CN114690782A

CN114690782A - 无人船的航迹规划方法、装置、设备和存储介质

Info

Publication number: CN114690782A
Application number: CN202210395527.3A
Authority: CN
Inventors: 查淞; 夏海洋; 黄纪军; 刘继斌; 刘培国
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2022-04-15
Filing date: 2022-04-15
Publication date: 2022-07-01

Abstract

本申请涉及一种无人船的航迹规划方法、装置、设备和存储介质。所述方法包括：通过获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；根据监测数据采用克里金估计，得到克里金方差，并根据克里金方差筛选满足预设阈值条件的位置信息；根据拟监测点数量以及满足预设阈值条件的位置信息，采用聚类进行计算，得到拟监测点位置信息；根据待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线。本方法在资源有限的情况下通过克里金方差估计和聚类方法确定拟监测点，提升电磁频谱地图构建精度；通过遗传算法自适应地提出航迹规划，能有效节约监测效率，综合提高电磁空间感知效率。

Description

无人船的航迹规划方法、装置、设备和存储介质

技术领域

本申请涉及电磁频谱监测技术领域，特别是涉及一种无人船的航迹规划方法、装置、设备和存储介质。

背景技术

伴随着人工智能技术的发展，无人船能够在一些领域替代人工，降低水域的探测成本，提高了工作效率，成为一种基本的海洋探测工具。无人船具有动态、突发性、不可预测性、体积小、速度快、灵活性高等特点，瞬间的失误可能造成无法弥补的损失，如何对无人船进行安全有效的路径规划显得十分重要。

无人船对电磁频谱的基础设施比较依赖，将电磁频谱地图应用在无人机航迹规划中有极大的优势，但是电磁频谱地图对监测设备的性能、数量以及布设位置比较敏感。在海上应用场景的工程实际中，受到成本有限以及监测站点或其他监测设备布设条件不满足的限制，往往无法获得感兴趣区域所有位置的电磁频谱信息，因此如果采用传统的统计学原理对估值效果进行评判，只能选取特定的位置进行测量，通过有限数量的测量值与估计值进行比较。由电波传播模型以及空间相关性可知，监测站点附近的电磁环境信息估计值往往精度较高，由于海域内的固定监测站点仅能局限布设在岛礁上，成本较高、数量较少，海域内往往存在大量邻域内不含监测站点的感兴趣区域。

发明内容

基于此，有必要针对上述技术问题，提供一种能够在邻域内不含监测站点的海域内为具有电磁监测功能的待规划无人船优化设计航迹的无人船的航迹规划方法、装置、设备和存储介质。

一种无人船的航迹规划方法，所述方法包括：

获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；所述电磁环境监测数据包括位置信息和对应位置的接收功率。

根据所述电磁环境监测数据采用克里金估计，得到克里金方差，并根据所述克里金方差筛选满足预设阈值条件的位置信息。

根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；所述聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法。

根据所述待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。

一种无人船的航迹规划装置，所述装置包括：

数据获取模块，用于获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；所述电磁环境监测数据包括位置信息和对应位置的接收功率。

克里金方差确定模块，用于根据所述电磁环境监测数据采用克里金估计，得到克里金方差，并根据所述克里金方差筛选满足预设阈值条件的位置信息。

拟监测点位置信息确定模块，用于根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；所述聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法。

航迹规划模块，用于根据所述待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。

上述无人船的航迹规划方法、装置、设备和存储介质，所述方法通过获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；根据电磁环境监测数据采用克里金估计，得到克里金方差，并根据克里金方差筛选满足预设阈值条件的位置信息；根据拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；根据待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。本方法利用地统计学方法中的克里金方差，对于区域内的估计结果进行误差分析，在资源有限的情况下通过聚类合理挑选拟监测点，可提升电磁频谱地图构建精度；通过人工智能遗传算法自适应地提出航迹规划，能有效节约监测效率，综合提高电磁空间感知效率。

附图说明

图1为一个实施例中无人船的航迹规划方法的流程示意图；

图2为另一个实施例中无人船的航迹规划方法的具体流程图；

图3为一个实施例中区域内克里金方差分布与拟监测站点示意图；

图4为另一个实施例中拟监测站点与待规划无人船的航迹规划示意图，其中(a)拟监测站点分布示意图，(b)待规划无人船的航迹规划示意图；

图5为一个实施例中不同布设条件下电磁频谱地图构建的均方根误差对比；

图6为一个实施例中不同布设条件下无人船航迹总路程之比与时间成本对比；

图7为一个实施例中无人船的航迹规划装置结构图；

图8为一个实施例中设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种无人船的航迹规划方法，该方法包括以下步骤：

步骤100：获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；电磁环境监测数据包括位置信息和对应位置的接收功率。

预设区域内是感兴趣区域。

预设区域内的电磁环境监测数据可以是岛礁固定监测站点的电磁环境监测数据。

具体的，待规划无人船可以是具有电磁监测功能的无人船。

使用数学符号表示：

为感兴趣区域内有限数量的电磁环境监测数据集，

位置信息，

为位置信息对应的接收功率，其中n电磁环境监测数据的序号，n为大于等于1小于N的整数，N为电磁环境监测数据的数量；拟监测点的监测次序

及拟监测点的位置信息

其中m为拟监测点的序号，m为大于等于1小于M的整数，M为拟监测点的数量，M为大于1的整数。

步骤102：根据电磁环境监测数据采用克里金估计，得到克里金方差，并根据克里金方差筛选满足预设阈值条件的位置信息。

步骤104：根据拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息。

聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法。

具体的，聚类算法可以采用K-Means聚类算法或K-Means++聚类算法。

步骤106：根据待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。

上述航迹规划方法中，所述方法通过获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；根据电磁环境监测数据采用克里金估计，得到克里金方差，并根据克里金方差筛选满足预设阈值条件的位置信息；根据拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；根据待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。本方法利用地统计学方法中的克里金方差，对于区域内的估计结果进行误差分析，在资源有限的情况下通过聚类合理挑选拟监测点，可提升电磁频谱地图构建精度；通过人工智能遗传算法自适应地提出航迹规划，能有效节约监测效率，综合提高电磁空间感知效率。

在其中一个实施例中，预设阈值条件为克里金方差大于预设自适应阈值。步骤102包括：根据电磁环境监测数据采用克里金估计，得到克里金方差；将克里金方差与预设自适应阈值进行比较，剔除克里金方差小于等于预设自适应阈值的位置信息，保留克里金方差大于预设自适应阈值的位置信息。

在其中一个实施例中，步骤104中聚类算法为K-Means聚类算法。

在其中一个实施例中，步骤104中聚类算法为K-Means++聚类算法。

在其中一个实施例中，步骤106包括：设置拟监测点的监测次序；从待规划无人船起始位置出发，随机设计p条航迹，并将p条航迹作为当前航迹方案种群；其中p为大于1的整数；在当前航迹方案种群中按照预定原则进行挑选，并将挑选的结果作为航迹子代；预定原则为航迹方案种群中总路程最短的前 10％；对航迹子代分别进行交叉和变异操作，得到子代繁殖结果；交叉是指根据预设交叉参数交换相邻两个拟监测点的监测次序；变异是指根据预设变异参数对航迹规划中任意两点进行交换；在子代繁殖结果中选择总路程最短的前p条航线作为当前航迹方案种群，进入下一轮迭代，直至达到预设的迭代次数为止；得到航迹方案种群中总路程最短的航迹中各拟监测点次序及拟监测点的位置信息；根据各拟监测点监测次序及拟监测点的位置信息，得到待测规划对象总路程最短的航行路线，实现待规划无人船的航迹规划。

其中，预设交叉参数包括：指交叉的概率和交换某两个拟监测点的次序，前者为设置的参数，后者为一合理的随机整数。

预设变异参数包括：变异的概率和交换某两个拟监测点的次序，前者为设置的参数，后者为两个合理的随机整数。一般来说变异的概率为一比较小的值。

本发明的优点：本发明利用了克里金法作为地统计学方法的特点，创造性地将克里金方差作为拟监测点优化布设参考指标；本发明通过克里金方差筛选和K-means或K-means++算法，在感兴趣的区域内根据拟监测点数量，自适应性地确定了拟监测点的位置。本发明通过人工智能遗传算法对待规划无人船的航迹进行规划，解决了TSP类问题的优化求解。TSP问题具体可以搜索。一般来说， TSP类问题特指该类NP-hard问题，即无法通过精确算法进行求解的最优组合问题。

TSP类问题：Travelling Salesman Problem旅行推销员问题。

在一个实施例中，如图2所示，提供了一种无人船的航迹规划方法，该方法首先根据区域内的监测数据进行克里金插值，获得克里金方差。克里金方差作为克里金估计精度的反映，可用来对区域内估计值可信度进行评判，因此克里金方差较大的位置即为估计精度较低、需要通过进一步收集监测数据的位置。根据区域中克里金方差的分布，通过设置自适应阈值，挑选数值较大的方差，根据其位置信息与拟监测点数量进行聚类，由于需要控制类的数量为拟监测点数量，因此挑选K-means作为对区域中方差值较大点进行聚类的算法，其结果中类的中心即为拟监测点位置。最后根据待规划无人船起始位置与各拟监测点位置，通过遗传算法对航迹进行最优规划，使得总路程最短条件下可对各拟监测点位置进行监测。

本实施例中的航迹规划方法具体步骤如下：

(1)基于监测数据的克里金估计

克里金估计：首先使用电磁环境监测数据

及

构建未知点s₀处阴影衰落分量估计值为：

其中，

为未知点s₀处的阴影衰落估计值；ω_n为第n个克里金权重系数。

为保证式(1)的估计结果为最优无偏估计，根据二阶平稳假设，式(1) 中的克里金权重系数由如下克里金方程组求得：

Kλ＝M (2)

式中：

其中，γ(·)为理论变差函数，理论变差函数定量描述阴影衰落分量的空间相关性，由监测数据计算得到的实验变差函数配以相应理论模型拟合得到；L为拉格朗日系数。

同时，式(1)估计精度由克里金方差表示：

克里金方差筛选：根据克里金法估计的结果，对区域内的克里金方差值进行筛选。通过区域内克里金方差的中位数自适应设置阈值，对于数值大于阈值的所在点的位置信息进行保留，其余点的位置信息进行舍弃。将满足条件的位置信息组成

其中Q为满足阈值条件的位置信息的数量，q为满足阈值条件的位置信息的序号，q为大于等于1小于Q的整数。

(2)基于K-means聚类的拟监测点估计

根据克里金方差筛选满足阈值条件的位置信息

以及拟监测点数量 m，对拟监测点的位置信息

进行计算。

首先从满足阈值条件的位置信息

中初始化m个拟监测点并确定其位置信息为

然后对以下步骤进行N_Iter次迭代：(a)将簇初始为 {C_m,m＝1,2,···,M}；(b)对于

中各元素，计算其到簇的中心的欧几里得距离，即计算{p₀,m＝1,2,···,M}中各元素到当前拟监测点位置

的欧几里得距离，将s_q(q)归类与最小欧几里得距离所对应的类别λ_q，同时更新

(c)对于所有{C_m,m＝1,2,···,M}中的样本点重新计算其质心，作为新的拟监测点；(d)当拟监测点不再发生变化或迭代次数到达最大值时，停止迭代。拟监测点的位置信息作为结果进行输出。区域内克里金方差分布与拟监测站点示意图如图3所示。

(3)基于遗传算法的航迹规划

根据待规划无人船初始位置以及拟监测点的位置信息

对最短总路程及其航迹进行计算。首先，从初始位置出发，随机设计p条航迹，作为航迹方案种群的大小。然后对以下步骤进行迭代直至满足最大迭代次数。(a)从航迹方案种群中挑选总路程最短的前10％，作为优选子代参与后续步骤，其数量为p₀；(b)对航迹子代分别进行繁殖操作，即交叉和变异；所谓交叉，即根据预设交叉参数进行相邻两个拟监测点次序的交换；所谓变异，即根据预设变异参数对航迹规划中任意两点进行交换；(c)根据子代的繁殖结果，选择其中总路程最短的前p条航线作为新种群的大小；(d)到达迭代上限后停止。最后将种群中总路程最短的航迹中各拟监测点次序

及其位置信息

作为结果输出。拟监测站点与待规划无人船的航迹规划示意图如图4所示，其中 (a)拟监测站点分布示意图，(b)待规划无人船的航迹规划示意图。

本方法基于区域内固定监测站点的电磁环境监测数据通过克里金法获得区域内的克里金方差，克里金方差作为克里金法中估计值与真实值误差的度量，其可用作判断区域内克里金估计精度的高低。通过对区域内克里金方差较大的区域进行聚类，确定海域中需进行下一步监测的位置。最后通过人工智能遗传算法，根据待监测位置信息，为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。

在一个验证性实施例中，考虑到监测待规划无人船的航迹规划应用的出发点在于提高电磁频谱地图的整体构建精度，因此均方根误差(Root Mean-Square Error,RMSE)将作为评判拟监测点布设位置是否具有性能提升的指标。另外，需要对于航迹的规划是否能达到减少航迹总路程距离、提升整体监测站点布设效率进行评判，因此不同航迹方案的总路程距离以及算法花费时间需要进行对比。根据岛礁海域监测站点布设的工程应用实际情况，通过100次独立重复实验，对以上指标进行对比。

图5为不同布设条件下电磁频谱地图构建的均方根误差对比。横坐标为拟监测点与已布设监测站点数量的比例，纵坐标为考虑所有监测数据条件下电磁频谱地图构建结果的均方根误差。由图可知，使用本发明对拟监测点进行优化布设后，均方根误差均大于随机布设的方法，能够实现综合提升电磁频谱地图构建精度，指导拟监测点布设的目的。另外，随着拟监测点比例的下降，本发明对于布设优化的性能逐步提升，说明了在拟监测点数量相对稀疏的条件下，本发明能有效提升电磁频谱地图的构建精度，完成拟监测点的确定。电磁频谱地图的构建精度与监测点数量成正相关，在拟监测点相对稀疏的条件下，合理布设站点带来的精度提升效益较高，也充分论证了本发明在岛礁海域对于拟监测点的估计有很强的应用价值。

图6为不同布设条件下航迹总路程之比与时间成本对比。横坐标为拟监测点与已布设监测站点数量的比例，左侧纵坐标为本发明优化后航迹总路程与随机航迹总路程之比，右侧纵坐标为本发明在航迹规划阶段的时间成本。由图可知，总路程之比随着拟监测点比例的提高而下降，即说明本发明的航迹规划总是比随机路程摇短，而且随着拟监测点相对数量的提升，本发明对于待规划无人船航迹总路程的优化性能也随之提升。与此同时，时间成本也随之提升。

综上所述，本发明可通过基于克里金方差的筛选和聚类，可实现对于拟监测点的优化估计，达到综合提高电磁频谱地图构建精度的目的，在拟监测点相对稀疏的情况下能获得更好的性能提升；与此同时，通过人工智能遗传算法对待规划无人船航迹进行规划，达到拟监测点位置不变条件下，航迹总路程最小，监测效率最高。

与现有方法相比，本发明方法主要的特点在于(1)利用地统计学方法中的估计方差，对于区域内的估计结果进行误差分析，在资源有限的情况下通过聚类合理挑选拟监测点，通过实验对比论证了本发明对于电磁频谱地图构建精度的提升；(2)通过人工智能遗传算法自适应地提出航迹规划，能有效节约监测效率，综合提高电磁空间感知效率。

应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种无人船的航迹规划装置，包括：数据获取模块、克里金方差确定模块、拟监测点位置信息确定模块和航迹规划模块，其中：

数据获取模块，用于获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；电磁环境监测数据包括位置信息和对应位置的接收功率。

克里金方差确定模块，用于根据电磁环境监测数据采用克里金估计，得到克里金方差，并根据克里金方差筛选满足预设阈值条件的位置信息。

拟监测点位置信息确定模块，用于根据拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法。

航迹规划模块，用于根据待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划。

在其中一个实施例中，预设阈值条件为克里金方差大于预设自适应阈值。克里金方差确定模块，还用于根据电磁环境监测数据采用克里金估计，得到克里金方差；将克里金方差与预设自适应阈值进行比较，剔除克里金方差小于等于预设自适应阈值的位置信息，保留克里金方差大于预设自适应阈值的位置信息。

在其中一个实施例中，拟监测点位置信息确定模块中聚类算法为K-Means 聚类算法。

在其中一个实施例中，拟监测点位置信息确定模块中聚类算法为K-Means++ 聚类算法。

在其中一个实施例中，航迹规划模块，还用于设置拟监测点的监测次序；从待规划无人船起始位置出发，随机设计p条航迹，并将p条航迹作为当前航迹方案种群；其中p为大于1的整数；在当前航迹方案种群中按照预定原则进行挑选，并将挑选的结果作为航迹子代；预定原则为航迹方案种群中总路程最短的前10％；对航迹子代分别进行交叉和变异操作，得到子代繁殖结果；交叉是指根据预设交叉参数交换相邻两个拟监测点的监测次序；变异是指根据预设变异参数对航迹规划中任意两点进行交换；在子代繁殖结果中选择总路程最短的前p 条航线作为当前航迹方案种群，进入下一轮迭代，直至达到预设的迭代次数为止；得到航迹方案种群中总路程最短的航迹中各拟监测点次序及拟监测点的位置信息；根据各拟监测点监测次序及拟监测点的位置信息，得到待测规划对象总路程最短的航行路线，实现待规划无人船的航迹规划。

关于航迹规划装置的具体限定可以参见上文中对于航迹规划方法的限定，在此不再赘述。上述航迹规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种设备，设备可以是终端，其内部结构图可以如图8所示。设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，设备的处理器用于提供计算和控制能力。设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人船的航迹规划方法。设备的显示屏可以是液晶显示屏或者电子墨水显示屏，设备的输入装置可以是显示屏上覆盖的触摸层，也可以是设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限， RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种无人船的航迹规划方法，其特征在于，所述方法包括：

获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；所述电磁环境监测数据包括位置信息和对应位置的接收功率；

根据所述电磁环境监测数据采用克里金估计，得到克里金方差，并根据所述克里金方差筛选满足预设阈值条件的位置信息；

根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；所述聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法；

2.根据权利要求1所述的方法，其特征在于，所述预设阈值条件为克里金方差大于预设自适应阈值；

根据所述电磁环境监测数据采用克里金估计，得到克里金方差，并根据所述克里金方差筛选满足预设阈值条件的位置信息，包括：

根据所述电磁环境监测数据采用克里金估计，得到克里金方差；

将所述克里金方差与预设自适应阈值进行比较，剔除所述克里金方差小于等于预设自适应阈值的位置信息，保留所述克里金方差大于所述预设自适应阈值的位置信息。

3.根据权利要求1所述的方法，其特征在于，根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息，步骤中所述聚类算法为K-Means聚类算法。

4.根据权利要求1所述的方法，其特征在于，根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息，步骤中所述聚类算法为K-Means++聚类算法。

5.根据权利要求1所述的方法，其特征在于，根据所述待规划无人船起始位置与各拟监测点位置信息，采用遗传算法为待规划无人船设计总路程最短的航行路线，实现待规划无人船的航迹规划，包括：

设置拟监测点的监测次序；

从待规划无人船起始位置出发，随机设计p条航迹，并将所述p条航迹作为当前航迹方案种群；其中p为大于1的整数；

在所述当前航迹方案种群中按照预定原则进行挑选，并将挑选的结果作为航迹子代；所述预定原则为航迹方案种群中总路程最短的前10％；

对所述航迹子代分别进行交叉和变异操作，得到子代繁殖结果；所述交叉是指根据预设交叉参数交换相邻两个拟监测点的监测次序；所述变异是指根据预设变异参数对航迹规划中任意两点进行交换；

在所述子代繁殖结果中选择总路程最短的前p条航线作为当前航迹方案种群，进入下一轮迭代，直至达到预设的迭代次数为止；得到航迹方案种群中总路程最短的航迹中各拟监测点次序及拟监测点的位置信息；

根据各拟监测点监测次序及拟监测点的位置信息，得到待测规划对象总路程最短的航行路线，实现待规划无人船的航迹规划。

6.一种无人船的航迹规划装置，其特征在于，所述装置包括：

数据获取模块，用于获取预设区域内的电磁环境监测数据、拟监测点数量以及待规划无人船起始位置；所述电磁环境监测数据包括位置信息和对应位置的接收功率；

克里金方差确定模块，用于根据所述电磁环境监测数据采用克里金估计，得到克里金方差，并根据所述克里金方差筛选满足预设阈值条件的位置信息；

拟监测点位置信息确定模块，用于根据所述拟监测点数量以及满足预设阈值条件的位置信息，采用聚类算法进行计算，得到拟监测点位置信息；所述聚类算法是基于距离将数据分入固定数量个聚类的硬聚类算法；

7.根据权利要求6所述的方法，其特征在于，所述预设阈值条件为克里金方差大于预设自适应阈值；

克里金方差确定模块，还用于根据所述电磁环境监测数据采用克里金估计，得到克里金方差；将所述克里金方差与预设自适应阈值进行比较，剔除所述克里金方差小于等于预设自适应阈值的位置信息，保留所述克里金方差大于所述预设自适应阈值的位置信息。

8.根据权利要求6所述的方法，其特征在于，拟监测点位置信息确定模块中所述聚类算法为K-Means聚类算法。

9.一种设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。