵和属性权重矩阵为基础,对实时数据的属性值进行零-均值(Z-score)标准化处理,消除属性值量纲的影响,经过标准化处理的实时数据用s*表示。
对标准化的实时数据s*,计算其与属性权重矩阵W中每个备选策略的属性权重的欧式距离,即备选策略与实时数据s*的接近程度,第j个备选策略与实时数据s*的接近程度为距离/>越小表示该策略解决实时状态下问题的能力越强,根据/>值的大小即可对备选策略进行排序。
步骤7:输出目标—属性约束下的决策结果。
根据步骤5获得目标约束下的备选策略排序,将目标约束下的第j个备选策略的决策结果记为Ⅰ类决策值Vi Ⅰ,对应为第j个备选策略的评价等级;根据步骤6获得实时属性数据下的备选策略排序,将基于实时属性数据的第j个备选策略的决策结果记为Ⅱ类决策值Vi Ⅱ,对应为第j个备选策略与实时数据s*的接近程度;则设Vi为第j个备选策略的综合决策评价值,计算方法如下:
其中,ω1和ω2为管理者对目标和属性的偏好权重,ω1+ω2=1。min{VⅠ}和max{VⅠ}分别是Ⅰ类决策值集合{VⅠ},即所有备选策略的评价等级中的最小值和最大值,min{VⅡ}和max{VⅡ}分别是Ⅱ类决策值集合{VⅡ},即所有备选策略与实时数据的接近程度集合中的最小值和最大值。
实施例:
(1)进行无人船运行状态等级评估。
以无人船实地运行实验中测量得到的数据为基础,选取10分钟的测量数据,特别地,为体现运行状态的变化和多样性,此段数据中船体状态具有较大变化,如剧烈摇晃、加速、急停等。将测量和解算得到的数据采样频率统一为1Hz,则共选择600组数据。将600组实验数据的类别进行可视化,即展示无人船运行状态等级随时间的变化,如图3所示,其中1—5分别对应无人船运行状态的安全等级为低、较低、中、较高、高。
对于600组实验样本数据,选择400组作为训练数据用于生成分类器,其余200组作为测试数据对分类器的性能进行验证。为说明本发明方法的性能情况,选取经典SVM、决策树作为对比实验,对于200组测试数据,三种方法的查准率分别为93%、90.5%、89.5%。表1给出本发明方法的平均混淆矩阵,该矩阵表示将某类分到另一类的比例。
表1分类结果平均混淆矩阵
很危险 | 危险 | 正常 | 稳定 | 很稳定 | |
很危险 | 88.1% | 4.8% | 7.1% | 0 | 0 |
危险 | 0 | 94.9% | 2.6% | 2.6% | 0 |
正常 | 0 | 2.1% | 97.9% | 0 | 0 |
稳定 | 0 | 2.9% | 2.9% | 94.3% | 0 |
很稳定 | 0 | 2.8% | 5.6% | 2.8% | 88.9% |
从结果可以看出,本发明方法可得出较高准确性的分类结果,从表1可以看出,错分类的样本多数处于相邻类别中,每类别的正确分类比例在88%以上,分类的鲁棒性能较好。
(2)确定决策层次模型。
决策层次模型由目标层C、备选策略层A、属性层B组成。其中,目标层C={c1,c2,c3,c4,c5},集合元素分别为:监测覆盖程度、巡航监测时间、巡航监测成本、运行安全程度、应急程度;备选策略层A={a1,a2,a3,a4,a5,a6,a7},集合元素分别为:保持当前状态航行、保持点位减速航行、减少点位保持速度航行、减少点位减速航行、保持速度返航、加速返航、停止航行,如图4所示。属性层B={b1,b2,b3,b4,b5,b6,b7,b8},集合元素分别为:风力、降水、是否雷电、河湖水位、运行状态等级、y轴速度偏差、x轴加速度、y轴加速度。
(3)目标约束下的专家知识决策。
实验中邀请3位专家对无人船运行方式发表决策意见,以评价不同操控策略在不同目标下的表现情况。设专家集E={s1,s2,s3},可形成每个决策专家的目标-策略矩阵Rk,如表2所示,其中评价等级p={VH,H,M,L,VL},对应于很高、高、中等、低、很低。
表2目标-策略决策矩阵
专家意见以二元语义rji=(pji,Simji)的形式给出,如表格中(VH,0.95),VH表示很高等级,评价值与当前等级的偏差为0.95。
对于目标-策略决策矩阵,对每个专家的决策矩阵及多个专家的评价结果先后综合,得到目标约束下对7种备选操控策略的评价结果,如表3所示。
表3目标约束下备选操控策略决策值
a<sub>1</sub> | a<sub>2</sub> | a<sub>3</sub> | a<sub>4</sub> | a<sub>5</sub> | a<sub>6</sub> | a<sub>7</sub> |
0.85 | 0.46 | 0.84 | 0.22 | 0.78 | 0.85 | 0.51 |
(4)实时属性约束下的决策及获得最终决策结果。
管理者对不同属性在各个备选策略下的重要性给出权重矩阵,如表4所示。
表4属性权重矩阵
b<sub>1</sub> | b<sub>2</sub> | b<sub>3</sub> | b<sub>4</sub> | b<sub>5</sub> | b<sub>6</sub> | b<sub>7</sub> | b<sub>8</sub> | |
a<sub>1</sub> | 0.0962 | 0.0485 | 0.1339 | 0.1791 | 0.0962 | 0.0726 | 0.1944 | 0.1791 |
a<sub>2</sub> | 0.2086 | 0.1437 | 0.1043 | 0.1759 | 0.0000 | 0.1598 | 0.1033 | 0.1043 |
a<sub>3</sub> | 0.0232 | 0.1564 | 0.1420 | 0.1855 | 0.1564 | 0.1278 | 0.0232 | 0.1855 |
a<sub>4</sub> | 0.1476 | 0.1490 | 0.0372 | 0.1476 | 0.0744 | 0.1490 | 0.1476 | 0.1476 |
a<sub>5</sub> | 0.0559 | 0.1542 | 0.1887 | 0.1108 | 0.1542 | 0.0280 | 0.1542 | 0.1542 |
a<sub>6</sub> | 0.0326 | 0.2405 | 0.1292 | 0.1305 | 0.2405 | 0.0974 | 0.1292 | 0.0000 |
a<sub>7</sub> | 0.1991 | 0.0497 | 0.1486 | 0.1486 | 0.3048 | 0.0000 | 0.0994 | 0.0497 |
通过多种传感设备对实时环境和船体自身状态数据进行采集,利用当前时刻之前的近30组数据对实时数据进行归一化处理,处理后的数据见表5。
表5标准化后的实时属性数据
风力 | 降水 | 雷电 | 水位 | 运行状态等级 | y轴速度偏差 | x轴加速度 | y轴加速度 |
0.93 | 0.64 | 1 | 0.32 | 0.2 | 0.67 | 0.12 | 0.56 |
属性约束下决策方法的核心思想是比较不同备选策略属性权重与实时数据的匹配程度,分别计算欧式距离,距离越小表示操控策略越优,计算结果见表6和图4所示。
表6综合决策值
a<sub>1</sub> | a<sub>2</sub> | a<sub>3</sub> | a<sub>4</sub> | a<sub>5</sub> | a<sub>6</sub> | a<sub>7</sub> | |
V<sup>Ⅰ</sup> | 0.85 | 0.46 | 0.84 | 0.22 | 0.78 | 0.85 | 0.51 |
V<sup>Ⅱ</sup> | 3.507 | 5.439 | 3.750 | 4.057 | 3.766 | 2.880 | 2.862 |
V | 0.243 | 0.921 | 0.672 | 0.557 | 0.175 | 0.248 | 0.288 |
最终的决策结果一方面考虑了目标约束下的决策值,另一方面也考虑了实时属性数据下的决策值,实现了从宏观和微观两方面对备选策略进行选择。从结果来看,保持点位减速航行和减少点位保持速度航行在各自评价中均靠前,受实时环境影响,减少点位减速航行策略排名提升,融合后的决策结果对决策目标和实时数据反映得更加全面,可为无人船的安全运行提供重要的决策参考。
Claims (5)
1.一种水环境监测无人船运行策略实时决策方法,其特征在于,包括:
步骤1,无人船搭载的传感器实时采集船体及周边环境的数据,包括无人船的角速度、姿态角、加速度和经纬度,环境的气温、风速、风向和降水;
步骤2,无人船的控制***对采集的数据进行预处理,获得基础测量数据Xset1、控制偏差数据Xset2和时序特征数据Xset3,形成状态评价信息源X;
所述的基础测量数据Xset1包括无人船的角速度、加速度、姿态角和速度;
所述的控制偏差数据Xset2包括无人机的实际速度与设定速度的偏差、实际位置与设定位置的偏差;
所述的时序特征数据Xset3包括无人船的姿态角和速度的时序变化率和信息熵;
步骤3,根据状态评价信息源,建立无人船运行状态等级评估的分类器;
对步骤1中无人船实时采集的数据经步骤2处理后得到状态评价信息源,输入分类器获得无人船当前的运行状态等级;
步骤4,构建水环境监测无人船运行策略决策层次模型,包括目标层、备选策略层和属性层;其中,目标层中的决策目标包括监测覆盖程度、巡航监测时间、巡航监测成本、运行安全程度、应急程度;备选策略层中存储控制无人船如何运行的策略;属性层是指无人机测量的无人船和周边环境的数据;
步骤5,针对目标层和备选策略层,根据专家知识信息来计算各备选策略的执行排序;
根据专家评价结果计算各备选策略的评价等级,评价等级越高,表示对应的备选策略越优先执行;
步骤6,针对备选策略层和属性层,计算实时属性下的各备选策略的执行排序;
构建属性-策略权重矩阵W,矩阵的行对应备选策略,矩阵的列对应属性,矩阵中的元素代表属性对备选策略的影响程度;属性包括:风力、降水、是否雷电、河湖水位、无人船的运行状态等级、无人船的y轴速度偏差、无人船的x轴加速度、无人船的y轴加速度;
对无人船实时采集的属性值进行零-均值标准化,设标准化后的实时数据为s*,计算s*与矩阵W中每行元素的欧式距离,作为每个备选策略与实时数据s*的接近程度,所计算的欧式距离越小,表示备选策略越优先执行;
步骤7,综合步骤5和6输出的备选策略排序,确定最终的排序,根据排序结果输出当前无人船的控制策略。
2.根据权利要求1所述的方法,其特征在于,所述的步骤2中,所述的基础测量数据Xset1表示为:
Xset1={ωx ωy ωz ψ θ γ ax ay az Vx Vy}
其中,{ωx ωy ωz}为无人船的三轴角速度;{ψ θ γ}为无人船的姿态角,分别为航向角、横滚角和俯仰角;{ax ay az}为无人船的三轴加速度;{Vx Vy}为无人船在水面的x轴、y轴方向的实时速度;
所述的控制偏差数据Xset2表示为:
其中,ΔVx、ΔVy分别为无人船在x轴、y轴的速度偏差,ΔVx=Vtx-Vx,ΔVy=Vty-Vy,Vtx、Vty分别为无人船在x轴、y轴的设定速度;Δλ、Δφ分别为无人船的经度位置偏差、纬度位置偏差,Δλ=λt-λ,λt、分别为无人船设定路线上的设定位置的经度、纬度,λ、分别为无人船当前位置的经度、纬度;
所述的时序特征数据Xset3为:
Xset3={Kψ Kθ Kγ KVx KVy Eψ Eθ Eγ EVx EVy}
其中,Kψ,Kθ,Kγ,KVx,KVy分别为无人船的航向角ψ、横滚角θ、俯仰角γ、x轴速度Vx、y轴速度Vy的时序变化率;Eψ,Eθ,Eγ,EVx,EVy分别为无人船的航向角ψ、横滚角θ、俯仰角γ、x轴速度Vx、y轴速度Vy的信息熵。
3.根据权利要求1所述的方法,其特征在于,所述的步骤3中,利用标记了无人船运行状态等级的状态评价信息源来对AdaBoost分类器进行训练。
4.根据权利要求1或2所述的方法,其特征在于,所述的步骤5中,包括:
首先,根据每位专家的知识信息构建目标-策略决策矩阵,矩阵中的每个元素记录专家对一个备选策略满足某个决策目标的程度的评价,元素以二元语义(pji,Simji)的形式表示,pji表示第j个备选策略在第i个决策目标下的评价等级,Simji表示专家的评价值与当前等级pji的偏差;
其次,对每个专家给出的目标-策略决策矩阵,计算各备选策略的综合评价等级;则,第v名专家对第j个备选策略的综合评价结果为其中,n为目标层中决策目标的总数,l()为等级转换算子,将评价等级均匀对应于[0,1]的实数;
最后,根据所有专家评价结果计算各备选策略的评价等级,确定执行顺序;
根据评价等级zj的值对备选策略进行排序,zj的值越大,表示对应的备选策略越优先执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018560.5A CN111142538B (zh) | 2020-01-08 | 2020-01-08 | 一种水环境监测的无人船运行策略实时决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018560.5A CN111142538B (zh) | 2020-01-08 | 2020-01-08 | 一种水环境监测的无人船运行策略实时决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111142538A CN111142538A (zh) | 2020-05-12 |
CN111142538B true CN111142538B (zh) | 2023-03-24 |
Family
ID=70524006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018560.5A Active CN111142538B (zh) | 2020-01-08 | 2020-01-08 | 一种水环境监测的无人船运行策略实时决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111142538B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085930B (zh) * | 2020-09-14 | 2022-06-03 | 武汉瑞莱保科技有限公司 | 一种发电机组智能监测预警***及方法 |
CN112950049B (zh) * | 2021-03-19 | 2024-03-15 | 北京工商大学 | 一种基于信息自动识别的藻类水华应急治理群决策方法及装置 |
CN114895693A (zh) * | 2022-04-12 | 2022-08-12 | 北京工商大学 | 一种基于topsis的多旋翼飞行器飞行策略实时决策方法 |
CN116395105B (zh) * | 2023-06-06 | 2023-10-20 | 海云联科技(苏州)有限公司 | 一种无人船的自动升降补偿方法及*** |
CN116777183B (zh) * | 2023-08-17 | 2023-11-21 | 北京海舶无人船科技有限公司 | 无人船集群智能调度方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440525A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 |
CN105744229A (zh) * | 2016-02-25 | 2016-07-06 | 江苏科技大学 | 基于红外全景环视融合的无人艇自动锚泊***及其工作方法 |
WO2017219296A1 (zh) * | 2016-06-22 | 2017-12-28 | 深圳市大疆创新科技有限公司 | 无人机仿真***、无人机仿真方法及无人机 |
RU2645249C1 (ru) * | 2016-08-17 | 2018-02-19 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Способ мониторинга окружающей среды и беспилотный аппарат для использования в данном способе |
CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8881226B2 (en) * | 2011-09-16 | 2014-11-04 | Axiomatics Ab | Provisioning user permissions using attribute-based access-control policies |
-
2020
- 2020-01-08 CN CN202010018560.5A patent/CN111142538B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440525A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 |
CN105744229A (zh) * | 2016-02-25 | 2016-07-06 | 江苏科技大学 | 基于红外全景环视融合的无人艇自动锚泊***及其工作方法 |
WO2017219296A1 (zh) * | 2016-06-22 | 2017-12-28 | 深圳市大疆创新科技有限公司 | 无人机仿真***、无人机仿真方法及无人机 |
RU2645249C1 (ru) * | 2016-08-17 | 2018-02-19 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Способ мониторинга окружающей среды и беспилотный аппарат для использования в данном способе |
CN109298712A (zh) * | 2018-10-19 | 2019-02-01 | 大连海事大学 | 一种基于自适应航行态势学习的无人驾驶船舶自主避碰决策方法 |
Non-Patent Citations (2)
Title |
---|
不确定性信息下的内河失控船应急决策方法;吴兵等;《哈尔滨工程大学学报》;20160513(第07期);全文 * |
基于混合式体系结构的无人船控制***设计;谢朔等;《船海工程》;20160625(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111142538A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111142538B (zh) | 一种水环境监测的无人船运行策略实时决策方法 | |
Xue et al. | Modeling human-like decision-making for inbound smart ships based on fuzzy decision trees | |
CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
CN101551809B (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
CN109840612A (zh) | 用户驾驶行为分析方法及*** | |
Kunjumon et al. | Survey on weather forecasting using data mining | |
CN109190491A (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
Ulil et al. | The vehicle as a mobile sensor network base IoT and big data for pothole detection caused by flood disaster | |
CN111368879A (zh) | 一种基于深半监督神经网络的轨迹数据挖掘方法 | |
CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
Snegireva et al. | Traffic sign recognition application using yolov5 architecture | |
CN110910531A (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN107392129A (zh) | 基于Softmax的人脸检索方法和*** | |
Hamed et al. | Fuel consumption prediction model using machine learning | |
Bleu-Laine et al. | Predicting adverse events and their precursors in aviation using multi-class multiple-instance learning | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
Liu et al. | Maintenance spare parts demand forecasting for automobile 4S shop considering weather data | |
CN116994077A (zh) | 一种复杂风场作用下飞行姿态的回归预测方法 | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
Zhuang et al. | Detection of turbulence anomalies using a symbolic classifier algorithm in airborne quick access record (QAR) data analysis | |
Yang et al. | A data-driven method for flight time estimation based on air traffic pattern identification and prediction |
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 |