CN117590751B - 基于水下机器人的水下环境监测方法及*** - Google Patents
基于水下机器人的水下环境监测方法及*** Download PDFInfo
- Publication number
- CN117590751B CN117590751B CN202311828940.5A CN202311828940A CN117590751B CN 117590751 B CN117590751 B CN 117590751B CN 202311828940 A CN202311828940 A CN 202311828940A CN 117590751 B CN117590751 B CN 117590751B
- Authority
- CN
- China
- Prior art keywords
- underwater
- robot
- representing
- data
- underwater robot
- 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 99
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 238000011217 control strategy Methods 0.000 claims abstract description 74
- 230000009471 action Effects 0.000 claims abstract description 71
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 28
- 239000012530 fluid Substances 0.000 claims description 26
- 239000003795 chemical substances by application Substances 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000001141 propulsive effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013433 optimization analysis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 210000001124 body fluid Anatomy 0.000 claims description 2
- 239000010839 body fluid Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及水下环境监测技术领域,公开了一种基于水下机器人的水下环境监测方法及***。所述方法包括:获取设备参数数据和水下环境数据;构建每个水下机器人的水下监测智能体;采集水下运行状态数据并计算速度数据和位置数据;生成第一机器人水下执行动作;进行信息共享和协作分析,得到初始机器人集群协作控制策略;进行交互学习和执行动作优化,得到第二机器人水下执行动作并进行控制策略优化,得到目标机器人集群协作控制策略;进行模拟测试与性能评估,得到综合性能评估结果;根据综合性能评估结果,通过水下机器人集群对目标水域进行水下环境监测,输出水下环境监测反馈结果,本申请提高了水下机器人的水下环境监测准确率。
Description
技术领域
本申请涉及水下环境监测技术领域,尤其涉及一种基于水下机器人的水下环境监测方法及***。
背景技术
水域环境面临着越来越多的挑战,如污染、生物入侵、气候变化带来的影响等。因此,对这些水域进行持续且详细的监测变得尤为关键,以确保环境的健康和可持续性。
传统的水下环境监测方法依赖于固定的监测站或需要人工操作的设备,这限制了监测范围和频率,无法实现大范围、高密度的数据收集,无法提供实时数据,进而导致现有技术的准确率低。
发明内容
本申请提供了一种基于水下机器人的水下环境监测方法及***,本申请提高了水下机器人的水下环境监测准确率。
第一方面,本申请提供了一种基于水下机器人的水下环境监测方法,所述基于水下机器人的水下环境监测方法包括:
获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体;
根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据;
根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
根据所述第一机器人水下执行动作,对所述多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;
通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
根据所述综合性能评估结果,通过所述水下机器人集群对所述目标水域进行水下环境监测,输出水下环境监测反馈结果。
第二方面,本申请提供了一种基于水下机器人的水下环境监测***,所述基于水下机器人的水下环境监测***包括:
获取模块,用于获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
构建模块,用于根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体;
计算模块,用于根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据;
逆控制模块,用于根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
协作模块,用于根据所述第一机器人水下执行动作,对所述多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;
优化模块,用于通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
评估模块,用于根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
输出模块,用于根据所述综合性能评估结果,通过所述水下机器人集群对所述目标水域进行水下环境监测,输出水下环境监测反馈结果。
本申请提供的技术方案中,通过利用水下机器人集群,能够在更广泛的区域内收集数据,提高数据的质量和数量。多个机器人同时工作,可以覆盖更大的水域面积,收集多种环境参数的数据,从而提供更为全面的水下环境监测。水下机器人被赋予了高度的自主性和智能性。通过集成先进的传感器和智能算法,机器人能够自动执行任务。这减少了对人工操作的依赖,增加了操作的灵活性和效率。通过动态逆控制技术,每个机器人能够根据实时收集到的速度和位置数据进行精确的姿态调整和路径规划。这种控制策略不仅提高了机器人的导航精度,还增强了其在复杂水下环境中的稳定性和可靠性。机器人集群通过信息共享和协作分析,能够实现协同工作,提高任务执行的效率和效果。这种集群智能使得单个机器人的局限性得以克服,整个集群可以协调作业,针对特定区域或任务进行集中监测。通过深度Q网络,机器人可以持续学习和优化其执行动作,使得整个***能够根据环境的变化和任务的需求自我调整和优化。这种学习机制使得水下机器人能够更好地适应复杂多变的水下环境。通过模拟测试和性能评估,能够及时地对机器人的性能进行评估和调整,进而提高了水下机器人的水下环境监测准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于水下机器人的水下环境监测方法的一个实施例示意图;
图2为本申请实施例中基于水下机器人的水下环境监测***的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于水下机器人的水下环境监测方法及***。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于水下机器人的水下环境监测方法的一个实施例包括:
步骤101、获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
可以理解的是,本申请的执行主体可以为基于水下机器人的水下环境监测***,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,首先,获取水下机器人集群中多个水下机器人的设备参数数据。这些数据包括机器人的尺寸、重量、传感器类型、通信能力、电池寿命、推进***的性能指标等。这些参数有助于理解每个机器人的功能能力和操作限制。通过预先安装在机器人上的传感器和诊断工具来自动收集这些数据,或者从机器人的制造商或操作手册中获取这些数据。接着,获取待监测目标水域的水下环境数据。这些数据反映了水下机器人将要操作的具体环境特征,包括水温、盐度、流速、水深、底质类型、存在的生物群落以及可能存在的污染源等。这些信息有助于规划机器人的监测路径和调整其传感器设置。为了获取这些数据,可以部署额外的水下探测设备,如声纳、水质采样仪和深度计等,或者利用已有的水文地质数据和环境监测报告。最后,数据集成应考虑不同数据源之间的兼容性和集成方法,以便为监测任务提供全面而精确的数据支持。
步骤102、根据设备参数数据以及水下环境数据,分别构建每个水下机器人的水下监测智能体;
具体的,首先,对设备参数数据进行设备参数解析,这包括分析水下机器人的排水体积、推进器效率、推进器面积以及出口速度,从而精确地理解机器人的物理构造和其操作能力。接着,对水下环境数据进行解析,以获取水体流体力学参数集合,包括流速向量、压力、动力粘度及外部力等关键参数。这些参数反映了水下机器人将要操作的环境特征,有助于制定有效的监测策略。随后,通过应用预置的流体动力学方程——该方程以ρ(流体密度),v(流速向量),p(压力),μ(动力粘度),以及F(外部力)为变量——来计算每个水下机器人在特定水体条件下的流体密度。这一计算是基于流体动力学的原理,考虑了水下环境中的流体动态变化对机器人性能的影响。进一步,使用浮力计算函数,基于流体密度和水下机器人的排水体积,计算机器人的浮力。这一计算考虑到水下机器人的浮沉平衡,是确保其在水下稳定运行的关键。此外,通过推进力计算函数来确定机器人的推进力。这一计算考虑了推进器的效率、截面积以及出口速度,这些因素直接影响机器人在水下的移动能力和速度。最后,基于浮力和推进力的计算结果,为每个水下机器人构建初始监测智能体,并进行必要的数据校准,以确保智能体能准确反映机器人的物理属性和环境适应性。这一步骤不仅考虑了机器人自身的技术参数,也考虑了外部环境对其性能的影响,确保智能体能在各种水下条件下有效运行。
步骤103、根据水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据水下运行状态数据计算对应的速度数据和位置数据;
具体的,首先,分别获取每个水下监测智能体的实际测量值。这些实际测量值是从水下机器人的传感器***中获取的,包括深度、方向、速度和周围环境的相关数据。接下来,基于这些实际测量值构建每个水下监测智能体的测量矩阵,这个矩阵是对机器人当前状态的数学表述,包括各种参数和变量。接着,利用预置的状态估计函数,基于实际测量值和测量矩阵对每个水下机器人进行水下运行状态估计。通过使用卡尔曼滤波算法,以优化和精确地估计机器人的当前状态。状态估计函数考虑了实际测量值、卡尔曼增益、以及测量矩阵。根据这些估计出的水下运行状态数据,可以确定每个水下机器人的加速度数据、当前速度和当前位置。通过分析和解释状态估计数据,获取关于机器人动态运动的详细信息。最后,通过应用预置的速度和位置的积分估计函数,根据加速度数据、当前速度的数据和当前位置的数据计算出每个水下机器人的对应的速度数据和位置数据。这个函数基于物理运动学原理,通过积分加速度数据来计算出速度和位置的变化。这种计算方法不仅考虑了当前的运动状态,也考虑了时间的影响,从而确保速度和位置的估计既精确又符合物理规律。
步骤104、根据速度数据和位置数据,对多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
具体的,首先,基于每个水下机器人的速度数据和位置数据,计算其雅可比矩阵。雅可比矩阵是一种数学工具,用于描述机器人关节或机构的速度与其操作空间中速度之间的关系,这有助于理解和控制机器人的运动。接下来,通过应用预置的动态逆控制方程,利用每个水下机器人的雅可比矩阵进行动态逆控制。这个方程结合了机器人的当前状态(包括位置和速度)和期望状态,通过计算得到控制输入。动态逆控制方程考虑了机器人的动态特性和控制增益,以确保控制输入能够精确地引导机器人达到其期望的状态。然后,根据这些控制输入,对每个水下机器人进行环境反馈调整。环境反馈调整确保机器人能够根据周围环境的变化灵活调整其行为。这包括调节推进器功率、调整浮力控制装置以及改变航向角等操作。通过调节推进器功率,机器人可以控制其在水下的速度和方向;通过调整浮力控制装置,机器人可以维持或改变其在水中的深度;通过改变航向角,机器人可以精确导航至预定的位置。
步骤105、根据第一机器人水下执行动作,对多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;
具体的,首先,通过预置的信息共享函数,实现多个水下机器人之间的信息共享。这允许每个水下机器人获取其他机器人的信息,这些信息包括它们的位置、速度、环境感知数据以及执行状态等。信息共享函数通过整合所有机器人的信息,确保每个机器人能够访问到整个集群的信息,从而提高集群的整体效率和协作能力。接下来,通过预置的决策同步函数,对多个水下机器人进行决策同步分析,确保整个机器人集群能够在保持一致性的基础上高效执行任务。决策同步分析是基于集群中所有机器人的个体决策,通过计算平均值来同步整个集群的决策。这种同步方法确保了每个机器人都能够根据集群的整体目标和策略来调整自己的行为。接着,通过预置的任务分配函数,对多个水下机器人进行任务分配。任务分配决定了每个机器人的具体职责和目标。任务分配函数确保了整个集群的任务均匀分布,从而优化资源利用率和提高任务执行效率。然后,通过预置的协调控制函数,根据每个水下机器人的第一机器人水下执行动作进行协作分析。协调控制函数通过考虑每个机器人与其邻居的相对状态以及与领导智能体的相对状态,来确定每个机器人的协作控制信息。这种方法不仅考虑了机器人之间的相互作用,也考虑了集群中某些机器人承担的领导或引导角色。最后,将单个水下机器人的信息、决策和任务以及每个水下机器人的协作控制信息进行策略转换,从而得到整个水下机器人集群对应的初始机器人集群协作控制策略。这一策略转换过程涉及到将单个机器人的信息和行动计划转化为整个集群协同工作的综合策略,确保每个机器人都能够在共同的目标下协同工作。通过这样的协作和策略转换,整个水下机器人集群能够以一种高度协调和有效的方式执行水下环境监测任务,充分发挥集群协作的优势。
步骤106、通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
具体的,首先,通过预置的深度Q网络对多个水下机器人进行交互学习。这一学习过程使得每个水下机器人不仅能从自己的经验中学习,也能从其他机器人的经验中学习,从而实现更高效和有效的学习过程。深度Q网络通过不断更新其Q值来优化每个机器人的执行动作,这一过程基于机器人当前的状态和采取的动作,结合即时奖励和预期的未来奖励来进行。接着,根据每个水下机器人的第二机器人水下执行动作,对初始机器人集群协作控制策略进行种群初始化。生成多个第一机器人集群协作控制策略,为后续的优化分析提供基础。种群初始化的过程涉及到对集群协作控制策略的初步设定,确保每个机器人能够根据集体策略进行有效协作。随后,对这些第一机器人集群协作控制策略进行种群分割和种群优化,通过分析和比较不同策略的效果,进行适应度评估和策略调整。种群分割和优化的目的是找出最有效的协作控制策略,以便更好地适应复杂多变的水下环境,并提高整个机器人集群的监测效率和准确性。最后,进行对多个第二机器人集群协作控制策略的最优化分析。综合考虑各种策略的优劣和适应性,通过精确的计算和模拟,确定最终的目标机器人集群协作控制策略。最优化分析的过程确保了最终的协作控制策略不仅能够提高水下机器人集群的整体性能,还能够确保在面对复杂和不断变化的水下环境时,能够做出最有效的响应。
步骤107、根据目标机器人集群协作控制策略对水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
具体的,首先,根据目标机器人集群协作控制策略对水下机器人集群进行模拟测试。模拟测试的设计是为了尽真实地复现水下环境中的各种条件,如水流、温度变化、可见度等,以确保测试结果能够准确反映机器人在实际水下环境中的表现。接下来,通过预置的性能评估函数对水下机器人集群进行性能评估。计算性能评估指标,该指标基于每次测试的性能函数来量化机器人集群的整体表现。性能评估函数的设计考虑了测试的次数和每次测试的结果,从而提供了一个综合的性能评估指标。接着,进行适应性评估。适应性评估是为了衡量机器人集群在面对环境变化时的适应能力。这一过程通过预置的适应性评估函数来完成,该函数考虑了机器人集群随时间的学习曲线,通过拟合参数来描述机器人在特定时间段内的适应性。适应性评估的结果是适应性评估指标,它反映了机器人集群对新环境的适应速度和效率。最后,将性能评估指标和适应性评估指标综合起来,生成水下机器人集群的综合性能评估结果。这个综合性能评估结果是对水下机器人集群整体性能的全面评价,它不仅考虑了机器人在执行任务时的效率和准确性,还考虑了它们对复杂多变环境的适应能力。
步骤108、根据综合性能评估结果,通过水下机器人集群对目标水域进行水下环境监测,输出水下环境监测反馈结果。
具体的,首先,根据综合性能评估结果,通过水下机器人集群对目标水域进行水下环境监测。每个机器人根据预设的路线和任务进行操作,收集水下环境数据。这些数据包括水温、盐度、溶解氧含量、流速、水下地形和生物群落等。在这一过程中,机器人需要不断调整自己的行为,以适应水下环境的变化,并保持与其他机器人的协作。接着,在监测过程中,收集和分析实时数据。通过机器人搭载的传感器和分析工具,将收集到的数据实时传输回控制中心,进行进一步的分析和处理。这个步骤涉及到大量的数据处理和分析技术,如数据融合、模式识别和机器学习算法等,以确保数据的准确性和可靠性。最后,基于收集和分析的数据,生成水下环境监测的反馈结果。这些结果不仅提供了对目标水域当前状态的详细描述,还可以用于预测未来的变化趋势,指导后续的监测策略。
本申请实施例中,通过利用水下机器人集群,能够在更广泛的区域内收集数据,提高数据的质量和数量。多个机器人同时工作,可以覆盖更大的水域面积,收集多种环境参数的数据,从而提供更为全面的水下环境监测。水下机器人被赋予了高度的自主性和智能性。通过集成先进的传感器和智能算法,机器人能够自动执行任务。这减少了对人工操作的依赖,增加了操作的灵活性和效率。通过动态逆控制技术,每个机器人能够根据实时收集到的速度和位置数据进行精确的姿态调整和路径规划。这种控制策略不仅提高了机器人的导航精度,还增强了其在复杂水下环境中的稳定性和可靠性。机器人集群通过信息共享和协作分析,能够实现协同工作,提高任务执行的效率和效果。这种集群智能使得单个机器人的局限性得以克服,整个集群可以协调作业,针对特定区域或任务进行集中监测。通过深度Q网络,机器人可以持续学习和优化其执行动作,使得整个***能够根据环境的变化和任务的需求自我调整和优化。这种学习机制使得水下机器人能够更好地适应复杂多变的水下环境。通过模拟测试和性能评估,能够及时地对机器人的性能进行评估和调整,进而提高了水下机器人的水下环境监测准确率。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)对设备参数数据进行设备参数解析,得到水下机器人排水体积、推进器效率、推进器面积以及出口速度;
(2)对水下环境数据进行水下环境参数解析,得到水体流体力学参数集合,水体流体力学参数集合包括:流速向量、压力、动力粘度及外部力;
(3)通过预置的流体动力学方程,根据水体流体力学参数集合计算每个水下机器人的流体密度,流体动力学方程为,其中:/>表示流体密度,v表示流速向量,/>表示压力,/>表示动力粘度,F表示外部力,t表示时间;
(4)通过预置的浮力计算函数,根据流体密度和水下机器人排水体积计算每个水下机器人的浮力,浮力计算函数为:,其中:/>表示浮力,/>表示流体密度,表示水下机器人排水体积,/>表示重力加速度;
(5)通过预置的推进力计算函数,根据流体密度、推进器效率、推进器面积以及出口速度计算每个水下机器人的推进力,推进力计算函数为:,其中:/>表示推进力,/>表示推进器效率,/>表示推进器截面积,/>表示出口速度;
(6)根据每个水下机器人的浮力以及推进力,分别构建每个水下机器人的初始监测智能体,并对初始监测智能体进行数据校准,得到每个水下机器人的水下监测智能体。
具体的,首先,对水下机器人的设备参数数据进行解析,包括获取每个机器人的排水体积、推进器效率、推进器面积以及出口速度。这些参数是理解和优化水下机器人性能的基础。例如,排水体积影响机器人的浮力,推进器效率和面积则直接关联到机器人的移动能力和能源消耗。出口速度则是衡量机器人推进***性能的关键指标。随后,对水下环境数据进行解析,以获取水体流体力学参数集合,包括流速向量、压力、动力粘度和外部力等。这些参数有助于理解机器人在水下环境中的行为。例如,流速向量帮助机器人判断水流的方向和强度,以便做出适应性调整;而压力和动力粘度数据则是评估水下机器人在不同深度下性能的关键。接着,通过应用预置的流体动力学方程,计算每个水下机器人在特定水下环境中的流体密度。这个方程综合了水下环境的动态变化,如流速变化和外部力的作用,从而使得流体密度的计算更加准确。流体密度的准确计算对于后续的浮力和推进力计算至关重要。接着,利用预置的浮力计算函数,根据流体密度和水下机器人的排水体积来计算每个机器人的浮力。浮力的计算不仅基于物理原理,也考虑了机器人的结构特性。正确的浮力计算确保机器人能够在水中保持稳定,同时完成预定任务。然后,通过预置的推进力计算函数,结合流体密度、推进器效率、推进器面积以及出口速度,计算每个水下机器人的推进力。推进力的计算直接关联到机器人的移动能力,包括速度和灵活性。高效的推进***使得机器人能够快速响应环境变化,高效完成监测任务。最后,基于每个水下机器人的浮力和推进力,构建其初始监测智能体。这些智能体是机器人进行自主监测的核心,它们使得机器人能够根据环境数据进行自适应调整。构建智能体的过程包括数据校准,确保机器人的感知***和决策算法能够准确反映实际环境条件。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)分别获取每个水下监测智能体的实际测量值,并根据实际测量值构建每个水下监测智能体的测量矩阵;
(2)通过预置的状态估计函数,根据实际测量值和测量矩阵对每个水下机器人进行水下运行状态估计,得到每个水下机器人的水下运行状态数据,状态估计函数为:,其中:/>表示水下运行状态数据,/>表示卡尔曼增益,/>表示实际测量值,/>表示测量矩阵;
(3)根据水下运行状态数据确定每个水下机器人的加速度数据、当前速度和当前位置;
(4)通过预置的速度和位置的积分估计函数,根据加速度数据、当前速度的数据和当前位置的数据计算每个水下机器人的对应的速度数据和位置数据,速度和位置的积分估计函数为:,其中:/>表示当前速度,/>表示当前位置,/>表示加速度,/>表示时间间隔,/>表示速度数据,/>表示位置数据。
具体的,首先,分别获取每个水下监测智能体的实际测量值。这些测量值通常包括水下机器人的位置、速度、深度、周围水体的流速、温度、以及的压力等数据。这些数据是通过水下机器人搭载的各种传感器收集的,如深度计、速度计、温度计、压力传感器等。随后,根据这些实际测量值构建每个水下监测智能体的测量矩阵。测量矩阵是一种数学工具,用于组织和表示收集到的数据,使其能够用于后续的分析和处理。例如,一个测量矩阵包含了来自不同传感器的数据,如位置坐标、速度向量和周围环境参数等。接下来,通过预置的状态估计函数,根据实际测量值和测量矩阵对每个水下机器人进行水下运行状态估计。这个状态估计函数通常基于卡尔曼滤波算法,是一种在不确定性条件下进行状态估计的有效方法。卡尔曼滤波算法能够在有限的信息下提供最优估计,通过结合历史数据和新的观测数据来预测机器人的当前状态。例如,如果一个水下机器人在强流中运动,卡尔曼滤波可以帮助估计其实际位置和速度,即使单一的传感器读数因流动不稳定而有所偏差。此后,根据所得到的水下运行状态数据,确定每个水下机器人的加速度数据、当前速度和当前位置。通过分析状态估计函数的输出,从中提取出机器人的动态信息,例如,通过比较连续的位置估计来计算速度和加速度。最后,通过预置的速度和位置的积分估计函数,根据加速度数据、当前速度的数据和当前位置的数据计算每个水下机器人的对应的速度数据和位置数据。这个积分估计函数基于物理运动学原理,可以准确地计算出机器人在未来某个时间点的预期位置和速度,考虑了时间的影响和机器人的动态运动特性。例如,如果一个水下机器人需要从当前位置快速移动到另一个位置,该函数可以帮助计算出达到目的地所需的时间和路径。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)根据速度数据和位置数据,计算每个水下机器人的雅可比矩阵;
(2)通过预置的动态逆控制方程,通过每个水下机器人的雅可比矩阵进行动态逆控制,得到每个水下机器人的控制输入,动态逆控制方程为:,其中:/>表示控制输入,/>表示雅可比矩阵,/>表示当前状态,/>表示期望状态,/>表示控制增益;
(3)通过控制输入对每个水下机器人进行环境反馈调整,生成每个水下机器人的第一机器人水下执行动作,第一机器人水下执行动作包括:调节推进器功率、调整浮力控制装置以及改变航向角。
具体的,首先,根据每个水下机器人的速度和位置数据计算其雅可比矩阵。雅可比矩阵是一个数学表达式,用于描述机器人的末端执行器(例如,抓手或传感器)在空间中的速度与其关节速度之间的关系。在水下机器人的情况下,雅可比矩阵帮助描述机器人在水中移动时的动态行为,如推进器产生的力量如何转化为机器人的移动和方向变化。例如,考虑一个进行海底测绘的水下机器人,其雅可比矩阵将帮助确定为了沿着特定路径移动,推进器需要产生多少力量和在何种角度操作。接着,通过预置的动态逆控制方程,利用雅可比矩阵对每个水下机器人进行动态逆控制。动态逆控制是一种先进的控制策略,它能够根据机器人的动态模型和期望的运动轨迹来计算所需的控制输入。这个控制方程结合了当前和期望状态的信息,包括位置、速度和加速度等,同时考虑了控制增益,以确保机器人能够平稳且准确地达到其目标状态。例如,如果一个水下机器人需要从一点快速移动到另一点,动态逆控制方程将计算出推进器需要的具体功率输出和方向调整,以实现这一运动。此后,根据计算得到的控制输入,对每个水下机器人进行环境反馈调整。机器人将根据其在水下的实际表现和周围环境的变化来调整其行为。这包括调节推进器功率、调整浮力控制装置以及改变航向角等。例如,如果机器人检测到前方有障碍物,它需要降低推进器功率和改变航向角来避开障碍。同时,如果机器人需要上升到较浅的水域,浮力控制装置将被调整以改变机器人的浮力,帮助它上升。通过这些精确的计算和调整,每个水下机器人能够生成其第一机器人水下执行动作,有效地在水下环境中进行任务执行。这些动作是机器人根据其在水下的实际性能和周围环境的反馈进行自我调整的结果。例如,考虑一个用于水质监测的水下机器人,它需要在不同深度处采集水样。通过动态逆控制和环境反馈调整,机器人能够精确控制其深度,保持在正确的位置采集样本,同时调整其推进器以适应水流变化。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)通过预置的信息共享函数,对多个水下机器人进行信息共享,得到单个水下机器人的信息,信息共享函数为:,/>表示总共享信息,/>表示单个水下机器人的信息,/>表示水下机器人数量;
(2)通过预置的决策同步函数,对多个水下机器人进行决策同步分析,得到单个水下机器人的决策,决策同步函数为:,/>表示同步决策,/>表示单个水下机器人的决策,/>表示水下机器人数量;
(3)通过预置的任务分配函数,对多个水下机器人进行任务分配,得到单个水下机器人的任务,任务分配函数为:,/>表示单个机器人的任务,/>表示总任务,/>表示水下机器人数量;
(4)通过预置的协调控制函数,根据第一机器人水下执行动作对多个水下机器人进行协作分析,得到每个水下机器人的协作控制信息,协调控制函数为:,/>表示水下机器人i的第一机器人水下执行动作,/>表示水下机器人i的邻居集合,/>表示调节系数,/>表示水下机器人/>和水下机器人/>的状态,/>表示领导智能体的状态;
(5)对单个水下机器人的信息、决策和任务以及每个水下机器人的协作控制信息进行策略转换,得到水下机器人集群对应的初始机器人集群协作控制策略。
具体的,首先,通过预置的信息共享函数,对多个水下机器人进行信息共享。每个水下机器人都会收集并发送自己的信息,如当前位置、速度、检测到的环境数据等。这些信息通过通信网络在机器人集群中传播,每个机器人都可以接收到其他机器人的信息。信息共享函数将这些来自不同机器人的信息汇总,形成一个总共享信息集。例如,如果一个机器人发现了某种污染源或者遇到了某种障碍物,它会将这些信息分享给整个集群,从而提高整个集群对环境的认识和反应能力。接下来,通过预置的决策同步函数,对多个水下机器人进行决策同步分析,确保整个机器人集群能够在保持一致性的基础上高效执行任务。决策同步分析基于集群中所有机器人的个体决策,通过计算平均值来同步整个集群的决策。这种同步方法确保了每个机器人都能够根据集群的整体目标和策略来调整自己的行为。例如,如果集群的目标是覆盖一个特定的海域进行监测,那么每个机器人的决策将会被调整,以确保整个海域都被有效覆盖。随后,通过预置的任务分配函数,对多个水下机器人进行任务分配,这决定了每个机器人的具体职责和目标。任务分配函数确保了整个集群的任务均匀分布,从而优化资源利用率和提高任务执行效率。例如,一个复杂的海底测绘任务需要不同的机器人执行不同的子任务,如地形测绘、生物样本收集、或是污染检测。通过任务分配函数,这些子任务会被分配到最合适的机器人上,以便高效完成整个测绘任务。随后,进行协作控制信息的生成和策略转换。通过预置的协调控制函数,根据每个机器人的执行动作和其与其他机器人的相对状态,分析并生成每个机器人的协作控制信息。这个过程包括考虑机器人之间的相互作用,以及它们与领导机器人或关键节点的相对位置和行为。例如,如果一个机器人被指定为领导机器人,它的动作和决策将对其他机器人产生影响,协调控制函数将确保整个集群能够围绕这个领导机器人进行有效的协作。最终,对单个水下机器人的信息、决策和任务以及每个水下机器人的协作控制信息进行策略转换,得到水下机器人集群对应的初始机器人集群协作控制策略。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)通过预置的深度Q网络对多个水下机器人进行交互学习,并通过预置的Q值更新函数进行执行动作优化,得到每个水下机器人的第二机器人水下执行动作,Q值更新函数为:,/>,/>表示在状态/>采取动作/>的Q值,α表示学习率,/>表示即时奖励,/>表示折扣因子,/>表示新状态,/>表示的动作,/>表示每个水下机器人的第二机器人水下执行动作;
(2)根据第二机器人水下执行动作,对初始机器人集群协作控制策略进行种群初始化,得到多个第一机器人集群协作控制策略;
(3)对多个第一机器人集群协作控制策略进行种群分割和种群优化,得到多个第二机器人集群协作控制策略;
(4)对多个第二机器人集群协作控制策略进行最优化分析,得到目标机器人集群协作控制策略。
具体的,首先,通过预置的深度Q网络对多个水下机器人进行交互学习。每个机器人通过不断地从自己的经验以及其他机器人的经验中学习,从而优化自己的行为和决策。深度Q网络是一种结合了深度学习和强化学习的技术,它允许机器人通过与环境的互动来学习如何在不同情境下做出最佳决策。例如,如果一个水下机器人在执行海底测绘任务时遇到了障碍物,它将通过深度Q网络学习如何在类似情况下更有效地避开障碍或调整路线。接下来,通过预置的Q值更新函数进行执行动作优化。这个函数根据当前状态、所采取的行动以及由此产生的结果来更新Q值,这个过程涉及学习率、即时奖励和折扣因子的应用。这些参数共同作用,帮助每个机器人根据过去的经验和当前的环境反馈来调整其行为。例如,如果某个动作导致机器人更有效地完成了任务,那么与该动作相关的Q值将会增加,从而在未来类似情况下促使机器人重复这一行为。随后,根据所得到的第二机器人水下执行动作,对初始机器人集群协作控制策略进行种群初始化,生成多个第一机器人集群协作控制策略。这种初始化过程考虑了机器人集群的整体目标和各个机器人的特定能力,确保每个机器人在集群中扮演最适合其能力和学习结果的角色。接着,对这些第一机器人集群协作控制策略的种群分割和种群优化。通过分析和比较不同策略的效果,进行适应度评估和策略调整,识别出最有效的协作控制策略,以便更好地适应复杂多变的水下环境,并提高整个机器人集群的监测效率和准确性。最后,对多个第二机器人集群协作控制策略的最优化分析。综合考虑各种策略的优劣和适应性,通过精确的计算和模拟,确定最终的目标机器人集群协作控制策略。这个最优化分析过程确保了最终的协作控制策略不仅能够提高水下机器人集群的整体性能,还能够确保在面对复杂和不断变化的水下环境时,能够做出最有效的响应。
在一具体实施例中,执行步骤107的过程可以具体包括如下步骤:
(1)根据目标机器人集群协作控制策略对水下机器人集群进行模拟测试;
(2)通过预置的性能评估函数,对水下机器人集群进行性能评估,得到性能评估指标,性能评估函数为:,其中:/>表示性能评估指标,/>表示第/>次测试的性能函数,/>表示测试次数;
(3)通过预置的适应性评估函数,对水下机器人集群进行适应性评估,得到适应性评估指标,适应性评估函数为:,其中:/>表示在时间/>的学习曲线值,/>表示拟合参数;
(4)根据性能评估指标和适应性评估指标,生成水下机器人集群的综合性能评估结果。
具体的,首先,根据目标机器人集群协作控制策略对水下机器人集群进行模拟测试。模拟测试通常在一个控制的环境中进行,其中可以模拟各种水下条件,如流速、温度、深度、以及其他影响机器人性能的环境因素。例如,如果机器人集群被设计用于在深海环境中进行科学研究,模拟测试将模拟深海的压力、温度和光照条件,以测试机器人的耐压性、温度调节***和照明***的效果。接下来,通过预置的性能评估函数对水下机器人集群进行性能评估。性能评估过程中,将评估各个机器人在模拟测试中的表现,并计算性能评估指标。这个评估函数考虑了每次测试中机器人的性能,如移动速度、任务执行效率、数据收集准确性等。性能评估指标是对机器人集群在特定任务中表现的量化,它帮助识别机器人在哪些方面表现良好,以及哪些方面需要改进。例如,如果性能评估发现某些机器人在高流速条件下导航能力下降,这指出需要对其导航***进行调整。此后,进行适应性评估。适应性评估通过预置的适应性评估函数来完成,该函数通常基于机器人在模拟测试中随时间的表现变化来计算。这个过程考虑了机器人学习和适应新环境的能力,例如,评估它们在面对环境变化时如何调整策略以维持效率。适应性评估指标是评估机器人集群能否快速有效地适应新的或变化的水下环境的重要指标。例如,一个适应性评估显示机器人在初始暴露于模拟的复杂水流时表现不佳,但随着时间的推移,它们能够调整其导航策略来更好地应对这种情况。最后,根据性能评估指标和适应性评估指标,生成水下机器人集群的综合性能评估结果。这个综合评估涵盖了机器人在模拟测试中的整体表现,包括它们完成任务的能力和适应新环境的速度。这个综合评估结果有助于未来机器人设计的改进、控制策略的调整和任务规划。例如,综合评估指出机器人集群在特定条件下表现出色,但在其他条件下需要改进。这将指导未来的设计决策,如改进机器人的物理设计或调整其控制算法。
上面对本申请实施例中基于水下机器人的水下环境监测方法进行了描述,下面对本申请实施例中基于水下机器人的水下环境监测***进行描述,请参阅图2,本申请实施例中基于水下机器人的水下环境监测***一个实施例包括:
获取模块201,用于获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
构建模块202,用于根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体;
计算模块203,用于根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据;
逆控制模块204,用于根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
协作模块205,用于根据所述第一机器人水下执行动作,对所述多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;
优化模块206,用于通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
评估模块207,用于根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
输出模块208,用于根据所述综合性能评估结果,通过所述水下机器人集群对所述目标水域进行水下环境监测,输出水下环境监测反馈结果。
通过上述各个组成部分的协同合作,通过利用水下机器人集群,能够在更广泛的区域内收集数据,提高数据的质量和数量。多个机器人同时工作,可以覆盖更大的水域面积,收集多种环境参数的数据,从而提供更为全面的水下环境监测。水下机器人被赋予了高度的自主性和智能性。通过集成先进的传感器和智能算法,机器人能够自动执行任务。这减少了对人工操作的依赖,增加了操作的灵活性和效率。通过动态逆控制技术,每个机器人能够根据实时收集到的速度和位置数据进行精确的姿态调整和路径规划。这种控制策略不仅提高了机器人的导航精度,还增强了其在复杂水下环境中的稳定性和可靠性。机器人集群通过信息共享和协作分析,能够实现协同工作,提高任务执行的效率和效果。这种集群智能使得单个机器人的局限性得以克服,整个集群可以协调作业,针对特定区域或任务进行集中监测。通过深度Q网络,机器人可以持续学习和优化其执行动作,使得整个***能够根据环境的变化和任务的需求自我调整和优化。这种学习机制使得水下机器人能够更好地适应复杂多变的水下环境。通过模拟测试和性能评估,能够及时地对机器人的性能进行评估和调整,进而提高了水下机器人的水下环境监测准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,***和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种基于水下机器人的水下环境监测方法,其特征在于,所述基于水下机器人的水下环境监测方法包括:
获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体;
根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据;
根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
根据所述第一机器人水下执行动作,对所述多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;具体包括:通过预置的信息共享函数,对所述多个水下机器人进行信息共享,得到单个水下机器人的信息,所述信息共享函数为:,/>表示总共享信息,/>表示单个水下机器人的信息,/>表示水下机器人数量;通过预置的决策同步函数,对所述多个水下机器人进行决策同步分析,得到单个水下机器人的决策,所述决策同步函数为:/>,/>表示同步决策,/>表示单个水下机器人的决策,/>表示水下机器人数量;通过预置的任务分配函数,对所述多个水下机器人进行任务分配,得到单个水下机器人的任务,所述任务分配函数为:/>,/>表示单个机器人的任务,/>表示总任务,/>表示水下机器人数量;通过预置的协调控制函数,根据所述第一机器人水下执行动作对所述多个水下机器人进行协作分析,得到每个水下机器人的协作控制信息,所述协调控制函数为:,/>表示水下机器人i的第一机器人水下执行动作,/>表示水下机器人i的邻居集合,/>表示调节系数,/>表示水下机器人/>和水下机器人/>的状态,/>表示领导智能体的状态;对单个水下机器人的信息、决策和任务以及每个水下机器人的协作控制信息进行策略转换,得到水下机器人集群对应的初始机器人集群协作控制策略;
通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
根据所述综合性能评估结果,通过所述水下机器人集群对所述目标水域进行水下环境监测,输出水下环境监测反馈结果。
2.根据权利要求1所述的基于水下机器人的水下环境监测方法,其特征在于,所述根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体,包括:
对所述设备参数数据进行设备参数解析,得到水下机器人排水体积、推进器效率、推进器面积以及出口速度;
对所述水下环境数据进行水下环境参数解析,得到水体流体力学参数集合,所述水体流体力学参数集合包括:流速向量、压力、动力粘度及外部力;
通过预置的流体动力学方程,根据所述水体流体力学参数集合计算每个水下机器人的流体密度,所述流体动力学方程为,其中:/>表示流体密度,v表示流速向量,/>表示压力,/>表示动力粘度,F表示外部力,t表示时间;
通过预置的浮力计算函数,根据所述流体密度和所述水下机器人排水体积计算每个水下机器人的浮力,所述浮力计算函数为:,其中:/>表示浮力,/>表示流体密度,表示水下机器人排水体积,/>表示重力加速度;
通过预置的推进力计算函数,根据所述流体密度、推进器效率、所述推进器面积以及所述出口速度计算每个水下机器人的推进力,所述推进力计算函数为:,其中:/>表示推进力,/>表示推进器效率,/>表示推进器截面积,/>表示出口速度;
根据每个水下机器人的浮力以及推进力,分别构建每个水下机器人的初始监测智能体,并对所述初始监测智能体进行数据校准,得到每个水下机器人的水下监测智能体。
3.根据权利要求1所述的基于水下机器人的水下环境监测方法,其特征在于,所述根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据,包括:
分别获取每个水下监测智能体的实际测量值,并根据所述实际测量值构建每个水下监测智能体的测量矩阵;
通过预置的状态估计函数,根据所述实际测量值和所述测量矩阵对每个水下机器人进行水下运行状态估计,得到每个水下机器人的水下运行状态数据,所述状态估计函数为:,其中:/>表示水下运行状态数据,/>表示卡尔曼增益,/>表示实际测量值,/>表示测量矩阵;
根据所述水下运行状态数据确定每个水下机器人的加速度数据、当前速度和当前位置;
通过预置的速度和位置的积分估计函数,根据所述加速度数据、所述当前速度的数据和所述当前位置的数据计算每个水下机器人的对应的速度数据和位置数据,所述速度和位置的积分估计函数为:,其中:/>表示当前速度,/>表示当前位置,/>表示加速度,/>表示时间间隔,/>表示速度数据,/>表示位置数据。
4.根据权利要求1所述的基于水下机器人的水下环境监测方法,其特征在于,所述根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作,包括:
根据所述速度数据和所述位置数据,计算每个水下机器人的雅可比矩阵;
通过预置的动态逆控制方程,通过每个水下机器人的雅可比矩阵进行动态逆控制,得到每个水下机器人的控制输入,所述动态逆控制方程为:,其中:/>表示控制输入,/>表示雅可比矩阵,/>表示当前状态,/>表示期望状态,/>表示控制增益;
通过所述控制输入对每个水下机器人进行环境反馈调整,生成每个水下机器人的第一机器人水下执行动作,所述第一机器人水下执行动作包括:调节推进器功率、调整浮力控制装置以及改变航向角。
5.根据权利要求1所述的基于水下机器人的水下环境监测方法,其特征在于,所述通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略,包括:
通过预置的深度Q网络对所述多个水下机器人进行交互学习,并通过预置的Q值更新函数进行执行动作优化,得到每个水下机器人的第二机器人水下执行动作,所述Q值更新函数为:,/>,/>表示在状态/>采取动作/>的Q值,α表示学习率,/>表示即时奖励,/>表示折扣因子,/>表示新状态,/>表示的动作,/>表示每个水下机器人的第二机器人水下执行动作;
根据所述第二机器人水下执行动作,对所述初始机器人集群协作控制策略进行种群初始化,得到多个第一机器人集群协作控制策略;
对所述多个第一机器人集群协作控制策略进行种群分割和种群优化,得到多个第二机器人集群协作控制策略;
对所述多个第二机器人集群协作控制策略进行最优化分析,得到目标机器人集群协作控制策略。
6.根据权利要求1所述的基于水下机器人的水下环境监测方法,其特征在于,所述根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果,包括:
根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试;
通过预置的性能评估函数,对所述水下机器人集群进行性能评估,得到性能评估指标,所述性能评估函数为:,其中:/>表示性能评估指标,/>表示第/>次测试的性能函数,/>表示测试次数;
通过预置的适应性评估函数,对所述水下机器人集群进行适应性评估,得到适应性评估指标,所述适应性评估函数为:,其中:/>表示在时间/>的学习曲线值,/>表示拟合参数;
根据所述性能评估指标和所述适应性评估指标,生成所述水下机器人集群的综合性能评估结果。
7.一种基于水下机器人的水下环境监测***,其特征在于,所述基于水下机器人的水下环境监测***包括:
获取模块,用于获取水下机器人集群中多个水下机器人的设备参数数据,并获取待监测目标水域的水下环境数据;
构建模块,用于根据所述设备参数数据以及所述水下环境数据,分别构建每个水下机器人的水下监测智能体;
计算模块,用于根据所述水下监测智能体分别采集每个水下机器人的水下运行状态数据,并根据所述水下运行状态数据计算对应的速度数据和位置数据;
逆控制模块,用于根据所述速度数据和位置数据,对所述多个水下机器人进行动态逆控制和环境反馈调整,生成每个水下机器人的第一机器人水下执行动作;
协作模块,用于根据所述第一机器人水下执行动作,对所述多个水下机器人进行信息共享和协作分析,得到对应的初始机器人集群协作控制策略;具体包括:通过预置的信息共享函数,对所述多个水下机器人进行信息共享,得到单个水下机器人的信息,所述信息共享函数为:,/>表示总共享信息,/>表示单个水下机器人的信息,/>表示水下机器人数量;通过预置的决策同步函数,对所述多个水下机器人进行决策同步分析,得到单个水下机器人的决策,所述决策同步函数为:/>,/>表示同步决策,/>表示单个水下机器人的决策,/>表示水下机器人数量;通过预置的任务分配函数,对所述多个水下机器人进行任务分配,得到单个水下机器人的任务,所述任务分配函数为:,/>表示单个机器人的任务,/>表示总任务,/>表示水下机器人数量;通过预置的协调控制函数,根据所述第一机器人水下执行动作对所述多个水下机器人进行协作分析,得到每个水下机器人的协作控制信息,所述协调控制函数为:,/>表示水下机器人i的第一机器人水下执行动作,/>表示水下机器人i的邻居集合,/>表示调节系数,/>表示水下机器人/>和水下机器人/>的状态,/>表示领导智能体的状态;对单个水下机器人的信息、决策和任务以及每个水下机器人的协作控制信息进行策略转换,得到水下机器人集群对应的初始机器人集群协作控制策略;
优化模块,用于通过预置的深度Q网络进行交互学习和执行动作优化,得到每个水下机器人的第二机器人水下执行动作,并对所述初始机器人集群协作控制策略进行控制策略优化,得到目标机器人集群协作控制策略;
评估模块,用于根据所述目标机器人集群协作控制策略对所述水下机器人集群进行模拟测试与性能评估,得到综合性能评估结果;
输出模块,用于根据所述综合性能评估结果,通过所述水下机器人集群对所述目标水域进行水下环境监测,输出水下环境监测反馈结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311828940.5A CN117590751B (zh) | 2023-12-28 | 2023-12-28 | 基于水下机器人的水下环境监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311828940.5A CN117590751B (zh) | 2023-12-28 | 2023-12-28 | 基于水下机器人的水下环境监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117590751A CN117590751A (zh) | 2024-02-23 |
CN117590751B true CN117590751B (zh) | 2024-03-22 |
Family
ID=89918492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311828940.5A Active CN117590751B (zh) | 2023-12-28 | 2023-12-28 | 基于水下机器人的水下环境监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117590751B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359225A (zh) * | 2008-08-29 | 2009-02-04 | 北京大学 | 一种多水下机器人协作控制*** |
CN102052924A (zh) * | 2010-11-25 | 2011-05-11 | 哈尔滨工程大学 | 一种小型水下机器人组合导航定位方法 |
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
CN112614171A (zh) * | 2020-11-26 | 2021-04-06 | 厦门大学 | 面向工程机械集群作业的空-地一体化动态环境感知*** |
WO2022241808A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州中国科学院先进技术研究所 | 一种多机器人轨迹规划方法 |
CN115494733A (zh) * | 2022-10-27 | 2022-12-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于gazebo的水下机器人自适应控制方法 |
CN116449863A (zh) * | 2023-03-08 | 2023-07-18 | 广州大学 | 一种基于信息素的强化学习的无人机集群多目标搜索方法 |
CN116880516A (zh) * | 2023-07-18 | 2023-10-13 | 大连海事大学 | 一种联合多水下机器人的水下环境监测方法及*** |
CN117053782A (zh) * | 2023-08-14 | 2023-11-14 | 南京理工大学 | 一种水陆两栖机器人组合导航方法 |
CN117270393A (zh) * | 2023-10-07 | 2023-12-22 | 重庆大学 | 智能机器人集群协同控制*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004018158A2 (en) * | 2002-08-21 | 2004-03-04 | Neal Solomon | Organizing groups of self-configurable mobile robotic agents |
US20130184838A1 (en) * | 2012-01-06 | 2013-07-18 | Michigan Aerospace Corporation | Resource optimization using environmental and condition-based monitoring |
US11932262B2 (en) * | 2021-07-01 | 2024-03-19 | Mitsubishi Electric Research Laboratories, Inc. | Stochastic nonlinear predictive controller and method based on uncertainty propagation by Gaussian-assumed density filters |
US20220113699A1 (en) * | 2021-12-22 | 2022-04-14 | Intel Corporation | Autonomous agent operation adaption based on environmental risk |
-
2023
- 2023-12-28 CN CN202311828940.5A patent/CN117590751B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359225A (zh) * | 2008-08-29 | 2009-02-04 | 北京大学 | 一种多水下机器人协作控制*** |
CN102052924A (zh) * | 2010-11-25 | 2011-05-11 | 哈尔滨工程大学 | 一种小型水下机器人组合导航定位方法 |
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
CN112614171A (zh) * | 2020-11-26 | 2021-04-06 | 厦门大学 | 面向工程机械集群作业的空-地一体化动态环境感知*** |
WO2022241808A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州中国科学院先进技术研究所 | 一种多机器人轨迹规划方法 |
CN115494733A (zh) * | 2022-10-27 | 2022-12-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于gazebo的水下机器人自适应控制方法 |
CN116449863A (zh) * | 2023-03-08 | 2023-07-18 | 广州大学 | 一种基于信息素的强化学习的无人机集群多目标搜索方法 |
CN116880516A (zh) * | 2023-07-18 | 2023-10-13 | 大连海事大学 | 一种联合多水下机器人的水下环境监测方法及*** |
CN117053782A (zh) * | 2023-08-14 | 2023-11-14 | 南京理工大学 | 一种水陆两栖机器人组合导航方法 |
CN117270393A (zh) * | 2023-10-07 | 2023-12-22 | 重庆大学 | 智能机器人集群协同控制*** |
Non-Patent Citations (1)
Title |
---|
水下环境监测***综述与展望;朱铱镤 等;《计算机工程与应用》;20221130;第59卷(第10期);第65-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117590751A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107499476B (zh) | 水下机器人控制***及运动控制方法 | |
Zamuda et al. | Differential evolution and underwater glider path planning applied to the short-term opportunistic sampling of dynamic mesoscale ocean structures | |
Angelov et al. | Identification of evolving fuzzy rule-based models | |
Hitz et al. | Fully autonomous focused exploration for robotic environmental monitoring | |
CN108008099A (zh) | 一种污染源定位方法 | |
Samaniego et al. | A bayesian optimization approach for water resources monitoring through an autonomous surface vehicle: The ypacarai lake case study | |
Shi et al. | Adaptive informative sampling with environment partitioning for heterogeneous multi-robot systems | |
CN110568140B (zh) | 一种基于机器仿生鱼的污染源探查定位方法 | |
CN117590751B (zh) | 基于水下机器人的水下环境监测方法及*** | |
JP6372046B2 (ja) | 外乱加速度の推定方法、船体の自動制御方法及び外乱加速度の推定装置並びに外乱加速度の推定用コンピュータプログラム | |
Newaz et al. | Long-term autonomy for AUVs operating under uncertainties in dynamic marine environments | |
Qiu et al. | Development of hybrid neural network and current forecasting model based dead reckoning method for accurate prediction of underwater glider position | |
Duecker et al. | Embedded stochastic field exploration with micro diving agents using Bayesian optimization-guided tree-search and GMRFs | |
De Carolis et al. | Runtime energy estimation and route optimization for autonomous underwater vehicles | |
Yang et al. | Energy-optimal path planning with active flow perception for autonomous underwater vehicles | |
CN116907452A (zh) | 基于集群auv数据驱动的亚中尺度涡观测方法 | |
Joukov et al. | Gaussian process based model predictive controller for imitation learning | |
JP2016224680A (ja) | 自己位置推定装置及び自己位置推定装置を備えた移動体 | |
Chauvin-Hameau | Informative path planning for algae farm surveying | |
Besada-Portas et al. | Data-driven exploration of lentic water bodies with ASVS guided by gradient-free optimization/contour detection algorithms | |
Liu et al. | Physics-informed identification of marine vehicle dynamics using hydrodynamic dictionary library-inspired adaptive regression | |
JP2019175490A (ja) | 情報処理装置 | |
Lu et al. | Energy efficient path planning of autonomous underwater vehicles for environment modeling | |
Soegiarto et al. | On-line planning on active SLAM-Based robot olfaction for gas distribution mapping | |
CN117590756B (zh) | 水下机器人的运动控制方法、装置、设备和存储介质 |
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 |