CN112035992B - 一种基于多目标优化的自主遥控水下机器人共享控制方法 - Google Patents
一种基于多目标优化的自主遥控水下机器人共享控制方法 Download PDFInfo
- Publication number
- CN112035992B CN112035992B CN201910401020.2A CN201910401020A CN112035992B CN 112035992 B CN112035992 B CN 112035992B CN 201910401020 A CN201910401020 A CN 201910401020A CN 112035992 B CN112035992 B CN 112035992B
- Authority
- CN
- China
- Prior art keywords
- arv
- function
- obstacle
- control command
- heading angle
- 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 66
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000011430 maximum method Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于多目标优化的自主遥控水下机器人共享控制方法,包括:根据操作杆输入信号计算人为操作的ARV艏向角控制命令和前向速度的控制命令;计算自主控制的ARV艏向角控制命令;构建共享目标函数、及其约束条件和优化求解方法,根据ARV当前的位置、艏向角和局部环境中障碍物的分布位置以及计算的人为操作的ARV艏向角控制命令、自主控制的ARV艏向角控制命令输出艏向角共享控制命令;ARV根据人为操作的前向速度的控制命令、艏向角共享控制命令避让障碍物并执行任务。该方法结合操作人员的遥控和自主控制提高ARV在复杂、未知、非结构化的水下环境中的作业能力、任务表现和安全性,并减轻操作人员的工作负担。
Description
技术领域
本发明涉及水下机器人控制领域,具体说是一种基于多目标优化的自主遥控水下机器人人机共享控制方法。
背景技术
自主遥控水下机器人(Autonomous and Remotely Operated UnderwaterVehicle,ARV)是一种融合AUV和ROV特点的新型水下机器人,其自带能源、使用光纤与母船通信,既具有AUV大范围水下搜索和探测的功能,又可以像ROV一样由操作人员进行实时操作控制以实现定点观测及水下轻作业。ARV为人类探索、研究和开发海洋提供了便利。
目前ARV主要的控制方式包括自主控制和遥控。受限于传感器和智能技术的发展水平,自主控制一般用于执行预编程的搜索、观测等比较简单的任务,应用场景有限;在复杂、未知的水下环境中执行任务时一般采用遥控方式,遥控方式下由操作人员直接控制ARV观测或作业,ARV***的任务表现取决于操作人员的技术水平,ARV的安全性也较低,操作人员的工作负担较重。
发明内容
针对上述自主控制和遥控中存在的问题,本发明的目的在于提供一种基于多目标优化的ARV人机共享控制方法,通过结合操作人员的遥控和自主控制提高ARV在复杂、未知、非结构化的水下环境中的作业能力、任务表现和安全性,同时减轻操作人员遥控ARV的工作负担。
本发明解决其技术问题所采用的技术方案是:一种基于多目标优化的自主遥控水下机器人共享控制方法,包括以下步骤:
由操作人员依据传感器检测的ARV当前的位置PARV、艏向角ψARV和局部环境中障碍物的分布位置Pobs操作操作杆,根据操作杆输入计算人为操作的ARV艏向角控制命令ψh和前向速度的控制命令vh;
根据Pobs和PARV计算自主控制的ARV艏向角控制命令ψapf;
构建共享目标函数、及其约束条件和优化求解方法,根据ARV当前的位置PARV、艏向角ψARV和局部环境中障碍物的分布位置Pobs以及计算的人为操作的ARV艏向角控制命令ψh、自主控制的ARV艏向角控制命令ψapf输出艏向角共享控制命令ψshare;
ARV根据前向速度的控制命令vh、艏向角共享控制命令ψshare控制ARV避让障碍物并执行任务。
所述计算人为操作的ARV艏向角控制命令ψh和前向速度的控制命令vh的公式如下:
式中,t为时刻;Jx和Jy为操作人员在操作杆x和y轴上的控制输入量,其中Jx控制ARV的艏向角,Jy控制ARV的前向速度,并且Jx∈[-1,1]、Jy∈[-1,1];ψARV为ARV当前的艏向角;kψ为调节艏向角增量的增益系数;vmax为ARV的最大前向速度;Jxd≥0和Jyd≥0分别为在操作杆x和y轴0位置附近设定的死区阈值。
所述根据Pobs和PARV计算自主控制***的ARV艏向角控制命令ψapf包括:
①若环境中存在一个障碍物,使用下式计算自主控制***的ARV艏向角控制命令ψapf:
ψapf(t)=atan(yv-yo,xv-xo)
式中,PARV=[xv,yv]为ARV当前的位置坐标,[xo,yo]为障碍物的位置;
②若环境中存在多个障碍物,则:
使用下式计算第i个障碍物对ARV运动影响的大小ri:
式中,i为障碍物编号,dobs_i为ARV与第i个障碍物之间的欧氏距离,dshare、dsafe、ko为设计参数,dshare>0为障碍物对ARV航行安全产生影响的最大距离,dsafe>0为保障ARV与障碍物之间安全的距离阈值,dshare、dsafe根据ARV的运动半径确定,ko(1≥ko>0)为比例系数,用于调整自主避障行为辅助其他行为避障的程度;
以ri为模的大小,ψapf_i为方向确定第i个障碍物对ARV影响的向量Vobs_i,使用下式通过矢量相加求得所有障碍物对ARV影响的向量的和向量,使用和向量的方向作为自主控制模块输出的控制命令ψapf:
式中,n为环境中对ARV航行安全产生影响的障碍物数量。
所述共享目标函数包括服从度函数obedience(ψ)、自主度函数autonomy(ψ)和稳定度函数stability(ψ),用于对艏向角控制命令变量ψ的不同取值进行评估,形式均如下:
aim(ψ)=exp(-χ|ψ-ψaim|)
式中,aim表示目标函数,ψaim为目标函数的优化目标,exp()为以自然常数作为底数的指数函数;χ≥0为形状系数;该形式的目标函数的值域均在区间(0,1]内;目标函数的函数值的大小与艏向角控制命令变量ψ满足对应目标ψaim的程度正相关,在对称轴ψ=ψaim处取得最大值1并向两侧递减,通过调整形状系数χ可以改变函数值递减的速度,χ越大,递减的速度越快,特别的,当χ=0时,函数值恒为1。
所述服从度函数obedience(ψ)用于评估ψ服从ψaim的程度:
obedience(ψ)=exp(-α|ψ-ψh|)
α为服从度函数的形状系数,其值由下式确定:
式中,αmax为大于0的常数;dmmin为ARV到障碍物的最小距离;公式根据dmmin调整α的值从而改变操作人员影响ARV运动的程度。
所述自主度函数autonomy(ψ)用于评估ψ与ψapf的差别:
autonomy(ψ)=exp(-γ|ψ-ψapf|)
γ为自主度函数的形状系数,其值由下式确定:
式中,γmax为大于0的常数,公式根据dmin调整γ的值,使ψapf仅在dmin<dshare时使ARV远离障碍物。
所述稳定度函数stability(ψ)用于评估ψ相对于ψARV的变化的程度:
stability(ψ)=exp(-β|ψ-ψARV|)
式中,β为稳定度函数的形状系数,且为正常数。
所述共享目标函数的约束条件Isafe根据安全性评估函数分两步计算:
首先,确定符合安全性要求的运动方向的取值区间的集合I′safe=[I′1,I′2,...,I′j],j为取值区间的个数,使ARV在I′safe的区间内的运动方向上与障碍物保持安全的距离;使用security(ψ)<λ(dmax-dshare)计算得到I′safe;
其中,安全性评估函数定义为分段函数,在每段定义域上的函数值根据下式确定:
式中,security(ψ)表示安全性评估函数;μ为改变函数值大小的比例因子,设置为大于0的常数;dmax为障碍物开始引起security(ψ)函数值变化的距离阈值,且d为单个定义域内ARV到障碍物栅格的最小距离,当d>dmax时令d=dmax;
其次,设置保障ARV安全的安全间隔IΔ,缩小I′safe中的取值区间以得到可行解取值区间的集合Isafe=[I1,I2,...,Im],m为取值区间的个数,保障ARV在Isafe的区间内的运动方向上与两侧的障碍物也保持相对安全的距离。
所述共享目标函数的优化求解方法采用最小最大法,通过求解即可得到共享控制方法产生的艏向角控制命令ψshare,如下式所示:
式中,min{}表示在定义域内的各段取所有目标函数的最小值。
本发明具有以下有益效果及优点:
1.本发明方法通过共享控制结合操作人员的环境意识、决策能力和自主控制***的精确控制能力,提高了ARV在复杂、未知、非结构化环境下的任务性能。
2.本发明方法使用自主控制***产生的控制信号对操作人员的操作进行辅助,降低了操作人员在任务中的操作复杂性,减轻了工作负担。
3.本发明方法设计了处理ARV传感器获取的局部环境信息的方法,并根据处理后得到的信息调整ARV的控制信号,保障了ARV的安全。
4.本发明方法可以在融合操作人员遥控和自主控制***自主控制时兼顾任务需求、操作人员需求等多种因素,适用于多种任务,具有广泛的应用场景。
5.本发明方法采用模块化的设计思路,结构简洁,可扩展性强,便于根据任务需求调整算法的设计。
6.本发明方法基于现有的多目标优化理论设计,可以兼容多目标优化理论中大量成熟的目标函数形式和优化算法,能够满足广泛的实际需求。
附图说明
图1是本发明方法的***结构图;
图2是本发明方法的结构图;
图3是本发明方法中处理ARV传感器获取的局部环境信息的示意图;
图4是本发明方法中使用最小最大法求解的示意图;
图5是本发明方法工作步骤的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明。
本发明方法的基本思想是,基于共享控制的理论,将ARV艏向角的控制命令作为决策变量,根据操作人员控制意图、自主控制、任务需求及对ARV任务性能的要求等因素设计一组对应的目标函数,并确定ARV在任务中的约束条件,使用目标函数和约束条件将ARV的共享控制转化为多目标优化问题,在多目标优化方法中选择适当的优化算法求解该问题以得到最优解(即多目标优化中的Pareto最优解)作为ARV共享控制产生的艏向角控制命令。本发明方法能够在ARV的共享控制中兼顾多种因素,提高ARV在复杂、未知、非结构化的水下环境中的作业能力和安全性,同时减轻操作人员的工作负担。
基于本发明方法,本实施例针对ARV在全局环境信息未知、非结构化的水下环境中执行环境探索任务设计,在该任务中通常无法预先设定ARV的运动目标和运动路径,需要操作人员依靠ARV携带的声学、光学等传感器获取的实时局部环境信息进行搜索、决策和规划,存在安全性差、任务表现受限于操作人员的技术水平、操作人员的工作负担重等问题,采用本实施例设计的基于多目标优化的共享控制方法可以很好的解决上述问题。
图1中Pobs=[Pobs_1,Pobs_2,...,Pobs_n](n为障碍物的数量)为局部环境中障碍物分布的位置信息,PARV为ARV当前的位置,ψARV为ARV当前的艏向角,ψh为操作人员输出的ARV艏向角控制命令,vh为操作人员输出的ARV前向速度的控制命令,ψapf为自主控制***输出的ARV艏向角的控制命令,ψshare为使用基于多目标优化的共享控制方法产生的艏向角共享控制命令。图3中,虚线交叉产生的小正方形为栅格,其中黑色栅格表示障碍物栅格,白色栅格表示自由栅格,Δ表示栅格粒度,Δ根据局部障碍物信息的精度和计算机的性能确定,Δ越小对计算机性能和地图精度的要求越高;实线标出的大正方形为活动窗口,w为活动窗口的边长,w的值根据传感器的探测距离确定;椭圆表示ARV,其重心位置位于活动窗口中心的栅格;θ为分割活动窗口所使用的角度,以θ为夹角使用以ARV所在的位置为中心的一组射线将活动窗口划分为个区域,θ的大小根据计算机的性能和局部地图的精度确定,θ越小对计算机性能和地图精度的要求越高,得到的安全性评估函数对环境的描述越精确;d为单个区域内ARV到障碍物栅格的最小距离,当区域内不存在障碍物栅格时令/>I′1为符合安全性要求即安全性评估函数取值要求的ψ的一个取值区间,I1为约束条件Isafe中ψ的一个取值区间;IΔ为安全间隔,IΔ的大小根据任务中对ARV安全性的要求确定,IΔ越大,ARV的安全性越高,但ARV在障碍物附近的活动范围会相应的减小。图4中,I1、I2和I3分别为Isafe中艏向角控制命令变量ψ的取值区间,obedience(ψ)为目标函数中的服从度函数,autonomy(ψ)为目标函数中的自主度函数,stability(ψ)为目标函数中的稳定度函数,黑色粗线为使用最小最大法计算时得到的满足约束条件的单目标优化函数min{obedience(ψ),autonomy(ψ),stability(ψ)}。
如图1所示,本实施例中设计了模块化的***结构控制ARV,分为传感***模块、操作人员遥控模块、自主控制模块和共享控制模块四个模块。
传感***模块用于获取并输出与环境和ARV运动状态相关的信息,包括局部环境中障碍物的分布Pobs=[Pobs_1,Pobs_2,...,Pobs_n](n为障碍物的数量)、ARV当前的位置PARV和艏向角ψARV。采用的传感器能够检测环境信息、运动状态和位置信息,包括:声学、光学等传感器,例如前视声纳、避碰声纳、相机等。
操作人员遥控模块的功能是由操作人员根据传感***模块输出的PARV、ψARV和Pobs通过遥控操作杆的x和y轴分别输出操作人员的ARV艏向角控制命令ψh和前向速度的控制命令vh,ψh和vh分别按下式计算:
式中,t为使用公式计算的时刻;Jx和Jy为操作人员在操作杆x和y轴上的控制输入量,其中Jx控制ARV的艏向角,Jy控制ARV的前向速度,并且Jx∈[-1,1]、Jy∈[-1,1];ψARV为ARV当前的艏向角;kψ为调节艏向角增量的增益系数,根据ARV运动控制器的控制能力和ARV的转向能力确定;vmax为ARV的最大前向速度;Jxd≥0和Jyd≥0分别为在操作杆x和y轴0位置附近设定的死区阈值,便于操作人员输入使ARV保持当前运动方向和前向速度为0的控制命令,根据操作人员的技术水平和任务对操作人员控制命令的要求确定。
自主控制模块根据传感***模块输出的Pobs和PARV,使用下式计算自主控制***的ARV艏向角控制命令ψapf:
ψapf(t)=atan(yv-yo,xv-xo)
式中,PARV=[xv,yv]为ARV当前的位置坐标,[xo,yo]为障碍物的位置,atan(·)为反正切函数。
若环境中存在多个障碍物,使用下式计算第i个障碍物对ARV运动影响的大小ri(i为障碍物编号):
式中,dobs_i为ARV与第i个障碍物之间的欧氏距离,dshare、dsafe、ko为设计参数,dshare>0为障碍物对ARV航行安全产生影响的最大距离,dsafe>0为保障ARV与障碍物之间安全的距离阈值,dshare、dsafe根据ARV的运动半径确定,ko(1≥ko>0)为比例系数,用于调整自主避障行为辅助其他行为避障的程度,根据操作人员的技术水平和对安全性的要求确定,对安全性的要求越高,ko越大。以ri为模的大小,ψapf_i为方向确定第i个障碍物对ARV影响的向量Vobs_i,使用下式通过矢量相加求得所有障碍物对ARV影响的向量的和向量,使用和向量的方向作为自主控制模块输出的控制命令ψapf:
式中,n为环境中对ARV航行安全产生影响的障碍物数量。
共享控制模块根据传感***模块输出的ψARV、PARV和Pobs,操作人员遥控模块输出的ψh,自主控制模块输出的ψapf,使用基于多目标优化的共享控制方法产生艏向角的共享控制命令ψshare。
图1所示的结构中,ARV的前向速度由操作人员输出的控制命令vh直接控制,艏向角由共享控制模块使用基于多目标优化的共享控制方法产生的共享控制命令ψshare控制。
如图2所示,图1中自主控制模块用于产生艏向角共享控制命令ψshare的基于多目标优化的共享控制方法由目标函数、约束条件和优化方法三部分组成,其中,约束条件由安全性评估函数确定。目标函数和约束条件将ARV艏向角的共享控制转化为以艏向角控制命令变量ψ(ψ∈(-π,π])作为决策变量的多目标优化问题,通过优化方法求解该问题以得到ψ的最优解即ARV艏向角的共享控制命令ψshare。下面对目标函数、约束条件和优化方法进行详细介绍。
本实施例以服从操作人员控制意图、提升ARV安全性、降低操作人员操作复杂性并优化ARV的运动路径等要求作为目标,分别设计了服从度函数obedience(ψ)、自主度函数autonomy(ψ)和稳定度函数stability(ψ)三个目标函数对ψ的不同取值进行评估。目标函数均设计为以自然常数为底数的负指数函数形式,如下式所示:
aim(ψ)=exp(-χ|ψ-ψaim|)
式中,aim表示目标函数,ψaim为目标函数的优化目标,exp()为以自然常数作为底数的指数函数;χ≥0为形状系数;该形式的目标函数的值域均在区间(0,1]内,便于对不同的目标函数的函数值进行比较。目标函数的函数值的大小与ψ满足对应目标ψaim的程度正相关,在对称轴处ψ=ψaim处取得最大值1并向两侧递减,通过调整形状系数χ可以改变函数值递减的速度,χ越大,递减的速度越快,特别的,当χ为零时,函数值恒为1;本实施例中采用最小最大法作为优化方法求解多目标优化问题,优化结果由函数值最小的目标函数确定,因此,目标函数的形状系数越大,对优化结果的影响越大,当形状系数为0时对优化结果无影响,便于通过调整形状系数调整各个目标函数在多目标优化问题求解中的作用。下面分别介绍三个目标函数的设计。
在环境探索任务中,ARV的运动首先需要服从操作人员的控制意图以满足操作人员的观测需求。本实施例采用ψh表示操作人员的控制意图,设计了下式所示的服从度函数obedience(ψ),用于评估ψ服从ψh的程度:
obedience(ψ)=exp(-α|ψ-ψh|)
式中,α为服从度函数的形状系数,其值由下式确定:
式中,αmax为大于0的常数,根据操作人员的技术水平设定,技术水平越高,αmax越大,ARV在基于多目标优化的共享控制中越服从操作人员的控制命令;dmin为ARV到障碍物的最小距离;公式根据dmin调整α的值从而改变操作人员影响ARV运动的程度,dmin越小,服从度函数的形状系数越小,服从度函数对优化结果的影响也就相应的减小,操作人员遥控在ARV的共享控制中控制权重下降,ARV更多的服从自主控制***的控制命令以保障其安全。
ARV在环境探索任务中还应该服从自主控制***的控制命令ψapf以辅助操作人员的操作并提高ARV的安全性,因此本实施例设计了下式所示的自主度函数autonomy(ψ),用于评估ψ与ψapf的差别。
autonomy(ψ)=exp(-γ|ψ-ψapf|)
式中,γ为自主度函数的形状系数,其值由下式确定:
式中,γmax为大于0的常数。公式根据dmmin调整γ的值,使ψapf仅在dmin<dshare时使ARV远离障碍物,由形状系数对目标函数在多目标优化中的影响可以确定,当ARV距离障碍物较远时,自主控制***对ARV的运动无影响。
适当的减少控制命令相对于当前运动方向的突变可以使ARV的运动状态更稳定,从而降低操作人员操作的复杂性并使ARV的运动路径更加平顺。因此,本实施例设计了下式所示的稳定度函数stability(ψ),用于评估ψ相对于ψARV的变化的程度:
stability(ψ)=exp(-β|ψ-ψARV|)
式中,β>0为稳定度函数的形状系数,β越大,稳定度函数对优化结果的影响越大,优化产生的ψshare相对于ψARV的变化越小。过大的β会使ARV不易改变运动方向,因此将β设置为较小的正常数。
如图3所示,约束条件为艏向角控制命令变量ψ的取值区间的集合Isafe=[I1,I2,...,Im](m为取值区间的个数),通过安全性评估函数确定;安全性评估函数根据局部环境中障碍物的分布计算以保障ARV在任务中的安全。在环境探索任务中,本实施例根据ARV与障碍物之间的距离越大安全性越高的原则,由ARV携带的声学、光学等传感器获取的周围障碍物分布的方向和距离信息确定安全性评估函数。图3活动窗口内的栅格地图用于计算安全性评估函数。
本实施例中将安全性评估函数设计为分段函数,其自变量为ψ(即定义域为区间(-π,π])。在极坐标系中,根据图3中夹角为θ的区域划分将定义域分段,每段定义域内的函数值为常数,函数值的大小根据图3中对应区域内的d确定,d越大,函数值越小,该段定义域内ψ的取值越安全,在每段定义域上的函数值使用下式计算:
式中,security(ψ)表示安全性评估函数;μ为改变函数值大小的比例因子,设置为大于0的常数;dmax为障碍物开始引起security(ψ)函数值变化的距离阈值,且d为单个定义域内ARV到障碍物栅格的最小距离,当对应区域内不存在障碍物栅格时令
本实施例中约束条件Isafe根据安全性评估函数分两步计算,首先确定符合安全性要求的运动方向的取值区间的集合I′safe=[I′1,I′2,...,I′j](j为取值区间的个数),使ARV在I′safe的区间内的运动方向上与障碍物保持安全的距离:使用dshare作为保障ARV安全的距离阈值,对应的安全性评估函数的函数值阈值为λ(dmax-dshare),由于在安全性评估函数的函数值计算中,距离越大,函数值越小,ψ的取值越安全,因此使用security(ψ)<λ(dmax-dshare)计算得到I′safe。然后,缩小I′safe中的取值区间以得到Isafe,以保障ARV在Isafe的区间内的运动方向上与两侧的障碍物也保持相对安全的距离:如图3所示,设置了保障ARV安全的安全间隔IΔ,在I′safe中的所有取值区间(以I′1为例)的两端分别缩小IΔ以得到Isafe(以I1为例)。
使用以上所述的目标函数和约束条件的设计,可以将ARV艏向角的共享控制转化为如下式所示的极大化的多目标优化问题:
式中max表示在多目标优化中优先取目标函数函数值的最大值对应的ψ。
优化方法用于求解多目标优化问题以得到最优解ψshare。在环境探索任务中,ARV通常在全局环境信息未知的水下环境中工作,对可靠性的要求很高,优化算法应该在每个控制周期中求解得到稳定可靠的结果;此外,由于操作人员需要实时控制ARV,所选择的优化算法应该有较小的时间复杂度以减少计算量。因此,本实施例使用最小最大法作为优化方法,以在最坏的情况下寻求最好的优化结果。最小最大法所需的计算量较少,同时优化结果稳定,可以保证ARV共享控制方法在任务中的实时性和可靠性。最小最大法将上述极大化的多目标优化问题转化为单目标优化问题,通过求解即可得到共享控制方法产生的艏向角控制命令ψshare,如下式所示:
式中,min{}表示在定义域内的各段取所有目标函数的最小值。
如图4所示,使用最小最大法计算ψshare时,在满足约束条件的取值区间内单目标优化函数min{obedience(ψ),autonomy(ψ),stability(ψ)}的函数图像如图4中黑色粗线所示,其函数值的最大值对应的角度作为多目标优化问题的最优解,即本实施例中基于多目标优化的共享控制方法产生的ARV艏向角的控制命令ψshare。使用最小最大法得到的ψshare可以使函数值最小的目标函数在约束条件内始终取得最大值,保证目标函数值最低的目标取得最好的结果,同时也便于通过调整目标函数的形状系数改变目标函数对优化结果影响的大小。
本发明方法的工作步骤流程如图5所示,分为以下几步。
(1)根据任务需求、性能要求等设计适当的目标函数和约束条件,将ARV的共享控制建模为多目标优化问题,并选择适当的优化方法;
(2)根据当前控制周期中ARV的运动状态、操作人员操作、环境状况等信息确定各个目标函数;
(3)根据当前控制周期中环境信息、对ARV运动的要求等信息确定共享控制命令的约束条件;
(4)根据预先选定的优化方法计算基于多目标优化的共享控制方法产生的ARV的艏向角的共享控制命令;
(5)将共享控制命令传递给ARV的执行机构;
(6)判断是否结束,如果结束则退出,否则重新执行第(2)步。
除上述实施例外,本发明方法还可以有ARV机械臂末端运动等其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明方法要求的保护范围内。
Claims (7)
1.一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于包括以下步骤:
1)由操作人员依据传感器检测的ARV当前的位置PARV、艏向角ψARV和局部环境中障碍物的分布位置Pobs操作操作杆,根据操作杆输入计算人为操作的ARV艏向角控制命令ψh和前向速度的控制命令vh;
2)根据Pobs和PARV计算自主控制的ARV艏向角控制命令ψapf;
3)构建共享目标函数、及其约束条件和优化求解方法,根据ARV当前的位置PARV、艏向角ψARV和局部环境中障碍物的分布位置Pobs以及计算的人为操作的ARV艏向角控制命令ψh、自主控制的ARV艏向角控制命令ψapf输出艏向角共享控制命令ψshare;
所述共享目标函数包括服从度函数obedience(ψ)、自主度函数autonomy(ψ)和稳定度函数stabiIity(ψ),用于对艏向角控制命令变量ψ的不同取值进行评估,形式均如下:
aim(ψ)=exp(-χ|ψ-ψaim|)
式中,aim表示目标函数,ψaim为目标函数的优化目标,exp()为以自然常数作为底数的指数函数;χ≥0为形状系数;该形式的目标函数的值域均在区间(0,1]内;目标函数的函数值的大小与艏向角控制命令变量ψ满足对应目标ψaim的程度正相关,在对称轴ψ=ψaim处取得最大值1并向两侧递减,通过调整形状系数χ可以改变函数值递减的速度,χ越大,递减的速度越快,特别的,当χ=0时,函数值恒为1;
所述共享目标函数的约束条件Isafe根据安全性评估函数分两步计算:
首先,确定符合安全性要求的运动方向的取值区间的集合I′safe=[I′1,I′2,...,I′j],j为取值区间的个数,使ARV在I′safe的区间内的运动方向上与障碍物保持安全的距离;使用security(ψ)<λ(dmax-dshare)计算得到I′safe;
其中,安全性评估函数定义为分段函数,在每段定义域上的函数值根据下式确定:
式中,security(ψ)表示安全性评估函数;μ为改变函数值大小的比例因子,设置为大于0的常数;dmax为障碍物开始引起security(ψ)函数值变化的距离阈值,且d为单个定义域内ARV到障碍物栅格的最小距离,当d>dmax时令d=dmax;
其次,设置保障ARV安全的安全间隔IΔ,缩小I′safe中的取值区间以得到可行解取值区间的集合Isafe=[I1,I2,...,Im],m为取值区间的个数,保障ARV在Isafe的区间内的运动方向上与两侧的障碍物也保持相对安全的距离;
4)ARV根据前向速度的控制命令vh、艏向角共享控制命令ψshare控制ARV避让障碍物并执行任务。
2.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于所述计算人为操作的ARV艏向角控制命令ψh和前向速度的控制命令vh的公式如下:
式中,t为时刻;Jx和Jy为操作人员在操作杆x和y轴上的控制输入量,其中Jx控制ARV的艏向角,Jy控制ARV的前向速度,并且Jx∈[-1,1]、Jy∈[-1,1];ψARV为ARV当前的艏向角;kψ为调节艏向角增量的增益系数;vmnax为ARV的最大前向速度;Jxd≥0和Jyd≥0分别为在操作杆x和y轴0位置附近设定的死区阈值。
3.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于所述根据Pobs和PARV计算自主控制***的ARV艏向角控制命令ψapf包括:
①若环境中存在一个障碍物,使用下式计算自主控制***的ARV艏向角控制命令ψapf:
ψapf(t)=atan(yv-yo,xv-xo)
式中,PARV=[xv,yv]为ARV当前的位置坐标,[xo,yo]为障碍物的位置;
②若环境中存在多个障碍物,则:
使用下式计算第i个障碍物对ARV运动影响的大小ri:
式中,i为障碍物编号,dobs_i为ARV与第i个障碍物之间的欧氏距离,dsnare、dsafe、ko为设计参数,dshare>0为障碍物对ARV航行安全产生影响的最大距离,dsafe>0为保障ARV与障碍物之间安全的距离阈值,dshare、dsafe根据ARV的运动半径确定,ko(1≥ko>0)为比例系数,用于调整自主避障行为辅助其他行为避障的程度;
以ri为模的大小,ψapf_i为方向确定第i个障碍物对ARV影响的向量Vobs_i,使用下式通过矢量相加求得所有障碍物对ARV影响的向量的和向量,使用和向量的方向作为自主控制模块输出的控制命令ψapf:
式中,n为环境中对ARV航行安全产生影响的障碍物数量。
4.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于服从度函数obedience(ψ)用于评估ψ服从ψaim的程度:
obedience(ψ)=exp(-α|ψ-ψh|)
α为服从度函数的形状系数,其值由下式确定:
式中,αmax为大于0的常数;dmmin为ARV到障碍物的最小距离;公式根据dmin调整α的值从而改变操作人员影响ARV运动的程度。
5.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于所述自主度函数autonomy(ψ)用于评估ψ与ψapf的差别:
autonomy(ψ)=exp(-γ|ψ-ψapf|)
γ为自主度函数的形状系数,其值由下式确定:
式中,γmax为大于0的常数,公式根据dmmin调整γ的值,使ψapf仅在dmmin<dshare时使ARV远离障碍物。
6.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于所述稳定度函数stability(ψ)用于评估ψ相对于ψARV的变化的程度:
stability(ψ)=exp(-β|ψ-ψARV|)
式中,β为稳定度函数的形状系数,且为正常数。
7.根据权利要求1所述的一种基于多目标优化的自主遥控水下机器人共享控制方法,其特征在于所述共享目标函数的优化求解方法采用最小最大法,通过求解即可得到共享控制方法产生的艏向角控制命令ψshare,如下式所示:
式中,min{}表示在定义域内的各段取所有目标函数的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401020.2A CN112035992B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多目标优化的自主遥控水下机器人共享控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401020.2A CN112035992B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多目标优化的自主遥控水下机器人共享控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035992A CN112035992A (zh) | 2020-12-04 |
CN112035992B true CN112035992B (zh) | 2024-01-09 |
Family
ID=73575738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401020.2A Active CN112035992B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多目标优化的自主遥控水下机器人共享控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035992B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779801B (zh) * | 2021-01-22 | 2024-05-31 | 中国科学院沈阳自动化研究所 | 一种面向目标探测的自主遥控水下机器人路径规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0896267A2 (en) * | 1997-08-04 | 1999-02-10 | Fuji Jukogyo Kabushiki Kaisha | Position recognizing system of autonomous running vehicle |
JP2009264965A (ja) * | 2008-04-25 | 2009-11-12 | Mitsubishi Heavy Ind Ltd | 水中航走体および障害物探知装置 |
KR20120129002A (ko) * | 2011-05-18 | 2012-11-28 | 부산대학교 산학협력단 | 수중로봇과 그 제어방법 |
CN103116279A (zh) * | 2013-01-16 | 2013-05-22 | 大连理工大学 | 脑控机器人***的模糊离散事件共享控制方法 |
KR20160099965A (ko) * | 2015-02-13 | 2016-08-23 | 삼성중공업 주식회사 | 수중작업로봇의 위치 인식 장치 및 방법 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
CN106959698A (zh) * | 2017-05-24 | 2017-07-18 | 大连海事大学 | 一种路径跟踪避障制导方法 |
JP2017151499A (ja) * | 2016-02-22 | 2017-08-31 | 株式会社Ihi | 障害物回避方法および装置 |
CN108829134A (zh) * | 2018-07-03 | 2018-11-16 | 中国船舶重工集团公司第七〇九研究所 | 一种深海机器人实时自主避障方法 |
CN109540151A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种基于强化学习的auv三维路径规划方法 |
-
2019
- 2019-05-14 CN CN201910401020.2A patent/CN112035992B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0896267A2 (en) * | 1997-08-04 | 1999-02-10 | Fuji Jukogyo Kabushiki Kaisha | Position recognizing system of autonomous running vehicle |
JP2009264965A (ja) * | 2008-04-25 | 2009-11-12 | Mitsubishi Heavy Ind Ltd | 水中航走体および障害物探知装置 |
KR20120129002A (ko) * | 2011-05-18 | 2012-11-28 | 부산대학교 산학협력단 | 수중로봇과 그 제어방법 |
CN103116279A (zh) * | 2013-01-16 | 2013-05-22 | 大连理工大学 | 脑控机器人***的模糊离散事件共享控制方法 |
KR20160099965A (ko) * | 2015-02-13 | 2016-08-23 | 삼성중공업 주식회사 | 수중작업로봇의 위치 인식 장치 및 방법 |
JP2017151499A (ja) * | 2016-02-22 | 2017-08-31 | 株式会社Ihi | 障害物回避方法および装置 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
CN106959698A (zh) * | 2017-05-24 | 2017-07-18 | 大连海事大学 | 一种路径跟踪避障制导方法 |
CN109540151A (zh) * | 2018-03-25 | 2019-03-29 | 哈尔滨工程大学 | 一种基于强化学习的auv三维路径规划方法 |
CN108829134A (zh) * | 2018-07-03 | 2018-11-16 | 中国船舶重工集团公司第七〇九研究所 | 一种深海机器人实时自主避障方法 |
Non-Patent Citations (2)
Title |
---|
Dynamic Shared Control for Human-Wheelchair Cooperation;Qinan Li et al;2011 IEEE International Conference on Robotics and Automation;第4278-4283页 * |
自主/遥控水下机器人(ARV)共享控制研究;刘重洋;中国优秀硕士学位论文全文数据库 信息科技辑(第12期);I140-520 * |
Also Published As
Publication number | Publication date |
---|---|
CN112035992A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Research on fuzzy control of path tracking for underwater vehicle based on genetic algorithm optimization | |
Carelli et al. | Corridor navigation and wall-following stable control for sonar-based mobile robots | |
CN207198663U (zh) | 压路机及压路机控制*** | |
CN109784201B (zh) | 基于四维风险评估的auv动态避障方法 | |
CN105629970A (zh) | 一种基于超声波的机器人定位避障方法 | |
CN112527019B (zh) | 适用于恶劣海况的异构无人***协同编队控制***及方法 | |
CN108061897A (zh) | 一种基于前视声呐的水下结构化环境线特征提取方法 | |
Wei et al. | 3D semantic map-based shared control for smart wheelchair | |
Haugaløkken et al. | Monocular vision-based gripping of objects | |
CN112035992B (zh) | 一种基于多目标优化的自主遥控水下机器人共享控制方法 | |
bin Mansor | Motion control algorithm for path following and trajectory tracking for unmanned surface vehicle: A review paper | |
Rodrigues et al. | Online range-based slam using b-spline surfaces | |
Zhang et al. | Multi-UUV path planning based on improved artificial potential field method | |
Hamad et al. | Path Planning of Mobile Robot Based on Modification of Vector Field Histogram using Neuro-Fuzzy Algorithm. | |
Kurz | ALEF: An autonomous vehicle which learns basic skills and constructs maps for navigation | |
Xu et al. | Trajectory tracking for underwater rescue salvage based on backstepping control | |
CN116430856A (zh) | 一种基于变前视距离los算法的船舶航迹控制方法 | |
Chu et al. | Design of a dead reckoning based motion control system for small autonomous underwater vehicle | |
Aubard et al. | LSTS Toolchain Framework for Deep Learning Implementation into Autonomous Underwater Vehicle | |
CN108170976B (zh) | 一种水下潜艇动态回收auv过程中的安全性分析方法 | |
Wei et al. | Semantic mapping for smart wheelchairs using rgb-d camera | |
WO2021045679A1 (en) | Method and system for object localization, and controlling movement of an autonomous underwater vehicle for object intervention | |
Nejad et al. | Real time localization, path planning and motion control for autonomous parking in cluttered environment with narrow passages | |
Sanchez et al. | Autonomous navigation with deadlock detection and avoidance | |
Yu et al. | Detection and tracking of moving object with a mobile robot using laser scanner |
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 |