CN111290435B - 一种波浪滑翔器的路径规划方法及*** - Google Patents
一种波浪滑翔器的路径规划方法及*** Download PDFInfo
- Publication number
- CN111290435B CN111290435B CN202010169379.4A CN202010169379A CN111290435B CN 111290435 B CN111290435 B CN 111290435B CN 202010169379 A CN202010169379 A CN 202010169379A CN 111290435 B CN111290435 B CN 111290435B
- Authority
- CN
- China
- Prior art keywords
- wave glider
- data
- path planning
- real
- underwater vehicle
- 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 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000013135 deep learning Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 15
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/02—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B22/00—Buoys
- B63B22/16—Buoys specially adapted for marking a navigational route
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
- G01V1/3817—Positioning of seismic devices
- G01V1/3835—Positioning of seismic devices measuring position, e.g. by GPS or acoustically
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B2213/00—Navigational aids and use thereof, not otherwise provided for in this class
- B63B2213/02—Navigational aids and use thereof, not otherwise provided for in this class using satellite radio beacon positioning systems, e.g. the Global Positioning System GPS
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
- B63G2008/002—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned
- B63G2008/004—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations unmanned autonomously operating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/14—Control of attitude or depth
- B63G8/22—Adjustment of buoyancy by water ballasting; Emptying equipment for ballast tanks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Ocean & Marine Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
Abstract
本发明涉及一种波浪滑翔器的路径规划方法及***。通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据;将历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型;获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据;根据上述数据和训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;根据在线端波浪滑翔器实时数据、在线端波浪滑翔器约束数据,基于深度学习神经网络,从波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案。本发明能够对波浪滑翔器的路径进行合理的规划,确保波浪滑翔器与水下航行器之间持续可靠的信息交互。
Description
技术领域
本发明涉及波浪滑翔器的路径规划领域,特别是涉及一种波浪滑翔器的路径规划方法及***。
背景技术
波浪滑翔器作为当前海洋装备领域出现的具有划时代意义的海洋自主观测平台,完全利用环境能源,可以在广阔的海洋上进行长期的路径跟踪和位置保持(最大航行距离>10000千米,连续工作时间>12个月)。其峰值发电功率大于80瓦,完全满足信息中继对电力的要求。与水面船舶、无人船、主水下航行器相比,波浪滑翔器具有体积小、成本低、长周期的特点,非常适合作为水面移动平台,用于辅助水下航行器(AUV、Glider)进行低成本、长航时的协同导航定位(波浪滑翔器与水下航行器之间通过水声通信的方式进行联系,提供距离信息,用于辅助水下航行器的导航定位)。
然而,波浪滑翔器的平均航速低,只有1节左右或更低,而水下航行器的航速通常2节以上,这使得波浪滑翔器无法与水下航行器实现同步跟随航行。更重要的是,水声通信的作用距离是有限的。以10千赫兹频段为例,其通信距离小于10千米,且频段越高,通信距离越短,这也制约了海洋“轻”装备波浪滑翔器在水下协同导航定位中的应用。
因此,要想构建基于海洋“轻”装备的波浪滑翔器-水下航行器协同导航定位***,就必须通过有效的技术手段弥补波浪滑翔器航行速度慢的的短板。
发明内容
本发明的目的是提供一种波浪滑翔器的路径规划方法及***,能够对波浪滑翔器的路径进行合理的规划,确保波浪滑翔器与水下航行器之间持续可靠的信息交互。
为实现上述目的,本发明提供了如下方案:
一种波浪滑翔器的路径规划方法,包括:
通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据;
将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型;
获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据;
根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;
通过GPS或云端将在岸基监控中心确定的所述波浪滑翔器离线优化路径规划方案集合发送至所述波浪滑翔器;
通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据;
根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案;
控制所述波浪滑翔器按照所述波浪滑翔器最佳路径规划方案航行。
可选的,所述将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型,具体包括:
将所述历史航行数据作为训练集输入深度学习神经网络;
获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据;
将所述波浪滑翔器的路径规划数据或所述水下航行器的路径规划数据作为约束条件输入深度学习神经网络;
通过多次迭代与学习,更新所述深度学习神经网络的参数,得到训练后的深度神经网络模型。
可选的,所述根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合,具体包括:
根据所述离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集;
根据所述水下航行器的实时航行数据和所述水下航行器预定航迹数据构建水下航行器测试集;
将所述波浪滑翔器测试集和所述水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
可选的,所述通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据,具体包括:
获取在线端波浪滑翔器实时数据,所述实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据;
获取在线端波浪滑翔器约束数据,所述约束数据包括:所述波浪滑翔器和所述水下航行器二者之间的距离以及水声通信情况。
可选的,所述根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据和所述波浪滑翔器离线优化路径规划方案集合基于深度学习神经网络,得到波浪滑翔器最佳路径规划方案,具体包括:
将所述在线端波浪滑翔器实时数据作为最新实时数据;
将所述在线端波浪滑翔器约束数据作为最新约束条件;
在所述最新实时数据和所述最新约束条件下,利用深度学习神经网络对所述波浪滑翔器离线优化路径规划方案集合,进行路径规划方案选择,得到波浪滑翔器最佳路径规划方案。
可选的,所述方法还包括:
将在所述在线端波浪滑翔器确定的所述波浪滑翔器最佳路径规划方案通过GPS或云端发送至所述岸基监控中心。
一种波浪滑翔器的路径规划***,包括:
历史航行数据获取模块,用于通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据;
训练模块,用于将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型;
离线端数据获取模块,用于获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据;
波浪滑翔器离线优化路径规划方案集合确定模块,用于根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;
数据传输模块,用于通过GPS或云端将在岸基监控中心确定的所述波浪滑翔器离线优化路径规划方案集合发送至所述波浪滑翔器;
在线端数据获取模块,用于通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据;
波浪滑翔器最佳路径规划方案确定模块,用于根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案;
波浪滑翔器航行模块,用于控制所述波浪滑翔器按照所述波浪滑翔器最佳路径规划方案航行。
可选的,所述训练模块,具体包括:
第一输入单元,用于将所述历史航行数据作为训练集输入深度学习神经网络;
获取单元,用于获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据;
第二输入单元,用于将所述波浪滑翔器的路径规划数据或所述水下航行器的路径规划数据作为约束条件输入深度学习神经网络;
训练单元,用于通过多次迭代与学习,更新所述深度学习神经网络的参数,得到训练后的深度神经网络模型。
可选的,所述波浪滑翔器离线优化路径规划方案集合确定模块,具体包括:
波浪滑翔器测试集构建单元,用于根据所述离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集;
水下航行器测试集构建单元,用于根据所述水下航行器的实时航行数据和所述水下航行器预定航迹数据构建水下航行器测试集;
波浪滑翔器离线优化路径规划方案集合确定单元,用于将所述波浪滑翔器测试集和所述水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
可选的,所述在线端数据获取模块,具体包括:
实时数据获取单元,用于获取在线端波浪滑翔器实时数据,所述实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据;
约束数据获取单元,用于获取在线端波浪滑翔器约束数据,所述约束数据包括:所述波浪滑翔器和所述水下航行器二者之间的距离以及水声通信情况。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明是对波浪滑翔器的航行路径进行规划,通过合理的路径规划,确保波浪滑翔器和水下航行器之间的距离,在两者水声通信的最大作用距离范围之内,从而确保波浪滑翔器与水下航行器之间持续可靠的信息交互。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1波浪滑翔器的路径规划方法流程图;
图2为本发明实施例1离线最佳路径规划方案设计示意图;
图3为本发明实施例1基于深度学习的波浪滑翔器路径方案选择示意图;
图4为本发明实施例2波浪滑翔器的路径规划***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种波浪滑翔器的路径规划方法及***,能够对波浪滑翔器的路径进行合理的规划,确保波浪滑翔器与水下航行器之间持续可靠的信息交互。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
图1为本发明实施例1波浪滑翔器的路径规划方法流程图。如图1所示,一种波浪滑翔器的路径规划方法包括:
步骤101:通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据。
通过岸基监控中心(离线端)分析历年波浪滑翔器的航行信息和水下航行器的航行信息,获取大量历史数据,并进行标准化。波浪滑翔器的航行信息主要包括波浪滑翔器的位置信息Location_before_WGlider、速度信息Velocity_before_WGlider、姿态(航向)信息Heading_before_WGlider;水下航行器的航行信息主要包括水下航行器的位置信息Location_before_AUV、速度信息Velocity_before_AUV、姿态(航向)信息Heading_before_AUV。历史数据主要是指过去波浪滑翔器在不同海域、不同海况等条件下的上述航行信息,以及过去水下航行器在不同海域、不同海况等条件下的上述航行信息。历史数据集可以表示为{Location_before_WGlider、Velocity_before_WGlider、Heading_before_WGlider、Location_before_AUV、Velocity_before_AUV、Heading_before_AUV}。
波浪滑翔器的航行信息既可以通过卫星实时发送给岸基监控中心,也可以存储在波浪滑翔器上,等任务完成回收后读取出来。不管采用哪种方式,波浪滑翔器的航行信息都会完好的保留下来。水下航行器的航行信息主要存储在水下航行器上,等任务完成回收后读取出来,也可以定期上浮至水面,通过卫星实时发送给岸基监控中心。由于波浪滑翔器和水下航行器已经执行了大量的航次任务,因此收集了大量的历史航行信息{Location_before_WGlider、Velocity_before_WGlider、Heading_before_WGlider、Location_before_AUV、Velocity_before_AUV、Heading_before_AUV}。
波浪滑翔器通过卫星通信,及时将波浪滑翔器的位置信息Location_real_WGlider、速度信息Velocity_real_WGlider、姿态(航向)信息Heading_real_WGlider,以及水下航行器的位置信息Location_real_AUV、速度信息Velocity_real_AUV、姿态(航向)信息Heading_real_AUV,发送给岸基监控中心(离线端);岸基监控中心(离线端)通过卫星通信接收到波浪滑翔器/水下航行器的位置信息、速度信息、姿态(航向)信息,获取实际航行数据{Location_real_WGlider、Velocity_real_WGlider、Heading_real_WGlider、Location_real_AUV、Velocity_real_AUV、Heading_real_AUV},并进行标准化。
波浪滑翔器的位置信息Location_real_WGlider和速度信息Velocity_real_WGlider通过波浪滑翔器上的卫星定位***获得;姿态(航向)信息Heading_real_WGlider通过波浪滑翔器上的姿态传感器测量得到。水下航行器的位置信息Location_real_AUV和速度信息Velocity_real_AUV由组合导航***给出,姿态(航向)信息Heading_real_AUV由姿态传感器测量得到。水下航行器通过水声通信,以低更新率(如15分钟1次)发送给水面波浪滑翔器,然后由波浪滑翔器(在线端)通过GPS/云端部分发送给岸基监控中心(离线端)。
岸基监控中心(离线端)获取波浪滑翔器和水下航行器预定航迹数据(或预设任务情况),并进行标准化。
需要注意,受能源和卫星通信带宽、费用等限制,波浪滑翔器和岸基监控中心之间的卫星通信并不是实时的,通信的频次也不会很高,往往是间隔一段时间,如3小时,进行一次通信。
步骤102:将历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型,具体包括:
将历史航行数据作为训练集输入深度学习神经网络。
获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据。
将波浪滑翔器的路径规划数据或水下航行器的路径规划数据作为约束条件输入深度学习神经网络。
通过多次迭代与学习,更新深度学习神经网络的参数,得到训练后的深度神经网络模型。
深度卷积神经网络由多层非线性运算单元组成,可以自动地从大量训练数据中学习复杂的、高维的非线性特征映射。将波浪滑翔器的历史航行数据(位置、速度、姿态(航向)),通过深度学习神经网络进行非线性拟合。上述过程具体包括:
1、训练集数据的构造过程:将波浪滑翔器/水下航行器的历史航数据,作为训练集。训练集是由历史航行信息{Location_before_WGlider、Velocity_before_WGlider、Heading_before_WGlider、Location_before_AUV、Velocity_before_AUV、Heading_before_AUV}构成的。作为一种优选的实施例:
训练集的构造过程如下:(1)将波浪滑翔器的历史航行信息{Location_before_WGlider、Velocity_before_WGlider、Heading_before_WGlider}和水下航行器的历史航行信息{Location_before_AUV、Velocity_before_AUV、Heading_before_AUV}分为两类;(2)分别对上述两类历史航行信息进行跳点剔除,确保数据的合理性;(3)分别对上述剔除跳点后的历史航行信息进行时间对准,确保位置、速度、姿态(航向)的时刻完全一致;(4)然后对上述处理后的历史航行信息进行平滑滤波处理,确保数据连续、平滑;(5)分别对不同航次、不同海况、不同航迹的数据进行归类,将类似的数据归为一类;(6)在此基础上,最后形成不同类型的训练集S_Wglider和S_AUV。
2、离线深度神经网络训练过程:(1)将处理后的时序波浪滑翔器/水下航行器的训练集数据S_Wglider和S_AUV依次输入深度学习神经网络;(2)由多层非线性运算单元组成的深度学习神经网络,自动地从大量训练数据集中学习复杂的、高维的非线性特征映射T_Wglider和T_AUV;(3)波浪滑翔器/水下航行器的路径规划数据G_Wglider和G_AUV(它们是航次任务前提前设定好的),作为约束条件,输入深度学习神经网络;(4)在上述约束条件下,深度学习神经网络通过多次迭代与学习,更新深度学习神经网络参数,根据优化函数,选择最优步进方案集,完成离线深度神经网络训练过程。
步骤103:获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据。
步骤104:根据离线端波浪滑翔器的实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合,具体包括:
根据离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集。
根据水下航行器的实时航行数据和水下航行器预定航迹数据构建水下航行器测试集。
将波浪滑翔器测试集和水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
利用训练好的深度神经网络,结合波浪滑翔器/水下航行器的实时航行数据、以及水下航行器预定航迹(或预设任务情况)数据,生成海量相应约束状态下波浪滑翔器最优路径规划方案。
1、测试集数据的构造过程:将波浪滑翔器/水下航行器的实时航行数据以及水下航行器预定航迹(或预设任务情况)数据,作为测试集。水下航行器预定航迹(或预设任务情况)数据由航次开始前,根据任务情况制定,一般不予调整,遇到特殊情况需调整的,由航次人员重新制定。其它测试集是由实时获得的波浪滑翔器的实际航行数据{Location_real_WGlider、Velocity_real_WGlider、Heading_real_WGlider}和水下航行器的实际航行数据{Location_real_AUV、Velocity_real_AUV、Heading_real_AUV}构成的。
波浪滑翔器测试集的构造过程如下:(1)波浪滑翔器的实际航行数据通过卫星定位***和姿态传感器实时获得;(2)上述波浪滑翔器的实测航行数据通过卫星通信***实时发送给岸基监控中心;(3)岸基监控中心对上述波浪滑翔器的实测航行数据进行数据处理和质量控制(跳点剔除、平滑、滤波等),生成可用的波浪滑翔器测试集F_Wglider。
水下航行器测试集的构造过程如下:(1)水下航行器的实际航行数据通过组合导航定位***实时获得;(2)上述水下航行器的实测航行数据通过水声通信***,发送给水面的波浪滑翔器;(3)波浪滑翔器接收后,通过卫星通信***实时发送给岸基监控中心;(4)岸基监控中心对上述水下航行器的实测航行数据进行数据处理和质量控制(跳点剔除、平滑、滤波等),生成可用的水下航行器测试集F_AUV。
2、海量波浪滑翔器最优路径规划方案生成过程:(1)将波浪滑翔器测试集F_Wglider和水下航行器测试集F_AUV作为最新约束条件;(2)在上述约束条件下,进一步优化生成的最优步进方案集;(3)生成海量波浪滑翔器最优路径规划方案。
在t∈[0,1,...t,...,T]时刻波浪滑翔器的输入状态s(t)∈S,其中S=C0×C1×...为波浪滑翔器约束状态集,C表示波浪滑翔器观测性、波浪滑翔器运动位置状态、水下航行器工作模型和位置等约束作为的输入状态。波浪滑翔器在t时刻的状态为a(t)∈A,其中A=F0×F1×...,F表示波浪滑翔器步进状态,根据s(t)、a(t)以及每次动作的决策回报值r(t),通过多次迭代与学习,更新网络参数θ,根据优化函数Q(s,A;θ)。假设在波浪滑翔器的通信频率为fcom,离线训练数据的采样频率为fdata,fcom=fdata/T,在1/fcom的时间长度内,根据步进式的动作输出a(t)累积获得在该时长内最佳路径p=a(1)→a(2)...→a(t)...→a(T)。
步骤101-104为波浪滑翔器离线最佳路径规划方案的设计,是在岸基监控中心(离线端)完成的。图2为本发明实施例1离线最佳路径规划方案设计示意图。
步骤105:通过GPS或云端将在岸基监控中心确定的波浪滑翔器离线优化路径规划方案集合发送至波浪滑翔器。
步骤105是在GPS或云端完成的,GPS或云端是连接岸基监控中心(离线端)和波浪滑翔器(在线端)的桥梁。
GPS或云端用于存储岸基监控中心(离线端)设计的路径规划方案,并将路径规划方案传输给波浪滑翔器(在线端),供波浪滑翔器(在线端)进行路径规划方案选择。
GPS或云端用于将波浪滑翔器(在线端)的评估数据回馈给岸基监控中心(离线端),评估数据主要是指波浪滑翔器的实际路径、水下航行器的实际路径、两者之间的距离和水声通信情况,以及实际海况等,用于评估波浪滑翔器的路径规划效果。
由于受到能源和卫星通信带宽、费用等的限制,波浪滑翔器和岸基监控中心之间的卫星通信并不是实时的,通信的频次也不会很高,往往是间隔一段时间,如3小时,进行一次通信。因此,岸基监控中心(离线端)规划的路径并不是实时的,而是给出了大量的可选择路径规划方案,需要波浪滑翔器(在线端)结合实时数据与约束进行现场选择最佳的路径规划方案。
以下步骤106-108是在波浪滑翔器(在线端)完成的,其主要是进行在线最佳路径规划方案选择。图3为本发明实施例1基于深度学习的波浪滑翔器路径方案选择示意图。
步骤106:通过波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据,具体包括:
获取在线端波浪滑翔器实时数据,实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据。
获取在线端波浪滑翔器约束数据,约束数据包括:波浪滑翔器和水下航行器二者之间的距离以及水声通信情况。
实时数据与约束数据采集过程与前面测试集数据的构造过程相同,不同之处在于,前面测试集数据的构造过程中需要将数据通过卫星通信发送给岸基监控中心,而实时数据与约束数据采集过程则不需要发送给岸基监控中心,在波浪滑翔器(在线端)完成即可。
实时数据采集具体过程如下:(1)波浪滑翔器实时采集波浪滑翔器的实际航行数据{Location_real_WGlider、Velocity_real_WGlider、Heading_real_WGlider},分别由卫星定位***和姿态传感器获得;(2)现场海况信息SeaState由波浪滑翔器上的温度传感器、海流计、气象仪等传感器获得;(3)水下航行器实时采集水下航行器的实际航行数据{Location_real_AUV、Velocity_real_AUV、Heading_real_AUV},由水下航行器上的组合导航***提供;(4)通过水声通信***,将上述水下航行器的实际航行数据以低更新率(如15分钟1次),发送给波浪滑翔器;(5)波浪滑翔器对上述数据进行处理和质量控制(跳点剔除、平滑、滤波等),生成可用的实时数据R_WGlider和R_AUV。
约束数据采集具体过程如下:约束数据主要是指波浪滑翔器和水下航行器之间的距离,水声通信情况(水声通信机性能、环境噪声、水声环境等),波浪滑翔器可以实时获取相关约束数据。(1)利用前面采集的实时数据,计算波浪滑翔器和水下航行器之间的距离,要求波浪滑翔器和水下航行器之间的距离要小于水声通信最大作用距离,并留有一定余量,如水声通信最大作用距离的80%,即构造了第一个约束条件Constraint_Range;(2)水声通信情况(水声通信机性能、环境噪声、水声环境等)由波浪滑翔器上的水声通信机实时测量和评估得到,构造了第二个约束条件Constraint_Comm。
步骤107:根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案,具体包括:
将在线端波浪滑翔器实时数据作为最新实时数据。
将在线端波浪滑翔器约束数据作为最新约束条件。
在最新实时数据和最新约束条件下,利用深度学习神经网络对波浪滑翔器离线优化路径规划方案集合,进行路径规划方案选择,得到波浪滑翔器最佳路径规划方案。
与岸基监控中心(离线端)不同,在设计波浪滑翔器(在线端)神经网络的过程中,要以提高选择决策的速度与可携带设备的计算能力为基本。在路径制定方案过程中,将处理后的时序训练集数据依次输入深度学习神经网络。在设计神经网络时,拟采用构架价格函数的形式权衡决策的深度学习神经网络与波浪滑翔器(在线端)***运算能力、存储能力间的关系。价格函数中既有隐含层数、隐含层的神经单元数、预测窗尺度等整数变量,也有神经元权重值等连续变量,故该优化问题中属于非凸整数混合优化问题。基于人工蜂群优化算法框架来解决此问题。人工蜂群算法的应用,可以动态优化深度学习神经网络代替传统的静态的网络参数优化方法,以提高深度学习神经网络在波浪滑翔器在线端的可用性。
步骤108:控制波浪滑翔器按照波浪滑翔器最佳路径规划方案航行。根据基于深度学习神经网络选择的路径方案,及时调整波浪滑翔器的姿态(航向)、航速等,按照路径方案航行。同时,波浪滑翔器实时监控自身的航行情况、海况情况和水下航行器的航行情况。
本发明波浪滑翔器的路径规划方法还包括:
将在在线端波浪滑翔器确定的波浪滑翔器最佳路径规划方案通过GPS或云端发送至岸基监控中心。具体的,波浪滑翔器通过GPS/云端,定时(如3小时1次)将决策相关数据{s(n),p(n),r(n)}回传到岸基监控中心(离线端),用于岸基监控中心(离线端)路径方案更新。
由于波浪滑翔器的航速低于水下航行器的航速,使得使得波浪滑翔器无法与水下航行器实现同步跟随航行。而水声通信的作用距离是有限的。如果不对波浪滑翔器进行合理的路径规划,波浪滑翔器和水下航行器之间的距离很容易超出水声通信的距离,使得波浪滑翔器与水下航行器之间无法维持持续可靠的信息交互,进而导致波浪滑翔器、水声通信机、水下航行器的水下协同导航定位失效。
本发明正是针对上述问题,提出了相应的解决方案。利用历年波浪滑翔器的航行信息和水下航行器的航行信息、波浪滑翔器的实际路径信息(位置信息、速度信息、姿态(航向)信息)、水下航行器的实际路径信息(位置信息、速度信息、姿态(航向)信息),利用深度学习神经网络进行路径规划,生成多约束、多信息融合的路径方案。
如果上述基于深度学习的路径方案设计直接在波浪滑翔器上进行,那么所需要的计算量远远超出的波浪滑翔器的计算能力。为此,将整个路径规划问题分解为岸基监控中心(离线端)的路径规划设计、波浪滑翔器(在线端)的路径规划选择两部分。将主要计算工作量的路径规划设计工作由岸基监控中心(离线端)完成;将较少计算工作量的路径选择工作由波浪滑翔器(在线端)完成。这样将路径规划方案设计部分与方案选择部分通过云端连接,可以大幅度减少波浪滑翔器在线端运算负荷,同时解决了波浪滑翔器和岸基监控中心之间的卫星通信不及时的问题,提高算法在实际应用中的可操作性。
此外,本发明将在在线端波浪滑翔器确定的波浪滑翔器最佳路径规划方案通过GPS或云端发送至岸基监控中心,还增加了路径评估数据回传的功能,用于根据波浪滑翔器、水下航行器以及实际海况等,及时调整岸基监控中心(离线端)的路径规划设计和波浪滑翔器(在线端)的路径规划选择,从而确保波浪滑翔器与水下航行器之间持续可靠的信息交互。
实施例2:
对应于本发明提供的波浪滑翔器的路径规划方法,本发明还提供一种波浪滑翔器的路径规划***,图4为本发明实施例2波浪滑翔器的路径规划***结构图。如图4所示,一种波浪滑翔器的路径规划***包括:
历史航行数据获取模块201,用于通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据。
训练模块202,用于将历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型。
离线端数据获取模块203,用于获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据。
波浪滑翔器离线优化路径规划方案集合确定模块204,用于根据离线端波浪滑翔器的实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
数据传输模块205,用于通过GPS或云端将在岸基监控中心确定的波浪滑翔器离线优化路径规划方案集合发送至波浪滑翔器。
在线端数据获取模块206,用于通过波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据。
波浪滑翔器最佳路径规划方案确定模块207,用于根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案。
波浪滑翔器航行模块208,用于控制波浪滑翔器按照波浪滑翔器最佳路径规划方案航行。
训练模块202,具体包括:
第一输入单元,用于将历史航行数据作为训练集输入深度学习神经网络。
获取单元,用于获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据。
第二输入单元,用于将波浪滑翔器的路径规划数据或水下航行器的路径规划数据作为约束条件输入深度学习神经网络。
训练单元,用于通过多次迭代与学习,更新深度学习神经网络的参数,得到训练后的深度神经网络模型。
波浪滑翔器离线优化路径规划方案集合确定模块204,具体包括:
波浪滑翔器测试集构建单元,用于根据离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集。
水下航行器测试集构建单元,用于根据水下航行器的实时航行数据和水下航行器预定航迹数据构建水下航行器测试集。
波浪滑翔器离线优化路径规划方案集合确定单元,用于将波浪滑翔器测试集和水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
在线端数据获取模块206,具体包括:
实时数据获取单元,用于获取在线端波浪滑翔器实时数据,实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据。
约束数据获取单元,用于获取在线端波浪滑翔器约束数据,约束数据包括:波浪滑翔器和水下航行器二者之间的距离以及水声通信情况。
本发明将波浪滑翔器路径规划方法分为离线路径设计和在线优化决策两部分;引入了深度学习神经网络,来处理波浪滑翔器路径规划中的多约束、多信息融合的问题;将路径规划方案设计部分与方案选择部分通过云端或GPS连接,可以大幅度减少波浪滑翔器在线端运算负荷,提高算法在实际应用中的可操作性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种波浪滑翔器的路径规划方法,其特征在于,包括:
通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据;
将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型;
获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据;
根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;
通过GPS或云端将在岸基监控中心确定的所述波浪滑翔器离线优化路径规划方案集合发送至所述波浪滑翔器;
通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据;
根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案;
控制所述波浪滑翔器按照所述波浪滑翔器最佳路径规划方案航行;
所述将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型,具体包括:
将所述历史航行数据作为训练集输入深度学习神经网络;
获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据;
将所述波浪滑翔器的路径规划数据或所述水下航行器的路径规划数据作为约束条件输入深度学习神经网络;
通过多次迭代与学习,更新所述深度学习神经网络的参数,得到训练后的深度神经网络模型;
所述根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合,具体包括:
根据所述离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集;
根据所述水下航行器的实时航行数据和所述水下航行器预定航迹数据构建水下航行器测试集;
将所述波浪滑翔器测试集和所述水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;
所述根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据和所述波浪滑翔器离线优化路径规划方案集合基于深度学习神经网络,得到波浪滑翔器最佳路径规划方案,具体包括:
将所述在线端波浪滑翔器实时数据作为最新实时数据;
将所述在线端波浪滑翔器约束数据作为最新约束条件;
在所述最新实时数据和所述最新约束条件下,利用深度学习神经网络对所述波浪滑翔器离线优化路径规划方案集合,进行路径规划方案选择,得到波浪滑翔器最佳路径规划方案。
2.根据权利要求1所述的波浪滑翔器的路径规划方法,其特征在于,所述通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据,具体包括:
获取在线端波浪滑翔器实时数据,所述实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据;
获取在线端波浪滑翔器约束数据,所述约束数据包括:所述波浪滑翔器和所述水下航行器二者之间的距离以及水声通信情况。
3.根据权利要求1所述的波浪滑翔器的路径规划方法,其特征在于,所述方法还包括:
将在所述在线端波浪滑翔器确定的所述波浪滑翔器最佳路径规划方案通过GPS或云端发送至所述岸基监控中心。
4.一种波浪滑翔器的路径规划***,其特征在于,包括:
历史航行数据获取模块,用于通过岸基监控中心获取波浪滑翔器和水下航行器的历史航行数据;
训练模块,用于将所述历史航行数据采用深度学习神经网络进行非线性拟合,得到训练后的深度神经网络模型;
离线端数据获取模块,用于获取离线端波浪滑翔器实时航行数据、水下航行器的实时航行数据和水下航行器预定航迹数据;
波浪滑翔器离线优化路径规划方案集合确定模块,用于根据所述离线端波浪滑翔器的实时航行数据、所述水下航行器的实时航行数据和所述水下航行器预定航迹数据采用训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合;
数据传输模块,用于通过GPS或云端将在岸基监控中心确定的所述波浪滑翔器离线优化路径规划方案集合发送至所述波浪滑翔器;
在线端数据获取模块,用于通过所述波浪滑翔器获取在线端波浪滑翔器实时数据和在线端波浪滑翔器约束数据;
波浪滑翔器最佳路径规划方案确定模块,用于根据所述在线端波浪滑翔器实时数据、所述在线端波浪滑翔器约束数据,基于深度学习神经网络,从所述波浪滑翔器离线优化路径规划方案集合中,确定波浪滑翔器最佳路径规划方案,具体用于将所述在线端波浪滑翔器实时数据作为最新实时数据;将所述在线端波浪滑翔器约束数据作为最新约束条件;在所述最新实时数据和所述最新约束条件下,利用深度学习神经网络对所述波浪滑翔器离线优化路径规划方案集合,进行路径规划方案选择,得到波浪滑翔器最佳路径规划方案;
波浪滑翔器航行模块,用于控制所述波浪滑翔器按照所述波浪滑翔器最佳路径规划方案航行;
所述训练模块,具体包括:
第一输入单元,用于将所述历史航行数据作为训练集输入深度学习神经网络;
获取单元,用于获取波浪滑翔器的路径规划数据或水下航行器的路径规划数据;
第二输入单元,用于将所述波浪滑翔器的路径规划数据或所述水下航行器的路径规划数据作为约束条件输入深度学习神经网络;
训练单元,用于通过多次迭代与学习,更新所述深度学习神经网络的参数,得到训练后的深度神经网络模型;
所述波浪滑翔器离线优化路径规划方案集合确定模块,具体包括:
波浪滑翔器测试集构建单元,用于根据所述离线端波浪滑翔器的实时航行数据构建波浪滑翔器测试集;
水下航行器测试集构建单元,用于根据所述水下航行器的实时航行数据和所述水下航行器预定航迹数据构建水下航行器测试集;
波浪滑翔器离线优化路径规划方案集合确定单元,用于将所述波浪滑翔器测试集和所述水下航行器测试集输入训练后的深度神经网络模型,得到波浪滑翔器离线优化路径规划方案集合。
5.根据权利要求4所述的波浪滑翔器的路径规划***,其特征在于,所述在线端数据获取模块,具体包括:
实时数据获取单元,用于获取在线端波浪滑翔器实时数据,所述实时数据包括:波浪滑翔器实时采集波浪滑翔器的实际航行数据、现场海况信息和水下航行器的实际航行数据;
约束数据获取单元,用于获取在线端波浪滑翔器约束数据,所述约束数据包括:所述波浪滑翔器和所述水下航行器二者之间的距离以及水声通信情况。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169379.4A CN111290435B (zh) | 2020-03-12 | 2020-03-12 | 一种波浪滑翔器的路径规划方法及*** |
US16/849,284 US11500384B2 (en) | 2020-03-12 | 2020-04-15 | Method and system for path planning of wave glider |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169379.4A CN111290435B (zh) | 2020-03-12 | 2020-03-12 | 一种波浪滑翔器的路径规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111290435A CN111290435A (zh) | 2020-06-16 |
CN111290435B true CN111290435B (zh) | 2020-10-02 |
Family
ID=71027456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169379.4A Active CN111290435B (zh) | 2020-03-12 | 2020-03-12 | 一种波浪滑翔器的路径规划方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US11500384B2 (zh) |
CN (1) | CN111290435B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290435B (zh) * | 2020-03-12 | 2020-10-02 | 国家深海基地管理中心 | 一种波浪滑翔器的路径规划方法及*** |
CN111829528B (zh) * | 2020-07-27 | 2022-02-08 | 中国科学院自动化研究所 | 仿生滑翔机器海豚的实时路径规划方法及*** |
CN112363517B (zh) * | 2020-10-09 | 2021-09-28 | 中国科学院沈阳自动化研究所 | 一种水下滑翔机的编队控制方法 |
CN113120203B (zh) * | 2021-05-28 | 2022-02-18 | 中国船舶科学研究中心 | 一种水下滑翔器纵倾角区间式主动控制方法 |
CN114066354B (zh) * | 2021-11-12 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及*** |
CN113970887B (zh) * | 2021-11-22 | 2023-11-14 | 大连海事大学 | 一种基于能耗最优的多水下滑翔机路径规划*** |
CN114840928B (zh) * | 2022-05-07 | 2023-04-18 | 西北工业大学 | 一种基于深度学习的水下航行器集群运动仿真方法 |
CN115102600B (zh) * | 2022-05-15 | 2024-03-29 | 西北工业大学 | 岸基方舱协同的水下滑翔机天通通信***及数据传输方法 |
CN114793129B (zh) * | 2022-05-27 | 2024-05-14 | 青岛海舟科技有限公司 | 一种基于波浪滑翔器的无线通讯中继方法及*** |
CN114779163B (zh) * | 2022-06-17 | 2022-09-09 | 青岛海舟科技有限公司 | 一种基于波浪滑翔器的水声检测识别避障方法及*** |
CN115061482B (zh) * | 2022-08-19 | 2022-11-25 | 中国海洋大学 | 一种波浪滑翔器全局路径规划方法及*** |
CN117550273B (zh) * | 2024-01-10 | 2024-04-05 | 成都电科星拓科技有限公司 | 基于蜂群算法的多搬运机器人协作方法 |
CN117606490B (zh) * | 2024-01-23 | 2024-05-14 | 吉林大学 | 一种水下自主航行器协同搜索路径规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907711A (zh) * | 2010-07-16 | 2010-12-08 | 浙江大学 | 一种自主水下机器人的同时检测与定位方法 |
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN106767792A (zh) * | 2017-01-16 | 2017-05-31 | 东南大学 | 一种水下滑翔器导航***及高精度姿态估计方法 |
CN108717263A (zh) * | 2018-04-11 | 2018-10-30 | 哈尔滨工程大学 | 波浪滑翔器多体艏向融合的无模型自适应航向控制方法 |
CN109739090A (zh) * | 2019-01-15 | 2019-05-10 | 哈尔滨工程大学 | 一种自主式水下机器人神经网络强化学习控制方法 |
DE202020100566U1 (de) * | 2020-02-03 | 2020-02-21 | Geomar Helmholtz-Zentrum Für Ozeanforschung Kiel | Wave-Glider-Nutzlast-Modul sowie Wave-Glider-Nutzlast-System |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9423522B2 (en) * | 2012-12-11 | 2016-08-23 | Westerngeco L.L.C. | Communication systems for water vehicles |
US9903536B2 (en) * | 2014-08-26 | 2018-02-27 | The Johns Hopkins University | Passive diode-like device for fluids |
CN111290435B (zh) * | 2020-03-12 | 2020-10-02 | 国家深海基地管理中心 | 一种波浪滑翔器的路径规划方法及*** |
-
2020
- 2020-03-12 CN CN202010169379.4A patent/CN111290435B/zh active Active
- 2020-04-15 US US16/849,284 patent/US11500384B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907711A (zh) * | 2010-07-16 | 2010-12-08 | 浙江大学 | 一种自主水下机器人的同时检测与定位方法 |
CN104133375A (zh) * | 2014-08-14 | 2014-11-05 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
CN106767792A (zh) * | 2017-01-16 | 2017-05-31 | 东南大学 | 一种水下滑翔器导航***及高精度姿态估计方法 |
CN108717263A (zh) * | 2018-04-11 | 2018-10-30 | 哈尔滨工程大学 | 波浪滑翔器多体艏向融合的无模型自适应航向控制方法 |
CN109739090A (zh) * | 2019-01-15 | 2019-05-10 | 哈尔滨工程大学 | 一种自主式水下机器人神经网络强化学习控制方法 |
DE202020100566U1 (de) * | 2020-02-03 | 2020-02-21 | Geomar Helmholtz-Zentrum Für Ozeanforschung Kiel | Wave-Glider-Nutzlast-Modul sowie Wave-Glider-Nutzlast-System |
Non-Patent Citations (2)
Title |
---|
Underwater glider motion control based on neural network;Kedong LYU;《Journal of applied science&process engineering》;20190228;第6卷(第2期);全文 * |
水下滑翔器运动控制与自主导航策略;史健等;《海洋技术学报》;20141231;第33卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11500384B2 (en) | 2022-11-15 |
CN111290435A (zh) | 2020-06-16 |
US20210286361A1 (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111290435B (zh) | 一种波浪滑翔器的路径规划方法及*** | |
US11029168B2 (en) | Method for identifying optimal vehicle paths when energy is a key metric or constraint | |
Xiong et al. | Path planning of multiple autonomous marine vehicles for adaptive sampling using Voronoi-based ant colony optimization | |
Zhang et al. | Control of coordinated patterns for ocean sampling | |
CN111339229B (zh) | 一种船舶自主航行辅助决策*** | |
EP3330666A1 (en) | A communication apparatus for adapting an actual route of a vessel | |
Zhou et al. | Adaptive re-planning of AUVs for environmental sampling missions: A fuzzy decision support system based on multi-objective particle swarm optimization | |
CN112904890A (zh) | 一种电力线路的无人机自动巡检***及方法 | |
Zeng et al. | Exploiting ocean energy for improved AUV persistent presence: path planning based on spatiotemporal current forecasts | |
CN113190036A (zh) | 一种基于lstm神经网络的无人机飞行轨迹预测方法 | |
Belhajem et al. | A robust low cost approach for real time car positioning in a smart city using Extended Kalman Filter and evolutionary machine learning | |
Hasan et al. | Predictive digital twins for autonomous ships | |
Zhu et al. | Automatic cruise system for water quality monitoring | |
Besada-Portas et al. | Data-driven exploration of lentic water bodies with ASVS guided by gradient-free optimization/contour detection algorithms | |
Li et al. | Energy-efficient space–air–ground–ocean-integrated network based on intelligent autonomous underwater glider | |
CN115314850A (zh) | 一种基于云边协同控制的智能运动*** | |
von Oppeln-Bronikowski et al. | Overview of a new ocean glider navigation system: OceanGNS | |
Zhang et al. | Many-Objective Maritime Path Planning for Dynamic and Uncertain Environments | |
Yang et al. | Real-time Autonomous Glider Navigation Software | |
Yang | Energy-optimal Planning and Control of Autonomous Underwater Vehicles Under Ocean Currents | |
CN116865840B (zh) | 面向巨型星座运行管理的软件机器人集群***及构建方法 | |
CN116774962B (zh) | 一种辅助靠离泊用无线数传显示终端 | |
CN117670068B (zh) | 一种auv实时风险评估***及方法 | |
CN118112923A (zh) | 一种数据驱动的海洋机器人集群自适应控制*** | |
Chien-Chou et al. | A framework to evolutionary path planning for autonomous underwater glider |
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 |